فایل ورد کامل توسعه سیستم پشتیبانی از تصمیم گیری بر اساس شبکه های عصبی و یک الگوریتم ژنتیک

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

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل توسعه سیستم پشتیبانی از تصمیم گیری بر اساس شبکه های عصبی و یک الگوریتم ژنتیک،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۴ صفحه

۹ نتیجه گیری
با تحلیل روش های مورد استفاده و تست های نهایی سیستم، نتیجه گیری های زیر قابل مطرح شدن هستند:
۱ DSS پیشنهادی یک مدل کاملا جدید از DSS سرعت بالا است که می تواند با داده های میانی نادقیق، تصادفی یا استاندارد کار کند.
۲ DSS به خوبی با داده های پیچیده و وابسته کنار می آید. این امر در آموزش شبکه های عصبی میانی شامل تا ۳۰ ورودی بدون کاهش معنی دار در سرعت یا دقت موفق است.
۳ این امر برای استفاده از DSS پیشرفته برای کارها و مسائلی که رسمی کردن آنها دشوار است، معقول به نظر می رسد مانند پیش بینی تغییرات روزانه نرخ ارز، فرآیندهای اجتماعی، نشانگرهای جوی.
۴ همچنین توصیه می شود که از سیستم زمانی استفاده شود که با داده های میانی کار می شود مثلا مقادیر غیردقیق، متغیرهای تصادفی، متغیرهای دینامیک که تحلیل درست انها با استفاده از روش های استاندارد دشوار است.

عنوان انگلیسی:Development of a decision support system based on neural networks and a genetic algorithm~~en~~

۹ Conclusions

Analyzing the methods used and the final tests of the system we can make the following conclusions: 1. The proposed DSS is an absolutely new model of high-speed DSS which can work with inaccurate, random or standard interval data. 2. The DSS effectively copes with complicatedly structured and dependent data. It succeeds in training interval neural nets including up to 30 inputs without a significant decrease in speed or accuracy. 3. It is reasonable to apply the developed DSS to tasks and problems that are difficult to formalize, e.g. forecasting daily exchange rate changes, social processes, climatic indicators. 4. It is also advisable to apply the system when working with interval data, e.g. inaccurate values, random variables, dynamic variables, which cannot be properly analyzed by means of standard methods.

$$en!!