ریاضی 12. مدل ضریب تکثیر میازاوا در گروه های درآمدی خانوارهای مجزا

 مدل ضریب تکثیر میازاوا در گروه های درآمدی خانوارهای مجزا
چکیدهاهمیت کار میازاوا (1976) در درون یابی مدل ورودی- خروجی خانوارها ، ماتریس های چندگانه متعددی را ایجاد می کند. بررسی کاملی از تعاملات اقتصادی- جمعیتی مشخصی در ساختار میازاوا و کاربرد آن، در مجموعه ای از مقالات در آثار هوینگ و همکارانش (1999) یافت می شود. در این بخش، ما بعضی از مفاهیم مورد استفاده در بخش های دیگر این کتاب کنار می گذاریم، تا با موارد استفاده آن توسط مدل میازاوا آشنا شویم، از این رو تمام مباحث بعدی و کاربرد چارچوب میازاوا همچنان از این مفاهیم استفاده می کند.  

ریاضی 6. طراحی برنامه شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج

طراحی برنامه شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج 
چکیده.به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و در حوزه های کاربردی طرح شناختی فازی(FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs سنتی روش کارامدی را برای تعیین حالت سیستم مورد بحث و تعیین کردن کمیت تلفاتی که مبنای نظریه FCMs را مشخص می کنند ایجاد می کند. بنابراین در بسیاری از موارد، ایجاد FCMs برای سیستم های پیچیده بستگی به توان کارشناسی دارد.مدل های ایجاد شده دستی دارای کمبودهایی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی به حد معقول خود دارند.در این مقاله ما یک شبکه عصبی فازی را برای بالا بردن توان یادگیری FCMs مطرح می کنیم به گونه ای که تعیین اتوماتیک تابع عضویت و مشخص کردن دلایل مربوط به آن با مکانیسم اثباتی FCMs سنتی ادغام می گردد. به این ترتیب، مدل FCMs از سیستم های تحقیقی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از موارد کارشناسی شده می باشند.به این ترتیب تفاسیر مشخصی در ارتباط با دلایل FCMsایجاد شده و به این ترتیب فرایند استنباط درکش اسان تر می گردد. به منظور ایجاد صحت در عملکرد، روش های بیان شده در پیش بینی بی نظمی های سری زمانی تست می گردد.بررسی های شبیه سازی شده کارای رویکردهای مطرح شده را نشان می دهد.

ریاضی 4. قضایای نقاط ثابت مشترک برای دو نگاشت در فضاهای متریک M فازی

قضایای نقاط ثابت مشترک برای دو نگاشت در فضاهای متریک M فازی
چکبده. در این مقاله، ما به اثبات بعضی از قضیه های نقاط ثابت مشترک برای دو نگاشت غیرخطی  در فضاهای متریک M فازی کامل می پردازیم. نتایج اصلی ما، به اصلاح نسخه هایی از چند قضیه نقطه ثابت در فضاهای متریک فازی کامل می پردازد. 1. مقدمه و دیباچه مفهوم مجموعه فازی نخستین بار توسط محققی به نام  زاده در سال 1965 معرفی شد. از آن به بعد، به منظور بکارگیری این مفهوم در توپولوژی (مکان شناسی) و تجزیه و تحلیل، بسیاری از محققان در سطح گسترده ای، تئوری مجموعه های فازی و کاربرد آن را توسعه داده اند. جورج و ورامانی (8) و کراموسیل و میچالک (11) به معرفی مفهوم فضای توپولوژیک فازی از طریق متریک فازی پرداختند که دارای کاربردهای بسیار مهمی در فیزیک ذرات کوانتوم  به ویژه در ارتباط با نظریه بینهایت و رشته بوده که توسط ال- ناشی مطرح و مورد بررسی قرار گرفته است. بسیاری از محققان به اثبات بعضی از قضایای نقاط ثابت مشترک در فضاهای متریک ( احتمال) فازی پرداختند. 

ریاضی 1. اختراع ریاضی: فلسفه و زیباشناختی

اختراع ریاضی: فلسفه و زیباشناختی
ریاضیدانان بسیاری روی فلسفه اختراع ریاضیات تعمق کرده اند. این درون نگری گویای چیست؟ J.Hadamard و H.Pioncare راجع به پدیده فوق العاده ای بحث می کنند که در مورد خودشان شاهد بودند و ریاضیدانان دیگر نیز مشاهده کرده اند. پس از مدتی بحث و مذاکره روی یک مسئله (دوره آمادگی) و شکست در حل آن، این بحث کنار گذاشته شد. سپس ناگهان یک روز، یک هفته یا ماهها بعد (دوره نهفتگی) حین مکالمه ای جزئی راه حلی پیدا کردند.این روشن سازی (طبق نظر Hadamard ) بدون هشدار و در تضاد با تحقیقات قبلی بوجود آمد.  با وجود نیاز جدی به کنترل در آینده، این روشن سازی به سرعت متقاعد می کند. مرحله آخر تصدیق (تصدیق کردن راه حل و به شکل دقیق و صریح دراوردن) ممکن است حاکی از این باشد که روشن سازی اشتباه بود و سپس فراموش می شود. اما اغلب راه حل ارائه شده توسط خدایان صحیح تلقی می شود. اما شما هم مانند سایر افراد ممکن است از ضمیر ناخوداگاه و خدایان خشنود نباشید.

ریاضی 8. الگوریتم آشکارسازی بن بست موازی

الگوریتم آشکارسازی بن بست موازی
چکیدهبا به اجرا کردن PDDA (الگوریتم آشکارسازی بن بست موازی)  از طریق تعداد کمی از سخت افزارها، واحد آشکارسازی بن بست طراحی شده به سختی عملکرد سیستم را تحت تاثیر قرار می دهد، ( و بطور بلقوه به هیچ وجه دارای تاثیر منفی نمی باشد) بلکه مبنایی را برای روش های آشکارسازی بن بست های شدید، به وجود می آورد.متاسفانه، مشکلات 1، 2، 3 ذکر شده در بخش 3.3.3، اجرای جلوگیری از این بن بست ها (وقفه ها) را در سیستم های حقیقی پیچیده می کند. روش جدید ما برای ادغام آشکار سازی این بن بست ها و اجتناب از آن ها ( اگرچه نیازمند اطلاعات پیشرفته نمی باشد، دانش مقدماتی از شرایط منابع)، سهمی در انطباق راحت تر جلوگیری از این بن بست ها در MPSoC ، با تطبیق حداکثر آزادی به همراه مزایای های اجتناب از این بن بست ها، دارد ( یعنی همزمانی حداکثر درخواست ها و تایید آن بستگی به مسیرهای اجرایی خاص دارد).