مقاله پیش بینی کوتاه مدت قیمت نفت خام با استفاده از شبکه عصبی پیشخور (Feed Forward)

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله پیش بینی کوتاه مدت قیمت نفت خام با استفاده از شبکه عصبی پیشخور (Feed Forward) دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی کوتاه مدت قیمت نفت خام با استفاده از شبکه عصبی پیشخور (Feed Forward)  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله پیش بینی کوتاه مدت قیمت نفت خام با استفاده از شبکه عصبی پیشخور (Feed Forward)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی کوتاه مدت قیمت نفت خام با استفاده از شبکه عصبی پیشخور (Feed Forward) :

تعداد صفحات:۱۲

چکیده:

ایران یکی از ۵ کشور بزرگ مالک ذخایر نفتی در جهان است و درآمدهای ارزی حاصل از صادرات نفت، در بودجه کشور از جایگاه ویژه ای برخوردار است. علیرغم رشد صادرات محصولات غیر نفتی، هنوز هم نفت تامین کننده بیش از ۹۸% انرژی اولیه کشور بوده و بخش اعظم اقتصادکلان کشور بر آن متکی است. لذا اهمیت تحقیق در زمینه مباحث مرتبط با اقتصاد نفت و بویژه مدلی که بتواند قیمت نفت را پیش بینی نماید، بر هیچکس پوشیده نیست. امروزه علاقه فراوانی در استفاده از سیستم های هوشمند و در جهت بهبود کیفیت تصمیمات مالی بوجود آمده است. بویژه شبکه عصبی که از طریق اموزش، توانایی یادگیری ازتجارب گذشته و بهبود سطح کارایی خود را دارند . به همین جهت در این تحقیق با استفاده از یادگیری «هدایت شده» یک مدل شبکه عصبی برای «پیش بینی ماهانه قیمت نفت خام»، توسعه داده شده است. در فرایند توسعه این مدل، تاثیر انواع متغیرهای فنی (قیمت های تاخیر یافته،درصد تغییرات قیمت، میانگین قیمت ها، تغییرات تفکیک شده قیمت)، انواع متغیرهای بنیادی (ماه، فصل، تولید، نفت خام جهان و اوپک ، رشد جمعیت، رشد اقتصادی) ، تعداد نرون های لایه ورودی، تعداد لایه ها و نرون های پنهان، توابع تبدیل لایه ها، پیش پردازش مناسب داد ه ها، تقسیمات مختلف برای انتخاب مجموعه های آموزش و آزمایش و انواع الگوریتم های یادگیری بهبود یافته، با انجام آزمایشهای فراوان بررسی شده است . در نهایت یک شبکه پیشخور سه لایه (N9-2-8-1) با میانگین خطای مطلق ۷۴ سنت در مجموعه آموزش و ۷۱ سنت در مجموعه آزمایش، بعنوان بهترین مدل انتخاب گردیده است.