ژانویه 24, 2021

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

در پژوهش حاضر از یک شبکه پرسپترون چند لایه () که از جمله ساختار‌های کاملاً متصل است، استفاده شده است. یکی از مهمترین مراحل طراحی یک شبکه چند لایه پیشخور مشخص‌کردن تعداد لایه‌ها و همچنین تعداد نرون های موجود در هر لایه است.
۴-۵-۲٫ تعیین تعداد لایهها
یک شبکه عصبی پیشخور () یا پرسپترون چند لایه () بهطورکلی از سه دسته لایه شامل یک لایه ورودی، یک یا چند لایه میانی و یک لایه خروجی تشکیل شده است.
در حالت کلی، تعداد لایه‌های ورودی و خروجی در یک شبکه پرسپترون دقیقاً برابر با یک هستند. بنابراین مسألهی تعیین تعداد لایه‌ها در یک شبکه چند لایه پیشخور تنها به تعیین تعداد لایه‌های مخفی محدود می‌گردد.
مسألهی تعیین تعداد لایههای میانی، انتخابی بین یک و یا دو خواهد بود و استفاده از یک یا دو لایه مخفی برای حل مسایل مربوط به الگوسازی در حالت کلی کافی خواهد بود. به هر حال بهکارگیری دو لایه مخفی ممکن است نتایج بهتری برای برخی از مسایل خاص داشته باشد، مخصوصاً هنگامی‌که شبکه با یک لایه مخفی دارای تعداد بسیار زیادی نرون برای ایجاد نتـایج رضایت‌بخش باشد. امّا همانطوری که در فصل سوم اشاره شد هیچ‌گونه قانون کلی جهت تعیین تعداد لایه‌های مخفی وجود ندارد. بنابراین در پژوهش حاضر از یک لایه پنهان برای طراحی شبکه استفاده خواهد شد، مگر آنکه دقت شبکه با دو لایه مخفی بهطور معنیداری بهتر از حالت یک لایه ای آن باشد.
۴-۵-۳٫ تعیین تعداد نرونهای هر لایه
الف. تعیین تعداد نرونهای لایه ورودی
مشخص ‌کردن تعداد نرونهای موجود در لایه ورودی، بی‌شک مهمترین مسأله در معماری شبکه‌های پرسپترون در مسایل الگوسازی است. چراکه اکثر تصمیم‌گیری‌های آینده در مورد اکثر پارامتر‌های طراحی شبکه و همچنین نتایج حاصل، به طور مستقیم و یا غیرمستقیم به تعداد نرونهای ورودی شبکه بستگی دارد. نکته قابل توجه در ‌این مورد این است که نه تعداد بسیار کم و نه تعداد بسیار زیاد برای ورودی‌های یک شبکه مناسب نخواهد بود. بنابراین، مجموعهی متغیر ورودی به شبکه عصبی نباید خیلی کم و نباید خیلی زیاد باشد. روشهای متفاوتی به منظور انتخاب متغیرها پیشنهاد شده است.
در پژوهش حاضر از روش پیشرو متوالی برای انتخاب متغیرهای ورودی شبکه عصبی استفاده می‌شود. بهاین ترتیب متغیرها یکی یکی وارد الگو می‌شوند و عملکرد الگو سنجیده می‌شود. اگر با ورود یک متغیر عملکرد الگو نسبت به الگوی قبلی بهبود پیدا کرد، آن متغیر در مجموعه متغیر ورودی باقی می‌ماند و متغیر بعدی برای ارزیابی تأثیرش بر متغیر خروجی وارد الگو می‌شود. نتایج حاصل از این فرآیند برای مسألهی مورد نظر ما، تعیین سه متغیر ورودی بوده است.
ب. تعیین تعداد نرونهای لایه میانی
نرونهای لایه‌های مخفی نقش بسیار مهمی‌ در موفقیت یک شبکه عصبی دارند. موضوع مشخص‌کردن تعداد بهیـنه نرونهای لایه‌های مخفی هنوز مسأله‌ای کاملاً پیچیده است. همانگونه که در فصل سوم اشاره شد، محققین از روشهای مختلفی مانند ، ، و۱ برای تعیین تعداد نرونهای لایه میانی استفاده میکنند. تعداد نرون در لایه ورودی است.
در این مسأله برای یافتن تعداد نرون‌های لایه میانی، عملکرد الگو به ازای یک نرون در لایه میانی تا ، به‌منظور دستیابی به بهترین عملکرد ممکن و جست‌و‌جوی کامل ساختارهای متفاوت، سنجیده می‌شود. در پژوهش حاضر نیز براساس مطالب بیان شده و تعداد نرونهای ورودی (۳ متغیر)، تعداد نرونهای لایه مخفی از یک تا دو برابر تعداد ورودیها بهعلاوه یک یعنی هفت، تغییر داده خواهند شد و بهترین عملکرد حاصل بیان کننده تعداد بهینه نرونهای میانی در این بازه از مقادیر خواهد بود.
ج. تعیین تعداد نرونهای لایه خروجی
در حالت کلی، تعداد نرونهای خروجی در لایه‌های خروجی یک شبکه ارتباط مستقیم با ساختار مسألهی مورد مطالعه دارد. حال در مسألهی مورد نظر، چون یک گام پیشرو داریم، بنابراین تنها یک نرون در لایه خروجی شبکه خواهیم داشت.
نتایج نشان میدهد که بهترین عملکرد شبکه با سه نرون مخفی بدست آمده است. بنابراین ساختار بهینه شبکه، دارای سه نرون ورودی، سه نرون مخفی و یک نرون خروجی خواهد بود .
شکل (۴-۵): عملکرد شبکه () در دادههای آزمون و آموزش
منبع: محاسبات محقق
۴-۵-۴٫ تعیین توابع فعالسازی
بهطورکلی هیچ پژوهش و یا نتایج تجربی مبتنی بر برتری توابع خطی بر توابع غیرخطی یا بالعکس به عنوان توابع فعالسازی وجود ندارد. بنابراین بر اساس مطالب بیان شده، در مسألهی مورد نظر میزان تاثیر هر سه نوع توابع فعالسازی (خطی، سیگموئیدی و تانژانت هایپربولیک) به عنوان توابع فعالسازی لایههای خروجی و میانی، بر عملکرد شبکه مورد بررسی قرار گرفته است. جدول (۴-۶) نشان می‌دهد که توابع انتقال سیگموئیدی و خطی به ترتیب برای لایه میانی و لایه خروجی موجب عملکرد بهتر شبکه می‌شوند.
جدول(۴-۶): بررسی توابع فعالسازی

ردیف ساختار شبکه توابع فعال‌سازی (لایه خروجی، لایه میانی) میانگین مربعات خطا ()
داده‌های آزمون
۱ (خطی، خطی) ۰۰۰۳۵/۰
۲
دانلود متن کامل این پایان نامه در سایت abisho.ir