انواع توابع تبدیل،پایان نامه درباره پیش بینی میزان سپرده

   انواع توابع تبدیل

تابع تبدیل  می­تواند خطی یا غیر­خطی باشد. تابع تبدیل بر اساس نیاز خاص حل مسأله مورد­نظر، یعنی مسأله که قرار است به وسیله شبکه عصبی حل شود، انتخاب می­گردد . معمولاً تعداد معدودی از این نوع توابع مورد استفاده قرار می­گیرند که در جدول 2-1 آورده شده­اند.

جدول (2-1) انواع توابع تبدیل

ردیف نام تعریف تابع علائم قراردادی
1 آستانه­ای دو مقداره  

 

sign
2 آستانه­ای دو مقداره متقارن  

 

ssign
3 خطی   Lin
4 آستانه­ای خطی  

 

 

Satl
5 آستانه­ای خطی متقارن  

 

 

Ssatl

 

6 زیگموئیدی   Sig
7 تانژرانت هیپربولیکی   Ssign
8 خطی مثبت  

 

Post

1.1.2     انواع شبکه ­های عصبی

بر­اساس چگونگی اتصال گره­ها در معماری شبکه به یکدیگر، شبکه­های عصبی به انواع زیر تقسیم         می­شوند (احمدی، 2006).

الف) شبکه ­های عصبی پیش خور

گره­ها در این نوع شبکه در لایه­های متوالی قرار­گرفته­اند و ارتباط یک طرفه است و زمانی که یک الگوی ورودی به شبکه اعمال می­شود اولین لایه مقدار خروجی­اش را محاسبه کرده و در اختیار لایه بعدی قرار   می­دهد. لایه بعدی این مقادیر را به عنوان ورودی دریافت کرده و مقادیر خروجی­اش را به لایه بعدی منتقل می­کند و هر گروه فقط به گره­های لایه بعد سیگنال منتقل می­کند. شبکه پروسپترون چند لایه جزو این نوع شبکه­ها می­باشند.

ب) شبکه­های عصبی پس خور

شبکه­های عصبی پس­خور از توانایی بالقوه بیشتری نسبت به شبکه­های پیش­خور برخوردارند و بهتر       می­توانند رفتار مربوط به ویژگی­های زمانی سیستم­ها را نشان می­دهند. در این نوع شبکه­ها گره­های لایه­های بالاتر به گره­های لایه­های پایین­تر سیگنال منتقل می­کنند (احمدی،2006).

1.1.2.1  شبکه عصبی پروسپترون چند لایه[1]

مدل شبکه عصبی که در این پژوهش استفاده می­شود، براساس مطالعات بعمل آمده، شبکه­های عصبی پروسپترون یکی از مناسب­ترین مدل­های شبکه عصبی مصنوعی پیشخور جهت پیش­بینی سری­های زمانی است. در ادامه مفاهیم و اصول اولیه این مدل بیان می­شود.

شبکه­های عصبی پروسپترون از جمله پرکاربردترین و معروف­ترین مدل­های شبکه­ای عصبی مصنوعی است.    این شبکه معمولا بصورت چند لایه بکار می­رود و اغلب برای نگاشت[2] غیر­خطی استفاده می­شود. در لایه اول اطلاعات ورودی به لایه ورودی سیستم تغذیه می­شوند. در لایه خروجی، خروجی شبکه محاسبه می­شود. لایه­های بین لایه ورودی و لایه خروجی لایه­های مخفی[3] نامیده می­شوند که پردازش داده­ها در آنها صورت می­گیرد. علت اینکه به این شبکه­ها پیش­رونده گفته می­شود این است که خروجی هر لایه به عنوان ورودی لایه بعد در نظر گرفته می­شود. یکی از خصوصیات این شبکه اینست که قاعده یادگیری با تکرار بدست     می­آید و مقادیر اولیه وزن­ها و سایر پارامتر­ها در ابتدا بصورت تصادفی انتخاب می­شوند و به مرور و در طی مراحل مختلف آموزش مقادیر آنها تغییر می­کند تا نهایتاً به مقدار ثابتی برسد.

به نظر می­رسد که تعداد درجات آزادی (مثلا تعداد ورودی ها، خروجی ها و نرون­های هر لایه) برای طراحی یک شبکه چند لایه پیشخور زیاد باشد ولی باید توجه داشت که تعداد ورودی­های شبکه و تعداد خروجی­های شبکه بر اساس مساله خاصی که شبکه قرار است حل کند بدست می­آیند. به عبارت دیگر این پارامتر جزء پارامترهای آزاد طراح نیستند بلکه انتخاب آنها به مساله در حال بررسی بستگی دارد. علاوه بر این ویژگی های خروجی مطلوب شبکه در انتخاب نوع تابع محرک هر لایه تاثیر دارد.

پس از تعیین آرایش شبکه، می­توان آموزش شبکه را آغاز نمود. آموزش شبکه­های عصبی به عنوان یک مساله بهینه­سازی غیر­خطی شناخته شده است که هدف آن تعیین پارامترهای شبکه یعنی ماتریس­های وزن و بردارهای بایاس هر لایه است. پارامترهای شبکه طوری تعیین می­شود که اندیس عملکرد شبکه که معمولا میانگین مربعات خطای پیش­بینی حاصل از داده­های آموزشی است کمینه گردد. روش یادگیری بکار رفته در این شبکه روش پس انتشار خطا است. قانون پس انتشار خطا از دو مسیر اصلی تشکیل شده است. در مسیر اول که مسیر رفت است داده­های ورودی به شبکه اعمال می­شوند و سپس در مقادیر اولیه وزن­های بین  لایه­ها ضرب شده و پس از انجام عملیات ریاضی که در هر لایه و در هر سلول انجام می­شود. نهایتا برداری بعنوان خروجی در لایه آخر شبکه تولید می­شود. این خروجی در واقع پاسخ شبکه به ورودی داده شده به آن است. در این مرحله همه وزن­های ارتباطی لایه­ها و پارامترهای سلولها ثابت است و تغییری نمی­کند. در مسیر دوم که مسیر برگشت نامیده می­شود خطا در خروجی محاسبه می­شود و به شبکه بازگشت داده می­شود. در حین بازگشت خطا و در واقع در مسیر برگشت، مقادیر پارامتر­ها و وزنها تغییر می­کنند. از آنجا که آموزش بصورت با ناظر انجام می­گردد، خروجی مطلوب موجود است. با استفاده از تفاوت بین خروجی مطلوب و خروجی شبکه، خطا محاسبه شده و به شبکه برگشت داده می­شود.

[1] -Multi Layer Perceptron(MLP)

[2] – Mapping

[3] -Hidden Layer