دانلود پایان نامه و مقاله کارشناسی ارشد
دانلود پایان نامه و مقاله کارشناسی ارشد- متن کامل - همه رشته هادانلود پایان نامه و مقاله کارشناسی ارشد
دانلود پایان نامه و مقاله کارشناسی ارشد- متن کامل - همه رشته هاسنندج بررسی و ارزیابی ترافیک و حمل و نقل شهری با توجه به نیازهای معلولان و جانبازان در سه ...
چکیده:
معلولیت به مثابه پدیدهای زیستی و اجتماعی واقعیتی است که تمام جوامع، صرف نظر از میزان توسعه یافتگی اعماز کشورهای صنعتی و غیر صنعتی با آن مواجه هستند. ارزیابی فضاهای عمومی با توجه به نیازهای معلولان و جانبازان و برنامه ریزی برای آن، یکی از ضروریات هر جامعه، بخصوص جامعه ماست که بعد از جنگ
تحمیلی با جمع کثیری از جانبازان و معلولان مواجه شده است. بنابراین پژوهش حاضر با هدف بررسی و ارزیابی ترافیک و حمل و نقل شهری با توجه به نیازهای معلولان و جانبازان با بهره گرفتن از روش نمونه گیری تصادفی ساده 195 پرسشنامه با اطلاعات کامل تکمیل گردیده است. برای تجزیه و تحلیل داده ها و آزمون فرضیه ها از همبستگی پیرسون استفاده شد. همچنین برای ارزیابی و رتبه بندی مناطق نمونه از مدل تصمیم گیری (Topsis)، استفاده گردید.
یافته های نهایی پژوهش نشان می دهند در شهر سنندج نا مناسب بودن وضعیت پیاده روها و ازدحام و شلوغی دست فروش ها، مغازه دارها، مبلمان شهری به
این مطلب را هم بخوانید :
یک دنیا سرگرمی؛ بهترین بازی های آنلاین موبایل در سال ۲۰۱۷
عنوان مهمترین مشکل در بحث ترافیک از نظر معلولان و جانبازان برشمرده شده و پس از آن، مناسب نبودن وسایل حمل و نقل عمومی و عدم دسترسی به آنها عنوان شده است. با بهره گرفتن از مدل (topsis)، مشخص گردید که وضعیت ترافیک در مناطق مورد
وزارت علوم، تحقیقات و فناوری دانشگاه علوم فنون مازندران پایان نامه مقطع کارشناسی ارشد
جدول4‑29: معیارهای ارزیابی ونتایج شبکه MLP. 101
جدول4‑30: ماتریس ConfusionشبکهMLP 101
جدول4‑32: ماتریس Confusionشبکه Perceptrons. 102
جدول4‑31: معیارهای ارزیابی ونتایج شبکه Perceptrons 103
جدول4‑34: ماتریسConfusion الگوریتم RBF. 104
جدول4‑33: معیارهای ارزیابی ونتایج الگوریتم RBF. 104
جدول4‑36:ماتریسConfusion الگوریتم Neural net 105
جدول4‑35:معیارهای ارزیابی ونتایج الگوریتم Neural net 105
جدول4‑38: ماتریس Confusion الگوریتم Conjuctive rule. 108
جدول4‑37: معیارهای ارزیابی ونتایج الگوریتم Conjuctive rule. 108
جدول4‑39: معیارهای ارزیابی ونتایج الگوریتم decision table. 109
جدول4‑40: ماتریسConfusion الگوریتم decision table. 109
جدول4‑41 :معیارهای ارزیابی ونتایج الگوریتم DTNB.. 110
جدول4‑42: ماتریسConfusion الگوریتم DTNB.. 110
جدول4‑44: ماتریس Confusion الگوریتم JRIP. 110
جدول4‑43: معیارهای ارزیابی ونتایج الگوریتم JRIP. 111
جدول4‑45: معیارهای ارزیابی ونتایج الگوریتم ONER.. 111
جدول4‑46: ماتریس Confusion الگوریتم ONER.. 111
جدول4‑47: معیارهای ارزیابی ونتایج الگوریتم PRSIM.. 112
جدول4‑48: ماتریس Confusion الگوریتم PRSIM.. 112
جدول4‑49: معیارهای ارزیابی ونتایج الگوریتم RIDOR.. 112
جدول4‑50: ماتریسConfusion الگوریتم RIDOR.. 113
جدول4‑51: معیارهای ارزیابی ونتایج الگوریتم RULE Induction. 113
جدول4‑52: ماتریسConfusion الگوریتم RULE Induction. 113
جدول4‑53: معیارهای ارزیابی ونتایج الگوریتم RULE Induction single attribute. 114
جدول4‑54: ماتریسConfusion الگوریتم RULE Induction single attribute. 114
جدول4‑55: معیارهای ارزیابی ونتایج الگوریتم TREE by rule. 114
جدول4‑56:ماتریس Confusion الگوریتم TREE by rule. 115
جدول4‑57: معیارهای ارزیابی ونتایج الگوریتم part 115
جدول7‑58: ماتریسConfusion الگوریتم part 115
جدول4‑59: معیارهای ارزیابی ونتایج الگوریتم CHAID.. 119
جدول4‑60: ماتریسConfusion الگوریتم CHAID.. 119
جدول4‑61: معیارهای ارزیابی ونتایج الگوریتم DECISION TREE 119
جدول4‑62: ماتریس Confusion الگوریتم DECISION TREE. 120
جدول4‑63: معیارهای ارزیابی ونتایج الگوریتم J48. 120
جدول4‑64: ماتریسConfusion الگوریتم J48. 120
جدول4‑65: معیارهای ارزیابی ونتایج الگوریتم FT. 121
جدول4‑66: ماتریس Confusion الگوریتم FT 121
جدول4‑68: ماتریس Confusion الگوریتم ID3. 121
جدول4‑67: معیارهای ارزیابی ونتایج الگوریتم ID3. 122
جدول4‑69: معیارهای ارزیابی ونتایج الگوریتم LAD.. 122
جدول4‑70: ماتریس Confusion الگوریتم LAD.. 122
جدول4‑71: معیارهای ارزیابی ونتایج الگوریتم ADT. 123
جدول4‑72: ماتریس Confusion الگوریتم ADT. 123
جدول4‑73: معیارهای ارزیابی ونتایج الگوریتم BF. 123
جدول4‑74: ماتریس Confusion الگوریتم BF. 123
جدول4‑75:معیارهای ارزیابی ونتایج الگوریتم LMT. 124
جدول4‑76:ماتریسConfusion الگوریتم LMT. 124
جدول4‑77: معیارهای ارزیابی ونتایج الگوریتم J48graft 124
جدول4‑78: ماتریس Confusion الگوریتم J48graft 125
جدول4‑79: معیارهای ارزیابی ونتایج الگوریتم NB 125
جدول4‑80:ماتریس Confusion الگوریتم NB.. 125
جدول4‑81:معیارهای ارزیابی ونتایج الگوریتم REEPTREE 126
جدول4‑82: ماتریس Confusion الگوریتم REEPTREE. 126
جدول4‑83: معیارهای ارزیابی ونتایج الگوریتم Simplecart 126
جدول4‑84:ماتریس Confusion الگوریتم Simplecart 127
جدول4‑85:معیارهای ارزیابی ونتایج روش Libsvm.. 130
جدول4‑86: ماتریسConfusion روش Libsvm.. 130
جدول4‑87: معیارهای ارزیابی ونتایج روش Support vector machine. 131
جدول4‑88: ماتریس Confusion روش Support vector machine 131
جدول4‑89: معیارهای ارزیابی ونتایج روش Support vector machine(linear) 132
جدول4‑90: ماتریسConfusion روش Support vector machine(linear) 132
جدول4‑91: معیارهای ارزیابی ونتایج روش Speggeous. 132
جدول4‑92: ماتریسConfusion روش Speggeous. 133
جدول4‑93: معیارهای ارزیابی ونتایج روش W-svm.. 133
جدول4‑94: ماتریس Confusion روش W-svm.. 133
جدول4‑95: معیارهای ارزیابی ونتایج روش Fast large. 134
جدول4‑96: ماتریس Confusion روش Fast large. 134
فهرست اشکال و نمودارها
شکل2‑1: معماری یک نمونه سیستم داده کاوی 12
شکل2‑2: Wx,yوزن یال بینXو Yاست. 15
شکل2‑3: درخت تصمیم گیری 17
شکل2‑5: شبه کد الگوریتم توالی پوشش… 26
شکل2‑6: شبکه کد الگوریتم IB3. 29
شکل2‑7: شبکه کد مربوطذ به الگوریتمKDD 31
شکل2‑8: انواع سیستم های تشخیص تقلب… 38
شکل2‑9: معماری یک سیستم تشخیص نفوذ. 40
شکل2‑10: چارچوب کلی داده کاوی برای کشف تقلب 52
شکل2‑11: مقایسه خروجیهابااستفاده ازنمودارROC.. 55
شکل2‑12: الگوریتم استخراج شده ازدرخت تصمیم. 61
شکل2‑13: عملکرد الگوریتم ژنتیک 63
شکل2‑14: قاعده استخراج شده ازالگورِیتم ژنتیک 64
شکل2‑15: توابع مربوط به الگوریتم ژنتیک ومقداردهی آنها 64
شکل2‑16: معماری الگوریتم ژنتیک برای تست نفوذ 65
شکل2‑17: خوشه بندی برایk=2. 67
شکل2‑18: شناسایی دادهغیرنرمال 68
شکل2‑19: ترکیب دستهبندی وشناسایی غیرنرمال.. 68
شکل3‑1: معماری پیشنهاد داده شده برای تشخیص نفوذ باروش مبتنی برداده کاوی.. 72
شکل3‑2: مدلسازی الگوریتم شبکهعصبی با نرمافزارRapidminer 78
شکل3‑3: مدلسازی الگوریتم مدلبیزین با نرمافزارRapidminer 78
شکل3‑4: مدلسازی الگوریتم درخت تصمیم با نرمافزارRapidminer 79
این مطلب را هم بخوانید :
شکل3‑5: مدلسازی الگوریتم مدلقانونمحوربا نرمافزارRapidminer 79
شکل3‑6: مدلسازی الگوریتم مدل بردارپشتیبان با نرمافزارRapidminer 80
شکل3‑7: مدلسازی الگوریتم مدل کاهل بانرم افزارRapidminer 80
شکل3‑8: نمونه ای ازخروجی نرمافزار Rapidminerباپارامترهای مختلف ارزیابی.. 81
شکل4‑1: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامتر درستی.. 90
شکل4‑2: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامتر دقت… 90
شکل4‑3: نمودار ارزیابی الگوریتمهای مدل بیزین بر حسب پارامتر یادآوری.. 91
شکل4‑4: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامتر F. 91
شکل4‑5: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامترهای مختلف… 92
شکل4‑6: نمودار ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر درستی.. 96
شکل4‑7: نمودار ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر دقت… 97
شکل4‑8: نمودار ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر یادآوری.. 97
شکل4‑9: نمودار م ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر F. 98
شکل4‑10: نمودار مربوط به ارزیابی الگوریتمهای مدل کاهل برحسب پارامترهای مختلف… 98
شکل4‑11: نمونه ای ازشبکهMLP. 100
شکل4‑12: عملکرد شبکه پرسپتون.. 102
شکل4‑13: نمونه ای ازشبکهRBF. 103
شکل4‑14:نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر درستی.. 105
شکل4‑15: نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر دقت… 106
شکل4‑16: نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر یادآوری.. 106
شکل4‑17: نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر F. 107
شکل4‑18: نموداره ارزیابی مدلهای شبکه عصبی برحسب پارامتر مختلف… 107
شکل4‑19:نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر درستی.. 116
شکل4‑20: نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر دقت… 116
شکل4‑21: نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر یادآوری.. 117
مقدمه: امروزه پیشگیری از جرم اهمیت بسزایی نسبت به گذشته پیدا کرده است، زیرا عوامل و انگیزه های ارتکاب ...
در حال حاظر بافت قدیمی شهر ها به لحاظ سنتی بودن ساخت آن، کمتر به مسایل امنیتی و طراحی محیطی توجه شده است. کوچه های قدیمی تنگ بوده و از روشنایی و دید کافی رهگذران برخوردار نمی باشد. ساختمان های قدیمی استحکام لازم را نداشته و نقاط کور زیادی در آنها مشاهده می گردد. در ساخت و سازهای جدید بیشتر به مسایل امنیتی و طراحی محیطی توجه می شود، مجتمع ها دارای نگهبان بوده و رفت و آمد افراد ناشناس تا حدودی کنترل می گردد، مغازه ها در فضاهای پر تردد و اطراف میادین شهر ساخته می شود و نورپردازی و نظارت بیشتری دارند.
این مطلب را هم بخوانید :
حلقه-گروهوارهای توپولوژیکی و بالابرها در فضاهای پوششی دانشگاه شیراز دانشکده علوم دانلود متن کامل پایان نامه مقطع ...
جدول شماره 3‑2: شبه کد عمومی الگوریتم های تکاملی.. 32
جدول شماره 3‑3: شبه کد الگوریتم ژنتیک… 34
جدول شماره 3‑4 : شبه کد الگوریتم ازدحام ذرات.. 37
جدول شماره 3‑5 : شبه کد الگوریتم رقابت استعماری.. 41
جدول شماره 5‑1: نماد سهم های انتخاب شده. 46
جدول شماره 5‑2: اندازه کاهش یافته داده ها 51
جدول شماره 5‑3: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم ژنتیک… 54
جدول شماره 5‑4: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم ازدحام ذرات.. 55
جدول شماره 5‑5: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم رقابت استعماری.. 56
جدول شماره 5‑6: نتایج mse شبکه عصبی آموزش دیده با الگوریتم ژنتیک… 58
جدول شماره 5‑7: نتایج mse شبکه عصبی آموزش دیده با الگوریتم ازدحام ذرات.. 58
جدول شماره 5‑8: نتایج mse شبکه عصبی آموزش دیده با الگوریتم رقابت استعماری.. 59
جدول شماره 5‑9: نتایج mse شبکه عصبی آموزش دیده با الگوریتم پیش انتشار خطا 59
جدول شماره 6‑1: میانگین و انحراف معیار خطای اجراهای ANN و BP. 61
جدول شماره 6‑2: نتایج خطای پیش بینی با ANN و PSO.. 63
جدول شماره 6‑3: نتایج خطای پیش بینی با ANN و ICA.. 63
فهرست شکل ها
عنوان صفحه
شکل شماره 3‑1 : نمونه ای تحلیل قیمت سهم با ابزارهای رویکرد تحلیل تکنیکال.. 20
شکل شماره 3‑2 : فرایند CRISP. 23
شکل شماره 3‑3 : ساختار یک نورون.. 27
شکل شماره 3‑4 : نمونه ای از یک شبکه عصبی مصنوعی با یک لایه پنهان.. 28
شکل شماره 3‑5 : نمونه نورون در شبکه عصبی مصنوعی پیشرو. 29
شکل شماره 3‑6 : فلوچارت عمومی الگوریتم های تکاملی.. 32
شکل شماره 3‑7 : نمایش ترکیب تک نقطه ای.. 35
شکل شماره 3‑8 : نمایش حرکت ذره در PSO.. 36
شکل شماره 3‑9: نمایش نمونه ای تقسیم کلونی ها به امپریالیست ها 40
شکل شماره 3‑10: حرکت خطی کلونی.. 41
شکل شماره 3‑11: حرکت زاویه ای کلونی.. 41
شکل شماره 5‑1 : نمودار قیمت روزانه سهام نماد بکام. 48
شکل شماره 5‑2 : نمودار قیمت روزانه سهام نماد وپارس… 48
شکل شماره 5‑3 : نمودار قیمت روزانه سهام نماد وغدیر. 49
شکل شماره 5‑4 : نمودار قیمت روزانه سهام نماد خودرو. 49
شکل شماره 5‑5 : نمودار قیمت روزانه سهام نماد رانفور. 50
شکل شماره 5‑6 : شبکه عصبی مصنوعی با داده های سری زمانی.. 53
شکل شماره 6‑1 : تابع احتمال تجمعی توزیع نرمال برازش شده خطا 61
شکل شماره 6‑2 : تابع احتمال تجمعی توزیع نرمال برازش شده خطا ANN و EAs. 62
مقدمه
بشر در دنیای امروزی به صورت روزمره در بازارهای گوناگون درگیر تصمیم گیری های بیشماری بوده و هر گونه پیشنهادی که امکان بهبود دقت و صحت تصمیم و یا کاهش زمان تصمیم گیری را برای او به ارمغان بیاورد برای وی جذاب و ارزشمند می باشد. یکی از بازارهایی که امروزه رو به رونق بوده و مزایای سیستمهای پشتیبان تصمیم گیری در آن بسیار مشهود می باشد بازارهای پولی و سرمایه شامل بازار بورس اوراق بهادار می باشد. فعالان این بازار به خرید و فروش سهام شرکتها در آن بازار پرداخته و از آن طریق با پذیرفتن ریسکِ آینده سهم برای خود سود و یا زیان به بار می آورند.
در این تحقیق سعی خواهد شد تا با به کارگرفتن تکنیکهای داده کاوی شناخته شده، در مسیر تحقیقات صورت گرفته پیشین، ترکیبی از الگوریتم شبکه عصبی مصنوعی با الگوریتمهای بهینه سازی تکاملی به منظور پیش بینی قیمت سهام شرکتها در بورس اوراق بهادار ارائه گردد. ترکیب الگوریتم شبکه عصبی مصنوعی با سه الگوریتم بهینه سازی تکاملی ژنتیک، رقابت استعماری و ازدحام ذرات روی حداقل پنج سهم مورد بررسی قرار خواهد گرفت و دقت پیش بینی هر یک محاسبه و ارائه خواهد گردید. خروجی این تحقیق، پیشنهاد بهترین الگوریتم ترکیبی از بین موارد ذکر شده برای پیش بینی قیمت سهام شرکتهای عضو بورس اوراق بهادار خواهد بود.
1-2 تعریف مساله
در بازارهای پولی و سرمایه دو نوع تکنیک اساسی برای تحلیل و تصمیم به خرید و یا فروش سهام شرکتها وجود دارد: تکنیک تحلیل بنیادی[1]، تکنیک تحلیل تکنیکی[2]. در تحلیل بنیادی، از مولفه های اصلی عملکرد و توان شرکت در برابر فرصتها و تهدیدهای بازار و در سطح کلان کشور استفاده شده و در مورد خرید و یا فروش آن سهم تصمیم گیری می شود. در برابر در تحلیل تکنیکی، فرض بر آن است که اثر کلیه عوامل کلان و خرد اقتصادی و نیز توان و عملکرد شرکت در پیشینه تاریخی قیمت سهم وجود داشته و در نتیجه با تحلیل روند قیمت سهم، تصمیم به خرید و یا فروش سهم شرکتی گرفته می شود. پیش بینی و یا پیش گویی قیمت سهم شرکتها در بازارهای اوراق بهادار از مسائلی است که تحقیقات گوناگونی در کشورهای مختلف در مورد آن صورت گرفته است. این تحقیق در بازار بورس اوراق بهادار تهران و تحت رویکرد تکنیک تحلیل تکنیکی سعی خواهد نمود تا به حل مساله پیش بینی قیمت سهم شرکتها پرداخته و پاسخی به نیاز فعالان بورس اوراق بهادار در مورد حل مساله پیش بینی قیمت سهم ارائه نماید.
تعداد صفحه : 102
قیمت :14700 تومان
بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد
و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.
پشتیبانی سایت : * parsavahedi.t@gmail.com
در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.
پایاننامه کارشناسی ارشد در رشته ریاضی محض(گرایش هندسه)
حلقه-گروهوارهای توپولوژیکی و بالابرها در فضاهای پوششی
استاد راهنما:
دکتر محمدرضا فرهنگدوست
شهریور 1391
چکیده
دراین پایاننامه به بررسی ساختارهایی از گروهوارها، گروهوارهای توپولوژیکی، حلقه- گروهوارهای توپولوژیکی، ریختهای بین آنها، پوششهای گروهوارها و حلقه-گروهوارهای توپولوژیکی و بالابرها در این زمینه میپردازیم. نشان میدهیم که مجموعهی کلاسهای هموتوپی از تمام مسیرها در یک حلقهی توپولوژیکی، یک شیء حلقهی توپولوژیکی میباشد. با فرض اینکه ⟶ :? یک نگاشت پوششی و یک حلقهی توپولوژیکی باشد، نشان میدهیم رستهی از پوششهای که در آن هر دوی و دارای پوششهای جهانی هستند و رستهی از پوششهای حلقه-گروهوار توپولوژیکی ، که در آن و دارای پوششهای عمومی هستند، همارز میباشند، که در مقالهی ” حلقه-گروهوارهای توپولوژیکی و بالابرها ” توسط “فتیح ازکن، ایسن و هابیل گورسوی” در سال 2006 بررسی شده است.
فهرست مطالب
| عنوان
| صفحه | |
| فصل اول: مقدمه | 1 | |
| تعاریف و قضایای استنادی | 4 | |
| فصل دوم | ||
| گروهوارها و گروهوارهای توپولوژیکی | 15 | |
| فصل سوم | ||
| عملگروهوار و کاربرد آن در -فضاها | 42 | |
| فصل چهارم | | این مطلب را هم بخوانید : پایان نامه در مورد سبک های مقابله ای - پایان نامه |
| حلقه-گروهوارهای توپولوژیکی | 63 | |
| فصل پنجم | ||
| رستهها و بالابرها | 85 | |
| منابع | 93 | |
| واژهنامه فارسی به انگلیسی | 97 | |
| واژهنامه انگلیسی به فارسی | 103 |
فهرست نمودارها
پیش بینی قیمت سهم در بورس اوراق بهادار به کمک داده کاوی با الگوریتم های ترکیبی تکاملی ...
5-1-2 کیفیت داده ها و کاهش داده ها. 50
5-1-3 پیاده سازی شبکه عصبی مصنوعی برای سری های زمانی.. 51
5-1-3-1 معماری شبکه عصبی مصنوعی.. 51
5-1-3-2 تطبیق ورودی های زمانی به عنوان ورودی شبکه عصبی مصنوعی.. 53
5-1-4 پیاده سازی آموزش شبکه عصبی مصنوعی با الگوریتمهای تکاملی.. 54
5-1-4-2 الگوریتم بهینه سازی ازدحام ذرات.. 55
5-1-4-3 الگوریتم رقابت استعماری.. 56
5-1-4 به کارگیری شبکه عصبی مصنوعی آموزش دیده با الگوریتم های تکاملی.. 58
فصل 6 : تحلیل یافته ها، نتیجه گیری و پیشنهاد ها. 60
6-1 نتیجه گیری و پاسخ به سئوالات تحقیق.. 60
| عنوان | صفحه |
6-2 تحقیقات پیشنهادی آینده. 64
پیوست 1: کد شبکه عصبی سری زمانی با آموزش با الگوریتم پیش انتشار خطا. 67
پیوست 2: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ژنتیک.. 68
پیوست 3: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ازدحام ذرات.. 71
پیوست 4: کد شبکه عصبی مصنوعی با آموزش با الگوریتم رقابت استعماری.. 73
- فهرست جدول ها
| عنوان | صفحه |
جدول شماره 2‑1: مقایسه نتایج پیش بینی مدل بت-عصبی با سه مدل دیگر. 13
جدول شماره 2‑2: مقایسه نتایج پیش گویی مدل ارائه شده با مدلهای دیگر. 14
جدول شماره 2‑3: نسل بندی روش های تحقیق در پیش بینی قیمت سهم. 16
جدول شماره 3‑1: شبه کد الگوریتم پیش انتشار خطا 30
جدول شماره 3‑2: شبه کد عمومی الگوریتم های تکاملی.. 32
جدول شماره 3‑3: شبه کد الگوریتم ژنتیک… 34
جدول شماره 3‑4 : شبه کد الگوریتم ازدحام ذرات.. 37
جدول شماره 3‑5 : شبه کد الگوریتم رقابت استعماری.. 41
جدول شماره 5‑1: نماد سهم های انتخاب شده. 46
جدول شماره 5‑2: اندازه کاهش یافته داده ها 51
جدول شماره 5‑3: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم ژنتیک… 54
جدول شماره 5‑4: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم ازدحام ذرات.. 55
جدول شماره 5‑5: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم رقابت استعماری.. 56
جدول شماره 5‑6: نتایج mse شبکه عصبی آموزش دیده با الگوریتم ژنتیک… 58
جدول شماره 5‑7: نتایج mse شبکه عصبی آموزش دیده با الگوریتم ازدحام ذرات.. 58
جدول شماره 5‑8: نتایج mse شبکه عصبی آموزش دیده با الگوریتم رقابت استعماری.. 59
جدول شماره 5‑9: نتایج mse شبکه عصبی آموزش دیده با الگوریتم پیش انتشار خطا 59
جدول شماره 6‑1: میانگین و انحراف معیار خطای اجراهای ANN و BP. 61
جدول شماره 6‑2: نتایج خطای پیش بینی با ANN و PSO.. 63
جدول شماره 6‑3: نتایج خطای پیش بینی با ANN و ICA.. 63
- فهرست شکل ها
این مطلب را هم بخوانید :
| عنوان | صفحه |
شکل شماره 3‑1 : نمونه ای تحلیل قیمت سهم با ابزارهای رویکرد تحلیل تکنیکال.. 20
شکل شماره 3‑2 : فرایند CRISP. 23
شکل شماره 3‑3 : ساختار یک نورون.. 27
شکل شماره 3‑4 : نمونه ای از یک شبکه عصبی مصنوعی با یک لایه پنهان.. 28