پایان نامه ارشد درباره شبکه های عصبی، شبکه عصبی، شبکه های عصبی مصنوعی

دانلود پایان نامه ارشد

10 درصد افزایش داد. آلتمن (1994)، تام و کیونگ77 (1992) از شبکه های عصبی در خصوص ارزیابی اعتبار شرکتها استفاده کرده اند.
پيشرفت واقعي در شبكه‌هاي عصبي در دهه 70 اتفاق افتاد. در سال 1972 تئوري كوهونن78 و جيمز اندرسون79 مستقل از هم، شبكه‌هاي جديدي كه قادر بودند مثل عناصر ذخيره ساز عمل كنند معرفي كردند. در دهه 80 با رشد تكنولوژي ميكروپروسسورها، تحقيقات روي شبكه‌هاي عصبي فزوني يافت. شبكه‌هاي برگشتي80 و الگوريتم پس از انتشار خطا81 نتايج اين تحقيقات بودند.
تحقيقات روي شبكه‌هاي عصبي چند لايه پيشخور، به كارهاي اوليه فرانك 1959 شبكه عصبي پرسپترون تك لايه، با تابع محرك دو مقداره حدي غير خطي و قانون SLPR بر مي‌گردد.
شبكه‌هاي تك لايه از اين مشكل اساسي برخوردارند كه تنها توانايي حل آن دسته از مسائل طبقه بندي را دارند كه به طور خطي از هم مستقلند. هم روزنبلات و هم ويدرو از اين امر واقف بودند و شبكه‌هاي چند لايه را پيشنهاد كرده بودند. هر چند استفاده از عبارت پس انتشار عملاً پس از 1985 متداول گشت، ليكن نخستين توصيف الگوريتم BP توسط پاول وربز82 در سال 1974 در رساله دكترايش مطرح شد. در اين رساله، الگوريتم BP تحت عنوان شبكه‌هاي عمومي ارائه شد. اين الگوريتم در دنياي شبكه‌هاي عصبي ظاهر نشد تا اينكه در اواسط دهه 80 الگوريتم BP‌ دوباره كشف و به طور وسيعي مطرح شد. اين الگوريتم به طور مستقل توسط ديويد راملهارت83 ، جفري هينتون 84 و رونالد ويليامز85 در سال 1986، ديويد پاركر و يان لي چون در سال 1985 دوباره مطرح و در دنياي شبكه عصبي معروف گرديد.
یک سیستم عصبی مصنوعی در حقیقت، فرآیند یادگیری انسانی را شبیه سازی می کند و می کوشد تا کارکرد مغز انسان را به عنوان شبکه ای از نرون های متصل به هم در فرآیند تصمیم گیری تقلید کند. نرون ها، کوچکترین واحدهای محاسب و تصمیم گیری در شبکه های عصبی هستند. در هریک از نرون ها یک معادله ی تبدیل تعریف شده است. معادله تعریف شده در هریک از نرون ها می تواند یک مدل اقتصادسنجی یا هر مدل ریاضی دیگر مثل توابع سیگموئیدی باشند. در هریک از نرون ها با استفاده از این معادله سعی می شود که وزن هریک از متغیرها تعیین شود، به گونه ای که ارتباط معنی داری بین بردار داده ها و بردار ستاده ها (نتایج) برقرار کند. به گونه ای معمول تعیین ضرایب در هریک از نرون ها به صورت آزمون و خطا می باشد. بدین ترتیب که ابتدا وزن های کوچک به هریک از متغیرها ارائه می شود و سپس با استفاده از الگوریتم بازخورد خطاها، ضرایب تعدیل میشوند. این کار تا زمانی ادامه می یابد که خطاها به حداقل ممکن تعیین شده از سوی پژوهشگر برسد. بنابراین فرآیند تصمیم گیری در شبکه های عصبی مصنوعی به روش آزمون و خطا میباشد.(لوپز86،1999، 13)
به عبارت دیگر سیستم شبکه ی عصبی مصنوعی با تقلید از سیستم عصبی انسان می کوشد که ارتباط بین داده ها (نسبتهای مالی، روند اقتصادی، کیفیت مدیریت و….) و ستاده ها (وضعیت اعتباری وام گیرنده) را از راه تکرار نمونه برداری از مجموعه ی داده های گذشته داده / ستاده یاد گیرد. یک شبکه عصبی بر اساس سه ویژگی داده های ورودی، وزن ها و لایه های پنهان مشخص می شود (ساندرز و آلن،2002، 12). برای ایجاد شبکه های عصبی چندین روش وجود دارد که شبکه عصبی پرسپترون، بویژه پرسپترون چند لایه87، در زمره ی کاربردی ترین شبکه های عصبی مصنوعی میباشند. این شبکه ها می توانند با گزینش شماره لایه ها و سلول های عصبی (نرون ها)، که اغلب زیاد نیستند، یک نگاشت غیر خطی را با دقت دلخواه انجام دهد. همچنین این روش به عنوان ” طبقه بند جامع88 ” شناخته می شود به این دلیل که از لحاظ تئوریکی قادر به طبقه بندی هر فرآیند تصمیم گیری است.
سایر روشها در شبکه های عصبی عبارتند از تابع اصل محوری89، نقشه های خود سازمان90 و شبکه های کوهنی91. (اندرسون،2007، 174)
شبکه های عصبی با توانایی قابل توجه آن در استنتاج نتایج از داده های پیچیده می توانند در استخراج الگوها و شناسایی گرایش های مختلفی که برای انسانها و کامپیوتر شناسایی آنها بسیار دشوار است، استفاده شوند. از مزایای شبکه های عصبی می توان موارد زیر را نام برد :
یادگیری تطبیقی : توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نورون ها با قاعده یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.
عملگرهای بی درنگ : محاسبات در شبکه عصبی می تواند به صورت موازی و بوسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت شبکه های عصبی مصنوعی است انجام شود.
تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارآیی کاهش می یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می شود.
دسته بندی : شبکه های عصبی قادر به دسته بندی ورودی ها برای دریافت خروجی مناسب می باشند.
تعمیم دهی : این خاصیت شبکه را قادر می سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را بدست آورده، نتایج این آموخته ها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیت ها و روابط را به خاطر بسپارد.
پایداری – انعطاف پذیری : یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی میتواند موارد جدید را بپذیرد.(نوری بروجردی،اسگندری،1388، 6)
شبکه عصبی در شرایطی بکار می رود که ساختار مسائل روشن نیست و باید نوعی روند- شناسی یا بازشناسی الگو صورت گیرد. مدیران مؤسسات مالی، نهادهای مالی در عمل با بسیاری از این شرایط مواجه اند.
شبکه عصبی از دیگر روشهای طبقه بندی نمونه به شمار می آید که در آن، فرض خطی بودن روابط میان متغیرها الزامی نمی باشد. استقلال متغیرهای توضیحی حذف شده است و در آن روابط پنهان بین متغیرهای توضیحی به عنوان یک متغیر اضافی وارد تابع می شود. در مورد شرکتها که اطلاعات کمتری نسبت به شخصیتهای حقیقی دارند بیشتر بکار رفته است. برای شناخت الگوهایی که در داده ها وجود دارند بسیار مفید هستند، خصوصاً در مواقعی که نوع رابطه بین هدف (به عنوان مثال ارزیابی وضعیت اعتباری) و متغیرهای ورودی (مثلا ویژگی های جمعیتی) نامشخص و یا پیچیده باشد.
شبکه های عصبی روش محاسبه ای متفاوت با روشهای متداول می باشند. محاسباتی که با روشهای معمولی انجام می شود از نوع برنامه ریزی شده است و در آنها الگوریتم ها و مجموعه هایی از قواعد به کار می روند تا مسأله را حل کنند. در این روشها اگر الگوریتمی در دست نباشد یا الگوریتم پیچیده باشد، راه حلی برای مسأله وجود نخواهد داشت. اما در محاسباتی که شبکه عصبی اجرا میکند به الگوریتم و مجموعه قواعد نیاز نیست.
تحقیقات به عمل آمده ثابت نموده که شبکه های عصبی نسبت به روشهای قبل از خود در ارزیابی نمودن اعتبار مشتریان از صحت بیشتری برخوردار بوده اند و این متد قابلیت ترکیب با سایر متدها را دارد و تأیید شده که ترکیب آن با سایر متدها بیشترین صحت را بدنبال داشته است.
علیرغم برتری روشهای شبکه های عصبی، انتقاداتی نیز بر آن وارد می باشد.
وقتي روابط بين متغيرها غير خطي باشد يكي از مناسبترين ابزارها، شبكه عصبي است. اما علیرغم برتری روشهای شبكه‌هاي عصبي، این روش محدوديت‌هایي نیز دارد كه به كارگيري آن را محدود مي‌كند.
1ـ دسته بندي دودويي (باينر): داده‌هاي ورودي به راحتي مي‌تواند به صورت (1 و 0) ارائه گردند. اما دسته بندي داده‌هاي چند كلاسه به طور نامناسبي صورت مي‌گيرد. مثلا دسته بندي وضعيت اقامت (دوران سكونت) در50 ايالت امريكا در درخت تصميم گيري به طور طبيعي صورت مي‌پذيرد. اما در شبكه عصبي اين كار مشكل است.
2ـ شبكه عصبي يك مدل قابل درك نيست. شبكه عصبي بيشتر “جعبه سياه” است و توضيح چرايي نتايج مشكل و يا غير ممكن است.
3ـ همراه با به كارگيري شبكه عصبي در سيستم كامپيوتر، شركت‌ها و سازمان‌ها نياز به مفسران يا خبرگان ماهر دارند.
4ـ براي افراد غيرفني توضيح و توجيه چگونگي تعميم خيلي مشكل است.
زيريلي92 بزرگترين چالش به كار گيري شبكه‌هاي عصبي در امور مالي را چنين توصيف مي‌كند:
بزرگترين چالش در به كارگيري شبكه‌هاي عصبي در مسائل مالي خود شبكه نيست بلكه شيوه تبديل و فرآورش داده‌هاي ورودي جهت ارائه به شبكه و شيوه تفسير نتايج خروجي شبكه است.
5ـ یکی دیگر از این محدودیتها، می توان به مشکل بودن فرآیند آموزش در آن اشاره کرد که تا حد زیادی کاربرد آن را محدود نموده است.(زیریلی،1997، 20)
با توجه به دو ويژگي اساسي شبكه هاي عصبي يعني يادگيري يا نگاشت پذيري براساس ارائه داده‌هاي تجربي و ساختار پذيري موازي، اين شبكه‌ها در مسائل گوناگون مديريتي كاربردهاي مختلفي پيدا كرده‌اند

ماو و مهي‌الدين93 كاربردهاي شبكه‌هاي عصبي را به شرح زير بر مي‌شمارند.
1ـ دسته بندي الگو94 : وظيفه دسته بندي الگو براي تخصيص يك الگو از داده‌ها به يكي از دسته‌هاي از پيش تعيين شده، به وسيله بردار ويژگي است. يكي از كاربردهاي آن رتبه بندي اوراق قرضه است.
2ـ خوشه يابي95 : در خوشه يابي دسته‌هاي شناخته شده براي داده‌هاي آموزشي وجود ندارد. در حقيقت طبقه بندي الگو بدون سرپرستي است. يك الگوريتم خوشه‌يابي، تشابه بين الگوها را كشف مي‌كند و الگوهاي مشابه را در يك خوشه قرار مي‌دهد. اين كار در استخراج داده‌ها و داده كاوي كاربردهاي زيادي دارد.
3ـ تخمين تابع96 : فرض مي‌كنيم در يك مجموعه، n الگوي آموزشي از زوج‌هاي مرتب (ورودي و خروجي) از يك تابع ناشناخته (همراه با پارازيت) وجود داشته باشد. وظيفه تخمين تابع، يافتن يك تخمين از تابع ناشناخته است. يك مثال مديريتي مي‌تواند تخمين يك تابع غير خطي ناشناخته كه رابطه بين نارضايتي كاركنان به عنوان ورودي و ميزان توليد به عنوان خروجي باشد.
4ـ پيش بيني97 : با وجود يك مجموعه n عنصري y(+1), y(+2),…y(tn) در يك توالي زماني t1, t2, … tn وظيفه شبكه پيش بيني نمونه y(tn+1) در برخي از شرايط tn+1‌ است. پيش بيني بازار سهام، ورشكستگي شركت‌ها و… نمونه‌هايي از كاربرد شبكه‌ها و پيش بيني مسائل مديريتي است.
5ـ بهينه سازي : هدف يك مساله بهينه سازي، يافتن راه حلي است كه ضمن صدق در يك مجموعه از محدوديت‌ها، تابع هدف را نيز حداكثر يا حداقل نمايد. به عنوان نمونه، مساله فروشنده دوره گرد يك مساله بهينه سازي است. شبكه‌هاي عصبي مي‌توانند با مدل‌هاي بهينه سازي پاسخ‌هاي مناسبي را براي اين مسئله بدست آورند.
6ـ حافظه انجمن98 : در حافظه انجمن يا حافظه آدرس‌دهي محتوايي مي‌توان به وسيله محتواي داده‌ها به آنها دسترسي پيدا كرد. محتواي موجود در حافظه مي‌تواند حتي با يك ورودي ناقص يا محتواي به هم ريخته بازخواني شود. در حالي كه در مدل‌هاي محاسباتي كامپيوتري يك داده موجود در حافظه فقط از طريق آدرس آن قابل دسترسي است. اگر در محاسبه آدرس اشتباهي رخ دهد ممكن است يك مورد كاملاً متفاوتي بازخواني شود.مدير مي‌تواند با استفاده از اين كاربرد، اطلاعات مربوط به امور مورد نظر را با در دست داشتن اطلاعات مختصري در مورد آن موضوع در اختيار گيرد.
7ـ كنترل99 : هدف در يك مدل كنترل، ايجاد ورودي كنترل به نحوي است كه سيستم مسير مطلوبي را كه توسط مدل مرجع تعيين شده است را دنبال كند. زمانبندي مشاغل، ماشين‌ها و ساير منابع در سيستم‌هاي ساخت منعطف، اهميت بالايي دارد.

شبكه عصبي در اكثر موارد مي‌تواند بهترين قاعده را براي انجام بهينه فعاليت‌ها پيدا كند. دلوين100 و همكاران كاربرد شبكه‌هاي عصبي در امور مالي را به این صورت بيان مي‌كنند :
الف ـ شبيه سازي مالي

پایان نامه
Previous Entries پایان نامه ارشد درباره اعتبارسنجی، شبکه های عصبی، صورتهای مالی Next Entries پایان نامه ارشد درباره درخت تصمیم، درخت تصمیم گیری، شبکه های عصبی