فرمت فایل : word (قابل ویرایش) تعداد صفحات : 79 صفحه
مقدمه :
شبکه‌های عصبی مصنوعی (Artificial Neural Network - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپسها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلولها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیریاند. مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونه‌ای تغییر می‌کند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند.
توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‌ای از عناصر پردازش ساده (نورونها) است، که می‌تواند رفتار پیچیده کلی تعیین شدهای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسونها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفته‌است، که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل میدهد. در یک مدل شبکه عصبی، گرههای ساده (بطور گسترده نورون، نئورونها، "PE" ها (عناصر پردازش) یا واحدها) برای تشکیل شبکه‌ای از گرهها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح"شبکه‌های عصبی" اطلاق می‌شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد.
با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد.
این شبکه‌ها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدلهای ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
اگر یک شبکه را هم‌ارز با یک گراف بدانیم، فرآیند آموزش شبکه تعیین نمودن وزن هر یال و bias اولیه خواهد بود.
تاریخچه شبکه‌های عصبی مصنوعی
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند، و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند، که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیهسازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورونها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است. چنانچه حاصل جمع ورودیها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.
نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیهسازی شبکه‌های عصبی تاثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه می‌باشد، به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده‌است. این سیستم می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سیستم دیگر مدل خطی تطبیقی نورون می‌باشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.
در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیت‌های سیستمهای تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایهگذاری برای تحقیقات در زمینه شبیهسازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
فهرست
مقدمه ای بر شبکه‌های عصبی مصنوعی-------------------- 4
تاریخچه شبکه‌های عصبی مصنوعی---------------------- 5
شبکه عصبی چیست؟------------------------------- 6
شبکه عصبی چه قابلیتهائی دارد؟---------------------- 6
الهام از طبیعت------------------------ ---------- 7
شبکه های عصبی در مقایسه با کامپیوترهای سنتی :--------- 7
مسائل مناسب برای یادگیری شبکه های عصبی------------ 8
پرسپترون -------------------------------------9
الگوریتم یادگیری پرسپترون ---------------------------9
الگوریتم gradient descent--------------------------- 10
مشکلات روش gradient descent------------------- 10
تقریب افزایشی gradient descent------------------ 10
الگوریتم Back propagation-------------------- 11
قدرت نمایش توابع---------------------------------- 12
انواع آموزش شبکه----------------------------- 12
برخی زمینه های شبکه های عصبی--------------------------- 13
سبکهای معماری شبکه‌های عصبی -------------------------------------------------- 14
قواعد یادگیری در شبکه‌های عصبی ------------------------------------------------- 14
آموزش شبکه‌های عصبی -------------------------------------------------------- 15
آموزش unsupervised یا تطبیقی (Adaptive) -------------------------------------------- 16
تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستمهای خبره ------------------- 16
انواع یادگیری برای شبکه های عصبی----------------------------------------------- 18
یادگیری با ناظر--------------------------------------------------------- 18
یادگیری تشدیدی------------------------------------------------------ 18
یادگیری بدون ناظر------------------------------------------------------ 19
معایب شبکه های عصبی ------------------------------------------------------- 19
مزیتهای شبکه های عصبی------------------------------------------------------ 19
سیستم خبره --------------------------------------------------------------- 21
سیستم خبره چیست؟--------------------------------------------------- 21
ساختار یک سیستم خبره-------------------------------------------------- 22
استفاده از منطق فازی --------------------------------------------------- 23
مزایا و محدودیت‌های سیستمهای خبره --------------------------------------- 24
کاربرد سیستمهای خبره-------------------------------------------------- 24
چند سیستم خبره مشهور------------------------------------------------- 25
مروری بر کاربردهای تجاری ------------------------------------------------------ 26
بازاریابی------------------------------------------------------------- 26
بانکداری و حوزه های مالی------------------------------------------------- 28
پیش بینی ----------------------------------------------------------- 29
سایر حوزه های تجاری --------------------------------------------------- 29
کاربرد مدلهای شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکتهای بازار بورس--------------- 30
کاربرد مدل شبکه عصبی در پیش‌بینی ورشکستگی شرکتهای بازار بورس---------------------- 31
تبیین مفهوم ورشکستگی------------------------------------------------------ 31
متغیرهای مدل تحقیق-------------------------------------------------------- 32
اطلاعات شرکتهای نمونه تحقیق-------------------------------------------------- 32
تعیین مدل شبکه عصبی سه لایه برای پیش‌بینی ورشکستگی شرکتها------------------------ 33
sتعیین مدل بهینه شبکه عصبی چهار لایه برای پیش‌بینی ورشکستگی شرکتها------------------- 38
مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیش‌بینی ورشکستگی اقتصادی--------------- - 41
پیش‌بینی ورشکستگی اقتصادی شرکتها در سالهای 1385 و 1386--------------------------- 41
روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره 1369ـ 1386------------------------ 41
جمع‌بندی و نتیجه‌گیری-------------------------------------------------------- 44
منابع----------------------------------------------------------------------45
ادامه...
تحقیق جامع درباره بررسی و ارزیابی سیستمهای مبتنی بر شبکه عصبی