{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "HA318",
        "title": "ارزیابی عملکرد شرکت های حاضر در بورس اوراق بهادار با استفاده از شبکه عصبی",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1400",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "HA318",
        "title": "ارزیابی عملکرد شرکت های حاضر در بورس اوراق بهادار با استفاده از شبکه عصبی",
        "degree": null,
        "faculty": "صنایع و مدیریت",
        "year": 1400,
        "authors": [
            {
                "name": "علیرضا شجاعیان",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "مجتبی غیاثی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "کارایی",
            "تحلیل پوششی داده ها",
            "شبکه های عصبی مصنوعی",
            "بورس اوراق بهادار",
            "شبکه عصبی خودبرگشتی غیرخطی با ورودی های برونزاد"
        ],
        "abstract": "امروزه با توجه به رقابت بالای بازارهای جهانی و نوآوری در فن آوری، مسئله اندازه گیری کارایی سازمان ها تبدیل به یک مسئله جهانی شده است. یکی از مرسوم ترین روش های اندازه گیری کارایی، تحلیل پوششی داده ها است. ولی مشکلاتی مانند حساس بودن به مرز کارایی و عدم قدرت پیش بینی را دارد که یکی از روش های برطرف کردن این مشکلات ترکیب آن با شبکه عصبی مصنوعی است.\r\nشبکه های عصبی مرز کارایی مقاوم تر و انعطاف پذیرتر نسبت به تحلیل پوششی داده ها دارد و از آن می توان در حل مسائل با مقیاس بزرگتر نیز استفاده کرد. \r\nهدف این پژوهش ارزیابی عملکرد شرکت های حاضر در بورس اوراق بهادار با استفاده از شبکه عصبی است. در این پژوهش سعی شده برای سری زمانی داده شده، پس از آماده کردن داده ها، مقادیر بهینه پارامترهای فضای فاز از جمله تاخیر زمان، بدست آورده شود، سپس با ایجاد یک ماتریس ورودی از داده های سری زمانی و ساختاری مناسب برای شبکه پیش بینی کننده، مدل سازی و پیش بینی سری های زمانی انجام گردد. در این راستا دو مدل پیشنهادی بر پایه روش های غیرخطی برای پیش بینی سری های زمانی ارائه شده است. مدل اول شبکه عصبی خودبرگشتی غیرخطی با ورودی های برونزاد و مدل دوم شبکه های عصبی، شبکه سیستم استنتاج عصبی- فازی سازگار است. به منظور داشتن معیاری برای مقایسه از میانگین مربعات خطا استفاده کرده ایم. در نهایت بررسی و ارزیابی نتایج، نشان دهنده ساختار مناسب مدل های مورد استفاده و استفاده از فضای فازی در افزایش دقت مدل سازی و پیش بینی سری های زمانی موثر می باشد و در عین حال عملکرد مدل شبکه عصبی- فازی تا حد قابل توجه ای بهتر از مدل عصبی تاخیر زمانی می باشد. نتایج حاکی از آن است که شبکه های عصبی تاخیر زمانی و عصبی- فازی می توانند به عنوان ابزار های مدل سازی قابل اعتماد برای پیش بینی عملکرد مورد استفاده قرار گیرند.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_HA318.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}