.
.
.
۲-۴) شبکه های عصبی با چندین لایه و چندین نرون
[۱۰۹]: وزن ارتباطی بین لایهی ورودی و لایه پنهان اول
[۱۱۰]: وزن ارتباطی بین لایهی پنهان اول و دوم
۲-۱۳-۶) الگوریتم پسانتشار خطا[۱۱۱]
شبکه پسانتشار، که به اختصار آن را با BP نمایش میدهیم، یک شبکه چند لایه با تابع انتقال غیرخطی و قاعده یادگیری Widrow-Hoff میباشد. از بردار ورودی و هدف در راستای آموزش این نوع شبکه، برای تقریب زدن یک تابع، یافتن رابطه بین ورودی و خروجی و دستهبندی ورودی ها استفاده میگردد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
یک شبکه پسانتشار با دارا بودن بایاس، یک لایه sigmoid و یک لایهی خروجی در تخمین توابع خطی بسیار توانمند میباشد.
BPاستاندارد یک الگوریتم کاهش شیب[۱۱۲] است که در آن وزنهای شبکه در جهت خلاف شیب تابع کارآیی[۱۱۳] حرکت می کنند. لغت پسانتشار به رفتار شبکه در محاسبهی شیب در شبکه های غیرخطی چند لایه اشاره دارد. الگوریتمهای مختلفی وجود دارند که بر مبنای این الگوریتم استاندارد عمل می کنند.
از جمله این الگوریتمها می توان به الگوریتمهای گرادیان توأم[۱۱۴]، روشهای شبه نیوتن[۱۱۵] و الگوریتم L-M اشاره نمود. نرخ یادگیری[۱۱۶] در الگوریتم پسانتشار خطا اهمیت بالایی را داراست، زیرا نرخ یادگیری میزان تغییر در وزنها را مشخص می کند. افزایش نرخ یادگیری منجر به افزایش هر گام اصلاحی و در نتیجه بیثباتی آموزش و کاهش آن منجر به افزایش زمان برای همگرایی میگردد.
۲-۱۳-۷) معماری شبکه های پسانتشار
یکی از مرسومترین معماریهای شبکه های BP، شبکه های چند لایه پیشخور میباشند[۱۱۷] که به منظور تخمین مدل، طبقه بندی و مدلسازی به طور گسترده مورد استفاده قرار میگیرد.[۴۶]
شبکه های پیشخور اغلب دارای یک یا چند لایهی پنهان از نرونهای sigmoid بوده و در لایهی خروجی خود از تابع فعال سازی خطی[۱۱۸] استفاده می کنند.
شبکه پیشخور (ff) را میتوان به صورت بیان نمود به طوری که I میزان نرونها در لایهی ورودی و H میزان نرونها در لایهی پنهان و O میزان نرونها در لایهی خروجی را نشان میدهد. شکل زیر یک شبکه پیشخور را به نمایش میکشد.
لایه خروجی
ورودی
P
لایه پنهان
شکل ۲-۵) شبکه عصبی پیشخور با تابع فعال سازی تانژانت هیپربولیک
۲-۱۳-۸) طراحی شبکهی عصبی [۴۵]
شبکه عصبی پیشخور یکی از متداول ترین شبکه ها در پیش بینی سریهای زمانی است، که برای طراحی آن معمولاً مراحل زیر طی میگردد:
انتخاب متغیر:
درک روشن از مسائل، سرآغاز طراحی شبکه عصبی است و دانستن این امر، که کدام متغیر ورودی در بازار، میبایست مورد پیش بینی قرار بگیرد بسیار حائز میباشد. در عمل انتخاب متغیرهای ورودی کار سادهای نیست و محققین مالی میبایست برای انتخاب متغیرهای ورودی، از میان متغیرهای بنیادی[۱۱۹] و تکنیکی[۱۲۰] از یک یا چند بازار تصمیم گیری نمایند.
متغیر تکنیکی دربرگیرنده وقفههای زمانی متغیر وابسته و یا شاخص های محاسبه از این وقفهها است و متغیرهای بنیادی، عوامل اقتصادی تاثیرگذار بر متغیر وابسته را شامل میشوند.
