مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی

اختصاصی از رزفایل مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی دانلود با لینک مستقیم و پر سرعت .

19 صفحه pdf

مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی مطالعه موردی شرکت های پذیرفته شده در بورس اوراق بهادار تهران

چکیده مقاله:

پیش بینی ورشکستگی مدت هاست که به عنوان یکی از مهمترین موضوعات مهم در حوزه مدیریت مالی و شناخت فرصت های مطلوب سرمایه گذاری از فرصت های نامطلوب و جلوگیری از به هدر رفتن منابع مطرح است. لذا در این پژوهش سعی شده است تا با بهره گیری از مدل شبکه های عصبی و الگوریتم ژنتیک به مقایسه نتایج حاصل از پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران پرداخته و همچنین از سوی دیگر با بکارگیری الگوریتم ژنتیک در توسعه تئوری ورشکستگی، راه های غلبه بر ضعف های روش های معمول پیش بینی ورشکستگی مورد بحث و بررسی قرار گیرد. نمونه مورد مطالعه در این پژوهش شامل 70 جفت شرکت ورشکسته و غیر ورشکسته طی بازه زمانی 1390-1380 است. با بررسی های انجام شده بروی اطلاعات مستخرج از صورت های مالی شرکتهای مورد نظر در نهایت 5 متغیر مالی بعنوان متغیرهای مستفل جهت استفاده در هر دو مدل شناسایی گردید. نتایج این پژوهش نشان داد که استفاده از الگوریتم ژنتیک در مقایسه با مدل شبکه های عصبی در پیش بینی ورشکستگی مالی بسیار موثر است بطوریکه این مدل توانست جهت پیش بینی صحیح ورشکستگی مالی شرکتها به ترتیب در دوسال قبل از سال مبنا، یکسال قبل از سال مبنا و سال مبنا به دقتی معادل 96/44 و 97/94 و 95/53 درصد دست یابد.

مقاله کنترل ترافیک با کمک الگوریتم های ساده و سریع و با کمک پردازش تصویر

اختصاصی از رزفایل مقاله کنترل ترافیک با کمک الگوریتم های ساده و سریع و با کمک پردازش تصویر دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 23 صفحه

چکیده-

یکی از روشهای شناخت رفتار رانندگان در بزرگراه ها بررسی موقعیت تک تک وسایل نقلیه در طول مسیر است . در این مقاله ،‌ الگوریتم های پردازش تصویر برای تعیین پارامترهای مختلف ترافیکی پیشنهاد شده است و اساس این کار بر مبنای روش پنجره است که در آن تنها    بخش هایی از تصویر پردازش می شود بدین ترتیب ، سرعت پردازش بالا رفته و کارایی بیشتر می شود و برای رسیدن به یک سیستم بلادرنگ سعی شده از الگوریتم های ساده وسریع استفاده شود که توسط یک بورد تصاویر ترافیکی گرفته شده آنها را با تصاویر دیجیتال تبدیل کرده و با استفاده از الگوریتم تصمیم گیری ، تصمیم نهایی در مورد پارامتر مد نظر گرفته می شود .

مقدمه -

برای پردازش تصویر بسته به اطلاعتی که می خواهیم از تصویر استخراج کنیم روشهای مختلفی وجود دارد.  دو روش اصلی برای پردازش ، پردازش نقطه ای و پردازش همسایگی است . که در روش نقطه ای برای کار با داده های تصویر مقدار هر پیکسل به تنهایی و بدون مراجعه به پیکسل های جاور در نظر گرفته می شود هرچهار عمل اصلی (تفریق، جمع، ضرب وتقسیم )را می توان بر روی داده های تصویر دیجیتال به صورت پیکسل پیکسل اعمال می کنیم . تفریق دو تصویر یک تبدیل نقطه ای بسیار ساده وموثر را فراهم میکند . در موارد ترافیکی از این روش که تفاضل زمینه نامیده      می شود برای تشخیص خودرو درتصویر استفاده می شود .  همچنین اگر عمل جمع با تقسیم ترکیب شود تکنیکی برای بر طرف کردن نویز اتفاقی بدست می آید . در روش پردازش همسایگی اختلاف در پیکسل های مجاور مهم است زیرا یک اختلاف کوچک نشاندهنده ناپیوستگی در دنیای واقعی واحتمالا مربوط به نویز است و می توان با در نظر گرفتن مقدار میانگین یک گروه پیکسل نویز را کم کرد  و همچنین این روش برای عملیات لبه گیری و هموار سازی به کار   می رود.

هدف از ارائه این مقاله ، اندازه گیری پارامتر سرعت و چند پارامتر کمی ترافیکی است. این پارامترها عبارتند از :

1. تشخیص و شمارش خودرو
2. اندازه گیری سرعت خودرو
3. تشخیص و شمارش خودرو در شب
4. اندازه گیری طول صف در پشت چراغ قرمز
5. نرخ توزیع خودرو در چهارراه ها

پس از اینکه مقدمات کار آماده شده و سیستم اصلی راه اندازی شد، به بررسی در مورد الگوریتم های کلی برای هر یک از این پارامترها به طور جداگانه می پردازیم. برای انتخاب بهترین الگوریتم برای تشخیص می پردازیم.   

     سیستم موجود در ایران :

از سال 1970 پس از برنامه امریکایی WADS پروﮊه ها وآزمایش هایی در مورد سیستم های ترافیکی انجام شده از جمله این پروﮊه ها می توان به سیستم های زیر اشاره کرد ;   سیستم هایی که در سال 1984 بررسی شدند UMIST  در انگلیس که از تفاضل تصویر و به دنبال آن یک حد آستانه دستی استفاده می کند و سیستم ﮊاپنی TSC60  که تحت شرایط جوی مختلف خودرو ها را تشخیص داده ولی به خودرو های نزدیک حساس است . همچنین سیستم استرالیایی VDO نیز که تصویر را به 16 پنجره تحلیلی تقسیم     می کند و از یک پنجره دیگر به عنوان مرجع تفاضل استفاده می کند همچنین در سال 1995 روش فرانسوی TITAN که مربوط است به تحلیل ترافیک شهری با استفاده از ریاضیات مورفولوﮊی و روش زمانی- مکانی برای تحلیل تصویر.مورد آزمایش قرار گرفت  

دانلود پاورپوینت ساختمان داده‌ها و الگوریتم

اختصاصی از رزفایل دانلود پاورپوینت ساختمان داده‌ها و الگوریتم دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب پاورپوینت و قابل ویرایش در 387 اسلاید می باشد.

اسلاید 2

در مورد ساختمان داده

ساختمان داده روشی است برای معرفی و دستکاری داده و کلیه برنامه های معرفی داده  برای معرفی داده نیازمند یک الگوریتم میباشد.

اسلاید 3

روش های طراحی الگوریتم نیازمند پیشرفت برنامه هایی است که برای نگهداری داده است. در علوم کامپیوتر مطالعه ساختمان داده ها مهم وضروری میبا شد.

73 - پاورپوینت آماده: بهینه سازی پارامترهای فرزکاری با استفاده از الگوریتم ژنتیک - 28 اسلاید

اختصاصی از رزفایل 73 - پاورپوینت آماده: بهینه سازی پارامترهای فرزکاری با استفاده از الگوریتم ژنتیک - 28 اسلاید دانلود با لینک مستقیم و پر سرعت .

• فرزکاری
• بهینه سازی (اهداف-روش ها)
• الگوریتم ژنتیک
• قابلیت ماشینکاری
• پژوهش های پیشین
• بررسی پارامترها
• هدف از بهینه سازی تعیین متغیرهای طراحی است، به گونه ای که تابع هدف کمینه یا بیشینه شود.

ترجمه آماده : تشخیص بیماری قلبی با استفاده از داده کاوی الگوریتم

اختصاصی از رزفایل ترجمه آماده : تشخیص بیماری قلبی با استفاده از داده کاوی الگوریتم دانلود با لینک مستقیم و پر سرعت .

تشخیص بیماری قلبی با استفاده از داده کاوی الگوریتم

Diagnosis Of Heart Disease Using Datamining Algorithm

6 صفحه مقاله به همراه 12 صفحه تایپ در ورد

چکیده

شناخت بیماری قلبی تمری بسیار مهم و خطیر در عرصه پزشکی به شمار می آید. صنعت مراقبت های بهداشتی ، تعداد زیادی از داده های بیماری قلبی را که متاسفانه برای تصمیم گیری های موثر در تعیین اطلاعات پنهان "واکاوی" نشده اند را گردآوری می نماید. عبارت بیماری قلبی، بیماری های متنوع تاثیرگذار بر قلب را در بر می گیرد. بیماری های کاردیومیوپاتی و قلبی غروقی در دته بیماری های قلبی جای می گیرند . کاهش عرضه خون و اکسیژن به قلب ، منجر به بیماری قلبی می شود. در این مقاله، طبقه بندی داده ها بر مبنای الگوریتم های یادگیری نظارت شده بوده که منجر به دقت شده و برای ساخت الگوریتم زمان صرف می کند. ابزار تانگرا به منظور دسته بندی داده ها بکار گرفته شده و داده ها با استفاده از اعتبار سنجی ده برابر ارزیابی شده و نتایج مقایسه می شوند .

واژه های کلیدی : نایو بیز ، k-nn ، فهرست تصمیم ، ابزار تانگارا

Abstract

The diagnosis of heart disease is a significant and tedious task in medicine. The healthcare industry gathers enormous amounts of heart disease data that regrettably, are not “mined” to determine concealed information for effective decision making by healthcare practitioners. The term Heart disease encompasses the diverse diseases that affect the heart. Cardiomyopathy and Cardiovascular disease are some categories of heart diseases. The reduction of blood and oxygen supply to the heart leads to heart disease. In this paper the data classification is based on supervised machine learning algorithms which result in accuracy, time taken to build the algorithm. Tanagra tool is used to classify the data and the data is evaluated using 10-fold cross validation and the results are compared.
Keywords:

Naive Bayes, k-nn, Decision List, Tanagra tool