کنترل دور موتور القایی با کمک شبکه عصبی

کنترل دور موتور القایی با کمک شبکه عصبی

کنترل دور موتور القایی با کمک شبکه عصبی 

در صورت داشتن سوال با ما تماس بگیرید:

09132399969

09372583411

محمدرضاکیانی

موسسه نوآوران برتر تهران

...
دریافت فایل

پایان نامه پیش بینی قیمت سهام با استفاده از داده کاوی و شبکه های عصبی

چکیده

بازار سرمایه، به دلیل داشتن خواص بسیاری از جمله عدم نیاز به سرمایه زیاد و سوددهی بالا به بستر مناسبی برای سرمایه گذاری تبدیل شده است. به همین دلایل، رشد این بازارها با سرعت چشمگیری در حال افزایش است. همین امر باعث تقاضای بالاتر برای اطلاعات، تلاش بیشتر برای پیش بینی و ابداع مدل های جدید برای پیش بینی آینده بازار شده است. پیش بینی بازار سرمایه به دلیل وجود انبوهی از سرمایه گذاران با دیدگاه های متفاوت و اثرگذار بودن تعداد زیادی از متغیرها که عملا بررسی همه آنها ممکن نیست، کاری دشوار و چالش برانگیز می باشد. به همین دلایل، مدل های پیش بینی جدید معرفی شده و مدل های پیش بینی قبلی ارتقا می یابند و یا با یکدیگر ترکیب می شوند. به طور کلی می توان گفت که تلاش های صورت گرفته تا زمان فعلی، در سه دسته برای پیش بینی بازار سرمایه قرار می گیرند. دسته اول از تحلیل تکنیکی، دسته دوم از تحلیل بنیادین و دسته سوم از مدل های ریاضی استفاده می کنند. تلاش برای افزایش قابلیت های مدل های موجود با استفاده از تلفیق این مدل ها با یکدیگر، روند تازه ای است که نتایج رضایت بخشی را نیز به دنبال داشته است. بیشتر این تلاش ها در جهت پیش بینی قیمت ها برای یک دوره جلوتر با استفاده از تحلیل تکنیکی و تحلیل بنیادی در چارجوب مدل های ریاضی و هوش مصنوعی قرار می گیرند. در همین راستا در پژوهش پیش رو به تلفیق تحلیل تکنیکی، تحلیل به وسیله مدل های سری زمانی و داده کاوی پرداخته و برای اولین بار به پیش بینی دو قیمت برای دوره آینده می پردازیم. مدل های مذکور در قالب شبکه عصبی با یکدیگر تلفیق شده و نتایج نشان دهنده برتری عملکرد شبکه عصبی نسبت به مدل رگرسیون چند متغیره و مدل های سری زمانی دارند.

کلمات کلیدی : پیش بینی؛ شبکه عصبی؛ داده کاوی؛ سری زمانی؛ تحلیل تکنیکی؛ رگرسیون چند متغیره

فرمت پایان نامه: WORD (قابل ویرایش)

تعداد صفحات: 145

فهرست مطالب

فصل اول : کلیات تحقیق   1

1-1- مقدمه  2

1-2- نظریه کارایی بازار سرمایه  3

1-3- ابعاد مختلف بازار سرمایه و ابزارهای پیش بینی   5

1-4- پژوهش‌های مشابه  9

1-5- ضرورت انجام تحقیق و اهمیت تحقیق   13

1-6- اهداف تحقیق   14

1-7- ساختار تحقیق   14

فصل دوم : ادبیات تحقیق   15

2-1- مقدمه  16

2-1-1- تحلیل تکنیکی   17

2-1-2- تحلیل بنیادین   18

2-1-3- تحلیل توسط مدل‌های علمی   19

2-2- آیا بازار سرمایه پیش بینی پذیر است؟  22

2-2-1- نظریه کارایی بازار سرمایه  22

2-2-2- فروض نظریه کارایی بازار  28

2-2-3- انتقادات وارد شده به نظریه کارایی بازار سرمایه  29

2-2-4- پاسخ نظریه کارا 30

2-2-5- نتیجه گیری   31

2-3- داده کاوی   32

2-3-1- مقدمه  32

2-3-2- مفهوم داده کاوی   33

2-3-4- اهداف داده کاوی   36

2-3-5- داده کاوی و رابطه آن با علم آمار  41

2-4- شبکه عصبی   43

2-4-1- معرفی: 43

2-4-2- کاربرد شبکه های عصبی   44

2-4-3- تعریف پایه شبکه های عصبی   44

2-4-4- ویژگی های شبکه عصبی   46

2-5- تحلیل تکنیکال   59

2-5-1- مقدمه: 59

2-5-2- اندیکاتورهای تحلیل تکنیکال   60

2-6- مرور پژوهش های مشابه  63

2-6-1- کاربرد شبکه عصبی در پیش بینی قیمت سهام  63

2-6-2- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام  70

2-6-3- کاربرد داده کاوی در بازار سهام  75

2-6-4- کاربرد شبکه عصبی و داده کاوی در پیش بینی قیمت سهام  77

فصل سوم : روش تحقیق   81

3-1- مقدمه  82

3-2- جمع آوری داده ها 85

3-3- پیش پردازش داده ها 85

3-3-1- کاهش سطری داده ها 86

3-3-2- ساخت اطلاعات مورد نیاز  88

3-3-3- انتخاب داده ها و کاهش ستونی   93

3-4- طراحی شبکه عصبی برای پیش بینی قیمت سهم  95

3-4-1- ساختار شبکه  95

3-4-2- الگوریتم یادگیری   97

3-4-3- توابع فعال سازی   98

3-5- مدل های رقیب و معیارهای سنجش    98

3-6- جمع بندی   98

فصل چهارم : نتایج عددی   99

4-1- مقدمه  100

4-2- جمع آوری داده ها و تشکیل پایگاه داده 100

4-3- پیش پردازش داده ها 101

4-3-1- کاهش سطری داده ها 101

4-3-2- ساخت اطلاعات مورد نیاز  103

4-3-3- انتخاب داده ها و کاهش ستونی پایگاه داده 109

4-4- طراحی شبکه عصبی   115

4-5- اجرای شبکه عصبی و مقایسه نتایج   116

4-6- جمع بندی   121

فصل پنجم : نتیجه گیری   122

5-1- مقدمه  123

5-2- جمع بندی تحقیق   123

5-3- نتایج و نوآوری های تحقیق   124

5-4- پیشنهادات برای تحقیقات آتی   125

کاربرد داده کاوی در شبکه های عصبی

این مقاله در بسته شماره 1 وجود دارد برای مشاهده بسته1 اینجا کلیک کنید.کاربرد داده کاوی در شبکه های عصبی

نویسند‌گان: [ مسعود مهدی خو ] - کارشناس نرم افزار، دانشگاه پیام نور همدان[ محمد طاهری ] - کارشناس نرم افزار، دانشگاه پیام نور همدان[ فرشته لطفی ] - کارشناس نرم افزار، دانشگاه پیام نور همدان

خلاصه مقاله:

چندین دهه است که شرکت ها اطلاعات را جمع آوری می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسرس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکت ها این است که چگونه می توان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوی است، که امروزه در بسیاری از صنعت ها از جمله پزشکی ،آموزش، ورزش و بسیاری از صنایع دیگر مورد استفاده قرار می گیرد. تکنولوژی های بسیاری جهت داده کاوی وجود دارد از جمله شبکه های عصبی مصنوعی ، رگرسیون درخت تصمیم و غیره. این مقاله به معرفی داده کاوی و برخی از روشهای داده کاوی و همچنین محیط هایی که از داده کاوی بهره می برند به همراه نرم افزار های آن پرداخته است .

کلمات کلیدی:
داده کاوی، شبکه عصبی، درخت تصمیم گیری، الگوریتم ژنتیک.

پروژه شبیه سازی شبکه عصبی

فهرست پروژه شبیه سازی شبکه عصبی :

مقدمه

توضیحاتی در مورد جریان در لوله ها و دیاگرام مودی

افت فشار

شبیه سازی شبکه عصبی

داده های ورودی و خروجی

آموزش شبکه عصبی با جعبه ابزار Matlab

توضیح جز به جز برنامه نوشته شده

خروجی شبکه

بررسی نمودارهای استخراج شده

تعیین تعداد نورون های لایه پنهان

مثالی از محاسبه افت فشار در یک لوله با استفاده از برنامه نوشته شده

خروجی شبکه

منابع و مآخذ

دخالت به حداقل رساندن در ارتباطات ماهواره ای با استفاده از شبکه های عصبی گذرا پر هرج و مرج

تعدادصفحات:6

زبان:انگلیسی نیازبه ترجمه

Computers & Mathematics with Applications

(کامپیوتر و ریاضیات با نرم افزار)

Volume 57, Issue 6, March 2009, Pages 1024–1029

Advances in Fuzzy Sets and Knowledge Discovery

(

دوره 57، شماره 6، مارس 2009، صفحه 1024-1029

پیشرفت در مجموعه های فازی و کشف دانش

)

Minimizing interference in satellite communications using transiently chaotic neural networks

(دخالت به حداقل رساندن در ارتباطات ماهواره ای با استفاده از شبکه های عصبی گذرا پر هرج و مرج)

Abstract
The frequency assignment problem (FAP) in satellite communications is solved with transiently chaotic neural networks (TCNN). The objective of this optimization problem is to minimize cochannel interference between two satellite systems by rearranging the frequency assignments. For an N-carrier–M-segment FAP problem, we construct a TCNN consisting of N×M neurons. The performance of the TCNN is demonstrated through solving a set of benchmark problems, where the TCNN finds comparative if not better solutions as compared to the existing algorithms.

چکیده
مشکل انتساب فرکانس (FAP) در ارتباطات ماهواره ای با شبکه های عصبی گذرا پر هرج و مرج (TCNN) حل شده است. هدف از این مسئله بهینه سازی است برای به حداقل رساندن cochannel تداخل بین دو سیستم های ماهواره ای را مجددا مرتب تکالیف فرکانس. برای یک مشکل N-حامل-M-بخش FAP، ما یک TCNN متشکل از سلول های عصبی N × M ساخت. عملکرد TCNN از طریق حل یک مجموعه ای از مشکلات معیار، که در آن TCNN می یابد مقایسه اگر راه حل بهتر نیست نسبت به الگوریتم های موجود نشان داده است.