بخشی از مقاله
چکیده
شبکههای عصبی قابلیت بالایی در یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته، و توابع با مقادیر برداری دارند. به دلیل مصونیت شبکههای عصبی در برابر خطاهای داده آموزشی از این شبکهها میتوان برای تحلیل سریهای زمانی پیچیده مانند دادههای متغیرهای اقتصادی بهره برد.
در این پژوهش سعی بر آن شده است تا با اعمال سریزمانی دادههای نرخ ارز رسمی بانک مرکزی جمهوری اسلامی ایران در فاصله زمانی 1379/03/03 الی 1390/12/12 بر لایه ورودی شبکه عصبی پرسپترون چند لایه به بررسی پویایی موجود در این سریزمانی پرداخته شود. نتایج حاصل از آزمون شبکه عصبی نشان میدهد که مقادیر آتی نرخ ارز مطالعه شده در بازه زمانی کوتاه مدت بر اساس آموزش شبکه عصبی با استفاده از مقادیر پیشین قابل پیشبینی است.
مقدمه
شبکههای عصبی مصنوعی - ANN1 - 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 پیشبینی 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 میباشد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است.
این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهمپیوسته با نام نورون2 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. مثلاٌ 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 گرفته است، که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل میدهد.
در یک مدل شبکه عصبی، گرههای ساده - بطور گسترده »نورون«، »نورونها«، PEها - عناصر پردازش - یا واحدها - برای تشکیل شبکهای از گرهها، به هم متصل شدهاند 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 امکانپذیر است، که جهت تغییر وزن ارتباطات در شبکه - به منظور تولید سیگنال مورد نظر - 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 و تقریب 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 بیولوژیکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضانوردی را نام برد.
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 کالک و والتر پیتز 3 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 اصطلاحاً 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 1958 شبکه پرسپترون4 توسط روزنبلات 5 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 شده است. 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 1960 توسط ویدرو و هاف - دانشگاه استنفورد - به وجود آمد که اولین شبکههای عصبی به کار گرفته شده در مسائل واقعی بودند. آدالاین یک دستگاه الکترونیکی بود که از اجزای سادهای تشکیل شده بود، روشی که برای آموزش استفاده میشد با پرسپترون فرق داشت.
در سال 1969 مینسکی و پاپرت6 کتابی نوشتند که محدودیتهای سیستمهای تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیشداوری 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.
