مطالعات زیادی جهت ارزیابی و سنجش رخداد و پیدایش مدیریت درآمد در زمینه های مختلف صورت گرفته است. در اکثر مطالعات، مفروضات بر این است که درآمد از طریق اقلام تعهدی حسابداری، مدیریت می‌شود. بدین ترتیب یکسری از مدل‌های تشخیص مدیریت درآمد مبتنی بر اقلام تعهدی پیشنهاد شد. توانایی این مدل‌ها برای تشخیص مدیریت درآمد، توسط برخی مطالعات دیگر زیر سؤال رفته است. یک توجیه برای عملکرد ضعیف مدل‌های موجود آن است که اکثر این مدل‌ها از یک رویکرد خطی برای مدلسازی فرایند اقلام تعهدی حتی در صورتی که فرایند اقلام تعهدی غیر خطی باشد، استفاده می‌کنند. گزینه دیگر در مواجهه با موارد غیرخطی، استفاده از انواع مختلف شبکه های عصبی است. هدف از این مطالعه ارزیابی این مورد است که آیا مدل‌های مبتنی بر عملکرد عصبی نسبت به مدل‌های خطی و قسمتی خطی درتشخیص مدیریت درآمد، موثرتر هستند یا خیر؟. این مطالعه شامل مدل‌های شبکه عصبی براساس نقشه خود سازمان دهنده SOM) )، یک مفهوم چند لایه MLP) ) و یک شبکه عصبی رگرسیون عمومی GRNN) ) می‌باشد. نتایج نشان می‌دهد عملکرد مدل بر مبنای شبکه های عصبی، بهترین عملکرد را دارا می‌باشد، درحالی که مدل خطی مبتنی بر رگرسیون، ضعیف‌ترین عملکرد را دارد، همچنین نتایج نشان داد که هر 5 مدل مورد ارزیابی قرار گرفته، قادر به تخمین اقلام تعهدی اختیاری هستند که باقدری اغماض بعنوان نماینده مدیریت درآمد، عمل می‌نماید.

واژگان کلیدی: مدیریت درآمد، تعهدات اختیاری، شبکه های عصبی

+ تمامی موارد ذکر شده، به صورت یکجا در این بسته موجود می باشند.

 

شبکه‌ی عصبی مصنوعی  را می‌توان یکی از شاخه‌های هوش مصنوعی دانست که به‌عنوان یک تکنولوژی رایانشی در علوم کامپیوتر مدنظر قرارگرفته است. در این مقاله قصد داریم به بازبینی حوزه‌ی هوش مصنوعی پرداخته و بر روی کاربردهای اخیر آن، که از شبکه‌های عصبی مصنوعی (ANN) و هوش مصنوعی (AI) استفاده می‌کند بیندازیم.همچنین قصد داریم ادغام شبکه‌های عصبی را با سایر متدهای رایانشی‌ای مانند منطق فازی  در نظر گرفته تا بتوانیم توانایی تفسیر داده‌ها را بهبود دهیم. شبکه‌های عصبی مصنوعی را می‌توان یک تکنولوژی رایانشی نرم دانست که در سطح زیادی موردمطالعه قرارگرفته و در طی دو دهه‌ی اخیر نیز کاربردهای زیادی از آن پدید آمده است. رایج‌ترین کاربردهای شبکه‌های عصبی را می‌توان در حل مسائل تشخیص الگو، تحلیل داده‌ای، کنترل و خوشه‌بندی دانست. شبکه‌های عصبی مصنوعی دارای ویژگی‌های زیادی من‌جمله سرعت پردازشی بالا و توانایی در یادگیری و به دست آوردن جواب یک مسئله(از طریق یادگیری یک مجموعه داده‌ای) می‌باشند. هدف اصلی این مقاله این بوده که به بررسی کاربردهای اخیر شبکه‌های عصبی مصنوعی و هوش مصنوعی پرداخته و یک بازبینی جامعی را در خصوص  نقش اصلی AI و NN در حوزه‌های مختلف ارائه دهیم.

واژگان کلیدی:

در این مقاله قصد داریم به تشریح یک پلت فرم چند عامله برای سیستم اطلاعات مسافر پردازیم که در این سیستم، به مسافرین اجازه داده شده تا سرویس وب مربوط به اطلاعات ترافیک جاده‌ای (WSs)  که با نیاز مندی آن‌ها بهترین مطابقت را دارد پیدا کنند. پس از مطالعه‌ی پروپوزال های موجودی که به کشف Ws معنایی پرداخته بودند، یک الگوریتم تطابق ترکیبی را پیاده سازی کردیم که به صورت کامل آنرا تشریح خواهیم نمود. پروفایل‌های Ws معنایی به صورت خودکار به عنوان OWL-S ها شناخته شده و همچنین درخواست مسافر در آن به صورت یک پروفایل OWL نشان داده می‌شود. این الگوریتم، مقیاس‌ها و وزن های مختلفی را به هر پارامتر پروفایل WS تخصیص داده شده که این تخصیص بر اساس سطح ارتباط، نوع و ماهیت آن‌ها صورت می‌گیرد. برای انجام این کار، الگوریتم پائولوچی  را توسعه داده‌ایم و از آن در سناریوی خود استفاده نموده‌ایم. همچنین مقیاس های معنایی جدیدی، مخصوصاٌ استفاده از رابطه‌ی هم نیا، برای بهبود فراخوانی‌ها بکار گرفته شده که به سرویس‌های مربوطه اجازه داده تا به وسیله‌ی کاربرانی که هنوز بازیابین شده‌اند کشف شوند. اگرچه ما روابط مفهوم تشابه را افزایش داده‌ایم و زمان اجرا را با استفاده از مرحله‌ی فیلتر پیش پردازش (که به کاهش مجموعه‌ی به احتمال مفید WS می‌پردازد) بهبود داده‌ایم. این امر باعث بهبود الگوریتم تطابق معنایی گردیده است.

واژگان کلیدی: