پایان نامه مدیریت

منابع پایان نامه درمورد شبکه های عصبی

نماید. و همچنین پژوهشگر باید فرض نماید که تکامل آینده سری زمانی با گذشته یکسان خواهد بود، یعنی شکل مدل با زمان تغییر نخواهد کرد. عدم امتیاز نهایی مدلهای ARIMA سرمایهگذاری مورد نیاز در زمان و سایر منابع برای ساختن یک مدل رضایت بخش است. ولی این مدلها بخصوص برای سریهای زمانی که در آنها فاصله نمونه گیری خیلی کوچکند، بدلیل اینکه تاریخ نسبتا طولانی یی را به آسانی میتوان تهیه کرد، به نحو شایستهای مناسبند.(فاطمی،1375)
1-6-2: شبکه عصبی مصنوعی

دانلود پایان نامه

اینجا فقط تکه های از پایان نامه به صورت رندم (تصادفی) درج می شود که هنگام انتقال از فایل ورد ممکن است باعث به هم ریختگی شود و یا عکس ها ، نمودار ها و جداول درج نشوند.

برای دانلود متن کامل پایان نامه ، مقاله ، تحقیق ، پروژه ، پروپوزال ،سمینار مقطع کارشناسی ، ارشد و دکتری در موضوعات مختلف با فرمت ورد می توانید به سایت  77u.ir  مراجعه نمایید

رشته مدیریت همه موضوعات و گرایش ها : صنعتی ، دولتی ، MBA ، مالی ، بازاریابی (تبلیغات – برند – مصرف کننده -مشتری ،نظام کیفیت فراگیر ، بازرگانی بین الملل ، صادرات و واردات ، اجرایی ، کارآفرینی ، بیمه ، تحول ، فناوری اطلاعات ، مدیریت دانش ،استراتژیک ، سیستم های اطلاعاتی ، مدیریت منابع انسانی و افزایش بهره وری کارکنان سازمان

در این سایت مجموعه بسیار بزرگی از مقالات و پایان نامه ها با منابع و ماخذ کامل درج شده که قسمتی از آنها به صورت رایگان و بقیه برای فروش و دانلود درج شده اند

شبکه های عصبی مصنوعی ابزار مدل بندی انعطاف پذیر و غیر پارامتریک هستند. آنها می توانند هر تابع پیچیده ای را با دقت مورد نظر اجرا کنند. یک شبکه عصبی مصنوعی نوعا از چندین لایه متشکل از تعدادی زیادی عناصر محاسبه گر ساخته شده است که این عناصر محاسبه گر اصطلاحا گره مینامند. هر گره یک سیگنال ورودی از دیگر گره ها، یا ورودی های خارجی دریافت میکند و پس از پردازش سیگنالها بصورت محلی به واسطه یک تابع تبدیل به گره دیگر یا نتیجه نهایی ارسال می کند. لایهی ورودی و لایهی خروجی شبکه شبیه یک سیستم ورودی-خروجی عمل میکند و ارزش نرون های ورودی را برای محاسبهی ارزش نرون خروجی مورد استفاده قرار می دهد. شبکه های عصبی با لایه های پنهان دارای توانایی های بیشتری نسبت به شبکه های عصبی دو لایه هستند.(منهاج،1377) درشبکه های عصبی ورودی p به نرون اعمال شده از طریق ضرب در وزن w، وزندار میشود و حاصل به تابع انتقال f بعنوان ورودی اعمال شده و خروجی نهایی حاصل میگردد. که در آن اندازهی w متناظر با قدرت هر اتصال سیناپسی(به نقطه اتصال یک آکسون یک سلول عصبی با دندریت سلولهای عصبی دیگر) در نرونهای موجودات زنده میباشد.(مصطفی کیا،1388) بعبارتی شبکه عصبی وزن بین متغیرهای مستقل و وابسته یعنی میزان رابطه بین آنها را تعیین می نماید.
1-6-2-1: شبکهی عصبی درک چند لایه (MLP)
پرکاربردترین معماری شبکه های عصبی، شبکه های چند لایه پیش خور هستند که معمولا” شبکه های درک چند لایه و به طور اختصار MLPگویند. این نوع شبکه ها دارای مشخصات زیر هستند:
١. پردازنده های شبکه به چند لایه مختلف تقسیم می شوند.
٢. حداقل تعداد لایه ها در این شبکه ها، ٢ است.
٣. پردازنده های هر لایه فقط مجاز به دریافت سیگنال از پردازنده های لایه قبل خود هستند و سیگنال خروجی این پردازنده نیز به پردازنده های بعدی اعمال می شود.
۴. در این شبکه ها به لایه اول، ورودی، به لایه آخر، خروجی و به لایه های میانی ، لایه های پنهان می گویند. ورودی های شبکه پارامتر های مؤثر در تعیینخروجی ها هستند. بنابراین تعداد گره های لایه ورودی و خروجی در حقیقت از همان آغاز استفاده از شبکه معلوم است. تعداد گره های لایهی پنهان و همچنین تعداد لایه های پنهان از طریق سعی و خطا بدست می آید. در حقیقت تعداد مناسب گره ها و لایه های پنهان، وقتی به دست می آید که شبکه بهترین جواب را ارائه دهد.(منافی،1385)
علت اصلی موفقیت این شبکه را بایستی در نوع الگوریتم یادگیری این شبکه جستجو کرد. الگوریتم مورد استفاده در آن ، الگوریتم پس انتشار خطا می باشد. این الگوریتم همواره به دنبال حداقل سازی مربعات خطا می باشد . این دقیقا شبیه تخمین ضرایب رگرسیون از روش OLS در آمار و اقتصاد سنجی می باشد . بنابراین هر شبکه عصبی از یک تابع خطایی همانند رابطه زیر پیروی می کند .
تابع خطا در شبکه MLP :
(1-1)
در این رابطه e بیانگر مقدار خطای مشاهده شده می باشد .
هنگام طراحی یک شبکه باید پارامترهای ساختار شبکه، نوع الگوریتم آموزش، نرخ یادگیری، تعداد لایه های شبکه و تعداد نرون ها در هر لایه، و تعداد تکرارها برای هر الگو در خلال آموزش را مد نظر داشت.(اعظمی،1388)
از آنجاییکه عمل پیش بینی در شبکه های عصبی از طریق یادگیری بر روی متغیرهای ورودی انجام می شود، از این رو متغیرهای ورودی یکی از موارد مهم در مدلسازی با استفاده از شبکه های عصبی و الگوریتم ژنتیک است. از آنجا که بهترین وضعیت برایشبکه های عصبی هنگامی است که تمام ورودیها وخروجی ها بین صفر و یک باشند لذا داده ها با استفاده از روش ساعتی نرمال شدند. بدین منظور با جمع آوری منابع داخلی و خارجی با استفاده از روش کتابخانه ای و مطالعه ادبیات تحقیق، چهار متغیر به عنوان متغیرهای ورودی مدل در نظر گرفته شدند:
متغیر های ورودی(مستقل) مورد استفاده در تحقیق
X
شناسه
متغیر
1
GP
قیمت جهانی طلا
2
OP
میانگین قیمت نفت ایران
3
USD
نرخ دولتی دلار آمریکا
4
S&P500
شاخص S&P500 آمریکا (نماد بورس جهانی)
مدل دارای یک متغیر خروجی (وابسته) است، و آن هم شاخص قیمت (TEPIX) خواهد بود. داده های روزانه کلیه متغیرهای فوق از تاریخ 06/01/1384لغایت 28/12/1389، مورد بررسی قرار می گیرد. لذا جامعه آماری بورس اوراق بهادار تهران و سال های 1384 لغایت 1389 به عنوان دوره زمانی تحقیق انتخاب شد.
1-6-3: الگوریتم ژنتیک
الگوریتم ژنتیک الهام گرفته از طبیعت است و تکامل طبیعت با فرضیه داروین، اساس شکل گیری آن می باشد که درآن بهترین ها حق بقا دارند.الگوریتم ژنتیک توسط جان هالند متخصص علوم کامپیوتر دانشگاه میشیگان در سال1962 ارائه شد. هالند با ارائهی رساله ای با عنوان« تطابق در طبیعت و سیستمهای مصنوعی» به معرفی مفاهیم اصلی GA شامل عملگرهای سه گانهی انتخاب، آمیزش و جهش که در مورد سیستمهای مصنوعی به کار میروند و همچنین مبانی ریاضی الگوریتم ژنتیک پرداخت.(شهابیان و همکاران،1387)
از این الگوریتم، درحل مسائل بهینه سازی پیچیده که نمی توان برای آن قوانین خاصی در نظر گرفت استفاده می شود. برای حل یک مسئله با استفاده از این روش ابتدا باید پاسخهای فرضی مسئله را به صورت خاصی نمایش داد که برای ادامه کار و ارزیابی پاسخها مشکلی ایجاد نگردد. روشهای متعددی برای نم
ایش و کدگذاری وجود دارد که از مهمترین و معمولترین آنها روش دودویی و نمایش اعشاری شناور می باشد.(ستایش و همکاران، 1388)
در آغاز، جمعیت اولیه که جواب ها را نشان می دهند به صورت تصادفی انتخاب می گردد. هر یک از اعضای این جمعیت که کروموزم نامیده می شود یکی از پاسخ های مسئله می باشد. هر یک از این کروموزم ها از رشته ای از اعداد با طول برابر انتخاب می گردد که هر یک از این اعداد ژن نام دارد. الگوریتم ژنتیک بر اساس تکرار عمل می کند که به جمعیت در هر مرحله ، نسل گفته میشود. هریک از اعضای این نسل بر اساس تابع ارزش ، ارزیابی می شوند. در این الگوریتم ها نسل جدید سعی دارد که ارزش بیشتری از تابع ارزش را به خود اختصاص دهد و با این عملکرد به تابع هدف نزدیک تر گردد. در هر مرحله از تکرار، هر یک از کروموزم ها با احتمال خاصی با یکدیگر عمل تقاطعی انجام می دهند یا به اصطلاح مزدوج می شوند که پیامد آن یک یا چند کروموزم جدید به نام فرزند می باشد.
در این فرزندان ممکن است طبق احتمال خاصی عمل جهش ژنی اتفاق افتد، به این صورت که مقدار یک یا چند ژن از کروموزم تغییر کند. در مرحله آخر فرزندان طبق تابع ارزش، ارزیابی شده و بر اساس ارزش آنها و ارزش والدین یعنی نسل اولیه که این فرزندان را تولید کرده اند نسل جدید تولید خواهد شد. این مراحل تا جایی تکرار میشود که نسل حاضر به جواب بهینه یا یکی از زیر جوابهای بهینه همگرا گردد.(ایبن و اسمیت،2003)
1-6-3-1: استخراج قانون از شبکهی عصبی با استفاده از الگوریتم ژنتیک
عیب مهم و اساسیشبکه های عصبی مصنوعی، عدم توانایی در توضیح و تفسیر است.(اندرسون و همکاران،1996) اگر چه شبکه های عصبی در بسیاری از کاربردهای خود، موفقیت آمیز بوده است، اما دانش مربوطه در توابع انتقال و وزن های نرون ها مخفی می شوند.(بولوگنا،2004) به هرحال آنها مشابه جعبه های سیاه ممتد هستند که فهم روش حل یک مسئله توسط شبکه های عصبی را دشوار کرده است.(مانتاس و همکاران،2006) بنابراین اطلاعاتی که توسط شبکهی عصبی برای دست یابی به پاسخ، بکار گرفته شده است، برای کاربران شفاف نیست و ممکن است در برخی موارد مسئله ساز شود(هوانگ و ژینگ،2002).
برای حل این مسئله، محققان مایل بودند که یک تکنیک ملموس و قابل فهم برای شبکه های عصبی ایجاد نمایند.آنها اعتقاد داشتند این هدف می تواند با استخراج قانون تولید شده از شبکه های عصبی بدست آید(هوانگ و ژانگ،2002).
از یک دیدگاه می توان تکنیک های استخراج قانون را به سه دسته تقسیم کرد: تجزیه ای، مبتنی بر آموزش و منتخبان. روش تجزیه ای فعالیت و وزن های لایهی پنهان را تجزیه و تحلیل می کند؛ در مقابل، روش مبتنی بر آموزش، شبکهی عصبی را به عنوان یک جعبهی سیاه در نظر گرفته و قوانین را با توجه به فعالیت ورودی و خروجی بدست می آورد. هدف این روش استخراج قوانین نمادین است به طوری که ارتباط بین ورودی و خروجی را با دقت بدست می آورد. در نهایت، روش منتخبان، از ترکیب اجزای دو روش فوق پیروی می کند(تیکل و همکاران،1997).
در تکنیک استخراج قانون از شبکه های عصبی با الگوریتم ژنتیک، از الگوریتم های مبتنی بر آموزش و منتخبان، بیشتر استفاده می شود.
1-6-4: روش ترکیبی تبدیل موجک- شبکه عصبی و ARIMA
1-6-4-1: تبدیل فوریه
همه جا در اطراف ما سیگنالهایی وجود دارند که باید تحلیل شوند. لرزش‌های زلزله، صحبت انسانها، نوسان موتورها، تصاویر پزشکی، داده‌های مالی، موزیک و بسیاری از انواع دیگر از سیگنالهایی هستند که باید به شکل مناسبی کدگذاری شوند، فشرده شوند، نویزهایشان تصفیه شوند، بازسازی شوند، بیان شوند، ساده شوند، متمایز شوند و یا محل یابی شوند. تحلیل موجک یک ابزار جدید و تکنیک مناسب برای این کارها می‌باشد.
تحلیل سیگنال هم اکنون مهمترین دوره مصرف خود را می‌گذراند و شاید یکی از شناخته‌شده‌ترینروش های تحلیل سیگنال تبدیل فوریه باشد. تبدیل فوریه یک سیگنال را به شکل موجهای سینوسی تشکیل‌دهنده‌اش در فرکانس‌های مختلف تجزیه می‌کند. نوعی دیگر نگرش به تبدیل فوریه این است که تبدیل فوریه را یک تکنیک ریاضی برای انتقال دید یا نگاه به سیگنال از حوزه زمان به حوزه فرکانس در نظر گرفت.

شکل 1-1: نمایش تبدیل فوریه
تحلیل فوریه دارای یک کاستی جدی می‌باشد. در انتقال یک سیگنال از حوزه زمان به حوزه فرکانس، اطلاعات حوزه زمان سیگنال از دست می‌رود. هنگام نگاه کردن به تبدیل فوریه یک سیگنال غیرممکن است که بتوان گفت درچه زمانی حوادث در سیگنال اتفاق افتاده است. این مسئله در یک سیگنال ایستامهم نیست (سیگنال ایستا به سیگنالی گفته می‌شود که در طی زمان تغییر زیادی نکند)، اما بسیاری از سیگنالهای مهم و موردتوجه شامل تعداد نامتناهی از سیگنالهای غیرایستا یا گذرا می‌باشد مانند پیشامدها، تغییرات ناگهانی، ابتدا و انتهای زمان رخ دادن حوادث و … . اینمشخصه‌ ها اغلب مهمترین قسمت سیگنال می‌باشند. اما متأسفانه تحلیل فوریه برای تشخیص آنها مناسب نیست.

1-6-4-2: تبدیل موجک
تحلیل موجک قادر به نمایش سیگنال به وسیله یک تکنیک پنجره‌بندی نواحی با سایزهای مختلف می‌باشد. تحلیل موجک امکان استفاده از پنجره‌های زمانی بزرگ را در هنگام نیاز به اطلاعات دقیق در فرکانس‌های پایین و پنجره‌های زمانی کوچکتر هنگامی که نیاز به اطلاعات فرکانس بالاست را مقدور می‌سازد. تحلیل موجک قابلیت آشکارسازی مفاهیم مختلف داده‌ها را دارد که تکنیک‌های دیگر تحلیل سیگنال آنها را از دست می‌دهند. مفاهیمی از قبیل تمایل، نقاط شکست، نشانه، نقاط انفصال و منشاء آنها و … را می‌توان با تحلیل موجک آشکارسازی نمود و این موضوع بدلیل نگاه متفاوت این روش به داده‌ها نسبت بهروش های قبلی می‌باشد. تحلیل موجک همچنین قادر به فشرده سازی و نویززدایی سیگنال بدون اینکه افت محسوسی در کیفیت سیگنال ایجاد کند می‌باشد.
آنالیز موجک قادر به تجزیهی سریهای زمانی، در مقیاسهای زمانی مختلف میباشد (این و همکاران، 2008)؛ به طوری که با تحلیلهای فرکانس زمانی، کاربردهای فراوانی را در مدلسازی سریهای زمانی اقتصادی و مالی فراهم آورده (جنسای و همکاران، 2002) و به صورت گسترده در سریهای زمانی غیر ایستا به کار بسته شده است (ناسون و ون ساچس، 1999). در آنالیز موجک، سیگنال به صورت ترکیب خطی از توابع موجک نشان داده میشود (سفتر و همکاران، 2007، 2008)، به طوری که. بر اساس طول دادهها، دو موج اصلی موجک ها وجود دارد: اولین موج، تبدیل موجک پیوسته (CWT)، که برای کار با سریهای زمانی تعریف شده بر روی محور حقیقی کامل طراحی شده است؛ موجک دوم، تبدیل موجک گسسته (DWT) میباشد که در جداسازی سری داده در اجزاء فرکانس متفاوت، به منظور آزمایش عمق سری داده مطالعه میشود (کونلون و همکاران، 2008). مراحل فیلتر کردن یک سیگنال در موجک ها بصورت شکل زیر میباشد:
شکل 1-2: مفهوم فیلتر شدن سیگنال توسط موجک‌ها
سیگنال اصلی S از دو فیلتر مکمل می‌گذرد و دو سیگنال از فیلتر‌ها خارج می‌شود. متأسفانه اگر این مراحل بر روی یک سیگنال حقیقی دیجیتال انجام شود با دوبرابر تعداد داده‌ای که با آن آغاز کردیم مواجه خواهیم شد. فرض کنید سیگنال اصلی S شامل 1000 نمونه داده باشد. آنگاه مقادیر تقریبی و جزئی هرکدام شامل 1000 نمونه خواهد بود و مقدار کلی نمونه‌ها 2000 عدد خواهد شد.
برای تصحیح این مسئله مفهوم نمونه‌برداری با نرخ پایین معرفی می‌شود شکل زیر این موضوع را نشان می‌دهد.
شکل 1-3: مفهوم نمونه برداری با نرخ پایین
در این تحقیق سری زمانی شاخص قیمت سهام با استفاده از موجک دبوچی تا سه مرحله تجزیه شد بطوریکه سری هموار شده ازسری توابع جزئیات جدا شد و سپس بر اساس روش ARIMA سری اصلی و سری توابع جزئیات با استفاده از شبکه عصبی پیش بینی شد.
1-7: ابعاد کلی تحقیق
1-7-1: روش تحقیق
تحقیق از نظر هدف (از نظر دلیل انجام): توصیفی- تحلیلی
فرآیند، روش جمع آوری و تحلیل دادهها: کمی
منطق استنتاج: استقرایی
تحقیق از نظر هدف(نتایج) : کاربردی
روش و ابزار گرآوری اطلاعات (جمع آوری داده ها): میدانی
روش و ابزار گرآوری اطلاعات (درمورد ادبیات تحقیق): کتابخانه ای
از آنجایی که در این تحقیق امکان دستکاری متغیرهای مستقل جهت مشاهده اثرات این تغییرات در متغیر وابسته برای محقق وجود ندارد، این نوع تحقیقات را میتوان در طبقه تحقیقات نیمه تجربی یا شبه تجربی قرار داد.
1-7-2: جامعه و نمونه آماری تحقیق
سری زمانیداده های روزانه شاخص قیمت بورس اوراق بهادار تهران از سال 1384 لغایت 1389 به عنوان جامعه آماری تحقیق انتخاب گردیده است. دادههای مزبور از سایت سازمان بورس و اوراق بهادار تهران استخراج گردیده است. همچنین متغیرهای مستقل استفاده در تحقیق که با توجه به مطالعات صورت گرفته در این زمینه به شرح زیر انتخاب گردید:
قیمت جهانی طلا (GP)، میانگین قیمت نفت ایران (OP)، نرخ دولتی دلار آمریکا (USD) و شاخص S&P500 بورس آمریکا به عنوان نماد بورس جهانی برای دوره مورد مطالعه انتخاب گردید.
1-7-3: جنبهی نوآوری تحقیق
تحقیقی با چنین محتوا و عنوانی تا به حال در ایران به انجام نرسیده است.
این تحقیق کمک میکند تا دریچه جدیدی از اطلاعات مورد نیاز، جهت رسیدن به اهداف اقتصادی که همان تخصیص بهینه منابع است، باز شود، تا عوامل درگیر و تصمیم گیران حول این مقوله با بکارگیری تکنیکهای کارا و مناسب و ترکیب دو تکنیک خطی و غیر خطی بتوانند تصمیمات خویش را با دقت و اطمینان بیشتری اخذ نمایند.
همچنین معرفی روشی جدید برای پیش بینی شاخص های بازارهای مالی برای اولین در مطالعات و پژوهش های کاربردی و دانشگاهی می باشد.
1-8: ساختار کلی تحقیق
در فصل اول کلیات تحقیق ارائه شد. تشریح و بیان موضوع تحقیق، ضرورت انجام و اهداف تحقیق

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *