پژوهش – طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی نرخ ارز در ایران- قسمت …

0 Comments

سیگموئید

تانژانت هیپربولیک

جدول : متداولترین توابع محرک شبکههای عصبی مصنوعی
مآخذ: فتحی (۱۳۹۱)
یک مسألهی اثبات شده در مورد شبکههای عصبی آن است که یک الگوی عصبی پیشخور با یک لایه پنهان، با تابع سیگموئید در لایه پنهان و تابع فعالسازی خطی در گره خروجی و تعداد گره کافی در لایه پنهان، قادر است هر تابعی را با دقت دلخواه تقریب بزند. این مطلب نشان میدهد که طراحی یک الگوی شبکهی عصبی مناسب، اهمیت زیادی در برآورد و پیشبینی یک فرآیند دارد (مشیری، ۱۳۸۰).
۳-۴-۲-۸٫ انواع شبکههای عصبی
الف. انواع شبکههای عصبی از نظر نوع حافظه
شبکههای عصبی براساس نوع حافظه به دو گروه شبکههای عصبی ایستا (بدون حافظه) و شبکههای عصبی پویا (با حافظه) تقسیم میشوند (فتحی، ۱۳۹۱).

  1. شبکههای عصبی ایستا[۱۴۹]: در ساختار این نوع از شبکهها زمان و پویایی وجود ندارد. خروجی این نوع شبکهها در هر لحظه، تنها به ورودی آنها در همان لحظه بستگی دارد.
  2. شبکههای عصبی پویا[۱۵۰]: شبکههای ایستا با وجود کارآیی فراوان در حل مسایل مختلف نمیتوانند فرآیندهای پویا و متغیر با زمان را الگوسازی کنند. در اینگونه مسایل میتوان از شبکههای پویا استفاده کرد. ضرایب ورودی و خروجی این شبکهها مشابه شبکههای ایستا است، با این تفاوت که در فرآیند آموزش الگوهای پویا، مقادیر خروجی به صورت برگشتی و به عنوان ورودی به نظام برمیگردند.

ب. انواع شبکههای عصبی از نظر شیوهی یادگیری
شبکههای عصبی مصنوعی براساس شیوهی یادگیری به سه دسته تقسیم میشوند (فتحی، ۱۳۹۱).

  1. آموزش با وزنهای ثابت[۱۵۱]: در این روش وزنها یکبار محاسبه شده و بههنگام میشوند. این شبکهها در بهینهسازی و فشردهسازی اطلاعات و نیز بازیابی الگوها کاربرد دارند.
  2. آموزش بدون نظارت[۱۵۲]: در این شبکهها خروجی هدف[۱۵۳]وجود ندارد تا براساس مقدار خطای حاصل از مقایسهی خروجی شبکه با آن، وزنها اصلاح شوند. بنابراین شبکه، الگوهای آموزشی خود را از طریق ورودیهایش دریافت کرده و به شکل دلخواه آنها را در دستههای مختلفی قرار میدهد. هنگامیکه شبکه، یک سری ورودی را دریافت میکند، با کشف رابطهی همبستگی و آماری بین ورودیهای مختلف، وزنها را اصلاح کرده و پاسخی در خروجی ظاهر میشود که نشاندهندهی طبقهای است که آن ورودی به آن تعلق دارد.
  3. آموزش با نظارت[۱۵۴]: در اینگونه شبکهها، به ازای هر دسته از الگوهای آموزشی ورودی، خروجی متناظر نیز به شبکه داده میشود و تغییر وزنها تا موقعی که اختلاف بین مقدار خروجی شبکه و خروجی هدف حداقل شود، ادامه مییابد.
مطلب دیگر :
پژوهش دانشگاهی - چیستی و چرایی نفی خواطر در عرفان اسلامی۹۲- قسمت ۵

ج. انواع شبکههای عصبی از نظر ساختار و پردازش اطلاعات
براساس جهت ورود اطلاعات به شبکه، ساختار و چگونگی پردازش شبکه، شبکههای عصبی مصنوعی به انواع مختلفی تقسیم میشوند. هر یک از ‌این الگوها با توجه به زمینه و شرایط مسأله مورد نظر و همچنین توانایی‌ها و محدودیت‌های آنها، در مسایل مختلف الگوسازی به کارگرفته می‌شوند. این‌گونه از شبکه‌های عصبی را می‌توان در حالت کلی به موارد زیر خلاصه نمود:
شبکههای عصبی چند لایه پیشخور ()[۱۵۵]
شبکههای عصبی هاپفیلد ()[۱۵۶]
شبکههای عصبی خودسازمانده ()[۱۵۷]
شبکههای عصبی شعاعی محور ()[۱۵۸]
شبکههای عصبی احتمالی ()[۱۵۹]
شبکههای عصبی رگرسیون عمومی ()[۱۶۰]
یکی از مهمترین ساختار‌های موجود برای الگوسازی، پرسپترونهای چندلایه هستند که کاربرد‌های بسیار وسیعی نیز در زمینه‌های مختلف تجاری و مالی دارند. مطابق با جدیدترین بررسیهای انجام شده بیشترین کاربرد‌های گزارش شده از شبکه‌های عصبی در تجارت مربوط به شبکه‌های عصبی چندلایه پیشخور است و اکثر محققان‌ نیز این‌گونه از شبکه‌ها را مناسب‌ترین نوع ساختار به منظور الگوسازی در محیط‌های تجاری و مالی می‌دانند. بنابراین در‌این پژوهش نیز به منظور پیشبینی نرخ ارز، از یک شبکه پرسپترون چند لایه استفاده شده است.
۳-۴-۲-۹٫ مراحل اساسی ساخت یک شبکهی عصبی مصنوعی
برای ساخت یک الگوی شبکهی عصبی مصنوعی بهطور کلی سه مرحله طی میشود:
مرحلهی اول- تعیین ساختار شبکه: منظور از تعیین ساختار یا معماری[۱۶۱] شبکهی عصبی، تعیین نوع شبکه، تعیین بهینهی تعداد لایهها و گرههای شبکه و تعیین توابع انتقالی به روش آزمون و خطا برای دستیابی به یک جواب مناسب است.
مرحلهی دوم- آموزش شبکه[۱۶۲]: منظور از آموزش شبکهی عصبی، اصلاح وزنهای ارتباطی بین لایهها و نیز وزنهای بایاس[۱۶۳] شبکه برای نمونههای متعدد است. آموزش شبکه زمانی کامل میشود که خطای الگو یا اختلاف بین مقادیر خروجی شبکه و مقادیر هدف حداقل شود. برای رسیدن به این هدف، دادههای آموزشی مربوط به الگوی مورد نظر، چندبار به شبکه داده میشوند تا شبکه در هر بار با استفاده از آنها وزنهای خود را اصلاح کند. با تکرار زیاد این کار، وزنها به گونهای اصلاح میشوند که شبکه قادر است در برابر دادههای ورودی غیرآموزشی، خروجی قابل قبول ارایه دهد.

برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید.