عنوان کامل پایان نامه :
تعیین اهداف جذب منابع با رویکرد منطق فازی و شبکه های عصبی در مؤسسات مالی و اعتباری
قسمتی از متن پایان نامه :
2-7-1-9- پیش بینی با استفاده از شبکه عصبی
شبکهها عصبی دارای مدلها و الگوریتمهای یادگیری مختلفی میباشند که یکی از پرکاربردترین آنها شبکههای عصبی چندلایه پیشخور و الگوریتم یادگیری پس از انتشار خطا میباشد که به همین دلیل کارایی این مدل در پیشبینی و شناسایی الگو در این بخش این مدل به همراه الگوریتم یادگیری آن توضیح داده میشود .
2-7-1-10- شبکه عصبی چندلایه پیشخور و الگوریتم یادگیری پس از انتشار خطا
معماری این شبکه عصبی دارای سه جزء متفاوت به شرح زیر میباشد:
لایه ورودی: لایهای که در آن الگوهای ورودی بکار میرود .
لایه خروجی: لایهای که از آن پاسخ خروجی دریافت میشود .
لایه پنهان: این نوع شبکه حداقل دارای یکلایه پنهان میباشد که خروجیهای آن کاملاً قابل رویت نیست .
در شکل شماره 2-8 ساختار این نوع شبکه نمایش دادهشده است . دایرهها نشانگر نرون ها و جهتنماها نشانگر مسیرهای ارتباطی بین آنها است . همچنین هر جهتنما به همراه وزنها سیناپسی میباشد .
هر نرون خروجیهایش را بر مبنای میزان تحرک ورودی دریافت شده محاسبه مینماید . برای یک الگوی ورودی شبکه یک خروجی (یا مجموعهای از مجموعهها) ایجاد میکند . سپس این شبکه بر اساس الگوریتم یادگیری خود این خروجی با مقدار مطلوب آن شبکه مقایسه میشود . برای مسائل طبقهبندی مقدار مطلوب صفر و یک میباشد درحالیکه برای مسائل پیشبینی این مقدار پیوسته است . وزنهای شبکه برای صحیح شدن یا کاهش خطا اصلاح میشوند و الگوی بعدی نمایان میشود . اصلاح وزنها بهطور مداوم در این روال تا زمانی که کل خطاها از سطح تلورانس از پیش تعیینشده کمتر شود ادامه مییابد . این الگوریتم به یادگیری پس از انتشار خطا معروف است . (کارتالوپس و ورباس 1974، لی چن 1985، پارکز 1985) . دلیل اینکه تأثیر این بهروزرسانی ورودیها بهصورت تدریجی مجذور میانگین خطا را به حداقل میرساند این است که تمامی الگوهای ورودی ، متکی بر این حقیقتاند که الگوریتم یادگیری پس از انتشار خطا گرادیان نزولی در تابع دارد .الگوریتم پس از انتشار توسط “پال ورباس” در سال 1974 ارائه شد و بعدها توسط رامل هارت بهطور مستقل کشف گردید . این الگوریتم از زمان پیدایش بهطور گسترده یک الگوریتم آموزش در شبکههای عصبی پیشخور مورداستفاده قرارگرفته است . الگوریتم پس از انتشار خطابه شبکه عصبی چندلایه پنهان اعمالشده است. بر اساس این الگوریتم ، شبکه، برنامه و طرح ارتباطی توزیع یافته بین لایههای خروجی و ورودی را یاد میگیرد . آنچه این مدل را از مدلهای دیگر مجزا میسازد فرآیندی است که بهوسیله آن وزنها در طول فاز آموزش شبکه محاسبه میشود عموماً مشکل در شبکه چندلایه محاسبه مؤثر وزنها در لایههای پنهانی است بهطوریکه خطای خروجی به حداقل برسد . هرقدر تعداد لایههای پنهان بیشتر باشد مشکلات بیشتر خواهد بود زیرا برای تنظیم وزنها باید خطا را محاسبه نماییم . در لایه خروجی این خطا بهآسانی قابلمحاسبه است و آنهم از تفاوت بین خروجیهای واقعی و خروجیهای مطلوب تعیین میشود اما در لایه پنهانی مشاهده مستقیم خطا غیرممکن است درنتیجه تکنیکهای دیگر برای محاسبه خطا در لایههای پنهانی لازم است تا خروجی را به حداقل برساند که هدف نهایی همان میباشد.
الگوریتم آموزش پس از انتشار یک ابزار ریاضی است که در آن ، اجرای معادلات آموزش بر اساس فرآیندهای تکراری است و بنابراین به سهولت بر روی رایانهها قابلاجرا است . در طول فاز آموزش شبکه ، یک جفت از الگوهای(T,K) به شبکه ارائه خواهد شد که در اینجا K یک الگوی ورودی و T یک خروجی مطلوب است و الگوی X در نرون هر لایه ، یک خروجی ایجاد میکند و نهایتاً در لایه خروجی ، خروجی واقعی O را تولید مینماید و در لایه خروجی ، تفاوت بین خروجی مطلوب و واقعی ، یک سیگنال خطا را به وجود میآورد . این سیگنال خطا وابسته به وزنهای نرون های هر لایه است . این خطابه کمترین حد خود میرسد و در طول این فرآیند، مقادیر جدیدی برای وزنها ایجاد میشود . سرعت و دقت فرآیند آموزش(فرآیند تنظیم نمودن وزنها) وابسته به یک عامل است که ضریب یادگیری نامیده میشود(بختیاری،ماری، 1385)
سوالات یا اهداف پایان نامه :
اهداف:
هدف اصلی:
- استفاده از رویکرد شبکه عصبی فازی برای پیشبینی مانده منابع آتی در تعیین هدف جذب منابع برای شعبههای مؤسسات مالی و اعتباری.
هدف فرعی:
- تدوین الگوی مناسب برای پیشبینی دقیق منابع آتی و تعیین اهداف جذب منابع بر اساس آن،
- تعیین متغیرهای سری زمانی که بیشترین و یا کمترین تأثیر را در فرآیند پیشبینی تعیین هدف جذب منابع دارند.