ژانویه 23, 2021

سامانه پژوهشی – بکارگیری تبدیل موجک در ارائه مدلی برای پیش بینی شاخص قیمت سهام- قسمت ۱۷

1 min read

تعیین تابع معیار، نوع کروموزوم ها، پارامترها و عملگرهای الگوریتم ژنتیک
تولید نسل اول
تعیین ارزش هر کروموزوم
انتخاب والدین
بررسی شرایط توقف
تبادل ژنتیکی
جهش
شکل۳-۳: ساختار الگوریتم ژنتیک
۳-۶-۴: استخراج قانون از شبکه های عصبی
عیب مهم و اساسی شبکههای عصبیمصنوعی، عدم توانایی در توضیح و تفسیر است (اندرسن[۱۱۴]و همکاران،۱۹۹۶). اگر چه شبکههای عصبی در بسیاری از کاربردهای خود، موفقیت آمیز بوده است، اما دانش مربوطه در توابع انتقال و وزن های نرونها مخفی می شوند(بولوگنا[۱۱۵]،۲۰۰۴). به هرحال آنها مشابه جعبه های سیاه ممتد هستند که فهم روش حل یک مسئله توسط شبکههای عصبی را دشوار کرده است(مانتاس[۱۱۶] و همکاران،۲۰۰۶). بنابراین اطلاعاتی که توسط شبکهی عصبی برای دست یابی به پاسخ، بکار گرفته شده است، برای کاربران شفاف نیست و ممکن است در برخی موارد مسئله ساز شود(هوانگ و ژینگ[۱۱۷]،۲۰۰۲).
برای حل این مسئله، محققان مایل بودند که یک تکنیک ملموس و قابل فهم برای شبکههای عصبی ایجاد نمایند. آنها اعتقاد داشتند این هدف میتواند با استخراج قانون تولید شده از شبکه های عصبی بدست آید(هوانگ و ژانگ،۲۰۰۲). شکل مفهومی آن در نگاره ۳-۴ نشان داده شده است.
شبکه عصبی
الگوریتم استخراج قانون
مجموعه قوانین
شکل۳-۴: شکل مفهومی استخراج قانون از شبکههای عصبی
از یک دیدگاه می توان تکنیکهای استخراج قانون را به سه دسته تقسیم کرد: تجزیه ای[۱۱۸]، مبتنی بر آموزش[۱۱۹] و منتخبان[۱۲۰]. روش تجزیهای فعالیت و وزنهای لایهی پنهان را تجزیه و تحلیل می کند؛ در مقابل، روش مبتنی بر آموزش، شبکهی عصبی را به عنوان یک جعبهی سیاه در نظر گرفته و قوانین را با توجه به فعالیت ورودی و خروجی بدست می آورد. هدف این روش استخراج قوانین نمادین است به طوری که ارتباط بین ورودی و خروجی را با دقت بدست میآورد. در نهایت، روش منتخبان، از ترکیب اجزای دو روش فوق پیروی میکند(تیکل[۱۲۱] و همکاران،۱۹۹۷).
در تکنیک استخراج قانون از شبکه های عصبی با استفاده از الگوریتم ژنتیک، از الگوریتم های مبتنی بر آموزش و منتخبان، بیشتر استفاده می شود.
نکتهی قابل ذکر در مورد این تحقیق آن است که به منظور استخراج قوانین از شبکهی عصبی با الگوریتم ژنتیک، دادهها از قوانین فازی استفاده شده و ورود و خروج داده ها به صورت فازی بوده است. از این رو مفاهیم اولیه علاوه بر مفاهیمی که در قسمت الگوریتم ژنتیک بیان شد، در استخراج قوانین کاربرد دارد، در زیر شرح داده شده است:
تابع عضویت[۱۲۲]: با استفاده از توابع عضویت فازی، هریک از متغیرهای ورودی از قالب عددی به قالب فازی (زبانی) تبدیل می شوند.
پایگاه اطلاعات: این بخش حاوی اطلاعات لازم در مورد متغیرهای ورودی و خروجی و روابط حاکم بین آنها می باشد .این بخش خود از دو قسمت پایگاه داده[۱۲۳] ها و پایگاه قوانین[۱۲۴] تشکیل می شود.
پایگاه دادهها: این بخش تعاریف لازم در مورد توابع عضویت مربوط به عبارات کلامی و توابع مقیاس گذاری را فراهم می کند.
پایگاه قوانین: این بخش از قوانینی به فرم جملات شرطی “اگر- آنگاه” تشکیل شده است که با استفاده از آنها خروجی تعیین می شود.
سیستم استنتاجدر این بخش با توجه به ورودی فازی کننده[۱۲۵]، اطلاعات پایگاه قوانین و با استفاده از روش های استنتاج فازی، خروجی کنترل کننده تعیین می شود.
غیرفازی کننده[۱۲۶]غیر فازی کننده، مجموعه فازی خروجی سیستم استنتاج را به یک نقطه غیر فازی می نگارد. در حقیقت این بخش، نقطه ای را که بهترین نماینده مجموعه فازی است، مشخص میکند.
در نگاره ۳-۵ شکل مفهومی الگوریتم ژنتیک فازی مورد استفاده بیان شده است.
پایگاه اطلاعات
رابط خروجی
رابط ورودی
پروسه یادگیری بر اساس الگوریتم ژنتیک
شکل۳-۵: الگوریتم ژنتیک فازی
۳-۶-۵: تبدیل موجک
ویولت[۱۲۷] در لغت به معنی یک موج کوچک می باشد، یک تبدیل موجک دارای ویژگیهای زیر می باشد:

دانلود متن کامل پایان نامه در سایت jemo.ir موجود است

  1. تبدیل یک سیگنال به مجموعه ای از موجک‌ها است.
  2. ایجاد و ارائه یک مسیر برای آنالیز نمودن شکل موج‌های مختلف در دو حوزه زمان و فرکانس.
  3. امکان ذخیره نمودن سیگنال‌ها با بازدهی بسیار بهتر نسبت به تبدیل فوریه.
Copyright © All rights reserved. | Newsphere by AF themes.