شبکه عصبی بازگشتی

هدف از انجام این پژوهش بررسی دقت پیش بینی جهش های شاخص سهام بر اساس روش های مختلف یادگیری ماشین در بورس اوراق بهادار تهران است. برای رسیدن به این هدف، در گام نخست جهش های شاخص کل بورس اوراق بهادار تهران طی دوره 1392 تا 1399 بر اساس رویکرد ARJI-GARCH استخراج گردید. در گام بعدی، با بهره گیری از رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به پیش بینی جهش های شاخص سهام پرداخته شد. بدین منظور، از 80 درصد کل داده ها به عنوان دوره یادگیری ماشین (درون نمونه) و مابقی داده ها به عنوان دوره آزمون (خارج از نمونه) استفاده شده است. نتایج پیش بینی 1، 3 و 6 روزه برای دوره آزمون (خارج از نمونه) نشان می دهد که روش یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت (LSTM) نتیجه بهتری نسبت به سایر مدل های مورد بررسی برای هر سه افق پیش بینی داشته است.

ازن نزدیک به سطح زمین یکی از آلاینده های بسیار خطرناک است که تأثیرات زیان بار درخور توجهی در سلامت ساکنان مناطق شهری دارد. هدف از این مطالعه شناسایی عوامل مؤثر در غلظت ازن و مدل سازی تغییرات آن، با استفاده از داده های ماهواره ای و روش های گوناگون یادگیری ماشین در شهر تهران است. بدین منظور داده های غلظت آلاینده ها، داده های هواشناسی و دمای سطح خاک، طی بازه زمانی بین سال های 2015 تا 2021، به کار رفت. پس از محاسبه همبستگی بین غلظت ازن و پارامتر های مستقل، طی پنج حالت متفاوت، با پارامترهای ورودی و روش یادگیری متفاوت و به کارگیری پالایش داده ها، غلظت ازن مدل سازی شد. در حالت اول و دوم، مدل سازی با استفاده از داده های غلظت آلاینده ها و داده های هواشناسی با روش رگرسیون خطی چندمتغیره انجام شد. تنها تفاوت این دو حالت، پالایش داده های ورودی به شیوه WTEST در روش دوم است. در حالت سوم، دمای سطح خاک به داده های ورودی افزوده شد و در حالت چهارم و پنجم، به ترتیب مدل سازی ازن با استفاده از شبکه عصبی چندلایه ای و شبکه عصبی بازگشتی انجام شد. مقایسه این حالت ها نشان داد که مدل سازی های مراحل اول تا پنجم، به ترتیب با ضریب تعیین تعدیل شده 5/0، 64/0، 69/0، 74/0 و 8/0 توانایی بازیابی غلظت ازن را داشته اند. همچنین مشخص شد در بین آلاینده های گوناگون، مونوکسید نیتروژن، دی اکسید نیتروژن، نیتراکس و از میان داده های هواشناسی دما، رطوبت و سرعت باد بیشترین تأثیر را در غلظت ازن دارند. افزودن دمای سطح خاک به داده های ورودی نیز افزایش پنج درصدی دقت را در برآورد غلظت ازن، به همراه داشت.

دیابت، به گروهی از اختلالات متابولیکی گفته می شود که نتیجه عدم کنترل قند خون است. تشخیص به موقع و در ادامه کنترل این بیماری به خوبی باعث کاهش اثرات ناشی از آن مثل رتینوپاتی دیابتی، گرفتگی قلبی و عروقی سکته های مغزی و غیره می شود. محققان تا به امروز تلاش های بسیاری در این زمینه کرده اند؛ اما اغلب این مدل ها یا مبتنی بر روش های یادگیری ماشین ساده و یا بر این فرض استوار هستند که داده های دیابت در دسترس متوازن هستند. از اینرو، در این مقاله یک مدل تشخیص بیماری دیابت مبتنی بر شبکه های عصبی بازگشتی عمیق و الگوریتم بیش نمونه گیری SMOTE ارائه شده است. در این مدل چندین مرحله پیش پردازش شامل مقدار دهی به مقادیر از دست رفته، حذف داده های پرت و سپس بیش نمونه گیری انجام شده است. از سه شبکه عصبی عمیق بازگشتی با سه واحد پنهان بازگشتی شامل LSTM, GRU و BiLSTM برای تشخیص استفاده شده است. نتایج مدل ارائه شده بر روی پایگاه داده Pima حاکی از آن است که میانگین صحت در 10 اجرای مختلف در LSTM و GRU و BiLSTM به ترتیب 91.21 % ، 89.61 و 90.99 % است. نتایج مدل بازگشتی ما نشان می دهد، شبکه های عصبی عمیق در مقایسه با روش های یادگیری ماشین عملکرد بسیار موفق تری دارند.

زمینه و هدف: طیف اوتیسم، اختلالی نورولوژیک است که خودش را در سال های اولیه رشد کودک نمایان می کند. افراد مبتلا به اوتیسم با چالش هایی در زمینه تنظیم احساسات مواجه هستند و حالات عاطفی خود را به روش های مختلف بیان می کنند. پژوهش فعلی یک سیستم تشخیص فعالیت صوتی (VAD) را ارائه می کند که با صداهای کودکان اوتیستیک سازگار شده است. روش پژوهش: سیستم VAD ارائه شده یک شبکه عصبی بازگشتی (RNN) با سلول های حافظه کوتاه مدت (LSTM) است. داده ها شامل 25 کودک اوتیستیک انگلیسی زبان است که یک فعالیت آموزشی ساختار یافته را انجام می دهند.یافته ها: آزمایش های ما نشان می دهد که سیستم VAD کودک عملکرد کمتری نسبت به سیستم VAD عمومی ما دارد که تحت شرایط یکسان آموزش داده شده است، زیرا منحنی مشخصه عملکرد سیستم (ROC) را تحت معیارهای منحنی (ROC-AUC) به ترتیب 0.662 و 0.850 به دست می آوریم. نتایج SER عملکردهای متفاوتی را در بین ظرفیت و برانگیختگی، بسته به سیستم VAD مورد استفاده با حداکثر ضریب همبستگی تطابق (CCC) 0.263 و حداقل ریشه میانگین مربعات خطا 0.107 نشان می دهد. نتیجه گیری: اگرچه عملکرد مدل های SER به طور کلی پایین است، سیستم VAD کودک می تواند به نتایج کمی بهبود یافته در مقایسه با سایر سیستم های VAD و به ویژه تراز مبنا بدون VAD (VAD-less baseline) منجر شود، که از اهمیت فرضی سیستم های VAD کودک در زمینه مورد بحث حمایت می کند.

مقدمه: این مقاله روشی جدید برای تشخیص بیماری آلزایمر بر اساس ویژگی های تصاویر تصویربرداری تشدید مغناطیسی (MRI) ارائه می کند. تصاویر MRI با حداقل 3 تسلا و ضخامت 3 میلی متر برای تعیین پلاک های پیری و کلاف های مارپیچی ثبت می شود. روش کار: ویژگی های تصاویر MRI مانند آتروفی لوب گیجگاهی میانی، حجم ماده سفید، حجم ماده خاکستری، مایع مغزی نخاعی و عدم تقارن تعیین می شود. افراد به سه گروه افراد سالم، بیماران خفیف و شدید تقسیم شدند. عدم تقارن و میانگین آتروفی لوب گیجگاهی با پیشرفت بیماری آلزایمر افزایش می یابد، زیرا میزان آسیب به لوب گیجگاهی در تصاویر MRI بیماری آلزایمر افزایش یافته است. یافته ها: صحت نتایج شبکه عصبی Elman با ویژگی های استخراج شده از تصاویر MRI با صحت نتایج شبکه عصبی کانولوشنی مقایسه می شود. صحت نتایج با ترکیب ویژگی ها در افراد سالم 82/5 درصد بود. در بیماران آلزایمر خفیف 86/5 درصد و در بیماران آلزایمر شدید 94/5 درصد است. نتیجه گیری: بالاترین صحت نتاج در گروه بیماران مبتلا به آلزایمر شدید و مناسب ترین ویژگی در بین ویژگی های تصاویر MRI، میزان آتروفی لوب گیجگاهی داخلی است. استفاده از شبکه عصبی کانولوشنی نشان می دهد که صحت نتایج در گروه سالم 98 درصد، در گروه خفیف 97/7 درصد و در گروه بیماران شدید 97/5 درصد است. این نتایج نشان می دهد که عملکرد شبکه عصبی کانولوشنی در مقایسه با شبکه عصبی Elman دارای صحت نتابج بیشتری است.

هدف: هدف اصلی پژوهش حاضر، توسعه مدلی دقیق، کارآمد و مبتنی بر الگوریتم های یادگیری عمیق برای پیش بینی ریسک حسابرسی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران، و بررسی پیامدهای کاربردی این مدل در ارتقاء کیفیت قضاوت و تصمیم گیری حرفه ای حسابرسان است. این پژوهش در پاسخ به محدودیت های روش های سنتی ارزیابی ریسک حسابرسی که اغلب در شناسایی ناهنجاری ها، پیچیدگی روابط غیرخطی و وابستگی های زمانی ناکارآمد هستند، انجام شده است. روش : پژوهش حاضر از نوع کاربردی و مبتنی بر داده های واقعی است. جامعه آماری پژوهش شامل 150 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1392 تا 1402 می باشند. داده ها با استفاده از روش غربال گری انتخاب شده و از منابع رسمی مانند سامانه کدال، بانک مرکزی و صورت های مالی حسابرسی شده استخراج شده اند. ریسک حسابرسی به صورت یک متغیر ساختگی و با استفاده از وقوع خطاهای نوع اول و دوم در گزارش حسابرسی تعریف شده است. متغیرهای پیش بین شامل 40 متغیر در سه سطح اصلی (ویژگی های حسابرس، ویژگی های صاحبکار، و شرایط اقتصاد کلان و بازار سرمایه) هستند. از آزمون t برای انتخاب مهم ترین متغیرها استفاده شده و در نهایت 25 متغیر وارد مدل شدند.سه الگوریتم یادگیری عمیق شامل: ماشین بردار پشتیبان، شبکه عصبی پیچشی و شبکه عصبی بازگشتی، جهت آموزش مدل و ارزیابی عملکرد آن استفاده شدند. برای سنجش دقت مدل ها از ماتریس اغتشاش، صحت و خطای نوع دوم استفاده گردید. داده ها به روش تصادفی 50 بار به دو دسته آموزش (75%) و آزمون (25%) تقسیم شدند. یافته ها: نتایج نشان داد الگوریتم RNN با دقت 96.4 درصد، بهترین عملکرد را در پیش بینی ریسک حسابرسی داشت. الگوریتم SVM نیز با دقت 89.6 درصد عملکرد قابل قبولی ارائه کرد، در حالی که CNN با دقت 85.8 درصد پایین ترین دقت را ثبت نمود. الگوریتم RNN توانست با نرخ خطای نوع دوم 2.7 درصد، الگوی مناسبی از روابط زمانی و غیرخطی بین متغیرها را استخراج کند. آزمون t و آزمون کای دو نشان دادند که متغیرهایی نظیر اندازه شرکت، نقدینگی، سودآوری، تخصص مالی هیأت مدیره، استقلال حسابرسی و نرخ تورم، اثر معناداری بر ریسک حسابرسی دارند. همچنین متغیرهایی مانند تغییر حسابرس، رتبه بندی مؤسسه حسابرسی و تخصص حسابرس، با ریسک حسابرسی ارتباط معناداری دارند. نتیجه گیری: یافته ها حاکی از آن است که الگوریتم های یادگیری عمیق، به ویژه RNNمی توانند ابزارهای مؤثری برای ارتقاء دقت قضاوت حرفه ای در ارزیابی ریسک حسابرسی باشند. این مدل ها با توانایی بالا در استخراج الگوهای پنهان و وابستگی های زمانی، امکان تصمیم گیری آگاهانه تر و سریع تر را برای حسابرسان فراهم می کنند. از منظر کاربردی، این پژوهش می تواند به نهادهای نظارتی مانند سازمان حسابرسی، سازمان بورس و مؤسسات حسابرسی در تدوین راهکارهای دقیق تری برای ارزیابی ریسک کمک کند. همچنین، سرمایه گذاران و تحلیل گران بازار سرمایه می توانند با اتکاء به پیش بینی دقیق ریسک حسابرسی، تصمیمات شفاف تر و مبتنی بر داده اتخاذ نمایند.

در بازارهای مالی، سرمایه گذاران به دنبال بهینه سازی سبد دارایی خود با هدف حداکثرسازی بازدهی و حداقل سازی ریسک هستند. نظریه های مدرن مانند مدل میانگین-واریانس مارکویتز، باوجود موفقیت در معرفی مفاهیم اساسی مدیریت سبد، در مواجهه با بازدهی های غیرنرمال و بازارهای پرنوسان محدودیت هایی دارند. این پژوهش به بررسی عملکرد دو نوع سبد سرمایه گذاری شامل سبد ترکیبی (سهام بورس تهران و رمزارزها) و سبد صرفاً سهامی بورس تهران در دو حالت حداقل ریسک و پذیرش ریسک بیشتر پرداخته است. استفاده از مدل های پیشرفته مانند RNN و GARCH، برای پیش بینی بازدهی و ارزیابی ریسک، به شناسایی ترکیب های بهینه دارایی کمک کرده است. یافته ها نشان می دهد که سبد ترکیبی در هر دو حالت بازدهی مثبت ارائه داده است: در حالت حداقل ریسک بازدهی 3% و ریسک 8% و در حالت پذیرش ریسک بیشتر بازدهی 5% و ریسک 11%. در مقابل، سبد صرفاً سهامی در حالت حداقل ریسک بازدهی منفی 3% داشته، اما در حالت پذیرش ریسک بیشتر با بازدهی 9% عملکرد بهتری نشان داده است. همچنین، همبستگی پایین میان سهام و رمزارزها تأثیر مثبتی در کاهش ریسک کلی سبد داشته است. این نتایج نشان می دهد که حرکت به سمت ترکیب دارایی های متنوع، به ویژه شامل رمزارزها، می تواند پایداری و بازدهی سبد سرمایه گذاری را افزایش دهد. پژوهش حاضر استفاده از روش های نوین بهینه سازی و مدیریت ریسک را برای سرمایه گذاران و سیاست گذاران مالی پیشنهاد می کند.

تقلب در مطالبات بیمه درمان تکمیلی، چالشی بزرگ است که منجر به زیان های مالی قابل توجه و تضعیف اعتماد عمومی می گردد. در این پژوهش، یک چارچوب جامع برای شناسایی تقلب با استفاده از الگوریتم های شبکه عصبی ارائه شده است. این چارچوب از سه معماری شبکه عصبی بهره می برد: الف) پرسپترون چندلایه (MLP)، ب) شبکه عصبی عمیق (DNN) پیاده سازی شده با Keras، و ج) شبکه حافظه بلندمدت (LSTM). داده های خام از منابع مختلف شامل اطلاعات بیمه نامه ها، بیمه شدگان، پرونده های خسارت، فهرست بیماری ها و اطلاعات شعب جمع آوری و پس از آن با مراحل پاک سازی، تبدیل، نرمال سازی و حذف داده های پرت (با استفاده از روش فاصله بین چارکی یا IQR) پیش پردازش شدند. مدل ها با استفاده از روش اعتبارسنجی متقاطع K-تایی و معیارهایی نظیر دقت، ماتریس سردرگمی، دقت (Precision)، بازخوانی (Recall)، امتیاز F1 و ROC-AUC  ارزیابی شدند. نتایج تجربی نشان دادند که همه مدل ها دقت بسیار بالایی (در حدود ۹۹.۹٪) دارند و این موضوع اثبات می کند که سیستم های مبتنی بر شبکه عصبی قادر به تفکیک قابل اعتماد میان ادعاهای مشروع و جعلی هستند. این سیستم پیشنهادی می تواند مسیر را برای نظارت لحظه ای مؤثرتر بر تقلب در صنعت بیمه هموار کند. این مدل ها دقت بسیار بالایی در شناسایی تقلب ها داشتند و می توانند در کاربردهای عملی و دنیای واقعی به طور مؤثر به کار گرفته شوند. نتایج این تحقیق نشان دهنده توانایی بالای این مدل ها در پردازش داده های پیچیده و غیرخطی است و این الگوریتم ها می توانند به عنوان راه حل های مؤثری برای تشخیص تقلب در بیمه های درمان تکمیلی و سایر سیستم های مشابه به کار روند. در نتیجه، این تحقیق گامی مهم در جهت توسعه مدل های هوشمند برای شناسایی تقلب در سیستم های بیمه ای است.