پایان نامه میزان انواع سپرده¬های بانک سامان بر اساس شاخص های خطای و ضریب تعیین


    شبکه ­های عصبی مصنوعی

شبکه­های عصبی مصنوعی پدیده­ای جدید هستند که در بسیاری از علوم و مهندسی استفاده می­شود. ساختار این شبکه­ها به صورتی است که از عملکرد سیستم اعصاب انسان تقلید می­کند و مشابه نرون­های عصبی انسان، داده­ها را دریافت، پردازش و منتقل می­کند. روش­های یادگیری و آموزشی که برای شبکه­های عصبی مصنوعی بکار می­رود بر اساس سیستم یادگیری و اعصاب انسان است و در واقع کاملترین الگو برای ابداع روش­های یادگیری انسان است. شبکه­های عصبی مصنوعی برای اولین بار در سال ۱۹۶۵ میلادی توسط محققین علوم طبیعی معرفی گردید. در مدل بیولوژیکی که توسط آنها ارایه شد در هر نرون محاسبات ریاضی انجام می­شود و در حین آموزش شبکه، مقادیر وزن­های ارتباطی یا پارامترهای محاسباتی تغییر می­کنند بصورتی که نهایتا شبکه عصبی بتواند عمل مورد نظر را بطور صحیح انجام دهد.

در ادامه ابتدا شبکه عصبی و به طور خاص شبکه عصبی پروسپترون چند لایه و کاربردهای آن و همچنین چگونگی آموزش آن تشریح می­شود.

۱٫۱٫۲    ساختار کلی شبکه­ های عصبی

در حالت کلی یک شبکه­عصبی ساختاری مشابه با شکل ۲-۳ دارد. در این شکل هر گره نماینده یک سلول عصبی مصنوعی است. اطلاعات از طریق گره­های لایه ورودی به شبکه وارد می­شود. این ورودی­ها از طریق رابط­ها به گره­های لایه­های پنهان منتقل شده و بعد از پردازش از طریق لایه­های مختلف از گره­های لایه خروجی خارج می­شوند. یک شبکه عصبی مصنوعی، مجموعه­ای از نرون­های[۱] به هم متصل در لایه­های مختلف است که اطلاعاتی را برای یکدیگر ارسال می­کنند. اولین لایه در سمت چپ در شکل لایه ورودی است و لایه آخر نیز لایه خروجی نامیده می­شود. داده­ها در لایه ورودی وارد می­شود.

تمام لایه­های شبکه عصبی به جزء لایه ورودی کار پردازش را انجام داده و در نهایت خروجی بدست می­آید.

شکل ۲-۳٫ ساختار شبکه های عصبی مصنوعی

لایه­های بین لایه ورودی و لایه خروجی را لایه­های میانی یا لایه­های پنهان می­نامند. ساده­ترین شکل شبکه فقط دو لایه دارد. لایه ورودی و لایه خروجی شبکه، شبیه یک سیستم ورودی خروجی عمل می­کنند و ارزش نرون­های ورودی را برای محاسبه ارزش نرون خروجی مورد استفاده قرار می­دهد. به طور کلی نقش نرون­ها در شبکه­های عصبی، پردازش اطلاعات است و این امر در شبکه­های عصبی مصنوعی به وسیله یک پردازشگر ریاضی که همان تابع فعال­سازی است انجام می­شود. تابع فعال­سازی می­تواند خطی یا غیر­خطی باشد. یک تابع فعال­سازی بر اساس نیاز خاص مسئله­ای که قرار است به وسیله شبکه عصبی حل شود، از سوی طراح انتخاب می­شود. برای مثال، زمانی که ارزش­های خروجی مسئله تنها صفر و یک است، دیگر استفاده از یک تابع فعال سازی خطی مناسب نیست و باید از توابع دیگری که بر اساس مقادی ورودی مختلف تنها مقادیر صفر و یک را نتیجه می­دهد مثل تابع آستانه­ای استفاده کرد.

نمونه­ای که در بالا به آن اشاره شد برای نرون یا نرون­های خروجی یک تابع فعال­سازی خطی را می­پذیرد. برای بهره­برداری واقعی از توانایی شبکه­های عصبی، باید از توابع فعال­سازی غیر­خطی استفاده کرد. تقریبا تمام شبکه­های عصبی در بخش­هایی از شبکه از توابع فعال­سازی غیر­خطی استفاده می­کنند (منهاج، ۲۰۰۸).

این مسئله اجازه می­دهد که شبکه الگوهای غیر­خطی مناسبی از مجموعه داده های پیچیده تولید کند. به صورت ایده­آل تابع فعال­سازی باید پیوسته مشتق پذیر و یکنواخت باشد زیرا این مسئله عمل پیدا کردن ضرایب مقتضی الگوریتم بهینه­یابی را تسهیل می­کند (منهاج، ۱۳۸۷).

[۱] -Neuron

لینک متن کامل این پایان نامه اینجا کلیک کنید – این پایان نامه اینجا کلیک کنید