دانلود پایان نامه ایرانداک user8194- دانلود پایان نامه


عضو شوید


نام کاربری
رمز عبور

:: فراموشی رمز عبور؟

عضویت سریع

نام کاربری
رمز عبور
تکرار رمز
ایمیل
کد تصویری
براي اطلاع از آپيدت شدن وبلاگ در خبرنامه وبلاگ عضو شويد تا جديدترين مطالب به ايميل شما ارسال شود




تبادل لینک هوشمند

برای تبادل لینک ابتدا ما را با عنوان پایان نامه ها و آدرس k-thesis.LXB.ir لینک نمایید سپس مشخصات لینک خود را در زیر نوشته . در صورت وجود لینک ما در سایت شما لینکتان به طور خودکار در سایت ما قرار میگیرد.







نام :
وب :
پیام :
2+2=:
(Refresh)
پرش به محتوای اصلیرفتن به نوارابزار پیشخوان خانه به‌روزرسانی‌ها 2 نوشته‌ها همه‌ی نوشته‌ها افزودن نوشته دسته‌ها برچسب‌ها بگرد و جایگزین کن! تمام گشتن ها اضافه کردن رسانه کتابخانه افزودن برگه‌ها همه‌ی برگه‌ها افزودن برگه دیدگاه‌ها 1 نمایش پوسته‌ها سفارشی‌سازی ابزارک‌ها فهرست‌ها سربرگ پس‌زمینه Random Backgrounds تنظیمات پوسته ویرایشگر افزونه‌ها افزونه‌های نصب‌شده افزودن ویرایشگر Random Banners کاربران همه کاربران افزودن شناسنامه شما ابزارها ابزارهای دردسترس درون‌ریزی برون‌بری Search & Replace تنظیمات همگانی نوشتن خواندن گفت‌و‌گو‌ها رسانه پیوندهای یکتا Shortcode any widget Auto Limit Posts Header and Footer WP Rocket XML-Sitemap Random Thumbnails کوتاه کردن پست فونت ماندگار فونت پیشخوان فونت پوسته انتقادات و پیشنهادات Related Posts تنظیمات پارسی جمع کردن فهرست درباره وردپرس پایان نامه های ایران داک 22 به‌روزرسانی پوسته 11 دیدگاه در انتظار مدیریت است تازه WP Rocket سلام 92 بیرون رفتن راهنما تنظیمات صفحه نوشته‌ی تازه Easy Image Display is supported through Patreon. If you find it useful, please consider a small donation. Thanks! | Hide Notice وردپرس پارسی فعال شد! برای کارکردن افزونه نیاز به پیکربندی آن دارید. برگه‌ی پیکربندی – بی‌خیال WP Rocket بعد از فعال یا غیرفعال سازی ویژگی یا افزونه پا کردن کش ضروری است پاک کردن کش WP Rocket: برای درست کار کردن افزونه به پیوند یکتا بروید و ساختار دلخواه را انتخاب کنید ، رفتن به پیوند یکتا عنوان را اینجا وارد کنید پیوند یکتا: http://abbas-jadidi.ir/?p=3132&preview=true تغییر پیوندهای یکتا افزودن پرونده چندرسانه‌ایدیداریمتن bilinkb-quotedelinsimgulollicodemoreبستن برچسب‌هاجهت متن سرویس وبلاگدهی وردپرسی

پایان نامه ارشد مدیریت (سایت اصلی)

نمونه سوال ارشد (تست ها)

پایان نامه ارشد حقوق (سایت اصلی)

دانلود پایان نامه ارشد -همه رشته ها

پایان نامه حسابداری (سایت اصلی)

پایان نامه ادبیات

پایان نامه برق

پایان نامه (ارشد فایل)

پایان نامه ارشد روانشناسی (بلاگ اسکای)

پایان نامه مدیریت

پایان نامه ارشد (پارسی بلاگ)

روانشناسی (لوکس بلاگ)

پایان نامه (رزبلاگ)

فروش فایل سنجش و دانش

آرتین فایل

پایان نامه (بلاگ اسکای)

پایان نامه های پارسی بلاگ 2

پایان نامه و تز (فورکیا)

پایان نامه (نیلوبلاگ)

دانلود پایان نامه ارشد مدیریت (لوکس بلاگ)

پایان نامه ارشد رشته حقوق (میهن بلاگ)

پایان نامه ارشد حقوق (بلاگ اسکای)

هما تز

دانلود پایان نامه رشته حقوق (رز بلاگ)

پایان نامه حقوق (نیلو بلاگ)

عناوین پایان نامه مدیریت

پایان نامه های حقوق (لوکس بلاگ)

پایان نامه تربیت بدنی

پایان نامه مدیریت صنعتی

پایان نامه ارشد مدیریت (بلاگ اسکای)

پایان نامه علم یار

پایان نامه روانشناسی (فورکیا)

پایان نامه ارشد

پایان نامه حقوق (رزبلاگ)

آوا فایل

دانلود پایان نامه ها (رزبلاگ 3)

دانلود متن کامل پایان نامه (رزبلاگ)

پایان نامه حقوق جزا

ارشد حقوق

بهار فایل

پایان نامه ها (پارسا بلاگ)

پایان نامه حسابداری

پایان نامه بورس

پایان نامه حسابداری دولتی

پایان نامه ها (سایت بیان)

پایان نامه مدیریت مالی

پایان نامه ارشد جغرافی (جغرافیا)

فوکا-لینک های مفید سایت دانلود

پایان نامه مدیریت انسانی

پایان نامه ارشد صنایع

پایان نامه مدیریت مالی صنعتی

پایان نامه الهیات

پایان نامه عمران

پایان نامه ارشد (میهن بلاگ)

متن کامل پایان نامه (رزبلاگ 4)

پایان نامه و تحقیق

پایان نامه مدیریت عمران

پایان نامه فرمت ورد( لوکس بلاگ)

پایان نامه ارشد ( لوکس بلاگ)

پایان نامه ارشد دانلود ( لوکس بلاگ)

دانلود پایان نامه ها (پارسا بلاگ)

پایان نامه (جوان بلاگ)

پایان نامه ارشد و کارشناسی

پایان نامه کارشناسی ارشد (لاین بلاگ)

دسترسی پایان نامه ارشد

دانلود رایگان پایان نامه

تعداد واژه‌ها: 290 پیش‌نویس در زمان 2:17:43 ب.ظ ذخیره شد. تغییر وضعیت پنل: انتشار انتشار ذخیره پیش‌نویس پیش‌نمایش (باز شدن در پنجره تازه) وضعیت: پیش‌نویس ویرایش ویرایش وضعیت نمایانی: عمومی ویرایش تغییر میدان دید انتشار فوری ویرایش ویرایش تاریخ و زمان پاک کردن کش انتقال به زباله‌دانانتشار تغییر وضعیت پنل: ساختار ساختار ساختارهای نوشته استاندارد حاشیه پیوند گفتاورد تغییر وضعیت پنل: دسته‌ها دسته‌ها همه دسته‌ها بیشتر استفاده شده پایان نامه ها دسته شماره 2 + افزودن دسته تازه تغییر وضعیت پنل: برچسب‌ها برچسب‌ها افزودن برچسب افزودن برچسب‌ها را با ویرگول لاتین (,) جدا کنید انتخاب از برچسب‌های بیشتر استفاده شده تغییر وضعیت پنل: Cache Options Cache Options Activate these options on this post: Images LazyLoad Iframes & Videos LazyLoad HTML Minification CSS Minification JS Minification شبکه تحویل محتوا Note: These options aren't applied if you added this post in the "Never cache the following pages" option. تغییر وضعیت پنل: Header and Footer Header and Footer Disable top injection Disable bottom injection سپاسگزاریم از اینکه سایت خود را با وردپرس ساخته‌اید. نگارش 4.8.1 پیوند درج شد. هیچی پیدا نشد.

دانلود پایان نامه ارشد

دانلود پایان نامه های ارشد ایران داک –مجموعه کامل پایان نامه دسترسی متن کامل پایان نامه-پایان نامه ارشد-دانلود متن کامل همه رشته ها و گرایش ها خرید و فروش پایان نامه -تحقیق-پروژه-مقاله دانلود متن کامل با فرمت ورد پایان نامه های ارشد-رشته و گرایش : ادبیات برق عمران رشته روانشناسی-مدیریت حقوق –دانلود نمونه رایگان پایان نامه

تحقیق علمی دانشگاه user8194- پایان نامه رایگان

موضوع تحقیق علمی user8194- پژوهش

دانلود تحقیق علمی user8194- پایان نامه

Please enter banners and links.

1-5 سئوالات تحقيقاين تحقيق، تحقيقي نظري است که در آن در سعي بر آن شده است تا پاسخ سئوال زير به عنوان سئوال اصلي تحقيق يافته شود:
“از بين مدل هاي شبکه عصبي مصنوعي آموزش داده شده با الگوريتمهاي تکاملي رايج در پيش بيني قيمت سهم کداميک با بهترين دقت پيش بيني قيمت سهم شرکتها در بورس اوراق بهادار تهران را انجام مي دهد؟”
به منظور پاسخ گويي به سئوال فوق در مراحل تحقيق به سئوالات زير به عنوان سئوالات فرعي تحقيق پاسخ داده مي شود:
داده هاي بورس اوراق بهادار چگونه ذخيره سازي و توزيع مي شوند و مي توان به آنها دسترسي پيدا کرد؟
ترکيب شبکه عصبي مصنوعي با الگوريتمهاي بهينه سازي تکاملي به چه صورت پياده سازي مي گردد؟
آيا داده کاوي با الگوريتمهاي ترکيبي شبکه عصبي مصنوعي و الگوريتمهاي بهينه سازي تکاملي قادر به ارائه پاسخ قابل قبول و قابل اطميناني در پيش بيني قيمت سهم مي باشد؟
1-6 مفروضات تحقيق
اگر چه در اين تحقيق سعي بر آن شده تا با محدودسازي بيهوده از کيفيت محتواي تحقيق کاسته نگردد لکن برخي مفروضات بر به شرح موارد زير بر اين تحقيق وارد مي باشند:
اثرات کليه عوامل تاثيرگذار بر قيمت سهام شرکت در بازار بورس اوراق بهادار در ذات قيمت سهام در دوره هاي گذشته وجود داشته و نيازي به در نظر گرفتن عوامل ديگر در پيش بيني قيمت آينده سهم نمي باشد. به عبارت ديگر، تکنيک تحليل سهم پشتيبان در اين تحقيق مبتني بر رويکرد تکنيکال مي باشد.
نتايج پيش بيني قيمت پنج سهم مورد مطالعه، قابل تعميم به جامعه سهام شرکتها در بورس اوراق بهادار مي باشد.
بر اساس تحقيقات پيشين از بين الگوريتمهاي تکاملي رايج دو الگوريتم ژنتيک و بهينه سازي ازدحام ذرات انتخاب شده و الگوريتم رقابت استعماري به دليل جديدتر بودن و انجام کمترين تحقيقات در اين حوزه مد نظر قرار گرفته است.
انتخاب/ استخراج ويژگي در سري زماني قيمت سهام هر شرکت بر اساس نتايج تحقيقات گذشته صورت مي گيرد و در اين تحقيق فعاليت افزوده اي بر فعاليتهاي پيشين به غير از کاهش اندازه داده ها بر اساس نتايج انتخاب/استخراج ويژگي در تحقيقات گذشته صورت نمي گيرد.
1-7 دامنه تحقيقاين تحقيق به گونه اي انجام گرفته است که نتايج آن قابل تسري به کليه مسائل مشابه باشد. در اجراي اين تحقيق برخي محدوديهاي کوچک به واسطه زمان محدود تحقيق و محدوديت منابع، منجر به محدودسازي دامنه مساله و تحقيق گرديده است. موارد زير عوامل محدودکننده دامنه اين تحقيق مي باشند:
نمونه مورد بررسي تعداد پنج سهم از بين بيش از چهارصد و پنجاه سهم در بازار بورس اوراق بهادار تهران مي باشد. بر اساس محاسبات تئوريک آماري تعداد نمونه بيشتري از چهارصد و پنجاه سهم موجود براي رسيدن به سطح اطمينان 90% نياز مي باشد ولي با در نظر گرفتن تشابه بسيار زياد رفتار قيمت سهام مختلف در يک صنعت و با در نظر گيري تعداد سي و پنج صنعت فعال در بورس اوراق بهادار تعداد پنج سهم به عنوان نمونه قابل قبول در سطح 95% اطمينان مي باشد.
توان محاسباتي نرم افزار مورد استفاده که در اين تحقيق نرم افزار MATLAB مي باشد يکي ديگر از موارد مورد توجه مي باشد. اين نرم افزار بسيار قدرتمند در انجام محاسبات، توان محدودي نسبت به برخي نرم افزارهاي موجود مانند R در راندمان محاسبات و فضاي مورد نياز دارد. اين مورد اثري در محاسبات و نتايج اين تحقيق ايجاد ننموده لکن امکان محاسبات همزمان تعداد نمونه بيشتر را با محدوديت مواجه مي نمايد.
1-8 ساختار تحقيقاين تحقيق شامل شش فصل مي باشد. در فصل اول مساله تحقيق معرفي مي گردد و سئوالات اصلي و فرعي تحقيق به همراه مفروضات و دامنه تحقيق تشريح مي گردد. تحقيقات پيشين در فصل دوم مرور شده اند. در اين فصل مرور تحقيقات داده کاوي روي الگوريتمهاي ترکيبي شبکه عصبي مصنوعي و الگوريتمهاي ديگر مورد توجه قرار گرفته و در اين بين الگوريتمهاي بهينه سازي تکاملي کانون توجه بوده اند. همچنين در اين فصل نتايج تحقيقات گذشته در شناسايي/ انتخاب ويژگي در داده هاي قيمت سهام مورد بررسي قرار گرفته است. فصل سوم اين تحقيق حاوي مباني نظري تحقيق مي باشد. در اين فصل پس از شرحي بر بازار بورس اوراق بهادار و رويکردهاي رايج تحليل قيمت سهام در آن بازار به تشريح نظري داده کاوي، شبکه هاي عصبي مصنوعي و الگوريتمهاي تکاملي انتخاب شده پرداخته شده است. روش تحقيق به کار گرفته شده، در فصل چهارم اين گزارش شرح داده شده است. نتايج اجراي تحقيق بر اساس روش تحقيق شرح داده شده در فصل پنجم گزارش گرديده است و فصل ششم، تحليل و نتيجه گيري اجراي تحقيق را در کنار پيشنهاد تحقيقات آينده ارائه مي نمايد.

: پیشینه تحقیق2-1 مدلهاي پيش بيني قيمت سهم در تحقيقات پيشينمحققان بسياري سعي نموده اند تا با به کارگيري روشهاي گوناگون پيش بيني به نتايج قابل قبولي در پيش بيني قيمت سهام در بازارهاي پول و سرمايه دست يابند. سير تحقيقات نشان دهنده آن است که از مدلهاي ساده و تک بعدي ابتدايي، روشها به سمت مدلهاي روشهاي زماني، مدلهاي بهينه سازي کلاسيک، روشهاي هوش مصنوعي و روشهاي ترکيبي حاصل از ترکيب انواع مدلهاي اشاره شده حرکت نموده اند.
در مواردي روشهاي مبتني بر تحليل سري هاي زماني مانند الگوريتم هموارسازي نمايي و يا تحليل روند مورد استفاده قرار گرفته اند. تحقيقات متعددي با هدف پيش بيني قيمت سهام شرکتها در بازارهاي پول و سرمايه با روشهاي مختلفداده کاوي صورت گرفته است. بسياري تحقيقات بر اساس به کارگيري شبکه عصبي مصنوعي شکل گرفته اند و محققان به اشکال گوناگون به بررسي کارايي آن الگوريتم پرداخته اند.
در تحقيقي CITATION WuM13 \l 1065 [1] از شبکه عصبي پيشرو به منظور پيش گويي قيمت سهام استفاده نموده اند. در اين تحقيق، به کمک فرايند داده کاوي يکپارچه، داده هاي انتخاب، نمونه داده ها، تبديل داده ها، مدلسازي شبکه، شبيه سازي شبکه و ارزيابي نتايج به دست آمده، پيش گويي روند شاخص کل بازار بوري شانگهاي با دقت بالاتري به دست آمد. نتيجه اين تحقيق، مزيت استفاده از شبکه عصبي پيشرو با يادگيري پيش انتشار را در پيش گويي سيستمهاي غيرخطي نشان داد. همچنين در تحقيق ديگري CITATION مسع \l 1065 [2] به مطالعه تجربي بر روي يك شبكه عصبي مصنوعي، كه حاصل تجارب پياده سازي مدل انتشار – بازگشتي پيش بيني قيمت سهام است را گزارش مي دهد پرداختند. در راستاي آزمون قابليتهاي پيش بيني شبكه عصبي، مدل انتشار – بازگشتي براي پيش بيني قيمت سهام ايجاد گرديد. پارامترهاي اين نوع شبكه تغيير داده شد و نتايج پيش بيني ثبت گرديد. اين پارامترها عبارت بودند از : الگوريتم يادگيري، بازه نگاه به گذشته، تعداد نورون ها در لايه پنهان و توابع فعال ساز كه اثرات تغييرات آنها در اين مقاله موردمطالعه قرار گرفت . در انتها نتايج پياده سازي مدل روي سهام سه شركت مختلف به همراه پارامترهاي آن نشان داده شده است. در اين مطالعه سهام سه كمپاني SPG, WMT, IBM در بازار سهام نيويورك از سال 2004 تا 2007 به عنوان ورودي شبكه عصبي مورد مطالعه قرار گرفت . از ميان داده ها قيمت حداکثر و حداقل براي هر ماه مد نظر بوده است. براي آموزش مدل داده ها از ماه دوم سال 2004 تا ماه اول سال 2006 استخراج شدند. كه از 60 درصد از اين داده براي آموزش و از 40 درصد ديگر به عنوان آزموني براي تشخيص توانائي پيش بيني مدل استفاده شده است. در ادامه براي تعيين ميزان سود حاصله قيمت حداکثر و حداقل دوازده ماه (از ماه دوم سال 2006 تا ماه اول سال 2007) به شبكه داده شد. هدف يا خروجي شبكه پيش بيني قيمت حداکثر و حداقل سهام در ماه بعد مي باشد. ANN استفاده شده داراي سه لايه (لايه پنهان ، لايه ورودي و لايه خروجي) مدل آموزش پيش انتشار خطا، تعداد نورون هاي ورودي برابر با اندازه بازه ضربدر 2 و تعداد نورون هاي خروجي برابر با 2 (حداکثر و حداقل) مي باشد. در انتهاي اين مقاله نتايج بدست آمده از شبكه پياده سازي شده، شامل قيمتهاي واقعي،پيش بيني شده همراه با نمودار عملكرد شبكه در فرايند آموزش به ازاي قيمتهاي حداکثر و حداقل نشان داده شده است.
اخيرا محققان به ترکيب الگوريتمهاي مختلف به منظور بهبود کارايي و دقت در پيش بيني ها مشغول شده اند و نتايج مناسبي نيز به دست آورده اند.
تحقيق ديگري CITATION پیا89 \l 1065 [3] به ارائه مدلي تركيبي از شبكه هاي عصبي مصنوعي، با هدف بررسي توان پيش بيني كنندگي آنها در مقايسه با مدلهاي منفرد پرداختند. در اين بررسي، با استفاده از شبكه هاي عصبي، تركيبي متشكل از شبكه هاي پيشخور و كوهونن اقدام به پيش بيني قيمت سهام شده است. نتايج آزمايشات محاسباتي در شبکه عصبي خودسازمانده پيش بيني قيمت سهام در بازار بورس تهران نشان داد كه تركيب شبكه خودسازمانده كوهونن با شبكه پيشخور، در مقايسه با مدل منفرد شبكه پيشخور كه پركاربردترين مدل شبكه هاي عصبي مصنوعي در حوزه پيش بيني بود، عملكرد بهتري در پيشبيني قيمت سهام ارائه ميكند.
گروهي از الگوريتمهاي ترکيبي الگوريتمهايي هستند که از ترکيب شبکه عصبي مصنوعي با يکي از الگوريتمهاي بهينه سازي تکاملي شکل مي گيرند. به دليل جديد بودن اين زمينه، تحقيقات متععدي روي آن صورت نگرفته است لکن موارد محدود موجود نشان دهنده کارايي و دقت قابل قبول براي پيش بيني در بازار بورس اوراق بهادار مي باشد.
محققان ديگري CITATION Deb13 \l 1065 [4] عنوان نموده اند به کارگيري روشهاي سنتي، قابليت اطمينان پيش گويي ها در بازار سهام را تضمين نمي نمايند. ايشان شبکه عصبي مصنوعي را به منظور استخراج اطلاعات از داده هاي حجيم و داده کاوي را به منظور پيش گويي روندها و رفتار در بازارهاي سهام مناسب يافتند و با ترکيب اين دو به مدلي دست يافتند که در خروجي، پيش گويي هايي با قابليت اطمينان مطلوبتر ارائه مي نمود.
در تحقيقي CITATION Jia13 \l 1065 [5] محققان براي پيشگويي روند قيمت سهام شرکتها، قيمت سهام را تحت تاثير عوامل بيروني اقتصادي و شاخصهاي مالي شرکت دانسته و به منظور تعيين روند قيمت آن از روش خوشه بندي فازي (روشي ترکيبي) استفاده نمودند. در خوشه بندي، نمونه ها با توجه به فاصله آنها با يکديگر و يا به عبارت ديگر بر اساس ميزان نزديکي و مشابهت تقسيم مي شوند و خوشه ها را شکل مي دهند. در خوشه بندي کلاسيک هر نمونه فقط و فقط مي تواند عضو يک خوشه باشد لکن در خوشه بندي فازي با توجه به مفهوم مجموعه هاي فازي هر نمونه مي تواند به بيش از يک خوشه نيز تعلق داشته باشد. استفاده از اين روش به محققان اين امکان را داده تا قطعيت قضاوت در مورد روند قيمت يک سهم را افزايش دهند و در مواردي که نمونه اي بسيار مشابهت به نمونه هاي مثلا دو خوشه را دارد آن را در هر دو خوشه در نظر بگيرد. اين حالت در مورد قيمت سهام بروز مي نمايد و يکي از منابع تصميمات اشتباه تحليل گران بازار سهام را شکل مي دهد.
الگوريتم مورد نظر در مورد داده هاي قيمت سهم ده شرکت مخابراتي با در نظر گرفتن نه شاخص مالي شامل دارايي خالص به ازاي هر سهم، عايدي به ازاي هر سهم، سرمايه تجمعي به ازاي هر سهم، نرخ سود ناخالص به ازاي هر سهم، نسبت سود عملياتي، نسبت سود خالص، بازگشت وزني سرمايه، بازگشت خفيف سرمايه و نسبت جاري به کار گرفته شد.
نتايج آزمون انجام شده نشان داد که در مواردي که شاخصهاي مالي شرکتها در يک خوشه قرار مي گيرند قيمت سهام شرکتها مشابهت زيادي خواهند داشت و مي توان روند آن را پيش گويي نمود. مثلا دو شرکت اول و نهم در آزمون مذکور در يک خوشه قرار گرفت. با کاهش ضريب لاندا شرکت ششم نيز در خوشه اول قرار گرفت و قابل پيشگويي نمود که قيمت سهم آن به سمت قيمت سهم دو شرکت اول و نهم کاهش يابد.
در تحقيق ديگري CITATION رضا92 \l 1065 [6] مشکل وجود شرايط متعدد آشوب و رفتار غير خطي در بازار سهام و بالتبع قيمت سهام شرکتها را مورد توجه قرار داده و سعي نمودند تا با کمک يک الگوريتم ترکيبي بر اين مشکل واقعي بازار سهام که الگوريتمهاي کلاسيک قبلي قادر به مواجه اثربخش با آن نبودند فائق آيند. روشهاي سري هاي زماني مانند ميانگين متحرك، هموارسازي نمايي و الگوريتم باکس-جنکينز و به دنبال آن شبکه هاي عصبي مصنوعي سعي در به دست آوردن توابع غيرخطي چندمتغيره نموده اند که شبکه هاي عصبي مصنوعي نتايج بهتري ارائه کرده اند. در سالهاي اخير ديده مي شود محققان به منظور افزايش کارايي شبکه هاي عصبي مصنوعي آنها را با الگوريتم هايي مانند الگوريتم ژنتيک در قسمت آموزش وزنها ترکيب مي کنند. از آنجا که الگوريتم يادگيري پيش انتشار خطا کارايي خيلي مناسبي در شرايط آشوب و غير خطي از خود نشان نمي دهد الگوريتمهاي بهينه سازي تکاملي اخيرا در يادگيري شبکه هاي عصبي به کار گرفته شده اند. الگوريتم بت (خفاش)، الگوريتمي بهينه ساز است که بر اساس اين حقيقت که خفاش با ارسال امواجي با فرکانس مشخص و تخمين فواصل با تحليل موج بازگشتي مسير خود را مشخص مي نمايد طراحي شده است. اين الگوريتم در برخي کاربردها به کار گرفته شده و اعتبار آن صحه گذاري گرديده است و نشان داده که در سيستمهاي توام با آشوب و رفتارهاي غيرخطي از قدرت قابل قبولي برخوردار مي باشد.
کارايي الگوريتم مذکور به کمک معيار خطا MAPE محاسبه گرديده و در قياس با سه الگوريتم ديگر مطابق جدول شماره ‏21 بوده است.
جدول شماره STYLEREF 1 \s ‏2 SEQ جدول_شماره_ \* ARABIC \s 1 1: مقایسه نتایج پیش بینی مدل بت-عصبی با سه مدل دیگرمدل سهام مخابرات ايران سهام بيمه آسيا
شبکه عصبي با 4 نورون 7341/1 6799/2
شبکه عصبي با 6 نورون 7533/1 7104/2
شبکه عصبي رگرسيون تعميم يافته 6938/1 8885/2
مدل بت-عصبي 6037/1 2026/2
همانطور که مشاهده مي گردد کمينه شاخص کارايي در هر دو سهم بر اساس الگوريتم ترکيبي بت-عصبي به دست آمده است.
گونه اي ديگر از الگوريتمهاي به کار گرفته شده در پيشگويي قيمت سهم در بازارهاي پول و سرمايه الگوريتمهاي چندعامله هستند. محققان ديگري CITATION MHF12 \l 1065 [7] سيستمي چندعامله براي پيش گويي قيمت سهم در روز بعد با هدف افزايش ( FMAS ) چندعامله فازي چهار لايه قطعيت پيشگويي ارائه نمودند. ايشان بازار سهام را سيستمي پيچيده توضيح داده و اظهار نموده اند براي تصميم گيري هاي سرمايه گذاري در آن نياز به مدلي استوار مي باشد. رويکردهاي چندعامله پيچيدگي سيستم را کاهش مي دهند چرا که سيستم را به اجزاي مستقل کوچکتري تقسيم نموده که هر يک از آنها را با بهترين روش خاص آن حل خواهند نمود و در نهايت حل مساله سيستم پيچيده را به دست مي آورند. معماري سيستم چندعامله ارائه شده در تحقيق مذکور شامل لايه هاي زير مي باشد:
لايه 1: لايه ايجاد متاداده مي باشد که در آن داده هاي سهام از منابع داده بيروني به دست آمده و توسط متخصصان علم داده متاداده آن ايجاد مي گردد.
لايه 2: در اين لايه پيش پردازش داده ها صورت مي گيرد. انتخاب ويژگي ها به کمک تحليل رگرسيون مرحله اي و نيز مدولار نمودن مساله پيش گويي به کمک خوشه بندي با شبکه عصبي مصنوعي SOM در اين لايه صورت مي پذيرد.
لايه 3: اين لايه مسئوليت مدلسازي و ارزيابي آن براي هر يک از خوشه ها به کمک سيستمهاي فازي ژنتيک را به عهده دارد.
لايه 4: در اين لايه تحليل مدل و نمايش دانش انجام مي شود. تحليل حساسيت مدل، دقت پيش گويي و ارائه بهنگام سناريوهاي جايگزين تصميم گيري در فرايندهاي شبيه سازي چه-اگر در اين لايه انجام مي شود.
خروجي هر يک از لايه ها به کمک پروتکل هاي طراحي شده به لايه ديگر منتقل مي شوند. مدل ارائه شده روي داده هاي سهام چهار شرکت کار گرفته شد و کارايي آن با پنج مدل ديگر که قبلا براي پيشگويي قيمت سهام به کار گرفته شده بودند با شاخص خطا MAPE مقايسه گرديد. نتايج مقايسه به شرح جدول شماره ‏22 بوده است.
جدول شماره STYLEREF 1 \s ‏2 SEQ جدول_شماره_ \* ARABIC \s 1 2: مقايسه نتايج پيش گويي مدل ارائه شده با مدلهای ديگرمدل IBM British Airways Ryanair Dell
HMM 219/1 629/2 928/1 012/1
GA و ANN ، هيبريد HMM 849/0 646/1 377/1 669/0
HMM هيبريد و منطق فازي 779/0 529/1 356/1 405/0
ARIMA 972/0 573/1 504/1 660/0
ANN 972/0 283/2 504/1 660/1
مدل ارائه شده FMAS 630/0 440/1 240/1 420/0
نتايج نشان دهنده آن است که الگوريتم ترکيبي FMAS نتايج مطلوبتري نسبت به پنج الگوريتم رقيب ارائه مي نمايد.
تحقيقات صورت گرفته در پيش گويي قيمت سهام در بازارهاي پول و سرمايه نشان دهنده ميزان علاقه مندي محققان به حل مساله پيش گويي در بازارهاي پول و سرمايه نه تنها به دليل تقاضاي بالاي تحليل گران و سرمايه گذاران آن بازار بلکه به دليل پيچيدگي رفتار آن بازار مي باشد. تحقيقات بسيار گسترده اي در اين زمينه صورت گرفته و نتايج متفاوتي به دست آمده است لکن تاکنون هيچ مدل و يا الگوريتمي که قابليت تعميم پذيري آن به اثبات رسيده باشد اعلام نگرديده است.
تصوير کلي به تحقيقات پيشين چنين مي نمايد که تحقيقات نسل ابتدايي با الگوريتمهاي شبيه سازي CITATION Dyc84 \l 1065 [8] و CITATION Mal72 \l 1065 [9] آغاز گرديد و به دليل حجم محاسبات در زمان تحقيقات و نتايج با عدم قطعيت زياد اينگونه روشها توسعه نيافتند. نسل دوم تمرکز بر روشهاي سري هاي زماني داشتند. به مرور زمان عدم کارايي اين الگوريتمها به دليل رفتارهاي غير خطي بسيار زياد بازارهاي سهام آشکار گرديد. الگوريتمهاي مذکور به نحو مطلوبي قادر به در نظر گرفتن رفتارهاي پيچيده سهام نبوده اند و در شرايط آشوب عموما فاقد قطعيت مورد نياز در پيش گويي بودند.
به مرور زمان نسل سوم تحقيقات، الگوريتمهاي هوش مصنوعي و به ويژه ترکيب الگوريتمهاي هوش مصنوعي با روشهاي سري زماني (مانند CITATION Kaa96 \l 1065 [10]) را به منظور حل مساله پيش گويي قيمت سهام به کار گرفتند. اين الگوريتمها توانايي مناسبي در پيشگويي قيمت يا روند سهم نسبت به الگوريتمهاي قبلي داشتند. اگر چه اين الگوريتمها توانايي بهتري در مواجه با شرايط آشوب و غيرخطي نسبت به مدلهاي قبلي داشتند لکن کماکان سطح قابل اطميناني در مواجهه با شرايط آشوب ارائه نمي نمودند. الگوريتمهاي ترکيبي هوش مصنوعي و بهينه سازي تکاملي در نسل چهارم نشان داده اند که به نحو مناسبتري مي توانند رفتارهاي غيرخطي را در نظر بگيرند. خلاصه يافته هاي اين تحقيق با مرور تحقيقات پيشين به شرح جدول شماره ‏23 مي باشد.
جدول شماره STYLEREF 1 \s ‏2 SEQ جدول_شماره_ \* ARABIC \s 1 3: نسل بندي روشهاي تحقيق در پيش بيني قيمت سهمنسل اول نسل دوم نسل سوم نسل چهارم
روشهاي شبيه سازي روشهاي سري هاي زماني روشهاي هوش مصنوعي و ترکيبي با سري هاي زماني روشهاي هوش مصنوعي و ترکيبي با الگوريتمهاي تکاملي و سري هاي زماني
مرور تحقيقات نسل چهارم مشخص مي نمايد که تمرکز بر الگوريتمهاي ژنتيک، بهينه سازي ازدحام ذرات بيش از سايرين مي باشد. تعداد بسياري از تحقيقات سال هاي اخير نشان مي دهند که الگوريتم هاي مذکور در بسياري موارد در پيش بيني هاي مختلف در حوزه بازارهاي پول و سرمايه به کار گرفته شده اند. الگوريتم رقابت استعماري در سال 2007 ارائه گرديد و در مواردي مورد وثوق محققان قرار گرفته است. سابقه تحقيقات زيادي در به کارگيري اين الگوريتم نسبتا جديد در پيش بيني بازارهاي پولي و سرمايه يافت نشد لکن اخيرا در تحقيقاتي مانند CITATION Rez13 \l 1065 [11]، کارا بودن اين الگوريتم در پيش بيني قيمت سهم مورد بررسي قرار گرفته اند.
2-2 انتخاب/ استخراج ويژگي در قيمت سهم در تحقيقات پيشينبا توجه به حجم زياد داده هاي مالي که در تحليل و پيش بيني هاي قيمت سهام شرکتها در بورس اوراق بهادار به کار گرفته مي شود کاهش داده ها از ارزش ويژه اي برخوردار است. تحقيقات بسياري در حوزه کاهش داده ها با روشهاي گوناگون صورت گرفته است و نتايج آنها مورد استفاده هاي کاربردي قرار گرفته اند.
در تحقيقي CITATION محم84 \l 1065 [12] محققان با به کارگيري رگرسيون خطي کلاسيک و خود رگرسيون ناهمسان واريانس شرطي دريافته اند که روز شنبه بازدهي مثبت و معني دار داشته و در کنار آن روز يکشنبه بازدهي منفي و معني داري دارد.
تحقيقي ديگر CITATION رضا87 \l 1065 [13] بي قاعدگي هاي غير تقويمي و بي قاعدگي هاي تقويمي را طبقه بندي نموده است. بي قاعدگي هاي غير تقويمي شامل اثر تجزيه سهم، اثر بازده سود سهام، اثر سود نقدي سهم، اثر سهام با قيمت پايين، اثر معامله محرمانه، اثر انتشار اطلاعات، اثر بيش واکنشي بازار، اثر کم واکنشي بازار، اثر خاص کشور، اثر عرضه اوليه سهم، اثر شاخص، اثر تاخير در ارائه گزارش سودآوري، اثر سودهاي شگفت آور، اثر شرکت از قلم افتاده، اثر قيمت پيش از انتشار اعلاميه سود، اثر بازگشت به ميانگين طي دوره بلند مدت بر شمرده شده و اثر چرخش سياسي، اثر تابستان، اثر روزهاي تعطيل يا اثر روزهاي قبل از روزهاي تعطيل، اثر روزهاي آخر هفته، اثر چرخش ماه (نيمه اول ماه)، اثر ماه هاي خاص سال و اثر پايان سال به عنوان بي قاعدگي هاي تقويمي ثبت شده اند. در آن تحقيق با به کارگيري رگرسيون با متغيرهاي مستقل مجازي اثر معني دار بر بازدهي در روزهاي ماه هاي محرم، رمضان و صفر به اثبات رسيده اند.
جداسازي فرصتهاي معاملاتي سودآوري که براي دوره اي ماندگار است به کمک روش بازنمونه گيري بوت استرپ ناپارامتريک براي بررسي و پيش بيني الگوي دوره اي در بازدهي ماهانه سهام در تحقيق ديگيري CITATION محس90 \l 1065 [14] بررسي گرديده است.
محققان ديگري CITATION فاط91 \l 1065 [15] در بورس اوراق بهادار تهران به کمک رگرسيون فازي با توابع عضويت مثلثي اقدام به فازي سازي متغيرهاي مجازي نموده و بدين ترتيب اثر ابهامات و رفتارهاي غيرخطي انساني را در نظر گرفتند. خروجي اين تحقيق بازده مثبت معني دار روزهاي يکشنبه و بازده منفي معني دار روزهاي سه شنبه را نشان مي دهد.
روش فيلترهاي وفقي با روش جستجوي الگوريتم حداقل ميانگين مربعات (LSM) جهت تغييرات ضرايب فيلتر در مدل رگرسيون و مقايسه با نتايج مدل هاي گارچ توسط محققان ديگري CITATION شمس92 \l 1065 [16] مورد استفاده قرار گرفت. نتيجه شفاف شدن بازدهي مثبت معني دار در روزهاي يکشنبه بوده است.

: مبانی نظری تحقیق3-1 بازار بورس اوراق بهاداربازار بورس اوراق بهادار بازاري است که در آن قيمت سهام شرکتهاي سرمايه پذير و ساير اوراق بهادار قابل معامله با رقابت عرضه و تقاضا بين خريداران و فروشندگان تعيين مي گردد.
هر شخصيت حقوقي و يا حقيقي مي تواند با دريافت کد معامله با هر ميزان سرمايه در اين بازار اقدام به معامله خريد و يا فروش نمايد. هر فعال اين بازار بر اساس نتايج تحقيقات و بررسي هاي خود تصميم به خريد و يا فروش سهام شرکتي مي نمايد و بدين ترتيب سود و يا زيان خود را رقم مي زند. اندازه اين بازار بيش از 342 هزار ميليارد تومان در نيمه اول سال 1393 بوده و سهام بيش از چهارصد و پنجاه شرکت سرمايه پذير در 35 صنعت و کسب و کار در اين بازار ارائه گرديده اند.
هر معامله گر با بررسي وضعيت عملکرد مالي ، پروژه ها و توانمنديهايي رقابتي و توسعه اي و نيز وضعيت کسب و کار شرکت مورد علاقه خود در مقايسه با ساير کسب و کارها و شرکتها تصميم به خريد و يا فروش سهم آن شرکت مي گيرد. سايتهاي رسمي زير که تحت نظر سازمان بورس اوراق بهادار مي باشند انواع اطلاعات معاملات و برخي شاخصهاي مالي مورد نياز جهت تحليل هاي تصميم گيري را در اختيار فعالان قرار مي دهند:
www.tse.ir
www.tsetmc.com
www.irbourse.com
www.seo.ir
3-2 تکنيکهاي رايج تحليل و پيش بيني قيمت سهاممعامله گران بورس عموما از يکي و يا ترکيب دو رويکرد تکنيکال و بنيادين در تحليل معاملات استفاده مي کنند. در رويکرد تکنيکال فرض اساسي آن است که اثر هرگونه عامل اثرگذار در قيمت سهم در دل پيشينه روندها و رفتار قيمت سهم وجود دارد. بر اين اساس تحليل گران اين مکتب تمرکز خود را بر بررسي رفتار قيمت سهم در گذشته قرار داده و سعي مي کنند با کشف الگوهاي مشخصي، رفتار قيمت سهم در آينده را پيش بيني کنند. براي بهبود تحليلهاي اين گروه، برخي شاخصهاي ترکيبي نيز مانند MACD، RSI، STO، ADX توسط نرم افزارهاي طراحي شده جهت تحليل هاي تکنيکيال در اختيار ايشان قرار مي گيرد. REF _Ref421017548 \h شکل شماره ‏31 نمونه اي از نمودارهاي مورد استفاده در رويکرد تکنيکال است.

شکل شماره STYLEREF 1 \s ‏3 SEQ شکل_شماره_ \* ARABIC \s 1 1 : نمونه اي تحليل قيمت سهم با ابزارهاي رويکرد تحليل تکنيکالدر تحليل بنيادين، تحليل گران با بررسي صورتهاي مالي و گزارش عملکرد و برنامه و بودجه شرکت اقدام به بررسي توان سودآوري شرکت مي نمايند و بر آن اساس تصميم به خريد و يا فروش سهم آن شرکت مي گيرند. پايداري سودآوري، نسبت مطالبات به بدهي ها، رفتار و مديريت هزينه ها، آناليز اجزاي بهاي تمام شده، ترکيب سهام داران شرکت، وضعيت گردش وجوه نقد، پروژه هاي توسعه اي و سرمايه گذاري ها و نيز بازار محصولات و خدمات شرکت از جمله عواملي هستند که توسط اين گروه تحليل گران مد نظر قرار مي گيرند.
به صورت خلاصه مي توان عنوان نمود عموما تحليل تکنيکال اغلب با هدف تجارت (معامله) در کوتاه مدت به کمک چارتها و نمودارهاي قيمت و حجم معامله صورت مي گيرد در حالي که تحليل بنيادين به منظور سرمايه گذاري بلند مدت بوده و به کمک کليه فاکتورهاي کمي و کيفي و صورتهاي مالي صورت مي پذيرد.
3-3 تکنيکهاي نوين تحليل داده هاتکنيکهاي تحليل تکنيکال و بنيادين هر دو بسيار به تجربه و صلاحيتهاي فردي تحليل گر وابسته هستند. انتخاب فاکتورهاي مختلف، تعيين وزن نسبي هر يک و چگونگي قرار دادن آنها در کنار هم به منظور ايجاد يک تصميم قابل اعتماد تنها از عهده يک تحليل گر چيره دست بر مي آيد. آيا تکنيکهاي روز تحليل داده ها مي تواند چنين نقشي را ايفا نمايند؟ بدون شک در سالهاي اخير شاهد پيشرفت علوم داده پردازي بوده ايم. دانش جديد داده کاوي به عنوان بستر اصلي الگوريتمها و روشهاي پردازش و تحليل داده ها جايگاه خود را در ميان تحليل گران باز نموده و کمک هاي اثربخشي را ارائه مي نمايد.
3-3-1 داده کاويسير تحول داده به اطلاعات، اطلاعات به دانش و دانش به خرد را هر علاقه مند حوزه اطلاعات مي شناسد. علاقه مندي انسان به تحليل، سناريوپردازي و پيش گويي رويدادها اين سير تحول را ترسيم نموده است. نياز به بقاء در انسان بدوي او را ملزم به کنترل داده وجود ذخيره غذايي مي کرد. وي با دريافت آن داده اقدام به شکار و يا استراحت مي نمود. آسيبهاي محيطي بسيار مانند بارندگي نياز به پيش بيني تحليلي را در انسان پديد آورد. انسان با کنار هم قرار دادن داده دماي هوا، وجود ابرهاي سياه در آسمان، سرعت حسي باد و تجربيات شرايط بارندگي هاي گذشته، سعي در اطلاعات سازي و آماده شدن براي شرايط بارندگي نمود. پديده هاي پيچيده و پيچيده تري پيش روي انسان قرار گرفتند. هيجان پيش بيني بروز هر پديده در انسان سبب پيدايش علوم گوناگوني گرديد. محققان و انديشمندان علوم گوناگون مدلهاي بي شماري را براي دستيابي به هدف تحليل و پيش بيني ارائه نمودند. انواع فرمولهاي فيزيک و شيمي، فرمولهاي مقاومت مصالح، روشهاي رياضي بهينه سازي، مدلهاي تصميم گيري چند معياره و بسياري مدل ديگر در اين سير تحول به وجود آمدند. در اين بين، حل بسياري از مسائل پيچيده تر نياز به داده هاي متنوع و بيشتر و بيشتر را مي طلبيد. کسري داده هاي مورد نياز هم در متغيرها و هم در حجم داده و نيز عدم وجود زيرساخت محاسباتي کارا جهت محاسبات و تحليل داده هاي بزرگ مبناي ايجاد روشهاي بر مبناي نمونه گيري گرديد. علم آمار در اين افق زماني خدمات بسياري در تحليلها ارائه نمود. با به کار گيري مدلها و روشهاي مبتني بر نمونه گيري هاي آماري خدمات و پيشرفتهاي شگرفي در علوم مختلف به دست آمد لکن نرخ اين پيشرفتها به مرور زمان کند گرديد. علت اين کاهش، پيچيده تر شدن مسائل دنياي واقعي و عدم کفايت تحليلهاي نمونه اي در حل آنها بود. گويا نقش به ناچارِ علمِ آمارِ نمونه اي در حال از بين رفتن بوده و حل مسائل پيچيده دنياي واقعي امروز، روشهايي را طلب مي کنند که بتوانند حجم کل داده ها را فراهم و تحليل کنند. يکي از مشکلات محاسبات داده ها، قدرت پردازشگرها بود. طبق قانون مور، قدرت محاسبات پردازشگرها هر هجده ماه دو برابر مي شد و اين نويدبخش تامين زيرساخت مواجهه با مشکل محاسبات داده هاي بزرگ بود. امروزه بسياري از منابع داده اي، به شکل استاندارد شده قابل دستيابي و به کارگيري بوده و پردازشگرهاي نوين با سرعت بسيار زياد، مناسب براي محاسبات داده هاي بزرگ ايجاد شده و در حال بهبود و ترقي مي باشند.
با رفع مشکلات زيرساختي داده پردازي در کنار نياز انسان به حل مسائل پيچيده دنياي واقعي، علوم جديدي مانند دانش داده کاوي ظهور نمود. ماموريت دانش نوين داده کاوي کشف دانش پنهان در داده هاي بزرگ مي باشد. پاسخ سئوالاتي مانند “اگر مشتري، کالاي الف و ب را خريد کند حتما کالاي ج را نيز خريد خواهد کرد؟” ، “آيا سهام شرکت الف جز گروه سهام هاي سريع نقد شونده خواهد بود؟”، “قيمت دلار در سه روز آينده چند خواهد بود؟”، “شکل و جهت رشد سلولهاي سرطاني در ريه بيمار در هفته آينده چطور خواهد بود؟” را داده کاوي خواهد داد.
مراحل انجام اين تحقيق مطابق فرايند CRISP داده کاوي CITATION جما92 \l 1065 [17] صورت خواهد گرفت. اين فرايند به صورت گسترده اي از طرف کاربران صنعتي داده کاوي مورد استفاده قرار گرفته است. اين مدل از شش مرحله که به صورت يک فرايند حلقه اي است و در شکل شماره ‏32 نشان داده شده است تشکيل مي گردد.

شکل شماره STYLEREF 1 \s ‏3 SEQ شکل_شماره_ \* ARABIC \s 1 2 : فرايند CRISPمراحل اين فرايند به صورت زير است:
مرحله تعريف مساله شامل تعريف هدف، ارزيابي شرايط فعلي، تعريف اهداف داده کاوي و ايجاد برنامه زمانبندي پروژه است.
وقتي که هدف مساله مشخص شد و برنامه ريزي پروژه انجام گرفت مرحله تحليل داده ها نيازمندي هاي داده اي را مورد مطالعه قرار مي دهد. اين مرحله شامل تهيه مجموعه داده هاي اوليه، توصيف داده ها، کنکاش داده ها و ارزيابي کيفيت داده ها مي باشد. کنکاش داده ها شامل مشاهده پارامترهاي آماري، مي تواند در پايان اين مرحله نيز اتفاق بيافتد. مدلهايي مثل خوشه بندي مي تواند در طول اين گام به منظور شناسايي الگوها در داده ها انجام گيرد.
زماني که منابع در دسترس مشخص شدند، بايد داده ها از آنها انتخاب شوند، پاک شوند و در قالب مورد نظر ريخته شوند. همچنين کنکاش عميق تر داده ها نيز در طول اين مرحله که مرحله آماده سازي داده ها مي باشد مي تواند انجام گيرد. به علاوه ممکن است مدل هاي ديگري نيز به کار روند تا بتوان الگوها را بر اساس تعريف مساله استخراج نمود.
ابزارهاي نرم افزاري داده کاوي همچون تصويرسازي و تحليل خوشه بندي براي تحليل هاي اوليه مفيد هستند. ابزارهايي مانند شناسايي قوانين عمومي مي تواند قوانيني همبستگي اوليه را استخراج کند. وقتي که فهم بيشتري از داده ها به وسيله شناسايي الگو که با توجه به خروجي هاي مدلهاي اوليه حاصل مي شود افزايش مي يابد مدلهاي تخصصي تر بر حسب نوع داده مي تواند مورد استفاده قرار بگيرد. اين فعاليت در مرحله مدلسازي صورت مي گيرد.
نتايج مدلهاي استفاده شده در مراحل قبلي بايد در بستر مساله تعريف شده و اهداف تعريف شده در مراحل بعد مورد ارزيابي قرار بگيرد. اين کار منجر به شناسايي نيازمندي هاي بعدي خواهد شد. اين نيازها اغلب شامل بازگشت به مراحل قبلي در فرايند CRISP است. تعريف مساله در داده کاوي، فرايند تکراري با بازگشت به عقب است که در آن نتايج اقدامات مدلسازي مختلف و تکرار آنها روابط جديد بين داده ها را به کاربر نشان مي دهد که باعث درک عميق تر از مساله براي کاربر خواهد شد.
داده کاوي هم مي تواند براي بررسي صحت فرضيه هايي که قبلا وجود داشته مورد استفاده قرار مي گيرد و هم براي کشف دانش: يعني شناسايي روابط غير منتظره و مفيد. به کمک دانش کشف شده در مراحل قبلي فرايند CRISP مدلهاي درست و منطقي حاصل مي شوند که مي توان آنها را در تجارت و کسب و کار براي اهداف مختلف به کار برد. اين اهداف مي توانند شامل پيش بيني يا شناسايي شرايط حساس و کليدي باشند. مدلهاي به دست آمده بايد در حين استفاده مورد پايش قرار گيرند چرا که چيزي که امروز درست است ممکن است يک سال ديگر درست نباشد، بنابراين اگر تغييرات اساسي در طول استفاده از مدلها به وجود بيايد مدلها بايد مجددا ايجاد شوند. از طرفي نتايج حاصل از پروژه هاي داده کاوي بايد ثبت شوند چنانکه اسناد تهيه شده در مطالعات آتي مورد استفاده قرار گيرند.
اين فرايند شش مرحله اي به هيچ وجه غير منعطف نيست. يعني بسته به شرايط مساله، برخي از مراحل ممکن است حذف شوند يا مورد تاکيد بيشتري قرار گيرند.
داده کاوي به منظور کشف دانش پنهان در داده بزرگ از روشها و تکنيکهاي زير استفاده مي نمايد:
قواعد انجمني :الگوهايي که بر اساس آن يک رويداد به ديگري مربوط مي‌شود مثلاً خريد قلم به خريد کاغذ
ترتيب: الگويي که به تجزيه و تحليل توالي رويدادها پرداخته و مشخص مي‌کند کدام رويداد، رويدادهاي ديگري را در پي دارد مثلاً تولد يک نوزاد و خريد پوشک
پيش بيني: در پيش بيني، هدف پيش بيني يک متغير پيوسته مي باشد. مانند پيش بيني نرخ ارز يا هزينه هاي درماني
دسته بندي: فرآيندي براي پيدا کردن مدلي است که رده هاي موجود در داده‌ها را تعريف مي نمايد و متمايز مي کند، با اين هدف که بتوان از اين مدل براي پيش بيني رده رکوردهايي که برچسب رده آنها(متغير هدف) ناشناخته مي باشد، استفاده نمود. در حقيقت در رده بندي بر خلاف پيش بيني، هدف، پيش بيني مقدار يک متغير گسسته است. روش هاي مورد استفاده در پيش بيني و دسته بندي عموما يکسان هستند.
خوشه بندي: گروه بندي مجموعه اي از اعضاء، رکوردها يا اشياء به نحوي که اعضاي موجود در يک خوشه بيشترين شباهت را به يکديگر و کمترين شباهت را به اعضاي خوشه هاي ديگر داشته باشند.
بصري سازي: مصورسازي داده ها يکي از قدرتمندترين و جذابترين روش هاي اکتشاف در داده ها مي باشد.
داده کاوي در هر يک از تکنيکهاي اشاره شده در بالا از انواع متدها و الگوريتم هايي مانند رگرسيون، آمار توصيفي، آناليز واريانس، شبکه عصبي مصنوعي، ماشينهاي بردار پشتيبان و غيره به فراخور استفاده مي نمايد.
3-3-2 شبکه عصبي مصنوعيبشر از ديرباز علاقه مند به پياده سازي ساختار پردازش مغز انسان در يک سيستم مصنوعي بوده است. مغز انسان به عنوان برترين سيستم پردازش شناخته شده، با دريافت انواع ورودي هاي اطلاعاتي خروجي هاي مورد انتظار را در سريعترين زمان ممکن و با بهترين دقت مي تواند ارائه نمايد. دانشمندان و محققان علوم مختلف همواره کوشيده اند تا از اين قابليت متمايز در پردازش اطلاعات و پاسخ به سئوالات رشته علمي خود بهره مند شوند.
نورون کوچکترين واحد پردازش اطلاعات تاکنون شناخته شده سيستم پردازش مغز انسان است که تاکنون شناخته شده است. REF _Ref412629582 \h \* MERGEFORMAT شکل شماره ‏33 نمايشي از يک نورون مي باشد.

شکل شماره STYLEREF 1 \s ‏3 SEQ شکل_شماره_ \* ARABIC \s 1 3 : ساختار يک نورونهر نورون از سه بخش اصلي تشکيل شده است: هسته، دندريت، اکسون. دندريتها سيگنالهاي الکتريکي را از اکسونهاي نورونهاي ديگر دريافت نموده و آن را به هسته نورون تحويل مي دهند. هسته نورون پس از پردازش ورودي ها، سيگنال الکتروشيميايي به عنوان خروجي تحويل اکسون داده و اکسون آن را تحويل دندريت نورون هاي ديگر مي دهد. محل تلاقي اکسون و دندريت را سيناپس و اتصال آن دو را اتصال سيناپسي که نوعي خاص از اتصال بيولوژيک مي باشد مي نامند.
شبکه عصبي مصنوعي CITATION Hag96 \l 1065 [18] مدلي محاسباتي الهام گرفته از شبکه عصبي مغز مي باشد که با دريافت داده هاي ورودي، تخمين و يا تابع تقريب را شکل داده و خروجي مورد انتظار را ارائه مي نمايد. شبکه عصبي مصنوعي در طراحي تابع تقريب به عنوان مثال در پيش بيني سري هاي زماني، دسته بندي و شناسايي الگو، پردازش داده ها مثلا در خوشه بندي و فيلترسازي داده ها کاربرد دارند. تشخيص صدا، تشخيص متن، هدايت مسير ربات نمونه هاي ديگري از کاربردهاي شبکه عصبي مصنوعي هستند. شبکه عصبي مصنوعي سرعت محاسباتي قابل قبولي داشته، در شرايط جديد مي تواند پاسخ يکتا ارائه نمايد و ضمنا از تجربيات گذشته مي آموزد لکن از آنجا که منطق و قاعده کار آن به خوبي قابل تفسير نيست، به منظور تست و روايي آن نياز به حجم زيادي داده است.
ساختار شبکه عصبي مصنوعي شامل چندين نورون در لايه بندي مشخص مي باشد که با دريافت ورودي ها، خروجي ايجاد مي نمايد. REF _Ref412629599 \h \* MERGEFORMAT شکل شماره ‏34 نمونه اي از يک شبکه عصبي مصنوعي را نشان مي دهد.

شکل شماره STYLEREF 1 \s ‏3 SEQ شکل_شماره_ \* ARABIC \s 1 4 : نمونه اي از يک شبکه عصبي مصنوعي با يک لايه پنهانانواع مختلفي از شبکه عصبي مصنوعي تاکنون ارائه گرديده است که از آن جمله مي توان به موارد زير اشاره نمود:
شبکه عصبي پيش رو، شبکه عصبي RBF، شبکه عصبي نگاشت خود سازمانده، شبکه عصبي LVQ، شبکه عصبي برگشتي، شبکه عصبي مدولار.
در شبکه هاي عصبي پيش رو، يک نورون را به صورت شکل شماره ‏35 در نظر بگيريد:

شکل شماره STYLEREF 1 \s ‏3 SEQ شکل_شماره_ \* ARABIC \s 1 5 : نمونه نورون در شبکه عصبي مصنوعي پيشروخروجي هر نورون به صورت معادله (1) محاسبه مي شود:
معادله (1) Oj=f(i=1nwiXi+bj)که در آن Oj خروجي نورون j ام، Xi ورودي i ام، wi وزن اثر ورودي i ام و bj باياس نورون j ام مي باشد. همچنين f تابع انتقال (فعال سازي) بوده که تعداد متعددي تابع براي آن پيشنهاد گرديده است. به عنوان مثال مي توان به تابع سيگموئيد و تابع تانژانت هايپربوليک اشاره نمود.
ورودي ها، تابع فعالسازي و فرمول محاسبه خروجي مشخص مي باشند و تنها متغير مجهول باقيمانده براي محاسبه خروجي وزن اثر هر يک از ورودي ها مي باشند. به فرايند تعيين وزن اثر هر يک از ورودي ها در شبکه عصبي مصنوعي، فرايند آموزش و يا يادگيري گفته مي شود. به طور کلي، تعيين وزن متغيرها با به کارگيري الگوريتمهاي مرحله اي صورت مي گيرد. رمز موفقيت شبکه عصبي مصنوعي در تعيين هر چه اثربخش تر وزنهاي ورودي ها و يا به عبارتي آموزش مطلوبتر شبکه مي باشد. يکي از روشهاي عمومي تعيين وزن ورودي ها به کارگيري الگوريتم پيش انتشار خطا مي باشد. در اين روش، با مقايسه خروجي هر مرحله با خروجي مورد انتظار، خطاي محاسبه تعيين گرديده و با محاسبه گراديان خطا و بازتخصيص وزن ها به هر نورون در هر اجرا اقدام به بهينه سازي وزن ها و آموزش شبکه عصبي مصنوعي مي شود. REF _Ref421017674 \h \* MERGEFORMAT جدول شماره ‏31 CITATION Pau94 \l 1033 [19] شبه کد الگوريتم پيش انتشار خطا را نمايش مي دهد.
جدول شماره STYLEREF 1 \s ‏3 SEQ جدول_شماره_ \* ARABIC \s 1 1: شبه کد الگوريتم پيش انتشار خطاinitialize network weights (often small random values)
do
forEach training example ex
prediction = neural-net-output(network, ex) // forward pass
actual = teacher-output(ex)
compute error (prediction – actual) at the output units
compute for all weights from hidden layer to output layer // backward pass
compute for all weights from input layer to hidden layer // backward pass continued
update network weights // input layer not modified by error estimate
until all examples classified correctly or another stopping criterion satisfied
return the network
براي آموزش شبکه عصبي مصنوعي الگوريتم هاي ديگري توسط محققان پيشنهاد گرديده است. الگوريتمهاي بهينه سازي کلاسيک مورد اشاره در روشهاي تحقيق در عمليات، روشهاي ابتکاري و فراابتکاري بهينه سازي و نيز الگوريتم هاي بهينه سازي تکاملي مانند الگوريتم ژنتيک و الگوريتم بهينه سازي ازدحام ذرات از ان جمله اند.
به منظور طراحي و معماري شبکه عصبي مصنوعي مي بايد تعداد لايه ها و تعداد نورون ها در هر لايه به همراه تابع فعالسازي را مشخص نمود. عموما تعداد لايه پنهان بيش از سه عدد سبب بيش برازش شده و مدل به جاي يادگيري اقدام به حفظ کردن مي نمايد. تعداد نورون هاي در هر لايه نيز با توجه به محدوديتهاي محاسباتي و اثرگذاري بر قطعيت خروجي شبکه عصبي مصنوعي تعيين مي گردد. عموما در شبکه عصبي مصنوعي با يک لايه پنهان، تعداد نورون ها در لايه پنهان از جذر ضرب تعداد نورون هاي ورودي در تعداد نورون هاي خروجي تخمين زده مي شود. تابع فعالسازي نيز حسب ماهيت رفتار داده مورد بررسي از بين توابع اشاره شده انتخاب مي گردد.
براي محاسبه دقت و يا خطاي شبکه عصبي مصنوعي از شاخصهاي متنوعي استفاده مي گردد که پرکاربردترين آنها ميانگين مربع خطا (mse) و جذر ميانگين مربع خطا (rmse) مي باشند.
3-3-3 الگوريتمهاي تکامليالگوريتم هاي متعددي با عنوان الگوريتمهاي تکاملي توسط محققان ارائه شده اند. ايده کلي در کليه اينگونه الگوريتمها مشابه يکديگر مي باشد: بر روي يک جمعيت از اعضاء به علت طبيعي اي انتخاب صورت مي گيرد (بقاي منطبق) و اين سبب افزايش ميزان تطبيق جمعيت مي شود. با در نظر گرفتن يک تابع هزينه به صورت تصادفي مجموعه راه حلهاي کانديدا انتخاب مي شود. بر اساس اين تطبيق برخي از بهترين کانديداها براي رفتن به نسل بعد با به کارگيري بازترکيب و يا جهش انتخاب مي شوند. بازترکيب عملگري است که روي دو يا بيشتر کانديداي انتخاب شده اعمال شده و يک يا بيشتر کانديداي جديد ايجاد مي نمايد. جهش روي يک کانديدا صورت گرفته و يک کانديداي جديد ايجاد مي نمايد. کانديداهاي خروجي بازترکيب و يا جهش مجموعه جديدي را تشکيل داده و بر سر ميزان تطبيق براي رفتن به نسل بعد با مجموعه کانديداهاي قبلي به رقابت مي پردازند. اين مراحل تا آنجا که يکي از کانديداها سطح کيفيت مورد انتظار را برآورده نمايد و يا حد مورد انتظار از پيش تعيين شده اي ارضاء شود تکرار مي شود. در الگوريتمهاي تکاملي، تکامل به سمت بهينگي است و يا حداقل نزديکي. به صورت کلي، تکامل يک فرايند تطبيق است. به عبارت ديگر، الگوريتم تکاملي جمعيت را با محيط بيشتر و بيشتر تطبيق مي دهد. شکل کلي الگوريتمهاي تکاملي در شبه کد جدول شماره ‏32 نمايش داده شده است.
جدول شماره STYLEREF 1 \s ‏3 SEQ جدول_شماره_ \* ARABIC \s 1 2: شبه کد عمومي الگوريتم هاي تکامليBEGIN
INITIALISE population with random candidate solutions;
EVALUATE each candidate;
REPEAT UNTIL (TEMINATION CONDITION is satisfied) DO
1 SELECT parents;
2 RECOMBINE pairs of parents;
3 MUTATE the resulting offspring;
4 EVALUATE new candidates;
5 SELECT individuals for the nxt generation;
DO
END
REF _Ref412629788 \h \* MERGEFORMAT شکل شماره ‏36 در قالب فلوچارت الگوريتمهاي تکاملي را نمايش مي دهد:

شکل شماره STYLEREF 1 \s ‏3 SEQ شکل_شماره_ \* ARABIC \s 1 6 : فلوچارت عمومي الگوريتم هاي تکاملياجزاي اصلي الگوريتمهاي تکاملي عبارتند از عضو، تابع تکامل (تابع تطبيق)، جمعيت، مکانيزم انتخاب والدين، عملگر بازترکيب و جهش، مکانيزم انتخاب بازماندگان (مکانيزم جايگزيني).
از شناخته شده ترين الگورتميهاي تکاملي مي توان به الگوريتمهاي زير اشاره نمود:
الگوريتم ژنتيک، الگوريتم توده مورچگان، الگوريتم توده زنبور عسل، الگوريتم استراتژي تکامل، الگوريتم تبريد شبيه سازي شده، الگوريتم بهينه سازي ازدحام ذرات
3-3-3-1 الگوريتم ژنتيکالگوريتم ژنتيک CITATION JSG05 \l 1065 [20] روش يادگيري بر پايه تکامل بيولوژيک است که در سال 1970 توسط John Holland معرفي گرديد. يک الگوريتم ژنتيک براي حل يک مساله مجموعه بسيار بزرگي از راه حل هاي ممکن را توليد مي کند. هر يک از راه حل ها با استفاده از يک تابع تناسب مورد ارزيابي قرار گرفته و تعدادي از بهترين راه حل ها در فرايندي به نام تکامل کانديد توليد راه حل هاي جديد مي شوند. بدين ترتيب فضاي جستجو در جهتي تکامل پيدا مي کند که به راه حل مطلوب برسد.
الگوريتم ژنتيک در مسائلي که فضاي جستجوي بزرگي داشته باشند مي تواند به کار گرفته شود. همچنين در مسائلي که با فضاي فرضيه پيچيده که تاثير اجزاي آن در فرضيه کلي ناشناخته باشند مي توان از اين الگوريتم براي جستجو استفاده نمود. بهينه سازي گسسسته از ديگر کاربردهاي اين الگوريتم بوده و مزيت حداقل بودن احتمال به تله افتادن در کمينه محلي در آن نسبت به ساير الگوريتم هاي تکاملي مناسب تر مي باشد. اين الگوريتم از لحاظ محاسباتي پرهزينه بوده و ضمنا تضميني براي رسيدن به جواب بهينه ندارد.
روش متداول پياده سازي الگوريتم ژنتيک بدين ترتيب مي باشد که ابتدا مجموعه اي از حل ها (کانديداها) که جمعيت ناميده مي شود توليد و به طور متناوب با حل هاي ديگر جايگزين مي شوند. در هر مرتبه، تمامي حل ها با استفاده از يک تابع تناسب مورد ارزيابي قرار داده مي شوند. آنگاه تعدادي از بهترين حل ها با استفاده از يک تابع احتمال، انتخاب شده و جمعيت جديد را تشکيل مي دهد. تعدادي از فرضيه هاي انتخاب شده به همان صورت مورد استفاده واقع شده و مابقي با استفاده از عملگرهاي ژنتيکي نظير ترکيب و جهش براي توليد فرزندان به کار مي روند.
به صورت کلي مي توان اين الگوريتم را به صورت شبه کد جدول شماره ‏33 نمايش داد:
جدول شماره STYLEREF 1 \s ‏3 SEQ جدول_شماره_ \* ARABIC \s 1 3: شبه کد الگوريتم ژنتيک// Initialise generation 0:
k := 0;
Pk := a population of n randomly-generated individuals;
// Evaluate Pk:
Compute fitness(i) for each i ∈ Pk;
do
{
// Create generation k + 1:

Related posts:

92

تحقیق -پایان نامه

No description. Please update your profile.

LEAVE COMMENT

نوشته‌های تازه

آخرین دیدگاه‌ها

    بایگانی

    دسته‌ها

    اطلاعات




    :: بازدید از این مطلب : 212
    |
    امتیاز مطلب : 0
    |
    تعداد امتیازدهندگان : 0
    |
    مجموع امتیاز : 0
    ن : پایان نامه ها
    ت : یک شنبه 12 شهريور 1396
    مطالب مرتبط با این پست
    می توانید دیدگاه خود را بنویسید


    (function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){ (i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o), m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m) })(window,document,'script','//www.google-analytics.com/analytics.js','ga'); ga('create', 'UA-52170159-2', 'auto'); ga('send', 'pageview');