سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

ارزیابی عوامل موثر بر قیمت سنگ آهن با استفاده از شبکه های عصبی مصنوعی

Publish Year: 1394
Type: Conference paper
Language: Persian
View: 1,630

This Paper With 9 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

IOPMC03_005

Index date: 19 September 2015

ارزیابی عوامل موثر بر قیمت سنگ آهن با استفاده از شبکه های عصبی مصنوعی abstract

آهن یکی از پر کاربردترین فلزات در جهان محسوب میشود. قیمت جهانی سنگ آهن بر اساس میزان عرضه و تقاضای آنتعیین میشود. پارامترهای متعددی همچون قیمت فولاد، شاخص تولید ناخالص داخلی، قیمت نفت خام، قیمت آلومینیوم،قیمت طلا، نرخ بهره، نرخ تورم، ارزش دلار، ارزش سهام و میزان تولید آهن و فولاد بر قیمت جهانی سنگ آهن مؤثرهستند. با توجه به تعدد پارامترهای مؤثر و پیچیدگی روابط میان آنها، می توان از روش های مبتنی بر هوش مصنوعی نظیرشبکه های عصبی مصنوعی برای پیش بینی قیمت سنگ آهن استفاده نمود. در این مقاله، با استفاده از شبکه عصبیمصنوعی مدلی برای پیش بینی قیمت ماهیانه سنگ آهن ارائه شده است. با مقایسه انواع شبکه ها، شبکه بهینه با چهار لایهپیشخور و الگوریتم آموزش پس انتشار خطا شامل 5 نرون در لایه ورودی، 12 نرون در لایه پنهان اول، 15 نرون در لایهپنهان دوم و 1 نرون در لایه خروجی بدست آمد. همچنین خطای نسبی، خطای مطلق، VAR, RMSE و ضریب R2بدست آمده برای شبکه بهینه به ترتیب برابر 0/039، 0/033، 9/759، 97/759، 97/738 و 0/978 می باشد. در نهایت پس از انجام آنالیز حساسیت مشخص گردید که پارامترهای تولید ناخالص داخلی چین، قیمت طلا و قیمت نفت به ترتیب بیشترین تأثیرو پارامترهای نرخ بهره، نرخ تورم و ارزش دلار به ترتیب کمترین تاثیر را در بین پارامترهای ورودی بر قیمت سنگ آهن دارند.

ارزیابی عوامل موثر بر قیمت سنگ آهن با استفاده از شبکه های عصبی مصنوعی Keywords:

ارزیابی عوامل موثر بر قیمت سنگ آهن با استفاده از شبکه های عصبی مصنوعی authors

محمدرضا مقدم

دانشجوی کارشناسی ارشد مهندسی معدن، دانشگاه آزاد اسلامی واحد تهران جنوب

مسعود منجزی

دانشیار بخش مهندسی معدن، دانشگاه تربیت مدرس تهران

امیرحسین مهردانش

دانشجوی دکتری مهندسی معدن، دانشگاه تربیت مدرس تهران

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 :
A lvarez, A.E. Vigil, A., C.Gonza lez-Nicieza, (2012). Predicting blasting ...
Barami, _ Monjezi, M., Goshtasbi, K., Ghazvinian, A, (2010). Prediction ...
Haykin, s. (1999). Neural networks, A comprehensive foundation, Second edition, ...
Lundmark, R., Nilsson, M. (2003), What do economic simulations tell ...
Malanichev, A. and Vorobyev, P., (2011) Forecast of global steel ...
Ross, T.J., (2004). Fuzzy logic with engineering applications, Second Edition, ...
We iminMa, XiaoxiZhu n, M iaomiaoWang, (2013), Forecasting iron ore ...
Mining MS Student, Islamic Azad University, Tehran-Jonob Branch, M1 1 ...
نمایش کامل مراجع

مقاله فارسی "ارزیابی عوامل موثر بر قیمت سنگ آهن با استفاده از شبکه های عصبی مصنوعی" توسط محمدرضا مقدم، دانشجوی کارشناسی ارشد مهندسی معدن، دانشگاه آزاد اسلامی واحد تهران جنوب؛ مسعود منجزی، دانشیار بخش مهندسی معدن، دانشگاه تربیت مدرس تهران؛ امیرحسین مهردانش، دانشجوی دکتری مهندسی معدن، دانشگاه تربیت مدرس تهران نوشته شده و در سال 1394 پس از تایید کمیته علمی سومین کنفرانس معادن روباز ایران پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله پیش بینی قیمت، سنگ آهن، شبکه عصبی مصنوعی هستند. این مقاله در تاریخ 28 شهریور 1394 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 1630 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که آهن یکی از پر کاربردترین فلزات در جهان محسوب میشود. قیمت جهانی سنگ آهن بر اساس میزان عرضه و تقاضای آنتعیین میشود. پارامترهای متعددی همچون قیمت فولاد، شاخص تولید ناخالص داخلی، قیمت نفت خام، قیمت آلومینیوم،قیمت طلا، نرخ بهره، نرخ تورم، ارزش دلار، ارزش سهام و میزان تولید آهن و فولاد بر قیمت جهانی سنگ آهن مؤثرهستند. با توجه به ... . این مقاله در دسته بندی موضوعی شبکه عصبی طبقه بندی شده است. برای دانلود فایل کامل مقاله ارزیابی عوامل موثر بر قیمت سنگ آهن با استفاده از شبکه های عصبی مصنوعی با 9 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.