مقاله پیش بینی سطح آب زیرزمینی دشت بستان آباد

مقاله پیش بینی سطح آب زیرزمینی دشت بستان آباد با استفاده از ترکیب نظارت شده مدل های هوش مصنوعی

در این تحقیق از مدل های هوش مصنوعی شامل شبکه های عصبی پیشرو (FNN)، شبکه هاش عصبی برگشتی(RNN) و برنامه نویسی بیان ژن (GEP) جهت بررسی تغییرات سطح آب زیرزمینی دشت استفاده شده است. نتایج نشانگر کاهش متوسط خطای هر دسته در مدل هوش مصنوعی مرکب نسبت به مدل های منفرد به مقدار میانگین 17% در مقادیر RMSE می باشد. با استفاده از نتایج مدل هوش مصنوعی مرکب، تاثیر کاهش 30 و 50 درصدی پمپاژ از چاه های بهره برداری بر روی سطح آب زیرزمینی مورد بررسی قرار گرفت. نتایج نشانگر بالا رفتن قابل توجه سطح آب در اکثر پیزومترها می باشد. این موضوع نشان دهنده تاثیر بالای مقادیر پمپاژ نسبت به تغییرات آب و هوایی در تغییرات سطح آب زیرزمینی منطقه مطالعاتی می باشد.

دریافت مقاله یا کتاب
حجم: 862 کیلوبایت

مقاله بررسی قابلیت هندسی تصاویر پهپاد با اسفتاده از مدل های فیزیکی، تجربی و هوش مصنوعی

تصاویر رقومی هوایی پهپاد دارای کاربردهای متنوعی در استخراج اطلاعات مکانی، تهیه و بازنگری نقشه می باشد. هدف تحقیق ارزیابی روشهای تصحیح هندسی تصاویر رقومی هوایی پهپاد شامل: مدلهای فیزیکی، پیاده سازی فرآیند کامل فتوگرامتری هوایی از مرحله کالیبراسیون آزمایشگاهی دوربین تا مثلث بندی و سرشکنی در چندین مرحله، تهیه ارتو فتو و نقشه های بزرگ مقیاس، همچنین پیاده سازی مدلهای تجربی (چند جمله های دوبعدی، تبدیل افاین، درجه دوم و سوم، توابع کسری، تبدیل پروژکتو، درجه اول) و استفاده از مدلسازی هوش مصنوعی و در نهایت تعیین موقعیت دقیق عوارض با استفاده از نقشه تهیه شده می باشد. بهترین نتایج پیاده سازی مدلهای فیزیکی به ترتیب برای نقاط مسطحاتی x (0.2105 متر)، y (0.2856 متر) متر و همچنین بهترین نتایج حاصل از مدلسازی تجربی با توابع چند جمله دو بعدی درجه سوم برای میزان باقیمانده های نقاط کنترل 2 پیکسل (حدود 24 سانتی متر) بدست آمد.

دریافت مقاله یا کتاب
حجم: 659 کیلوبایت

مقاله کاربرد سیستم های هوش مصنوعی در تصمیم گیری های پزشکی: مزایا و چالش ها

به دلیل پیچیدگی تصمیمات پزشکی، کاربرد سیستم ‌های اطلاعاتی جهت پشتیبانی از این تصمیمات افزایش یافته است. در این بین، نقش سیستم ‌های هوشمند در یاری رسانی به پزشکان برجسته است. در این مقاله، به بررسی قابلیت این سیستم ‌ها در پزشکی پرداخته شده است و مهمترین چالش ‌های به کارگیری این سیستم ‌ها مورد بحث قرار گرفته است. محدودیت تکنولوژی، هزینه‌ سیستم، نگهداری متخصصین در سازمان، وارد کردن داده‌ های بیمار در سیستم، مشکلات کسب دانش، مدل سازی دانش پزشکی، تایید عملکرد سیستم، توصیه ‌های اشتباه و مسوولیت در برابر خطا، محدودیت حوزه‌ عملیاتی هوش مصنوعی و ضرورت یکپارچگی آن با فعالیت ‌های جاری از جمله چالش ‌های پیش روی به کارگیری این نوع سیستم‌ ها است که مستلزم ارایه‌ راهکار یا پاسخ ‌های مناسب می ‌باشد.

دریافت مقاله یا کتاب
حجم: 138 کیلوبایت

مقاله پیش بینی میزان صادرات خرمای ایران با استفاده از روش های اقتصادسنجی و هوش مصنوعی

در این مطالعه با استفاده از روش های اقتصادسنجیARMA ،GARCH و روش های هوش محاسباتی، شبکه عصبی مصنوعی و الگوریتم ژنتیک اقدام به پیش بینی میزان صادرات خرمای ایران برای دوره 1395-1389 شد. به منظور انجام بررسی ها از داده های مربوط به دوره زمانی 1388-1346 استفاده گردید. از داده های دوره 1384-1346 به منظور مدل سازی و از داده های 4 سال آخر برای بررسی قدرت پیش بینی استفاده شد. نتایج مطالعه نشان داد که شبکه عصبی در مقایسه با سایر روش ها از خطای پیش بینی کمتری برخوردار است. بعد از شبکه عصبی الگوریتم ژنتیک دارای کمترین خطا بوده و معیارهای عملکرد نشان دهنده توانایی الگوریتم ژنتیک در پیش بینی میزان صادرات خرما می باشند. با توجه به برتری شبکه عصبی در پیش بینی میزان صادرات خرمای ایران، پیش بینی های صورت گرفته توسط این مدل، روند افزایشی-کاهشی در میزان صادرات خرمای ایران را نشان می دهد.

دریافت مقاله یا کتاب
حجم: 671 کیلوبایت

مقاله استفاده ازهوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب

استفاده از تکنیک های هوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب غیر الکلی توسط شاخص های بالینی

هدف از این پژوهش، ارایه یک روش کم هزینه و ساده برای تشخیص این بیماری از طریق علایم بالینی می باشد.
مواد و روش ها: در این تحقیق از یک مجموعه داده شامل 726 بیمار استفاده شد که هر یک دارای عارضه کبد چرب با شدت مختلفی بودند. برای هر بیمار، شدت بیماری توسط دستگاه فیبرواسکن اندازه گیری و آزمایشات بالینی و سنوگرافی نیز انجام گرفت. سپس به منظور تعیین رابطه بین اطلاعات به دست آمده از بیماران و سطوح بیماری از شبکه های عصبی مصنوعی استفاده شده است. در نهایت، به کمک تکنیک های هوش مصنوعی روشی برای استخراج قانون از شبکه های عصبی مصنوعی برای نمایش ارتباط بین داده ها استفاده شده است.

دریافت مقاله یا کتاب
حجم: 880 کیلوبایت

مقاله الگوسازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران: کاربردی از هوش مصنوعی

هدف پژوهش حاضر، الگوسازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران با استفاده از الگوهای شبکه عصبی فازی، شبکه عصبی ژنتیک و شبکه عصبی است. از این رو، از داده های سالانه مصرف انرژی بخش حمل و نقل کشور به عنوان متغیر خروجی الگوهای پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو، به عنوان متغیرهای ورودی الگوهای پیش بینی استفاده شد. در پایان دقت نتایج پیش بینی الگوهای مختلف، با استفاده از شاخص های ارزیابی مقایسه گردید. نتایج ارزیابی نشان داد که الگوی شبکه عصبی فازی، نسبت به سایر الگوها از بیشترین دقت در پیش بینی مصرف انرژی در بخش حمل و نقل کشور برخوردار است. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی جمعیت کشور به عنوان ورودی شناخته شد که بیشترین تاثیر را در مصرف انرژی دارد.

دریافت مقاله یا کتاب
حجم: 504 کیلوبایت

مقاله مقایسه روشهای کلاسیک و هوش مصنوعی در پیش بینی شاخص قیمت سهام و طراحی مدل ترکیبی

 در این تحقیق، سه رویکرد مطرح می شود: 1) پیش بینی شاخص قیمت سهام با رویکرد روشهای کلاسیک؛ 2) رویکرد هوش مصنوعی؛ 3) رویکرد ترکیبی. به این منظور ابتدا ارزیابی عملکرد روشهای کلاسیک از قبیل روشهای هموارسازی نمایی، تحلیل روند، ARIMA و هوش مصنوعی از قبیل شبکه های عصبی و شبکه های عصبی فازی انجام شده است، سپس سناریو سوم، یعنی طراحی مدل ترکیبی ازARIMA، شبکه های عصبی فازی مورد بررسی قرار گرفته است. ترکیبی از ARIMA، شبکه های عصبی و شبکه های عصبی فازی مورد بررسی قرار گرفته است. نتایج تحقیق بیانگر آن است که توانایی مدل ترکیبی نسبت به تمامی روشهای هوش مصنوعی و کلاسیک بالاتر است.

دریافت مقاله یا کتاب
حجم: 1.19 مگابایت