-1- اهمیت و ضرورت پژوهش
اگر چه بسیاری از شرکت¬ها از معیارهای سنتی مثل (نرخ بازده حقوق صاحبان سهام، نرخ بازده سرمایه، نسبت قیمت هر سهام به سود هر سهام) برای ارزیابی و برآورد عملکرد استفاده می¬کنند اما این معیارهای در معرض تحریف شدن به وسیله اعمال مدیران است.
از سال¬ها قبل استفاده از ارزش افزوده اقتصادی برای ارزیابی عملکرد مدیران وسازمان ها پیشنهاد شده، مدیران مالی باید به منظور ارتقای معیارهای سنتی ارزیابی عملکرد از معیارهایی استفاده کنند که به واقعیت اقتصادی نزدیک¬تر باشد. علی رغم برطرف شدن نقایص مربوط به روش¬های سنتی ارزیابی و برآورد عملکرد به وسیله استفاده از ارزش افزوده اقتصادی انتقادی نیز به این روش وارد است که ذهن پژوهشگران را به خود مشغول ساخته و در صدد یافتن معیارهای بهتر یا تعدیل یا پالایش معیارهای موجود برآمده¬اند تا انتقادهای وارد بر معیار ارزش افزوده اقتصادی را برطرف سازند از جمله این انتقادها اتکاء این معیار بر ارقام تاریخی و محاسبه هزینه فرصت سرمایه¬گذاران بر اساس ارزش¬های دفتری و تحریف نتایج آن بر اثر تورم است.
در سال¬های اخیر تحقیقاتی در ارتباط با ارزش افزوده اقتصادی و ارزش افزوده اقتصادی پالایش شده به عنوان معیارهای ارزیابی عملکردسازمان انجام شده است (برای مثال طالبی و جلیلی 1381، نوروش و مشایخی 1383، شریعت پناهی و بادآور نهندی 1384، مهدوی و رستگاری 1386) با این حال پژوهشی که پیش بینی ارزش افزوده اقتصادی پالایش شده با استفاده از شبکه عصبی مصنوعی بپردازد مشاهده نشد.
از آنجا که انتخاب معیاری مناسب برای ارزیابی پیش بینی عملکرد نقش مهمی در تعیین ارزش یک شرکت دارد، در این پژوهش به مقایسه دو روش رگرسیون و شبکه عصبی در پیش بینی ارزش افزوده اقتصادی پالایش شده به عنوان معیار عملکرد سازمان پرداخت.
اهمیت این پژوهش را می¬توان چنین بیان نمود که این ضرورت احساس می¬شود که به مدلی دست پیدا کنیم تا بتواند ارزش افزوده اقتصادی پالایش شده (REVA) را به نحوی مطلوب¬تر و کاراتر پیش بینی کند.
6-1- اهداف پژوهش
با توجه به پژوهش حاضر که پیش بینی ارزش افزوده اقتصادی پالایش شده با دو روش رگرسیون و شبکه عصبی می¬پردازد اهداف زیر مد نظر است:
1) هدف اساسی این پژوهش پیش بینی ارزش افزوده اقتصادی پالایش شده با استفاده از مدل پرسپترون چند لایه (MLP) شبکه عصبی است که می¬توان از آن برای سرمایه¬گذاری و تصمیم¬گیری اقتصادی استفاده نمود.
2) هدف دیگر این پژوهش یافتن روش بهتر و کاراتر در پیش بینی ارزش افزوده اقتصادی پالایش شده است.
7-1- فرضیه های تحقیق
فرضیه اول : قدرت تبیین مدل رگرسیون در جهت تعیین رابطه نسبت های مالی وارزش افزوده اقتصادی پالایش شده مناسب است.
فرضیه دوم : قدرت تبیین مدل پرسپترون چند لایه شبکه عصبی مصنوعی در جهت تعیین رابطه نسبت های مالی وارزش افزوده اقتصادی پالایش شده مناسب است.
فرضیه سوم : مدل پرسپترون چند لایه شبکه عصبی مصنوعی، قدرت بالاتری نسبت به رگرسیون در پیش بینی ارزش افزوده اقتصادی پالایش شده داراست.
8-1- قلمرو مکانی و زمانی تحقیق
قلمرو تحقیق چهارچوبی را فراهم می¬نماید تا مطالعات و آزمون محقق در طی آن قلمرو خاص انجام پذیرد و دارای اعتبار بیشتر باشد.
این پژوهش شرکت¬های صنایع خودروسازی وداروسازی در بورس اوراق بهادار تهران را مورد بررسی قرار می¬دهد. دوره زمانی این پژوهش 6 ساله و از ابتدای سال 1383 تا انتهای سال 1388 است.
9-1- تعریف واژه¬ها و اصطلاحات تحقیق
شبکه عصبی مصنوعی
هدف شبکه¬های عصبی کوشش برای ساخت الگوهایی است که همانند مغز انسان عمل می¬کنند. کار شبکه عصبی ایجاد یک الگوی خروجی بر اساس الگوی ورودی ارائه شده به شبکه است. شبکه¬های عصبی متشکل از تعدادی عناصر پردازشی (نرون¬های مصنوعی) می¬باشند که این نرون¬ها درون داده¬ها را دریافت و پردازش می¬کنند. پرسپترون چند لایه روشی از شبکه عصبی مصنوعی می¬باشد که پیشخور بوده و پردازنده¬های شبکه به چند لایه مختلف تقسیم می¬شدند. (بیل و آروجکسون تی، 1998، 123)
ارزش افزوده
ارزش افزوده، ثروت ایجاد شده توسط واحد تجاری را اندازه¬گیری می¬کند و این ثروت حاصل کار و تلاش گروهی است که به نوعی در واحد تجاری سهیم بوده¬اند. به عبارت دیگر ارزش افزوده نشان-دهنده جمع بازده حاصلۀ مؤسسه توسط سرمایه¬گذاران، اعتباردهندگان، کارمندان و دولت می¬باشد که قسمتی از این ثروت با ارزش در قالب سود سهام، بهره وام¬ها، حقوق و دستمزد (شامل بیمه و بازنشستگی و سایر مزایای کارکنان) و مالیات به آنان توزیع می¬شود و قسمت باقیمانده به عنوان ذخایر یا برای سرمایه¬گذاران مجدد در همان واحد تجاری منظور می¬گردد.
ارزش افزوده اقتصادی تعدیل شده
ارزش افزوده اقتصادی پالایش شده یک چارچوب تحلیلی برای ارزیابی عملیاتی و میزان ارزش ایجاد شده برای سهامداران فراهم می¬کند. در این نسبت به جای تأکید بر قابلیت اتکا اطلاعات به مربوط بودن آن¬ها تأکید می¬کند. به عبارت دیگر این معیار هزینه فرصت تابع به کار گرفته شده را بر مبنای ارزش بازار آن¬ها محاسبه می¬کند (باسیدور و همکاران ، 2007، 145).
پیش¬بینی
تجسم یک موقعیت در آینده بر اساس اطلاعات گذشتهف در واقع پیش بینی بر اساس معیارهای کلی از داده¬های به وقوع پیوسته در زمان¬های گذشته برای تخمین اینده استفاده می¬کنیم (راعی، رضا و کاظم چاوشی، 1382).
میانگین موزون و هزینه سرمایه (WACC)
میانگین موزون هزینه منابع مختلف تأمین مالی بلندمدتی که توسط شرکت بکار گرفته می¬شود. (باسیدور ، 2007، 33)
رگرسیون
از لحاظ لغوی به معنی پسروی، برگشت است اما از دید آمار و ریاضی به معنی بازگشت به یک مقدار متوسط یا میانگین به کار می¬رود، بدین معنی که برخی پدیده¬ها به مرور زمان از نظر کمی به طرف یک مقدار متوسط میل می¬کند (عادل آذر، 1380، 58).
فصل دوم
مروری بر ادبیات تحقیق
1-2 مقدمه
جستجوهای اولیه برای دستیابی به معیارهای ارزیابی عملکرد منجر به استفاده از اعداد و اطلاعات حسابداری در این زمینه شده است.
بسیاری از معیارهای ارزیابی عملکرد، مبتنی برمدل¬های حسابداری، به ویژه مدل سود حسابداری گزارش شده یا سود هر سهم است.
با گذشت زمان، مدیران به منظور حفظ سطح پاداش و بهبود آن، به مدیریت سود از طریق تحریف اعداد حسابداری پرداختند. این موضوع باعث شده است که علیرغم آنکه برخی از شرکت¬ها دارای وضعیت مالی مطلوب از نظر اعداد حسابداری و معیارهای ارزیابی عملکرد مبتنی برمدل¬ها حسابداری بوده¬اند. با بحران¬های مالی از جمله کمبود نقدینگی مواجه شدند. برای رفع نارسائیهای مدل¬های ارزیابی عملکرد که به دلیل استفاده از اطلاعات حسابداری بوجود می¬آید پژوهشگران به جستجوی ارئه معیاری جدید برای ارزیابی عملکرد پرداختند. با پیدایش نظریه¬هایی در زمینۀ سود اقتصادی یا سود باقیمانده مدل¬هایی به منظور محاسبه سود اقتصادی پیشنهاد شد. در این مدل¬ها سود خالص عملیاتی پس از کسر مالیات و هزینه سرمایه به عنوان سود اقتصادی یا سود باقیمانده تعریف می¬شود. بنابراین معیارهای ارزش افزوده اقتصادی، ارزش افزوده اقتصادی پالایش شده، ارزش افزوده بازار و سود باقیمانده اقتصادی در سیر تکاملی خود تلاش دارند ضمن توجه به پیچیدگی¬های رفتاری مدیران، به ارزیابی عملکرد و تعدیل تضاد منافع پرداخته و اطلاعات موجود در قیمت و بازده سهام را توضیح دهند.
هدف از این فصل ارائه کلیات و مفاهیمی پیرامون ارزیابی عملکرد و شبکه عصبی مصنوعی است. براین اساس ابتدا مباحثی پیرامون ارزیابی و پیش¬بینی عملکرد و شبکه¬عصبی ارائه می¬گردد و بخش بعدی متغییرها تشریح می¬گردد و نحوۀ محاسبۀ آنها بیان می¬شود و بخش آخر برخی از پژوهش¬های مشابه خارجی و داخلی انجام شده ارائه می¬گردد.
2-2- معیارهای عملکرد
استفاده¬کنندگان گزارشهای مالی با استفاده از معیارهای مختلف عملکرد سازمان را ارزیابی می¬کنند. روشهای متعددی برای ارزیابی عملکرد وجود دارد نتیجه به دست آمده از تحقیقات به ارائه چهار رویکرد در رابطه با معیارهای عملکرد به شرح زیر انجامیده است:
1-2-2- رویکرد حسابداری
این رویکرد بر صورت سود و زیان و ترازنامه تأکید دارد یعنی یک جریان خروجی وجه نقد می-تواند هزینه در صورت سود و زیان و یا به عنوان یک دارایی سرمایه¬ای در ترازنامه منعکس شود، که نتیجه آن ایجاد صورت سود و زیان و ترازنامه متفاوت ناشی از نظرات مختلف است (استیوارت 1991، 24)
2-2-2- رویکرد اقتصادی
براساس این رویکرد که در آن مفاهیم اقتصادی استفاده می¬شود. عملکرد واحد تجاری با تاکید بر قدرت سودآوری دارایهای شرکت و با توجه به نرخ بازده و نرخ هزینه سرمایه به کار رفته ارزیابی می¬شود. (انواری رستمی و همکاران، 1383) ارزش افزوده اقتصادی و ارزش افزوده اقتصادی و ارزش افزوده اقتصادی تعدیل شده و ارزش افزوده بازار در این گروه جای دارند.
3-2-2- رویکرد تلفیقی
در این رویکرد ترکیبی از اطلاعات حسابداری و بازار برای ارزیابی عملکرد به کار می¬رود مانند نسبت Q توبین و نسبت قیمت به سود (ملکیان و اصغری 1385، 55-54)
4-2-2- رویکرد مدیریت مالی
در این رویکرد اغلب از تئوری¬های مدیریت مالی نظیر الگوی قیمت¬گذاری دارایی¬های سرمایه¬ای (CAPM) و مفاهیم ریسک و بازده استفاده می¬شود. تأکید اصلی این رویکرد بر تعیین بازده اضافی هر سهم می¬باشد. (انصاری و کریمی 1387، 11-3).
3-2- پیش بینی
یکی از ابزارهای مهم مدیریتی استفاده از روش¬های مختلف پیش¬بینی است. مدیر جهت تصمیم¬گیری نیاز به برآورد رویدادهای آینده با استفاده از اطلاعات گذشته دارد. آینده¬نگری به مفهوم مطالعه قبلی، محاسبه و حدس زدن از اوضاع و شرایط آتی است - کسی که با آگاهی از این محاسبات که غالباً متکی بر آمار و اطلاعات کنونی است- و به اتکاء بینش شخصی خود در خصوص آینده به قضاوت می¬نشیند، به پیش¬بینی می¬پردازد. (آیت¬الهی، 1377، 36)
1-3-2 اهداف پیش¬بینی
به طور کلی در پیش¬بینی دو هدف اساسی دنبال می¬شود.
هدف اول: مشخصاً برنامه¬ریزی مناسب است. برنامه¬ریزی به معنی تدوین و طراحی سیاست¬ها و الگوها و طرح¬ها و ایده¬ها برای آینده جهت تأمین اهداف سازمانی یا اهداف سیستم است. بنابراین
می¬توان گفت که برنامه¬ریزی نوعی پیش¬بینی است. هدف دوم از به کارگیری تکنیک¬های پیش¬بینی تصمیم¬گیری است در یک تعریف تصمیم¬گیری فرآیند تشخیص مسأله و حل مساله است (الوانی، 1374، 66)
2-3-2- عوامل موثر در انتخاب مدل مناسب پیش¬بینی
برای انتخاب مدل مناشب توجه به موارد ذیل ضروری است (الوانی، 1374، 67 )
- محدوده زمانی: به طورکلی اگر بخواهیم مدت نسبتاً دوری را پیش¬بینی کنیم بهتر است از روش-های کمی استفاده نمائیم و اگر بخواهیم پیش¬بینی¬های میان مدت یا کوتاه مدت به عمل آوریم بهتر است از روش¬های کیفی پیش¬بینی استفاده نمائیم.
- آمار و ارقام داده شده: با توجه به نوع آمار گذشته نیز نحوۀ پیش¬بینی فرق می¬کند. در برخی مواقع آمار دارای نوسانات فصلی است و یا اینکه از یک سری نوسانات تصادفی و نامنظم تبعیت می¬کند.
شکل 1-2: شمای ترسیمی آمار و داده¬های گذشته
منبع :(الوانی، 1374، 68)
- ارتباط اطلاعات با متغییرهای مورد نظر:
در پاره¬ای از اوقات آمار و اطلاعات در رابطه با متغییر مورد نظر در دسترس نیست و باید از اطلاعات مربوط به متغییر دیگری که ارتباط با متغیر مذکور دارد استفاده کرد.
- هزینه: مدل¬های مختلف پیش¬بینی چون دارای خصوصیات مختلفی می¬باشند هزینه¬های متفاوتی را ایجاد می¬کنند.
- دقت: برخی از مدل¬ها با دقت 90% موقعیت را در آینده پیش¬بینی می¬کنند و برخی با دقت کمتر. واضح است با توجه به انتظاری که از دقت مدل داریم می¬توانیم مدل مورد نظر را انتخاب کنیم.
- سادگی: بعضی از مدل¬ها اگر چه از دقت زیادی برخوردار ولی به علت پیچیدگی قابل استفاده در کلیه سازمان¬ها نمی¬باشد.
3-3-2- انواع شیوه¬های پیش بینی
الف) پیش بینی قضاوتی
در مواقعی که اطلاعات دقیق و کاملی در مورد مسأله وجود نداشته باشد از این نوع پیش¬بینی استفاده می¬شود. در این روش کوشش می¬شود نظرات ذهنی به صورت پیش¬بینی¬های کمی درآید.
انوع پیش¬بینی¬های قضاوتی که نوعی پیش¬بینی کیفی محسوب می¬شوند شامل روش دلفی و روش توافق جمعی است.
الف-1) روش دلفی
ابتدا گروهی از کارشناسان و متخصصان صاحبنظر انتخاب می¬شوند و به وسیله پرسشنامه¬ای نظرات آنان در مورد موضوع مربوط گردآوری می¬شوند. سپس نظرات مختلف را به سایر اعضای گروه اطلاع داده و نظرات جدید جمع¬آوری می¬شوند. به این ترتیب همه اعضاء از اطلاعات و نظرات یکدیگر مرتباً مطلع می¬شوند وبه اظهار نظر جدیدی می¬پردازند. با ادامه جریان ارسال اطلاعات و نظر نظرجویی¬های جدید مدیر می¬تواند براساس نظرات گردآوری شده همگن، مبنای برای پیش¬بینی به دست آورد. روش دلفی بیشتر برای پیش¬بینی¬های بلندمدت (بیشتر از دو سال به کار می¬رود. ) (الوانی 1374، 71)
الف-2) روش توافق جمعی
دراین روش اعتقاد براین است که نظر جمع متخصصان برتر از نظر یک فرد است. از اینرو طی جلساتی نظر افراد حضوراً گردآوری می¬شود و پس از بحث و گفتگو آنچه مورد توافق جمع است اساس پیش¬بینی قرار می¬گیرد.
ب) پیش¬بینی برمبنای گذشته
در این نوع پیش¬بینی برمبنای گذشته آمار و ارقام و اطلاعات اساس پیش¬بینی فرآیند قرار می¬گیرد به عبارت دیگر فرض براین است که در کوتاه مدت می¬توان روند گذشته را به آینده تسری داد (سید حسینی 1380، 17) انواع روش¬های پیش¬بینی برمبنای گذشته شامل روش تقاضای آخرین دوران روش میانگین متحرک ، روش میانگین متحرک وزنی ، روش نموهموار ، روش باکس و جنکینز ، است.
ج) پیش¬بینی علت معلولی
اگر اطلاعات کافی در مورد موضوع پیش¬بینی موجود و روابط بین متغییرها نیز مشخص باشد می-توانیم از این روش استفاده کنیم.
انواع روش¬های پیش¬بینی علت و معلول شامل رگرسیون ، مدل اقتصاد سنجی ، مدل داده ایستاده ، مدل شاخص راهنما می¬باشد.
در یک تقسیم¬بندی دیگر می¬توان پیش¬بینی¬ها را به روش¬های پیش¬بینی کیفی و روش¬های پیش¬بینی کمی تقسیم نمود به عنوان مثال روش دلفی توافق جمعی یک پیش¬بینی کیفی محسوب می¬شوند و پیش¬بینی¬های کمی در دو نوع مشخص یعنی روش¬های یک متغیره و روش¬های چند متغیره قابل تحلیل¬اند.
الف) پیش¬بینی¬های یک متغیره
در روش¬های کمی تک متغیره آمار و ارقام و اطلاعات گذشته را اساس پیش¬بینی قرار
می¬دهیم در این روش¬ها جهت انجام عمل پیش¬بینی، داده¬های سری زمانی مورد استفاده قرار
می¬گیرد.
الف-1) روش تقاضای آخرین دوران
این روش ساده¬ترین روش پیش¬بینی بوده و نیاز به هیچگونه محاسبه¬ای ندارد و فقط سطح واقعی تقاضای دوره قبل را به عنوان پیش¬بینی آینده منظور می¬نماید.
الف-2) روش میانگین ریاضی
در این روش میانگین تقاضای تمام دوران گذشته را برای محاسبه سطح تقاضا در دوران آینده محاسبه می¬نمایند. به عبارتی در این تکنیک، سطح تغییرات اتفاقی هموار شده است:
الف-3) روش میانگین متحرک
در این روش سعی می¬شود که بیشتر دوران¬های معاصر در محاسبه میانگین تقاضا استفاده شود و حالتی بین دو روش تقاضای آخرین دوران و روش میانگین ریاضی درد. در عین حال محاسن هر دوی آنها را دارد.
الف-4) روش میانگین متحرک وزنی
در روش میانگین متحرک ساده به آمار و ارقام گذشته ارزش مساوی داده می¬شود در صورتی که اغلب آمار جدیدتر دوره ارزش بیشتری نسبت به آمار دوره¬های قبل خود در برآورد دوره آینده دارد.
الف-5) روش هموارسازی نمایی
این روش نوعی میانگین متحرک است و به آماری که به زمان پیش¬بینی نزدیک¬تر باشد وزن بیشتری داده و آماری که در فاصله دورتری هستند با وزن کمتری در محاسبات دخالت داده می¬شوند و مهمترین تفاوت این است که این ارزش گذاری تابع تصاعدی هندسی نزولی است (سیدحسینی 1380، 29)
در رابطه فوق ضریب هموار سازی نامیده می¬شود
الف -6) روش باکس- جنگینز
در این روش ابتدا تحلیل¬گر مدلی آزمایشی براساس اطلاعات گذشته طراحی می¬کند. سپس ضرایب متغیرهای مذکور را برآورد می¬نماید و به کمک اطلاعات موجود مدل را مورد کنترل قرار می¬دهد تا قدرت پیش¬بینی آن سنجیده شود. در صورتی که مدل گویای اطلاعات گذشته بود می¬توان از آن برای پیش¬بینی استفاده کرددر غیر این صورت باید مدل را مورد تجدید نظر قرار داد. در این روش باید اطلاعات زیادی در دسترس باشد و بدین جهت اغلب به کمک برنامه¬های کامپیوتر از این روش استفاده می¬شود.
الف -7) روش کمترین مجذورات
در این روش رابطه¬ای ریاضی بین اطلاعات گذشته ایجاد کرده و سپس براساس آن به
پیش¬بینی آینده می¬پردازیم و سعی می¬شود تا خط راستی را از میان نقاط حاصله از اطلاعات و داده-های موجود طوری بگذارنند که کمترین فاصله را با هریک از نقاط داشته باشد . به عبارت دیگر خط مورد نظر خطی است که مجذور فاصله بین آن و هر یک از نقاط حاصله از داده¬ها حداقل باشند.
Y: مقادیر وابسته
X : مقادیر مستقل
A : محل تقاطع با محور y
ب) روش¬های پیش¬بینی چند متغیر (پیش¬بینی علت معلولی)
ب-1) روش رگرسیون خطی و غیرخطی
این مدل رابطه یک متغیر Y را با یک یا چند متغییر بیان می¬کند.
ب-2) ضریب همبستگی
برای تعیین شدت و میزان رابطه بین متغیرهای مطرح شده در مدل رگرسیون از ضریب همبستگی استفاده می¬شود.
همبستگی مثبت
عدم هبستگی
همبستگی منفی
: ضریب همبستگی بین دو متغیر
ب-3) مدل اقتصادی سنجی
الگوی اقتصادسنجی فرض می¬کند که سیستم اقتصاد را می¬توان با یک معادله ولی با مجموعه¬ای از معادلات همزمان بیان نمود. برای مثال نه فقط دستمزدها به قیمت¬ها بستگی دارد، بلکه قیمت¬ها نیزبه میزان دستمزدها بستگی دارد. اقتصاد دانان، بین متغیرهای برونی که دستگاه را متأثر کرده ولی خود متأثر نمی¬شوند و متغیرهای درونی که با یکدیگرعمل متقابل انجام می¬دهند فرق می¬گذارند. این مدل دارای دقت فراوانی است و برای دوره¬های کوتاه¬مدت، میان مدت و بلندمدت قابل استفاده است اما دارای هزینه بسیاری است.
ب-4) مدل داده – ستاده
این مدل تحلیلی است بر جریان داده و ستانده¬های بین سازمان . مدل نشانگر آن است که به ازای چه میزان داده، چقدر ستانده حاصل می¬شود. این مدل به اطلاعات زیاد دارد و برای پیش¬بینی دوره¬های میان مدت مفید است و هزینه بالایی دارد.
ب- 5) مدل شاخص راهنما
در این مدل یک شاخص اصلی به عنوان راهنما تعیین می¬شود و پیش¬بینی¬ها براساس آن انجام می-شود. مثلاً براساس شاخص فروش اتومبیل به طور کلی می¬توان میزان مصزف لاستیک اتومبیل¬ها را
پیش¬بینی کرد. (سیدحسینی، 1380، 52)
4-3-2- اندازه¬گیری خطا
بیشتر تصمیمات مدیریت در تمام سطوح سازمان به طور مستقیم و یا غیرمستقیم به حالتی از پیش-بینی آینده بستگی دارد. در یک تعریف کلی، پیشگویی شرایط و حوادث آینده را پیش¬بینی و چگونگی انجام این عمل، پیش¬بینی کردن نامیده می¬شود. از آنجا که پیش¬بینی وقایع آینده در فرآیند تصمیم¬گیری نقش عمده¬ای را ایفا می¬کند، لذا پیش¬بینی کردن برای بسیاری از سازمان¬ها و نهادها حائز اهمیت است و هر سازمانی برای تصمیم¬گیری آگاهانه باید قادر به پیش¬بینی آینده باشد. برای بررسی یک مدل پیش¬بینی و یا انتخاب بهترین مدل از بین مدل¬های مختلف به شاخصی نیاز داریم که به کمک آن تصمیم لازم در خصوص قبول یا رد مدل پیش¬بینی اتخاذ شود. به علاوه در تمام پیش¬بینی¬ها عدم اطمینان وجود دارد. در نتیجه در کلیه روش¬های پیش¬بینی باید انتظار خطا را داشته باشیم. به طور کلی هر چه مقدار واقعی سری به مقدار پیش¬بینی شده آن نزدیکتر باشد، بر صحت بیشتر مدل پیش¬بینی دلالت دارد. بنابراین کیفیت یک مدل با بررسی میزان خطای پیش-بینی یا همان قابل ارزیابی است.
خطای پیش¬بینی ناشی از آن است که یک یا چند مؤلفه از مؤلفه¬های پیش¬بینی سری زمانی مانند روند، فصلی، دوره، به حساب نیامده است و یا نوسانات بی¬قاعده و نامنظم بوده. مجموع کل خطاها در یک روش پیش¬بینی که در آن مجموع دوره¬های زمانی مشاهده شده باشد عبارت است از:
به علت اینکه وقتی خطاهای پیش¬بینی تصادفی باشند، بعضی خطاها مثبت و بعضی منفی
می¬باشند و خنثی¬کننده یکدیگر می¬باشند و محاسبه خطا با مشکل مواجه می¬شود، مقادیر مطلق خطای پیش¬بینی را در نظر می¬گیریم که عبارت است از:
انحراف مطلق خطا
حال برای به دست آوردن خطا در پریود زمانی از میانگین قدر مطلق خطا (MAD) استفاده می¬شود که عبارت است از:
این خطا را به گونه¬ای دیگر نیز می¬توان محاسبه نمود و آن استفاده از میانگین مجذور خطا (MSE) می¬باشد که به صورت ذیل محاسبه می¬شود:
در میانگین مجذور خطا میزان خطا به دلیل به عنوان2رسیدن آن بسیار بزرگ نشان داده می¬شود با استفاده¬از جذرمیانگین مجذور خطا (RMSE) این مشکل مرتفع¬می¬شود (زارع و کردلوئی، 1389، 51).
5-3-2- توصیف
شبکه عصبی مجموعه¬ای از نورون¬های زیستی به هم متصل است. در استفاده¬های جدیدتر این عبارت به شبکه عصبی مصنوعی که از نورون¬هایی مصنوعی ساخته شده¬است هم اشاره دارد. بنابراین عبارت شبکه عصبی در حالت کلی به دو مفهوم مختلف اشاره دارد:
1- شبکه عصبی زیستی
2- شبکه عصبی مصنوعی
در حالت کلی یک شبکه عصبی زیستی از مجموعه یا مجموعه¬ای از نورون¬های به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شده است. هر نورون می¬تواند به تعداد بسیار زیادی از نورون¬ها وصل باشد و تعداد کل نورون¬ها و اتصالات بین آنها می¬تواند بسیار زیاد باشد. اتصالات، که به آن¬ها سیناپس گفته می¬شود، معمولاً از آکسون¬ها و دندریت¬ها تشکیل شده¬اند.
هوش مصنوعی و مدل¬سازی شناختی بر این دارند که بعضی از خصوصیات شبکه¬های عصبی را شبیه¬سازی کنند. این دو اگرچه در روش¬هاشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف مدل¬سازی شناختی ساخت مدل¬های ریاضی سامانه¬های نورونی زیستی است.
- شبکه¬های عصبی زیستی
شبکه¬های عصبی زیستی مجموعه¬ای بسیار عظیم از پردازشگرهای موازی به نام نورون¬اند که به صورت هماهنگ برای حل مسئله عمل می¬کنند و توسط سیناپس (ارتباط¬های الکترومغناطیسی) اطلاعات را منتقل می¬کنند. در این شبکه¬ها اگر یک سلول آسیب ببیند بقیه سلول¬ها می¬توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه¬ها قادر به یادگیری¬اند. مثلاً با اعمال سوزش به سلول¬های عصبی لامسه، سلول¬ها یاد می¬گیرند که به طرف جسم داغ نروند و با این الگوریتم سامانه می¬آموزد که خطای خود را اصلاح کند. یادگیری در این سامانه¬ها به صورت تطبیقی صورت می¬گیرد، یعنی با استفاده از مثال¬ها وزن سیناپس¬ها به گونه¬ای تغییر می¬کند که در صورت دادن ورودی¬های تازه سامانه پاسخ درستی تولید کند. قدرت شگفت انگیز مغز به خاطر وجود تعداد زیادی نُرُن در آن و ارتباط میان نُرُن اصولاً با سازوکارهای الکتروشیمیایی اطلاعات را منتقل می¬کنند. (الهی، ش و علی رجب¬زاده، 1382، 70).
جدول 1-2مقایسه مغز انسان و کامپیوتر
هوش¬مند آموزش پذیر روش محاسبه سرعت پردازش انرژی مصرفی اندازه عنصر عناصر پردازش¬گر
مغز انسان اغلب بله موازی، توزیعی 100 هرتز 30 وات 6-10 متر 1014 سیناپس
کامپیوتر تاکنون به بسیار کم متوالی، مرکزی 109 هرتز 30 وات (cpu) 6-10 متر 108 ترازیستور
مغز انسان حدود 10 میلیارد سلول عصبی (نُرُن) دارد. هر نُرُن با دیگر نُرُن¬ها به طور میانگین از طریق 10000 سیناپس ارتباط دارند. شبکه¬ی سلول¬های عصبی در مغز یک سامانه¬ی بزرگ پردازش اطلاعات موازی تشکیل می¬دهند. این برخلاف نحوه¬ی کارکرد رایانه¬هاست که در آن¬ها یک پردازش¬گر به¬طور منفرد مجموعه¬ای از دستورالعمل¬ها را انجام می¬دهد.
همان¬طور که کامپیوتر برای پردازش اطلاعات از روش پردازش اطلاعات در حافظه¬ی انسان مدل-برداری کرد، فناوری نوین شبکه¬های عصبی مصنوعی ساختار محاسباتی موازی مغز او را مدل می¬کند.
از سال 1942 تاکنون انواع گوناگونی از شبکه¬¬ها به وجود آمده¬اند ولی همه¬ی آن¬ها در دو چیز مشترک¬اند: مجموعه¬ای از گره¬ها و رابطه¬های میان گره¬ها. گره¬ها می¬توانند. به عنوان واحدهای محاسبات در نظر گرفته شوند. ورودی¬ها به آن¬ها وارد می¬شوند و پردازش می¬شوند تا در نهایت یک خروجی به دست آید. این پردازش¬ها ممکن است بسیار ساده باشند (مانند جمع زدن ورودی¬ها) یا کاملاض پیچیده باشند(یک گره شامل یک شبکه¬ی دیگر باشد...). رابطه¬های میان گره¬ها اطلاعات جاری میان گره¬ها را تعیین می¬کنند. تعامل میان گره¬ها به وسیله¬ی این رابطه¬ها منجر به یک رفتار سراسری در شبکه می¬شود که آن را برآیند می¬نامند (چیزی شبیه کارکرد شبکه¬ی عصبی مغز)
نُرُن¬های زیستی پیام (سیگنال)هایی از میان سیناپس¬هایی که روی دنریت¬ها یا روی غشای سلول عصبی جای گرفته¬اند، دریافت می¬کنند. وقتی که پیام¬های دریافتی به اندازه¬ی کافی قوی باشند (یعنی از یک حد آستانه قوی¬تر باشند.) نُرُن فعال می¬شود یک پیام به اکسون می¬فرستد. این پیام به سیناپس دیگری فرستاده می¬شود و نُرُن دیگری را فعال می¬کند.
شبکه¬های عصبی مصنوعی تنها بخش کوچکی از ویژگی¬های شبکه¬های عصبی زیستی طبیعی را شبیه¬سازی می¬کنند. در واقع از دید متخصصان این رشته هدف از ایجاد یک شبکه¬ی عصبی نرم-افزاری ایجاد یک سازو کار برای حل مسایل مهندسی با الهام از الگوی رفتاری شبکه¬های زیستی است.
ساختار نُرُن¬های مدل شده خیلی ساده¬تر از مشابه طبیعی¬شان است. آن¬ها اساساً شامل ورودی¬هایی (مانندسیناپس) هستند که در وزن نُرُن ضرب می¬شوند (قدرت هر سیگنال) و سپس به وسیله¬ی یک تابع ریاضی که فعالیت نُرُن را تعیین می¬کند محاسبه می¬شوند. تابع دیگری (که ممکن است تابع همانی باشد) خروجی¬های نُرُن مصنوعی را محاسبه می¬کنند. ر نهایت برای پردازش اطلاعات شبکه¬های عصبی نتایج نُرُن¬های مصنوعی را با هم تلفیق می¬کنند.
هر چه قدرت ورودی بیشتر باشد وزن نُرُن مصنوعی بیشتر خواهد بود و برعکس. با تغییر و در نهایت تعدیل وزن¬های یک سلول عصبی می¬توانیم برای یک ورودی مشخص، خروجی
دل¬خواه را به دست آوریم. ولی وقتی شبکه¬ی عصبی شامل صدها یا هزاران نُرُن باشد تغییر وزن نُرُن¬ها بدن ابزار بسیار پیچیده و شاید ناممکن باشد. فرآیند تطبیق وزن¬ها آموزش یا یادگیری نامیده می¬شود. شبکه¬های مصنوعی و کاربردهای آن¬ها بسیار متنوع است. تفاوت میان آن¬ها از تفاوت میان توابع آن¬ها، مقادیر پذیرفته شده، توپولوژی، و الگوریتم یادگیری و .... ناشی می¬شود.
شبکه¬ها در مسایل متنوعی ازشناخت الگوی فکر کردن گرفته تا تفسیر توالی نوکلئوتیدها، طبقه¬بندی سرطان¬ها، پیش¬بینی ژنتیک و حتی در تحلیل داده¬های استخراج نفت و هواشناسی به کار می¬آید.
شبکه¬ها برای مدل¬سازی طیف گسترده¬ای از پدیده¬ها در فیزیک، علوم کامپیوتر، بیوشیمی، کردارشناسی ، ریاضی، جامعه شناسی، اقتصاد، ارتباط¬های دوربرد و بسیاری دیگر از زمینه¬ها استفاده می¬شود. استفاده¬ی گسترده از این زمینه¬ی جدید دانش و فناوری به این دلیل است که به بسیاری از سامانه¬ها می¬توان به مثابه یک شبکه نگریست. پروتئین، کامپیوترها، جوامع و... نمونه-هایی از این سامانه¬ها هستند (خاشعی، بیجاری، 1389، 42) (الهی، رجب¬زاده، 1382).
6-3-2- چرا از شبکه¬های عصبی استفاده می¬کنیم؟
شبکه¬های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده¬های پیچیده می¬توانند در استخراج الگوها و شناسایی گرایش¬های مختلفی که برای انسان¬ها و کامپیوتر شناسایی آن¬ها بسیار دشوار است استفاده شوند. از مزایای شبکه¬های عصبی می¬توان موارد زیر را نام برد:
1. یادگیری تطبیقی: توانایی یادگیری اینکه چگونه وظایف خود را اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
2. 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 بت قاعده¬ی یادگیری سازکار شده و پاسخ به ورودی تغییر می¬یابد.
3. عملگرهای بی¬درنگ: محاسبات در شبکه عصبی مصنوعی می¬تواند به صورت موازی و به وسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت¬های شبکه عصبی مصنوعی است انجام شود.
4. تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش می¬یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می¬شود.
5. دسته¬بندی:شکه¬های عصبی قادر به دسته¬بندی ورودی¬ها برای دریافت خروجی مناسب می¬باشند.
6. تعمیم¬دهی: این خاصیت شبکه را قادر می¬سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموخته¬ها را به موارد مشاهده ا زقبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی¬نهایت واقعیت¬ها و روابط را به خاطر بسپارد.
7. 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 می¬تواند موارد جدید را بپذیرد.
7-3-2- نورون مصنوعی
یک نورون مصنوعی سامانه¬ای است با تعداد زیادی ورودی و تنها یک خروجی نورون دارای دو حالت می¬باشد، حالت آموزش و حالت عملکرد. در حالت آموزش نورون یاد می¬گیرد که در مقابل الگوهای ورودی خاص برانگیخته شود. در حالت عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود، خروجی متناظر با آن ارائه می¬شود. اگر ورودی جزء ورودی¬های از پیش شناسایی شده نباشد، برای برانگیختگی یا عدم آن تصمیم¬گیری می¬کند (منهاج، 1379، 35).
8-3-2- از نورون انسان تا نورون مصنوعی
با کنار گذاشتن برخی از خواص حیاتی نورون¬ها و ارتباطات درونی آنها می¬توان یک مدل ابتدایی از نورون را به وسیله کامپیوتر شبیه¬سازی کرد.
9-3-2- ساختار شبکه¬های عصبی
یک شبکه¬ عصبی شامل اجزای سازنده لایه¬ها و وزن¬ها می¬باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه¬های عصبی سه نوع لایه نورونی وجود دارد:
1. لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده است.
2. لایه¬های پنهان: عملکرد این لایه¬ها به وسیله ورودی¬ها و وزن ارتباط بین آنها و لایه¬های پنهان تعیین می¬شود. وزن¬های بین واحدهای ورودی و پنهان تعیین می¬کندکه چه وقت یک واحد پنهان باید فعال شود.
3. لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی می¬باشد.
شبکه¬های تک لایه و چندلایه¬ای نیز وجود دارند که سازماندهی تک لایه که در آن تمام واحدها به یک لایه اتصال دارند بیشترین مورد استفاده را دارد و پتانسیل محاسباتی بیشتری نسبت به سازماندهی¬های چند لایه دارد. در شبکه¬های چند لایه واحدها به وسیله لایه¬ها شماره گذاری می¬شوند (به جای دنبال کردن شماره گذاری سراسری). هر دو لایه از یک شبکه به وسیله وزن¬ها و در واقع اتصالات با هم ارتباط می¬یابند. در شبکه¬های عصبی چند نوع اتصال و یا پیوند وزنی وجود دارد. پیشرو: بیشترین پیوندها از این نوع است که در آن سیگنال¬ها تنها در یک جهت حرکت می¬کنند. از ورودی به خروجی هیچ بازخوری (حلقه) وجود ندارد. خروجی هر لایه بر همان لایه تاثیری ندارد. پسرو: داده¬ها از گره¬ها لایه بالا به گره¬های لایه پایین بازخورانده می¬شوند. جانبی: خروجی گره¬های هر لایه به عنوان ورودی گره¬های همان لایه استفاده می¬شوند (تمدن، 81).
شکل 2-2 : نرون
10-3-2- یادگیری
شاید یکی از مهمترین خواص مغز انسان، توانایی آموختن باشد. بدون تردید یکی از جالبترین قابلیت های شبکه های عصبی، قابلیت یادگیری آنها است. یادگیری در اینجا به صورت تغییر در مقادیر وزن های ارتباطات، به منظور دریافت اطلاعاتی که بتواند در آینده به یادآورده شود تعریف می گردد. رویه های مختلفی برای تغییر وزن ها وجود دارد که به آنها قوانین یادگیری می گویند(تمدن، 81).
زمانی که یک شبکه عصبی رفتار خود را تغییر می دهد و بهبود می بخشد، مقادیر بردارهای ورودی از درون شبکه به دفعات عبور داده می شوند و در عبور شبکه وزن های خود را به گونه ای اصلاح می کند که با توجه به ورودی، بتواند خروجی مورد نظر را تولید نماید. هر عبور بردار ورودی و مقدار خروجی مورد نظر از درون شبکه، یک سیکل نامیده می شود.(دموس وبیل،2004)
با ارائه اصول شبکه های عصبی می توان دریافت که شبکه های عصبی مدل توسعه یافته یک مدل رگرسیون هستند. به طور مثال اگر معادله ساده رگرسیون زیر را که در آن x ورودی مدل، Y خروجی مدل و ها ضرایب رگرسیون هستند، در نظر بگیریم:
(19-2) این مدل با شبکه عصبی ساده که تنها یک نرون دارد معادل است. معادلات رگرسیون با ورودی های بیشتر، نظیر رابطه زیر به همین صورت با یک شبکه عصبی می تواند معادل فرض کرد:
(20-2)
با بسط این ایده می توان ورودی ها و خروجی های بیشتر را نیز در نظر گرفت. تبدیل های غیرخطی بر روی داده های ورودی انجام داد. در نتیجه به معماری شبکه های عصبی پیشخور مرسوم، خواهیم رسید.
وزن در شبکه، معادل ضرایب رگرسیون هستند بنابراین یک شبکه عصبی را می توان یک طبقه عمومی از روش های رگرسیون غیرخطی دانست.
تفاوت اصلی بین شبکه های عصبی و رگرسیون با دیگر رویکردهای آماری در این مسئله است که شبکه های عصبی به هیچ گونه فرضی در مورد توزیع آماری یا ویژگی های داده ها نیاز ندارند و بنابراین تمایل به استفاده از آنها در موقعیت های علمی بیشتر است.
البته لازم به ذکر است که شبکه های عصبی فقط تعمیم تحلیل رگرسیون نیستند بلکه هم در داده های ورودی و هم پارامترها غیرخطی هستند(لونی، ن، 1386، 77).
1-10-3-2- فرآیند یادگیری
سیستم های یادگیر سیستمهایی هستند که صرفا با مشاهده عملکردشان، می توانند رفتارشان را جهت دستیابی به هدف و مقصودی خاص بهبود بخشند.اگر مقاصد و اهداف به طور کامل تعریف شده باشند آنگاه دیگر به فرایند یادگیری احتیاجی نیست .زمانی به پروسه یادگیری نیاز است که اطلاعات کامل در مورد اهداف موجود نباشد، جایی که می دانیم به علت عدم قطعیت در شرایط محیطی، سیستمی که دارای خواص و پارامترهای ثابت باشد نمی تواند به طور کامل عمل کند.رفتار سیستم های یادگیر ، توسط الگوریتم های بازگشتی بیان میشود.به همین خاطر به این الگوریتم ها، قوانین یادگیری میگویندو عموما توسط معادلات تفاضلی (دیفرانسیلی)بیان میشوند.این الگوریتم ها روی اطلاعات موجود آن گونه پردازش میکنند که شاخص اجرایی مشخص شده ای که عموما تقریبی است از هدف خاص که مقصود پروسه یادگیری می باشد بهینه گرددو این کار تنها راه جبران نقصان اطلاعات اولیه می باشد.
در فرآیند یادگیری داده های ورودی به شبکه وارد شده و بر اساس روابط آنها با مقدار خروجی، وزن ها به شکلی که بتوانند کمترین مقدار ممکن خطا را در برابر ورودی و خروجی تولید کنند تنظیم می شوند. یادیگری تا زمانی که هم گرایی ایجاد شود و خطای مجموعه تست شروع به افزایش یابد ادامه پیدا می کند یادگیری باید تا زمانی که دیگر هیچ بهبودی در تابع خطا حاصل نشود ادامه پیدا می کند. هم گرایی در زمانی ایجاد می شود که شبکه دیگر بهبودی نداشته باشد. همانطور که در شکل زیر می بینیم هر چه قدر زمان آموزش افزایش یابد به طور معمول خطا کاهش پیدا می کند.
هرچند در نمونه آموزش به شکل (U) زمانی که خطا کاهش می یابد و به یک مقدار حداقل می رسد و سپس بعد از آن دوباره خطا افزایش می یابد. در نقطه حداقل نقطه بهینه آموزش می باشد(همان منبع، 145)
شکل (9-2) رابطه زمان آموزش و میزان خطا
به طور کلی می توان فرآیند یادگیری را به دو نوع تقسیم نمود:
1) یادگیری با ناظر
2) یادگیری بدون ناظر
یادگیری با ناظر: یادگیری با ناظر مبتنی بر آموزش است. هدف از این نوع یادگیری حذف تفاوت های بین الگوهای خروجی مطلوب و واقعی است در این نوع یادگیری باید شبکه عصبی را قبل از عملیاتی شدن آموزش دهیم. فرآیند آموزش شبکه عصبی شامل ارائه داده های ورودی و خروجی به شبکه است. داده هایی که در فرآیند آموزش مورد استفاده قرار می گیرند را مجموعه داده های آموزش می نامیم. این فاز آموزش زمان زیادی می برد و هنگامی کامل می شود که شبکه عصبی خروجی های مورد نیاز را برای سری معین داده ها فراهم نماید. زمانی که آموزش تکمیل شده، وزن ها تعیین شده و برای عملیات واقعی مورد استفاده قرار می گیرد.( همان منبع، 64)
- فرآیند با تخصیص وزن ها تصادفی به ارتباط بین هر کدام از نرون ها در شبکه آغاز می شود. با دادن وزن ها، ارزش های میانی(در لایه پنهان) و سپس خروجی سیستم محاسبه می شود. اگر خروجی بهینه باشد، از این نظر که به اندازه کافی به هدف نزدیک باشد، فرآیند متوقف می شود؛ وگرنه، وزن ها مورد تعدیل قرار می گیرند و فرآیند ادامه پیدا می کند تا راه حل بهینه به دست آمده یا به یک قاعده توقف جایگزین برسد.
- یادگیری بدون ناظر: در یادگیری بدون ناظر که گاهی یادگیری خودناظر نیز نامیده می شود، معلم خارجی یا ناظر برای فرآیند یادگیری وجود ندارد. در عوض، کنترل داخلی عملکرد وجود دارد.
شبکه به دنبال نظم ها و روندهای موجود در علائم داده ها می گردد و بر طبق کارکرد شبکه تعدیلات لازم را انجام می دهد(همان منبع، 64).
خلاصه در فرایند یادگیری سه مورد زیر باید به ترتیب انجام شوند:
1- سیستم یادگیرنده توسط محیط تحریک میشود.
2- قانون یادگیری با رجوع به نتیجه تحریک، پارامترهای یادگیری را تغییر میدهد.
3- سیستم یادگیرنده به خاطر تغییراتی که در ساختار داخلی، نرون اتفاق افتاده است، پاسخ مناسب تری به محیط بدهد.
عمل یادگیری با ناظر برای شبکه هایی که از تعداد زیادی لایه های نرونی تشکیل شده اند بسیار کند صورت می گیرد. معمولاً در این موارد تلفیقی یادگیری با ناظر یادگیری بدون ناظر پیشنهاد می شود.
11-3-2- وزن ها
هر اتصالی یک پارامتر مربوط به خوددارد که نشان دهنده قدرت اتصال است ووزن نامیده می شود.با تغییروزن ها به روشی خاص، شبکه می تواند الگوهای موجود درلایه ورودی به مقادیر هدف یا لایه خروجی رابفهمد.قبل از درک وزن ها، تمرکز روی تابع خطا اهمیت پیدا می کند.سری اولیه میزان ها بصورت اتفاقی برگزیده می شود.
1- بردار ارائه کننده شیب تابع خطا ارزیابی می شود.
2- وزن به روز می شود تا اینکه یک حالت همگرایی حداقلی بدست آید، درغیر این صورت وزن هادوباره اصلاح می شود.
شکل 3-2-تابع خطا
) منبع: لا تور کوئینگ و پوینتا ، 2010، 144(
پروسه بالا که مربوط به تابع خطای درجه دوم است، درموردی که تابع خطا بخوبی تعریف نشده باشد، مشکل ساز می شود یعنی نقطه منحصر بفردی برای حداقل وجود ندارد اما چند نقطه حداقل موضعی وجود دارد که درشکل زیر ترسیم شده است.درواقع سطوح پیچیده خطا که نشان دهنده تپه ها وگودی هاست ممکن است هنگامی که توابع فعال سازی غیر خطی است بکار روند. (همان منبع، 155)
شکل4-2- تابع خطای پیچیده
منبع (همان منبع، 201)
12-3-2- تاریخچه شبکه عصبی مصنوعی
پیدایش شبکه عصبی مصنوعی را باید در سال¬های اواخر قرن نوزدهم و اوایل قرن بیستم دید. آفرینندگان آن افرادی چون هرمان فون وارنست ماخ بوده¬اند در این دوره به شکلی کاملاً ابتدایی تنها در زمینه¬های فیزیک، روانشناسی و نروفیزیولوژی شاهد کاربرد پراکنده واندک و ابتدایی از این شبکه¬ها هستیم. در قرن و سال¬های دهه 1940. این تحقیقات شکل جدی¬تری به خود گرفت افرادی چون مک کلوث و والترپیتز دریافتند که شبکه¬های عصبی در اصل می¬توانند هر تابع حسابی و منطقی را محاسبه کنند. در دهۀ 80 دو نگرش جدید قابل تأمل در شبکه¬های عصبی ایجاد کرد:
1- ایده استفاده از سازوکار تصادفی برای توضیح عملکرد طبقی وسیع از شبکه¬های بازخوری که
می¬توان از آن¬ها در ذخیره¬سازی اطلاعات استفاده کرد.
2- الگوریتم انتشار خطا: هم اکنون انواع مختلفی از شبکه¬های عصبی بر پایه این دیدگاه وجود دارد که در زمینه¬های مختلفی چون سیستم¬های هوا- فضا، بانکداری و بورس، الکترونیک، صنایع دفاعی، پزشکی، صوت و تصویر، روبات¬ها، ارتباطات راه دور، سیستم حمل و نقل و... مورد استفاده قرار می¬گیرند.
13-3-2- سیستم¬های هوشمند و انواع آن
سیستم¬های هوشمند به سیستم¬های گفته می¬شود که در آنها از دانش هوش مصنوعی جهت بررسی و حل مسائل استفاده می¬شود.هوش مصنوعی ساخت تجهیزات و نرم¬افزارهای کاربردی است که بسیاری از رفتارهای خاص انسان مانند استدلال، یادگیری، حل مسأله و شناخت را تقلید می¬کنند. سیستم¬های مبتنی بر هوش مصنوعی شامل سیستم¬های خبره، شبکه¬های عصبی، زبان¬های طبیعی و روبوت¬هاست، که در ادامه بحث به بررسی شبکه عصبی به عنوان سیستم¬های هوشمند کاربرد آن پرداخته می¬شود.
14-3-2- شبکه عصبی چند لایه پیش¬خور (MLP)
شبکه¬های عصبی پرسپترون، به ویژه پرسپترون چند لایه که توانایی بیشتری نسبت به شبکه¬های عصبی تک لایه دارد، در زمره کاربردی¬ترین شبکه¬های عصبی هستند. این شبکه¬ها قادرند با انتخاب مناسب تعداد لایه¬ها و سلول¬ها عصبی، که اغلب زیاد هم نیستند. (یزدی، احمدی، عبدلی، 1385، 57)
یک نگاشت غیرخطی را با دقت دلخواه انجام دهند.شبکه¬های تک لایه از این مشکل اساسی برخوردارند که تنها توانائی حل آن دسته از مسائل طبق¬بندی را دارند که به طور خطی از هم مستقلند. از این رو شبکه¬های عصبی چند لایه توسط محققان مطرح شد.
شبکه¬های پرسپترون چند لایه سلسله مراتبی از واحدهای پردازشگر است که در یک مجموعه¬ی متشکل از دو یا چند مجموعۀ منحصر به فرد از نرون¬ها یا لایه¬ها، سازماندهی شده¬اند.
این شبکه¬ها از به هم پیوستن سه شبکه پرسپترون ایجاد شده است که یکی لایه ورودی و دوتای دیگر لایه¬های میانی و خروجی نامیده می¬ش
دانلود مقاله مقایسه شبکه عصبی مصنوعی و رگرسیون
