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 بهره گیری 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 تبیین داده می گردد .

2-7-1-10- شبکه عصبی چندلایه پیش‌خور و الگوریتم یادگیری پس از انتشار خطا

معماری این شبکه عصبی دارای سه جزء متفاوت به تبیین زیر می‌باشد:

لایه ورودی: لایه‌ای که در آن الگوهای ورودی بکار می‌رود .

لایه خروجی: لایه‌ای که از آن پاسخ خروجی دریافت می گردد .

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 می باشد . دایره‌ها نشانگر نرون ها و جهت‌نماها نشانگر مسیرهای ارتباطی بین آن‌ها می باشد . همچنین هر جهت‌نما به همراه وزن‌ها سیناپسی می‌باشد .

هر نرون خروجی‌هایش را بر مبنای اندازه تحرک ورودی دریافت شده محاسبه می‌نماید . برای یک الگوی ورودی شبکه  یک خروجی (یا مجموعه‌ای از مجموعه‌ها) ایجاد می کند . سپس این شبکه بر اساس الگوریتم یادگیری خود این خروجی با مقدار مطلوب آن شبکه مقایسه می گردد . برای مسائل طبقه‌بندی مقدار مطلوب صفر و یک می‌باشد درحالی‌که برای مسائل پیش‌بینی این مقدار پیوسته می باشد . وزن‌های شبکه برای صحیح شدن یا کاهش خطا اصلاح می شوند و الگوی بعدی نمایان می گردد . اصلاح وزن‌ها به‌گونه مداوم در این سیاق تا زمانی که کل خطاها از سطح تلورانس از پیش تعیین‌شده کمتر گردد ادامه می‌یابد . این الگوریتم  به یادگیری پس از انتشار خطا معروف می باشد . (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 می باشد 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 گردید و بعدها توسط رامل هارت به‌گونه مستقل کشف گردید . این الگوریتم از زمان پیدایش به‌گونه گسترده یک الگوریتم آموزش  در شبکه‌های عصبی پیش‌خور مورداستفاده قرارگرفته می باشد . الگوریتم پس از انتشار خطابه شبکه عصبی چندلایه پنهان اعمال‌شده می باشد. بر اساس این الگوریتم ، شبکه، برنامه و طرح ارتباطی توزیع یافته بین لایه‌های خروجی و ورودی را یاد می‌گیرد . آن چیز که این مدل را از مدل‌های دیگر مجزا می‌سازد فرآیندی می باشد که به‌وسیله آن وزن‌ها در طول فاز آموزش شبکه محاسبه می گردد عموماً مشکل در شبکه چندلایه محاسبه مؤثر وزن‌ها در لایه‌های پنهانی می باشد به‌طوری‌که خطای خروجی به حداقل برسد . هرقدر تعداد لایه‌های پنهان بیشتر باشد معضلات بیشتر خواهد بود زیرا برای تنظیم وزن‌ها بایستی خطا را محاسبه نماییم . در لایه خروجی این خطا به‌آسانی قابل‌محاسبه می باشد و آن‌هم از تفاوت بین خروجی‌های واقعی و خروجی‌های مطلوب تعیین می گردد اما در لایه پنهانی نظاره مستقیم خطا غیرممکن می باشد درنتیجه تکنیک‌های دیگر برای محاسبه خطا در لایه‌های پنهانی لازم می باشد تا خروجی را به حداقل برساند که هدف نهایی همان  می‌باشد.

الگوریتم آموزش پس از انتشار یک ابزار ریاضی می باشد که در آن ، اجرای معادلات آموزش بر اساس فرآیندهای تکراری می باشد و پس به سهولت بر روی رایانه‌ها قابل‌اجرا می باشد . در طول فاز آموزش شبکه ، یک جفت از الگوهای(T,K) به شبکه ارائه خواهد گردید که در اینجا K  یک الگوی ورودی و T یک خروجی مطلوب می باشد و الگوی X در نرون هر لایه ، یک خروجی ایجاد می کند 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 می باشد . این خطابه کمترین حد خود می‌رسد و در طول این فرآیند، مقادیر جدیدی برای وزن‌ها ایجاد می گردد . سرعت و دقت فرآیند آموزش(فرآیند تنظیم کردن وزن‌ها) وابسته به یک عامل می باشد که ضریب یادگیری نامیده می گردد(بختیاری،ماری، 1385)

سوالات یا اهداف پایان نامه :

 اهداف:

هدف اصلی:

    شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید

  • بهره گیری 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.

تعیین اهداف جذب منابع با رویکرد منطق فازی و شبکه‌ های عصبی در مؤسسات مالی و اعتباری

پایان نامه - تز - رشته حسابداری


پاسخ دهید