در هنگام جستجو کلمه در قسمت عنوان میتوانید کلمات مورد جستجو را با کاراکتر (-) جدا کنید.
کاربرد نوع شرط:
- جایگاه : پژوهشی
- مجله: مجله علمی رایانش نرم و فناوری اطلاعات
- نوع مقاله: Journal Article
- کلمات کلیدی:
- چکیده: قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice، عملکرد مناسب روش پیشنهادی را نشان می دهد.
- چکیده انگلیسی: قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice، عملکرد مناسب روش پیشنهادی را نشان می دهد.
- انتشار مقاله: 01-09-1393
- نویسندگان: Jamal Ghasemi,Iman Arghand
- مشاهده
- جایگاه : پژوهشی
- مجله: مجله علمی رایانش نرم و فناوری اطلاعات
- نوع مقاله: Journal Article
- کلمات کلیدی:
- چکیده: قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice و Tanimoto، عملکرد مناسب روش پیشنهادی را نشان می دهد.
- چکیده انگلیسی: قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice و Tanimoto، عملکرد مناسب روش پیشنهادی را نشان می دهد.
- انتشار مقاله: 15-12-1393
- نویسندگان: Jamal Ghasemi,Iman Arghand
- مشاهده
- جایگاه : پژوهشی
- مجله: مجله علمی رایانش نرم و فناوری اطلاعات
- نوع مقاله: Journal Article
- کلمات کلیدی:
- چکیده: قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice، عملکرد مناسب روش پیشنهادی را نشان می دهد.
- چکیده انگلیسی: قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice، عملکرد مناسب روش پیشنهادی را نشان می دهد.
- انتشار مقاله: 01-09-1393
- نویسندگان: Jamal Ghasemi,Iman Arghand
- مشاهده
- جایگاه : پژوهشی
- مجله: مجله علمی رایانش نرم و فناوری اطلاعات
- نوع مقاله: Journal Article
- کلمات کلیدی:
- چکیده: قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice و Tanimoto، عملکرد مناسب روش پیشنهادی را نشان می دهد.
- چکیده انگلیسی: قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice و Tanimoto، عملکرد مناسب روش پیشنهادی را نشان می دهد.
- انتشار مقاله: 15-12-1393
- نویسندگان: Jamal Ghasemi,Iman Arghand
- مشاهده
- جایگاه : پژوهشی
- مجله: International Journal of Engineering, Transactions A: Basics
- نوع مقاله: Journal Article
- کلمات کلیدی: neural networks,Wavelet transform,Traffic Signal,Particle Swarm Algorithm
- چکیده:
- چکیده انگلیسی: Prediction of traffic is very crucial for its management. Because of human involvement in the generation of this phenomenon, traffic signal is normally accompanied by noise and high levels of non-stationarity. Therefore, traffic signal prediction as one of the important subjects of study has attracted researchers’ interests. In this study, a combinatorial approach is proposed for traffic signal prediction, based on Neural Networks and Particle Swarm Optimization algorithm. Elman Neural Network is chosen from amongst many types of Neural Networks due to its feedbacked structure. To this purpose, Particle Swarm optimization algorithm is utilized for adequate training of the Neural Network, instead of common gradient descent based methods. In this work, wavelet transform is employed as a part of the preprocessing stage, for the elimination of transient phenomena as well as for more efficient training of the Neural Network. Simulations are carried out to verify performance of the proposed method, and the results demonstrate good performance in comparison to other methods.
- انتشار مقاله: 11-10-1348
- نویسندگان: Jamal Ghasemi,Jalil Rasekhi
- مشاهده
- جایگاه : پژوهشی
- مجله: International Journal of Finance and Managerial Accounting
- نوع مقاله: Journal Article
- کلمات کلیدی: Artificial Neural Network,Genetic Algorithm,Cumulative motion algorithm of particles,stock price risk
- چکیده:
- چکیده انگلیسی: One of the most important methods of opacity accounting information by management is to accelerate the identification of good news versus delaying the identification of bad news on profits, but there is always a final level of accumulation of bad news in the company, and by reaching that its final level, these bad news will be released, which will lead to a Stock Price Crash Risk. In fact, stock price collapse is a phenomenon in which stock prices are subject to severe negative and sudden adjustments. Accordingly, the first purpose of this research is to model the Stock Price Crash Risk of the listed companies at the Tehran Stock Exchange by using an optimal algorithm The cumulative particles and comparison with the results of logistic regression model. To this, a hypothesis was developed for the study of this issue and the data of 101 listed companies of Tehran Stock Exchange for the period between 2010 and 2014 were analyzed. First, 14 independent variables were introduced as inputs of the combined genetic algorithm and artificial neural network, which was considered as a feature selection method, and 7 optimal variables were selected. Then, using particle cumulative algorithm and logistic regression, predicted The Crashs. To calculate the Stock Price Crash Risk, a Stock Price Crash Period criterion has been used. In The Second Stage, the particle algorithm was used as a feature selection, and this time, to calculate the Crash risk, the NCSKEW criterion was used. Finally, the optimal variables were entered into the Ant Colony algorithm and the results were compared with the multivariable regression. In the second step, MSE and MAE were used to compare the results. The results of the research show that the particle Swarm Optimization and Ant colony are more able than traditional regression (lojestic and multivariable) to predict the Crashs. Therefore, the research hypothesises are confirmed.
- انتشار مقاله: 29-08-1396
- نویسندگان: Esfandyar Malekian,Hossein Fakhari,Jamal Ghasemi,Serveh Farzad
- مشاهده
- جایگاه : پژوهشی
- مجله: Advances in Mathematical Finance and Application
- نوع مقاله: Journal Article
- کلمات کلیدی: Cumulative motion of particle algorithms,Firefly Algorithm,Feature Selection,stock price Crash risk
- چکیده:
- چکیده انگلیسی: Stock price crash risk is a phenomenon in which stock prices are subject to severe negative and sudden adjustments. So far, different approaches have been proposed to model and predict the stock price crash risk, which in most cases have been the main emphasis on the factors affecting it, and often traditional methods have been used for prediction. On the other hand, using Meta Heuristic Algorithms, has led to a lot of research in the field of finance and accounting. Accordingly, the purpose of this research is to model the Stock price crash risk of listed companies in Tehran Stock Exchange using firefly algorithm and compare the results with multivariate regression as a traditional method. Of the companies listed on the stock exchange, 101 companies have been selected as samples. Initially, 19 independent variables were introduced into the model as input property of the particle accumulation algorithm, which was considered as a feature selection method. Finally, in each of the different criteria for calculating the risk Stock price crash risk, some optimal variables were selected, then using firefly algorithm and multivariate regression, the stock price crash risk was predicted and results were compared. To quantify the Stock price crash risk, three criteria for negative skewness, high fluctuations and maximum sigma have been used. Two methods of MSE and MAE have been used to compare the methods. The results show that the ability of meta-meta-heuristic methods to predict the risk Stock price crash risk is not generally higher than the traditional method of multivariate regression, And the research hypothesis was not approved.
- انتشار مقاله: 21-11-1396
- نویسندگان: Serveh Farzad,Esfandiar Malekian,Hossein Fakhari,Jamal Ghasemi
- مشاهده