بخشی از مقاله
چکیده
امروزه روشهای کمی، به یکی از مهمترین ابزار پیشبینی برای تصمیمگیریها و سرمایهگذاریهای کلان دربازارها تبدیل شدهاند. دقت پیشبینی، یکی از مهمترین عاملهای انتخاب روش پیشبینی است با توجه به اهمیت روز افزون نرم افزارهای کامپیوتری و استفاده گسترده از آنها در علوم مختلف کهقبلاً بیشتر در علوم مهندسی کاربرد داشتند اما امروزه به علوم انسانی نیز راه یافتهاند که در این میان نرم افزار متلب و بخش شبکههای عصبی از اهمیت خاصی برخوردار است و با توجه به قدرت و توانایی شبکه عصبی مصنوعی در پیش بینی، این نرم افزار در مدیریت و حسابداری که پیش بینی از ضروریات اصلی آن میباشد کاربرد پیدا کرده است و در این مقاله به معرفی شبکه عصبی مصنوعی و کاربرد آن در مدیریت و حسابداری میپردازیم.
مقدمه
کار بر روی شبکههای عصبی مصنوعی به طور مشخص از سال 1943 توسط مک کلو و پیتز آغاز گردید. از آنجا که هدف هوش مصنوعی توسعه پارادایمها یا الگوریتمهای مورد استفاده انسان جهت کاربرد در ماشین است، شبکههای عصبی مصنوعی نیز به عنوان یکی از روشهای هوش مصنوعی به دنبال تقلید از عملکرد مغز انسان است.
به دنبال آن در سالیان اخیر شاهد حرکتی مستمر از تحقیقاتصرفاً تئوری به تحقیقات کاربردی بویژه در پردازش اطلاعات برای مسایلی که یا برای آنها راه حلی موجود نیست و یا به راحتی قابل حل نیستند، بودهایم. با توجه به این واقعیت، علاقه فزایندهای در توسعه نظری سیستمهای پویای هوشمند آزاد از مدل که مبتنی بر دادههای تجربی هستند، ایجاد شده است ؟
شبکههای عصبی - محاسبات نرونی - ، منطق فازی - محاسبات تقریبی - و الگوریتم ژنتیک - محاسبات ژنتیکی - جزء مولفههای مهم و اساسی هوش محاسباتی میباشند که هر یک به نوعی مغز را الگو قرار دادهاند. شبکههای عصبی ارتباطات سیناپسی و ساختار درونی، منطق فازی استنتاجات تقریبی و محاسبات ژنتیکی، محاسبات موتاسیونی را مدل میکنند.
×-1×شبکه عصبی مصنوعی
در شبکههای عصبی مصنوعی نیز بلوکهای ساختاری و یا نورونها، دستگاههای محاسباتی خیلی ساده ای هستند و ارتباط بین نورونها عملکرد شبکه را تعیین میکند و هدف از آموزش شبکههای عصبی مصنوعی تعیین ارتباط مناسب، جهت حل مسائل مختلف است. در واقع شبکههای عصبی مصنوعی نیز با ایده گرفتن از رفتار شبکه عصبی بیولوژیکی شکل یافته است.
در این شبکههانیز عموماً لایههای موازی نورونها را میبینیم که نورونهای هر لایه نقش خاصی را ایفا میکنند.معمولاً ورودیهایی که از خارج به شبکه عصبی داده میشوند، به دستهای از نورونها که در یک لایه مرتب شدهاند، اعمال میشود. این ورودیها با وزنهای خاص جمع شده به تابع تحریک هر نورون فرستاده میشوند که این اقدام به پردازش جمع وزندار ورودیهای اعمال شده به نورون میکند و خروجی نورون را به لایههای بعدیو نهایتاً به لایه خروجی میفرستد که جواب شبکه نسبت به ورودیهای اعمال شده به آن است؟
اگر چه نورونهای بیولوژیکی از نورونهای مصنوعی که توسط مدارهای الکتریکی ساخته میشوند، بسیار کندتر هستند - یک میلون بار - ، اما عملکرد مغز خیلی سریعتر از عملکرد یک کامپیوتر معمولی است. علت اصلی این پدیده بیشتر به خاطر ساختار کاملاً موازی نورونهای عصبی مغز است و این بدان معنی است که همه نورونهامعمولاً به طور همزمان کار میکنند و پاسخ میدهند.
شبکههای عصبی مصنوعی با وجود اینکه با سیستم عصبی طبیعی قابل مقایسه نیستند، ویژگیهایی دارند که آنها را در بعضی از کاربردها مانند تفکیک الگو، رباتیک، کنترل و به طور کلی در هر جا که نیاز به یادگیری یک نگاشت خطی و یا غیر خطی باشد ممتاز مینماید - منهاج، . - 1381 به بیان دیگر شبکههای عصبی مصنوعی، در واقع نوعی سیستم پردازش اطلاعات هستند که از تعمیم یافتن مدلهای ریاضی شبکههای عصبی انسان بر مبنای فرضیات زیر توسعه یافتهاند.
داده پردازی در اجزای سادهای به نام نورون صورت میگیرد. اطلاعات از طریق ارتباط بین نورونها منتقل میشود؟ هر ارتباط دارای وزن مخصوص به خودش است. هر نورون برای محاسبه خروجیاش، یک تابع تحریک دارد که به مجموع وزندار ورودیهایش اعمال میشود. خروجی هر پردازشگر - نورون - ممکن است به تعداد زیادی واحد پردازشگر دیگر منتقل شود؟
پس یک شبکه عصبی تشکیل شده از چندین نورون عصبی است که به هنگام نیاز فعال شده و محاسبات روی آن انجام میگیرد. به عبارت دیگر این نورونها تشکیل شده از گرهها و پاره خطهای جهتداری هستند که فرآیند حل مسئله در مسیر آنها صورت میگیرد.×گرههایی که در لایه ورودی هستند نورونهایی هستند که هیچ عملیاتی بر روی آنها صورت نمیگیرد و در محاسبه تعداد لایهها نیز قرار نمیگیرند. گرههای لایه خروجی نورونهای پاسخ دهنده هستند که پاسخ حل مسئله در آنها نمایان میشود.
بین نورونهای ورودی و خروجی نیز نورونهای پنهان قرار دارند. برای حل یک مسئله با چندین ورودی و خروجی از یک نورون به تنهایی نمیتوان استفاده کرد. در این حال باید از چندین نورون به صورت موازی بهره جست که بتوانند بردارهای ورودی را همزمان پردازش کنند و به بردار خروجی لایه آخرمنتقل کنند.×درون هر نورون یک وزن به خصوصی است که با اعمال آن به مقادیر ورودی به نورون روی آنان تأثیر گذاشته و بردارهای وزندار را به توابع تحریک هدایت میکنند.
ممکن است نیاز باشد یک بردار علاوه بر آن که وزن آن تغییرکند در فضای برداری جابجا شود که این عمل با اضافه کردن یک بایاس به ماتریس وزن دار صورت میگیرد. ×حال مقادیر وزندار به توابع تحریک برده میشوند و تابع خروجی مقدار اصلی را به خود میگیرد و با توجه به اینکه آیا جواب مناسب بدست آمده است یا خیر این مقادیر با بردار هدف مقایسه میشوند و در صورت اختلاف با بردار هدف به عقب برگشت داده میشوند تا وزنهای مناسبتری برای آن بردارها انتخاب گردد.
