توضیحات

جهت دانلود فایل پی دی اف خلاصه کتاب، بر روی لینک زیر کلیک نمایید.

M185_Abstract

سخن مولف

کتابی که پیش رو دارید به بخشی از مباحث هوش مصنوعی پرداخته است. شبکه‎های عصبی، یکی از مفاهیم هوش مصنوعی و از تکنیک‌های داده‌کاوی است که کاربردهای زیادی در زمینه‎ی اتوماسیون داشته و زمانی مورد توجه بیشتری قرار خواهد گرفت. اما آنچه در این کتاب مد نظر است، پرداختن به خودِ شبکه‌ی عصبی نیست بلکه تلاش بر این است که تا حدی مفهوم آموزش در شبکه عصبی به طور شفاف‌تری بیان گردد.
از دیگر اهداف این کتاب، ارائه‌ی یک الگوریتم فراابتکاری ترکیبی جدید جهت آموزش شبکه‌ی عصبی و مقایسه‌ی کارائی آن در آموزش شبکه‌ی عصبی نسبت به الگوریتم‎های ژنتیک، بهینه‌ساز انبوه ذرات و بهینه‎ساز پرندگان می‌باشد.
آنچه باعث تالیف این کتاب شده است طرح سوالاتی همچون موارد زیر بوده ‌است:
– “چگونه می‌توان دقت پیش بینی را افزایش داد؟”
این سوال، ما را به سمت روش‌های جدید پیش‌بینی و عوامل تاثیرگذار بر دقت پیش‎بینی در این روش‌ها سوق داد.
– این سوال که “پیش‎بینی به کمک ترکیب الگوریتم جدید و شبکه عصبی، چگونه می‎تواند در اقتصاد تاثیر گذار باشد؟”، کتاب حاضر را به سمت پیش‎بینی قیمت سهام هدایت کرد.
– “سطح کارائی الگوریتم جدید در آموزش شبکه‎ی عصبی، نسبت به سایر الگوریتم‎های شناخته شده چگونه است؟” که برای رسیدن به پاسخ این سوال الگوریتم هیبرید ارائه شده با سه الگوریتم اشاره شده مقایسه گردید.
برای این کتاب، در ابتدا، تعداد بهینه‎ی نرون‌های لایه میانیِ یک مدل شبکه‎ی عصبی (که ازیک مقاله گرفته شده است (۱)) با توجه به کد شبکه عصبی موجود در تولباکس متلب (که در آن از الگوریتم آموزشی لونبرگ مارکوات استفاده می‌شود) و بر اساس سعی و خطا بدست آمد، سپس، این مدل در محاسبات بعدی به کار برده شد.
داده‎ها عبارتند از قیمت نفت برنت، بیشترین قیمت، کمترین قیمت، قیمت آغازین و قیمت پایانی. که قیمت نفت برنت، از سایت “اِرانیکو”(۲) گرفته ‎شده ‏است. بیشترین قیمت، کمترین قیمت، قیمت آغازین و قیمت پایانی شرکت “سرمایه‌گذاری صنعت نفت”، با نماد “ونفت” ، از سایت بازار بورس اوراق بهادار تهران و از قسمت “سابقه”ی شرکت، استخراج شده است. داده‌های این کتاب مربوط به بازه‌ی زمانی ۱۶/۶/۱۳۹۲ و ۱۵/۶/۱۳۹۳ می‌باشد. که در محیط نرم‎افزاری اکسل جمع‎آوری و دسته‌بندی شده‎اند.
کدنویسی الگوریتم‌های آموزشیFNNGA ،FNNPSO ، FNNBMO و FNNOpp-BMO، به صورت دستی و با ‎استفاده از نرم افزار متلب، ورژن ۲۰۱۳، انجام‌شده است. معیار عملکرد الگوریتم‌ها، میانگین مربع خطا می‌باشد، که برای بیش از ۴۰ بار اجرا برای هر یک از الگوریتم‌ها محاسبه شده است.