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

    1. -Time series ↑

    1. -Box-Jenkins ↑

    1. – Box & Jenkins ↑

    1. – Autoregressive- IntegratedMoving Average ↑

    1. – Moving Average ↑

    1. – Autoregressive ↑

    1. -Integrated Average ↑

    1. -Stationary ↑

    1. -Neuron ↑

    1. -Multi Layer Perceptron(MLP) ↑

    1. – Mapping ↑

    1. -Hidden Layer ↑

    1. -Kolmogrov Theorem ↑

    1. – Mean absolute error(MAE) ↑

    1. – Mean absolute percentage error (MAPE) ↑

    1. – Mean squared error (MSE) ↑

    1. – Normalized mean squared error(NMSE) ↑

    1. – Root Mean squared error (RMSE) ↑

    1. – Normalized root mean squared error (NRMSE) ↑

    1. – Root Mean squared prediction error (RMSPE) ↑

    1. – White ↑

    1. – Aburto, B. & Weber. R ↑

    1. – Efendigil, T., Onut, S. & C. Kahreman ↑

    1. – Yildiz &et al. ↑

    1. – Mohan &et al ↑

    1. – Kumar &et al. ↑

    1. -Wuu &et al. ↑

    1. -Egeli &et al. ↑

    1. -Heravi & et. Al. ↑

    1. -Auto-Regressive ↑

    1. – Root Mean-Squared Error ↑

    1. – Olson & et. Al. ↑

    1. – Logit ↑

    1. – Yim ↑

    1. – Chon and Hendry encompassing test. ↑

    1. – Church & et al. ↑

    1. – Kuo, Chen and Hwang ↑

    1. – Tkacz, G. ↑

    1. – Dunis & Jalilov ↑

    1. – Naïve Adaptive Expectation ↑

    1. – Basket of Moving Average ↑

    1. – Sharp Ratio ↑

    1. – Moshiri & et. Al. ↑

    1. – Feed Forward ↑

    1. – Radial Basis ↑

    1. – Vector Auto Regressive ↑

    1. – Back Propagation ↑

    1. – Kohzadi & et. At. ↑

    1. -Feef Forward ↑

    1. – Turning Points. ↑

    1. – Partugal ↑

    1. – Auto Regressive Integrated Moving Average ↑

    1. – autoregressive moving average model ↑

    1. -non-stationary ↑

    1. -Unit Root ↑

    1. – Autocorrelation ↑

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...