شکل۳-۳٫ شمای کلی پیش بینی توسط شبکه عصبی
الف- افراز داده ها
برای اینکه بتوانیم از داده ها برای پیش بینی توسط شبکه عصبی استفاده کنیم، داده ها را به دو بخش داده های آزمایشی و داده های آزمون تقسیم میکنیم. داده های آزمایش دادههایی هستند که شبکه توسط آن ها آموزش داده می شود و داده های آزمون، دادههایی است که برای آزمون کارایی شبکه به کار برده می شود. در واقع داده های آزمون، دادههایی است که به شبکه داده می شود تا شبکه میزان کارایی خود را برای پیش بینی آینده مشخص سازد. برای این کار بسیاری از محققین، ۸۰ درصد داده ها را برای آموزش و ۲۰ درصد داده ها را برای آزمون پیشنهاد میکنند (ژانگ ۲۰۰۴)،(رشیدی،۲۰۰۸)،(نیکوکار،۲۰۰۶).
ب- پیشپردازش داده ها
بنابر مطالعات قبلی انجام شده بر روی روش های مبتنی بر شبکه های عصبی، بهتر است بر روی داده ها پیشپردازش صورت گیرد. پیشپردازش داده ها سبب کاهش میزان تفاوت در داده ها و همچنین وزنها شده و موجب بهبود فرایند یادگیری میگردد.
نرمالیزه کردن از جمله رایجترین روش پیشپردازش روی دادههاست. در این روش داده ها چنان تغییر مییابند که دامنه تغییرات داده ها در محدوده ( H,L) باشد این کار با بهره گرفتن از رابطه زیر انجام میگیرد.
در این رابطه مقدار واقعی ورودی شبکه و مقدار نرمال شده متناظر با آن است، و به ترتیب مقدار کمینه و بیشینه X ها هستند. در این پایان نامه از دامنه {۱و۱-} به عنوان محدوده نرمالسازی استفاده شده است. فرمول بالا پس از جایگذاری به فرمول زیر تبدیل می شود:
ج- آموزش
مرحله آموزش وقتی قابل انجام است که داده های آموزش به همراه پاسخ آن ها موجود باشند. این داده ها را داده های ورودی آموزش و پاسخ آن ها را داده های خروجی آموزش مینامیم. شکل (۳-۴) مرحله آموزش دریک سیستم یادگیری را نشان میدهد.
شکل ۳-۴٫ مراحل آموزش در یک شبکه عصبی
به عنوان مثال در مسئله پیش بینی سپرده ها که مورد نظر ماست، این مطلب به این معنی است که در صورتی که مایل باشیم میزان سپرده ها را با بهره گرفتن از میزان سپرده در t روز قبل به دست آوریم، باید به سیستم یادگیرنده داده های t روز متوالی را به عنوان داده های ورودی آموزش و دادهای ۱+ t روزهای متوالی برای هریک از این روزها را به عنوان داده های خروجی پیش بینی وارد کنیم تا سیستم یادگیری بتواند از مشاهده t روز متوالی، مدل رایاد بگیرد.
د- آزمون
در مرحله آزمون ما خواهیم مطمئن شویم که آیا مدل یادگیری می تواند با دریافت دادههایی به غیر از داده های وارد شده به مدل یادگیری در مرحله قبل، پیش بینی را به درستی انجام دهد؟ برای این کار قسمتی از داده ها را که به سیستم وارد نکردهایم و اصطلاحاً داده های ورودی آزمون نامیده می شود را به مدل شبکه عصبی وارد میکنیم. سیستم با توجه به آنچه در مرحله یادگیری آموخته است، خروجی را محاسبه می کند. جوابهای به دست آمده را ستاده های خروجی آزمون می نامیم. شکل (۳-۵) مراحل آزمون در یک شبکه عصبی را نشان میدهد.
شکل ۳-۵٫ مراحل آزمون شبکه عصبی مصنوعی
-
- -Time series ↑
-
- -Box-Jenkins ↑
-
- – Box & Jenkins ↑
-
- – Autoregressive- IntegratedMoving Average ↑
-
- – Moving Average ↑
-
- – Autoregressive ↑
-
- -Integrated Average ↑
-
- -Stationary ↑
-
- -Neuron ↑
-
- -Multi Layer Perceptron(MLP) ↑
-
- – Mapping ↑
-
- -Hidden Layer ↑
-
- -Kolmogrov Theorem ↑
-
- – Mean absolute error(MAE) ↑
-
- – Mean absolute percentage error (MAPE) ↑
-
- – Mean squared error (MSE) ↑
-
- – Normalized mean squared error(NMSE) ↑
-
- – Root Mean squared error (RMSE) ↑
-
- – Normalized root mean squared error (NRMSE) ↑
-
- – Root Mean squared prediction error (RMSPE) ↑
-
- – White ↑
-
- – Aburto, B. & Weber. R ↑
-
- – Efendigil, T., Onut, S. & C. Kahreman ↑
-
- – Yildiz &et al. ↑
-
- – Mohan &et al ↑
-
- – Kumar &et al. ↑
-
- -Wuu &et al. ↑
-
- -Egeli &et al. ↑
-
- -Heravi & et. Al. ↑
-
- -Auto-Regressive ↑
-
- – Root Mean-Squared Error ↑
-
- – Olson & et. Al. ↑
-
- – Logit ↑
-
- – Yim ↑
-
- – Chon and Hendry encompassing test. ↑
-
- – Church & et al. ↑
-
- – Kuo, Chen and Hwang ↑
-
- – Tkacz, G. ↑
-
- – Dunis & Jalilov ↑
-
- – Naïve Adaptive Expectation ↑
-
- – Basket of Moving Average ↑
-
- – Sharp Ratio ↑
-
- – Moshiri & et. Al. ↑
-
- – Feed Forward ↑
-
- – Radial Basis ↑
-
- – Vector Auto Regressive ↑
-
- – Back Propagation ↑
-
- – Kohzadi & et. At. ↑
-
- -Feef Forward ↑
-
- – Turning Points. ↑
-
- – Partugal ↑
-
- – Auto Regressive Integrated Moving Average ↑
-
- – autoregressive moving average model ↑
-
- -non-stationary ↑
-
- -Unit Root ↑
-
- – Autocorrelation ↑
[پنجشنبه 1401-10-01] [ 10:29:00 ق.ظ ]
|