| LEADER |
06517nam a22003137a 4500 |
| 001 |
0302431 |
| 041 |
|
|
|a ara
|
| 100 |
|
|
|9 418361
|a المبارك، سعيدة خضر أحمد
|e مؤلف
|
| 245 |
|
|
|a استخدام نماذج الشبكات العصبية الاصطناعية ونماذج بوكس-جنكنز في التنبؤ بإنتاجية محصول القمح في السودان: دراسة مقارنة
|
| 260 |
|
|
|a أم درمان
|c 2016
|
| 300 |
|
|
|a 1 - 135
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة أم درمان الاسلامية
|f كلية الدراسات العليا
|g السودان
|o 1241
|
| 520 |
|
|
|a تناولت هذه الدراسة استخدام نماذج بوكس جنكز ونماذج الشبكات العصبية للتنبؤ في السلاسل الزمنية الاقتصادية، وتم التطبيق على بيانات السلاسل الزمنية لإنتاجية القمح للفترة (1954 – 2012م). وهدفت الدراسة لإبراز العلاقة ما بين الأساليب المستخدمة للتنبؤ في السلاسل الزمنية ودقة التنبؤات المتحصل عليها، ومدى تأثير التغيرات التي تطرأ على السلاسل الزمنية ودرجة العشوائية واللاخطية في البيانات على أداء هذه الأساليب. وتميزت هذه الدراسة عن الدراسات السابقة في تناولها لموضوع التنبؤ في السلاسل الزمنية من أوجه مختلفة تمثلت في الآتي: - تناولت الدراسة نوعية البيانات كعامل رئيسي في تحديد الأسلوب المتبع للتنبؤ. - تأثير التغيرات المختلفة وخاصة التغيرات العشوائية على نتائج نماذج التنبؤ. - تأثير عدم ثبات التباين على دقة التنبؤ المتحصل عليه من النموذج المستخدم. - تطبيق نماذج الشبكات العصبية على سلاسل زمنية زراعية، وقد انحصرت معظم تطبيقات الشبكات في القطاع الاقتصادي على السلاسل الزمنية المالية وتمثلت أهم نتائج هذه الدراسة في الآتي:- 1- النماذج. - نماذج بوكس جنكز: سلسلة القمح (1.1.0) ARIMA - نماذج الشبكات العصبية: تم بناءها باستخدام شبكة البيرسترون متعدد الطبقات (M L P)، والتي تكونت بنيته المعمارية من ثلاث طبقات (طبقة مدخلات، طبقة خفية، طبقة مخرجات)، واستخدمت الدالة اللوجستية كدالة تحفيز في الطبقة الخطية وفي طبقة المخرجات، واستخدم لتدريب هذه الشبكة خوارزمية الانتشار السريع. 2- درجة التغيرات في السلسلة الزمنية وخاصة التغيرات العشوائية يؤثر تأثير مباشر على النتائج المتحصل عليها باستخدام الأسلوبين محل الدراسة، وكلما زادت حدة التغيرات في السلسلة الزمنية قلت كفاءة نماذج بوكس - جنكز مقارنة بنماذج الشبكات. 3- كلما ارتفعت درجة عدم الخطية في بيانات السلاسل الزمنية قلت معها كفاءة نماذج بوكس - جنكنز في التنبؤ. 4- تقل كفاءة الأسلوبين في التعامل مع السلاسل الزمنية التي تعاني من مشكلة عدم ثبات التباين ولكن يفضل نماذج الشبكات على نماذج بوكس - جنكنز. 5- تتأثر نماذج الشبكات العصبية بشكل مباشر بحجم البيانات المتاحة (طول السلسلة الزمنية) فكلما كان حجم البيانات كافيا بحيث تظهر كل تغيرات السلسلة كلما ارتفعت درجة التعلم في الشبكة ومن ثم زادت كفاءة نماذج الشبكة في التنبؤ. 6- كلما زادت فترة التنبؤ في المستقبل كانت نتائج الشبكات أدق من نتائج بوكس جنكز، وذلك واضح من خلال نتائج التنبؤ المتحصل عليها من هذه النماذج ويمكننا على ضوء هذه النتائج أن نوصي بالآتي: 1- يفضل استخدام نماذج بوكس جنكز في السلاسل الزمنية الأقل تعقيدا، وكلما ارتفعت درجة التعقيد في السلسلة يفضل استخدام نماذج الشبكات العصبية. 2- من أجل رفع كفاءة نماذج بوكس - جنكز ونماذج الشبكات العصبية للتنبؤ في السلاسل الزمنية يجب الاهتمام بإزالة تأثير التغيرات المختلفة من بيانات السلسلة الزمنية قبل تطبيق هذه الأساليب. 3- في البيانات التي تعاني من الاضطرابات وعدم ثبات التباين فإنه يفضل استخدام نماذج الشبكات العصبية على نماذج بوكس جنكز. 4- إذا لم يكن طول السلسلة الزمنية كافيا بحيث تظهر كل التغيرات بوضوح فإنه يفضل استخدام نماذج بوكس - جنكز على نماذج الشبكات العصبية الاصطناعية.
|
| 653 |
|
|
|a الشبكات العصبية الاصطناعية
|a نماذج بوكس جنكنز
|a إنتاج القمح
|a السودان
|a استشراف المستقبل
|a السلاسل الزمنية
|
| 700 |
|
|
|a آدم، أمين إبراهيم
|e مشرف
|9 71284
|
| 856 |
|
|
|u 9818-003-003-1241-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9818-003-003-1241-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9818-003-003-1241-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9818-003-003-1241-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9818-003-003-1241-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9818-003-003-1241-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9818-003-003-1241-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9818-003-003-1241-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9818-003-003-1241-O.pdf
|y الخاتمة
|
| 856 |
|
|
|u 9818-003-003-1241-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 787933
|d 787933
|
