کنترل فرایند
و …
مالی:
ارزیابی ملک
درجه­بندی شرکت­ها
تحلیل مالی شرکت­ها
پیش ­بینی قیمت
علاوه بر زمینه ­های فوق می­توان به کاربرد شبکه در امور دفاعی، ساخت و تولید، پزشکی، نفت و گاز، رباتیک، گفتار و مخابرات نیز اشاره نمود.

۲-۱۳-۴) اجزا و ساختار شبکه ­های عصبی

عناصر پردازش­کننده^[۹۵]: همان­طور که قبلاً ذکر کردیم به عناصر پردازشی در شبکه ­های عصبی نرون­های مصنوعی می­گویند. هر کدام از این نرون­ها ورودی را دریافت و پردازش نموده و سپس یک خروجی از خود ارائه می­ دهند.
لایه های^[۹۶] شبکه­ عصبی: مجموع نرون­های تشکیل دهنده شبکه در قالب لایه ­ها گروه بندی می­گردند. شکل زیر، ساختار پایه­ای از شبکه­ عصبی را به تصویر می­کشد.
لایه ورودی
لایه پنهان
لایه خروجی
شکل ۲-۱) ساختار پایه­ای شبکه­ عصبی
نرون­هایی که داده ­ها را دریافت می­ کنند، لایه­ های ورودی^[۹۷] و نرون­هایی که ستاده تولید می­ کنند لایه­ های خروجی^[۹۸] نامیده می­شوند. لایه­ های ورودی و خروجی دارای ویژگی مشترک تعامل با دنیای خارج می­باشند.
لایه­ای که در بین دو لایه­ی ورودی و خروجی وجود دارد، لایه­ی پنهان نامیده می­ شود که این لایه برخلاف دو لایه­ی دیگر با دنیای بیرون تعامل ندارد.
هر مدل شبکه دارای یک لایه­ی ورودی و یک لایه خروجی می­باشد، در حالی که ممکن است دارای یک یا چندین لایه­ی پنهان باشد.
توپولوژی شبکه^[۹۹] :[۲]
چگونگی سازمان­دهی و ارتباط بین لایه­ های شبکه عصبی توسط توپولوژی شبکه­­ی عصبی توصیف می­گردد. توپولوژی شبکه معمولاً از لحاظ مسیر ارتباطی به دو دسته تقسیم می­ شود:
۱- شبکه ­های پیش­خور^[۱۰۰]:
شبکه­ هایی هستند که جریان داده ­ها فقط از نرون­های ورودی به سمت نرون­های خروجی صورت می­پذیرد و ارتباط میان خروجی نرون­ها با نرون­های همان لایه و یا لایه­ های قبل امکان­ پذیر نیست.
۲- شبکه ­های پس­خور^[۱۰۱]:
در این نوع شبکه­ ها ارتباط میان خروجی نرون­ها با نرون­های همان لایه و یا لایه­ های قبل امکان پذیر می­­باشد و در واقع خواص دینامیکی این نوع از شبکه­ ها حائز اهمیت است.
یادگیری شبکه:
یادگیری شبکه، فرآیندی است که طی آن، بردار وزن­ها و بایاس­ها بوسیله­ی الگوریتم یادگیری به منظور پیدا کردن وزن­های بهینه تعدیل می­گردند. پس از هر تکرار از الگوریتم یادگیری، شبکه از محیط، شرایط و هدف خود بیش­تر مطلع می گردد.
انواع یادگیری:
یادگیری با­ ناظر^[۱۰۲]: در یادگیری با­­ ناظر، شبکه بوسیله­ی زوج­های ورودی- خروجی آموزش داده می شود. زوج های ورودی- خروجی به شرح زیر می­باشند:
که در آن ورودی شبکه و خروجی مطلوب شبکه یا همان هدف است. پس از اعمال به شبکه­ عصبی خروجی ایجاد شده توسط شبکه با مقدار مطلوب شبکه­ مقایسه گردیده، آن­گاه وزن­ها طوری تعدیل می­گردند که خروجی شبکه به هدف مورد نظر نزدیک شود.
یادگیری بدون ناظر^[۱۰۳]: در یادگیری بدون ناظر، وزن­ها و بایاس­ها تنها در مقابل ورودی شبکه اصلاح می­شوند و در واقع هیچ بردار هدفی وجود ندارد. این الگوریتم یادگیری برای عملیات دسته­بندی استفاده می­گردد. به یادگیری بدون ناظر، “یادگیری خودسازمان ده” نیز گفته می­ شود.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۲-۱۳-۵) مدل ریاضی نرون­ها [۲۰,۱۴]

در این بخش با اجزای پایه ساختمان شبکه ­های عصبی مصنوعی نظیر نرون­ها^[۱۰۴]، توابع انتقال^[۱۰۵] و لایه ­ها بیشتر آشنا خواهیم شد.
نرون ها با یک ورودی عددی
در شکل سمت چپ، مدل یک نرون با یک ورودی نمایش داده شده است. این نرون ساده از دو عنصر کلیدی تشکیل می­گردد: وزن­ها و تابع انتقال F
p
w
n
F
a

نرون بدون بایاس
ورودی
p
w
n

a