مدلسازی و پیش بینی نرخ تورم در اقتصاد ایران (بررسی مقایسهای قدرت پیشبینی شبکه های عصبی مصنوعی المان و پس انتشار خطا)
Publish place: 4th Conference on Data Envelopment Analysis
Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,431
متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
DEA04_094
تاریخ نمایه سازی: 10 اردیبهشت 1392
Abstract:
در بسیاری از سیستم های پیچیده و خصوصاً غیر خطی که مدلسازی و به دنبال آن پیشبینی و کنترل آن ها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و در برخی موارد غیر ممکن به نظر می رسد، از روش های غیر کلاسیک نظیر شبکه های عصبی استفاده می شود. این شبکه ها به دلیل ویژگی هایی همچون پردازش موازی، هوشمندی و انعطاف پذیری جایگاه چشم گیری در مسائل پیچیده از قبیل یش بینی، طبقه بندی و خوشه بندی برای خود باز کرده است. در این مقاله علاوه بر معرفی مدل های شبکه های عصبی، دو مدل از شبکه های عصبی پس انتشار و المان در پیش بینی تورم اقتصاد ایران با استفاده از اطلاعات فصلی سال های 9631 تا 9631 طراحی و اجرا شده است. نتایج به دست آمده حاکی از آن است که با توجه به متغیرهای به کار رفته در این مقاله و دوره زمانی مورد بررسی، مدل شبکه های عصبی المان در تمامی موارد عملکرد بهتری در زمینه پیش بینی تورم ایران نسبت به شبکه های عصبی پس انتشار خطا دارد.
Keywords:
Authors
داود بهبودی
دانشگاه تبریز، گروه اقتصاد، تبریز، ایران
امینه شیبائی
دانشگاه تبریز، گروه اقتصاد، تبریز، ایران
مهدی کماسی
دانشگاه تبریز، گروه عمران، تبریز، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :