الگوی تعیین موفقیت طرح‌های سرمایه‌گذاری کشاورزی: کاربرد شبکه عصبی چندلایه پرسپترون
هدف تحقیق حاضر شناسایی و ارزیابی الگویی برای پیش‌بینی موفقیت یا شکست طرح‌های پیشنهادی سرمایه‌گذاری کشاورزی در مناطق روستایی است. متغیرهای پیش‌بینی‌کننده، عبارت‌اند از مؤلفه‌های محیط سرمایه‌گذاری و ویژگی‌های پروژه. براساس نوشتارهای تخصصی در این زمینه، شبکه عصبی چندلایه پرسپترون با الگوریتم یادگیری پس...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
University of Tehran
2012-11-01
|
| Series: | Pizhūhish/hā-yi Rūstāyī |
| Subjects: | |
| Online Access: | https://jrur.ut.ac.ir/article_29221_9b9f903d11a592b0c3dd65b9b24b6412.pdf |
| id |
doaj-71b24302cfd543a68c38a41a205f63a4 |
|---|---|
| record_format |
Article |
| spelling |
doaj-71b24302cfd543a68c38a41a205f63a42020-11-25T00:27:19ZfasUniversity of TehranPizhūhish/hā-yi Rūstāyī2008-73732423-77872012-11-01311598810.22059/jrur.2012.2922129221الگوی تعیین موفقیت طرح‌های سرمایه‌گذاری کشاورزی: کاربرد شبکه عصبی چندلایه پرسپترونمهدی پورطاهری0محمدرضا بخشی1عبدالرضا رکن الدین افتخاری2صمد رحیمی سوره3دکترای جغرافیا و برنامه‌ریزی روستایی، دانشگاه تربیت مدرسدانشجوی دکتری جغرافیا و برنامه‌ریزی روستایی، دانشگاه تربیت مدرسدانشیار جغرافیا و برنامه‌ریزی روستایی، دانشگاه تربیت مدرساستادیار مؤسسه برنامه‌ریزی، اقتصاد کشاورزی و توسعه روستاییهدف تحقیق حاضر شناسایی و ارزیابی الگویی برای پیش‌بینی موفقیت یا شکست طرح‌های پیشنهادی سرمایه‌گذاری کشاورزی در مناطق روستایی است. متغیرهای پیش‌بینی‌کننده، عبارت‌اند از مؤلفه‌های محیط سرمایه‌گذاری و ویژگی‌های پروژه. براساس نوشتارهای تخصصی در این زمینه، شبکه عصبی چندلایه پرسپترون با الگوریتم یادگیری پس انتشار خطا، تکنیک و الگوی نسبتاً مناسبی برای تبیین مسئله به شمار می‌آید. برای ارزیابی کارایی الگو از شاخص میانگین مربعات خطا، منحنی ROC و شاخص صحت پیش‌بینی استفاده شده است. ارزیابی الگو مشخص می‌سازد که شبکه عصبی با 24 نرون در لایه پنهان می‌تواند حدود 5/77 درصد از نمونه‌ها را به‌درستی پیش‌بینی و طبقه‌بندی کند. براساس نتایج به‌دست آمده از داده‌های آزمون شبکه، الگوی ارائه‌شده توان بیشتری برای پیش‌بینی و طبقه‌بندی نمونه‌های ناموفق در مقایسه با نمونه‌های موفق دارد (2/79 درصد در برابر 75 درصد). همچنین در این تحقیق، به منظور ارزیابی قابلیت کاربرد شبکه، 31 نمونه جدید به‌صورت آف‌لاین به شبکه ارائه شدند. نتیجه نشان می‌دهد که الگوی ارائه شده می‌تواند حدود 5/64 درصد از نمونه‌ها را به درستی طبقه‌بندی کند. با الگوی طراحی‌شده می‌توان احتمال شکست یا موفقیت هر یک از طرح‌ها و پروژه‌های جدید را براساس متغیرهای پیش‌بینی‌کننده تخمین زد؛ و می‌توان آن را به همراه دانش تصمیم‌گیرهای متولیان توسعه روستایی و کشاورزی و مدیران مؤسسات مالی و اعتباری، به عنوان ابزاری مناسب برای انتخاب پروژه‌ها و طرح‌های بهینه برای سرمایه‌گذاری و ارائه تسهیلات به آنها، به کار گرفت. مراحل مختلف آموزش، آزمون، اعتبارسنجی و کاربرد شبکه و یا اصطلاحاً شبیه‌سازی شبکه- با استفاده از نرم‌افزار MATLAB انجام شده است.https://jrur.ut.ac.ir/article_29221_9b9f903d11a592b0c3dd65b9b24b6412.pdfبنگاهپیش‌خورراکسرمایهطبقه‌بندی |
| collection |
DOAJ |
| language |
fas |
| format |
Article |
| sources |
DOAJ |
| author |
مهدی پورطاهری محمدرضا بخشی عبدالرضا رکن الدین افتخاری صمد رحیمی سوره |
| spellingShingle |
مهدی پورطاهری محمدرضا بخشی عبدالرضا رکن الدین افتخاری صمد رحیمی سوره الگوی تعیین موفقیت طرح‌های سرمایه‌گذاری کشاورزی: کاربرد شبکه عصبی چندلایه پرسپترون Pizhūhish/hā-yi Rūstāyī بنگاه پیش‌خور راک سرمایه طبقه‌بندی |
| author_facet |
مهدی پورطاهری محمدرضا بخشی عبدالرضا رکن الدین افتخاری صمد رحیمی سوره |
| author_sort |
مهدی پورطاهری |
| title |
الگوی تعیین موفقیت طرح‌های سرمایه‌گذاری کشاورزی: کاربرد شبکه عصبی چندلایه پرسپترون |
| title_short |
الگوی تعیین موفقیت طرح‌های سرمایه‌گذاری کشاورزی: کاربرد شبکه عصبی چندلایه پرسپترون |
| title_full |
الگوی تعیین موفقیت طرح‌های سرمایه‌گذاری کشاورزی: کاربرد شبکه عصبی چندلایه پرسپترون |
| title_fullStr |
الگوی تعیین موفقیت طرح‌های سرمایه‌گذاری کشاورزی: کاربرد شبکه عصبی چندلایه پرسپترون |
| title_full_unstemmed |
الگوی تعیین موفقیت طرح‌های سرمایه‌گذاری کشاورزی: کاربرد شبکه عصبی چندلایه پرسپترون |
| title_sort |
الگوی تعیین موفقیت طرح‌های سرمایه‌گذاری کشاورزی: کاربرد شبکه عصبی چندلایه پرسپترون |
| publisher |
University of Tehran |
| series |
Pizhūhish/hā-yi Rūstāyī |
| issn |
2008-7373 2423-7787 |
| publishDate |
2012-11-01 |
| description |
هدف تحقیق حاضر شناسایی و ارزیابی الگویی برای پیش‌بینی موفقیت یا شکست طرح‌های پیشنهادی سرمایه‌گذاری کشاورزی در مناطق روستایی است. متغیرهای پیش‌بینی‌کننده، عبارت‌اند از مؤلفه‌های محیط سرمایه‌گذاری و ویژگی‌های پروژه. براساس نوشتارهای تخصصی در این زمینه، شبکه عصبی چندلایه پرسپترون با الگوریتم یادگیری پس انتشار خطا، تکنیک و الگوی نسبتاً مناسبی برای تبیین مسئله به شمار می‌آید. برای ارزیابی کارایی الگو از شاخص میانگین مربعات خطا، منحنی ROC و شاخص صحت پیش‌بینی استفاده شده است. ارزیابی الگو مشخص می‌سازد که شبکه عصبی با 24 نرون در لایه پنهان می‌تواند حدود 5/77 درصد از نمونه‌ها را به‌درستی پیش‌بینی و طبقه‌بندی کند. براساس نتایج به‌دست آمده از داده‌های آزمون شبکه، الگوی ارائه‌شده توان بیشتری برای پیش‌بینی و طبقه‌بندی نمونه‌های ناموفق در مقایسه با نمونه‌های موفق دارد (2/79 درصد در برابر 75 درصد). همچنین در این تحقیق، به منظور ارزیابی قابلیت کاربرد شبکه، 31 نمونه جدید به‌صورت آف‌لاین به شبکه ارائه شدند. نتیجه نشان می‌دهد که الگوی ارائه شده می‌تواند حدود 5/64 درصد از نمونه‌ها را به درستی طبقه‌بندی کند. با الگوی طراحی‌شده می‌توان احتمال شکست یا موفقیت هر یک از طرح‌ها و پروژه‌های جدید را براساس متغیرهای پیش‌بینی‌کننده تخمین زد؛ و می‌توان آن را به همراه دانش تصمیم‌گیرهای متولیان توسعه روستایی و کشاورزی و مدیران مؤسسات مالی و اعتباری، به عنوان ابزاری مناسب برای انتخاب پروژه‌ها و طرح‌های بهینه برای سرمایه‌گذاری و ارائه تسهیلات به آنها، به کار گرفت. مراحل مختلف آموزش، آزمون، اعتبارسنجی و کاربرد شبکه و یا اصطلاحاً شبیه‌سازی شبکه- با استفاده از نرم‌افزار MATLAB انجام شده است. |
| topic |
بنگاه پیش‌خور راک سرمایه طبقه‌بندی |
| url |
https://jrur.ut.ac.ir/article_29221_9b9f903d11a592b0c3dd65b9b24b6412.pdf |
| work_keys_str_mv |
AT mhdypwrṭạhry ạlgwytʿyynmwfqytṭrḥhạysrmạyhgdẖạryḵsẖạwrzyḵạrbrdsẖbḵhʿṣbycẖndlạyhprsptrwn AT mḥmdrḍạbkẖsẖy ạlgwytʿyynmwfqytṭrḥhạysrmạyhgdẖạryḵsẖạwrzyḵạrbrdsẖbḵhʿṣbycẖndlạyhprsptrwn AT ʿbdạlrḍạrḵnạldynạftkẖạry ạlgwytʿyynmwfqytṭrḥhạysrmạyhgdẖạryḵsẖạwrzyḵạrbrdsẖbḵhʿṣbycẖndlạyhprsptrwn AT ṣmdrḥymyswrh ạlgwytʿyynmwfqytṭrḥhạysrmạyhgdẖạryḵsẖạwrzyḵạrbrdsẖbḵhʿṣbycẖndlạyhprsptrwn |
| _version_ |
1725340731774599168 |