درنهایت روال کلی این الگوریتم طی مراحل زیر انجام می­ شود:
۱- مسیر رفت : با بهره گرفتن از روابط فوق ورودی­های آموزشی را به شبکه اعمال کرده و خروجی متناظر آن را از شبکه بدست می­آوریم. همان­گونه که می­بینیم پارامترهای شبکه در خلال اجرای محاسبات رفت تغییر نمی­یابند.
۲-مسیر برگشت: دراین مسیر بردارهای حساسیت از لایه آخر به لایه اول برگشت داده می­ شود. به عبارتی دیگر در مسیر برگشت شروع کار از لایه آخر یا لایه خروجی می­باشد جایی که بردار خطا در اختیار می­باشد. سپس بردار خطا از سمت راست به چپ از لایه آخر به لایه اول توزیع می­ شود و گردایان محلی نرون به نرون با الگوریتم بازگشتی محاسبه می­ شود در این مسیر نیز پارامترهای شبکه تغییر نخواهند کرد.

۳- تنظیم پارامترها: وزن­ها و بایاس­ها را با بهره گرفتن از روابط فوق تنظیم می­کنیم. توجه داریم که پس از اعمال هر زوج ورودی– خروجی به عنوان الگوی یادگیری، در خلال سه مرحله فوق تغییر نمی­کنند. به همین دلیل تعداد مرحله تکرار H عملا با اعمال H امین الگو معادل است.

۴- توقیف : جهت توقف تکرار الگوریتم از دو شاخص کارایی زیر به طور همزمان می­توان استفاده نمود:
الف- میانگین مربعات خطا در هر سیکل^[۱۱۶] ( جمع مربعات خطا برای تمامی الگوهای یادگیری) کمتر از مقدار پیش تعیین شده­ای باشد و یا اینکه فرم تغییرات در پارامترهای شبکه پس از هر سیکل خیلی کوچک باشد بایستی توجه داشت که هر سیکل برابر با تعداد تکرار به اندازه تعداد نمونه­های یادگیری می­باشد مثلا اگر ۱۰۰ تا داده ­های نمونه یادگیری موجود است سیکل برابر با ۱۰۰ مرحله تکرار می­گردد.

(( 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. ))

ب) نرم گرادیان خطا خیلی کوچک باشد
دو مورد از پرکاریردترین الگوریتم­های کارای یادگیری پس انتشار خط،Backprpagation Resilient و Levenberg-Marquardt می باشند که در این رساله از الگوریتمLevenbrg – Marquardt استفاده شده است.
۲-۱-۱۲-۴ –ساختار مدل پیشنهادی
روش مورد استفاده در شبکه های پس انتشار همان روش گرادیان برای به حداقل رساندن کل مربعات خطای خروجی محاسبه شده توسط شبکه است. ماهیت کلی روش آموزش پس انتشار بیانگر این است که یک شبکه چند لایه پیش خور را که با پس انتشار آموزش دیده است می توان برای حل مسئله مورد استفاده قرار داد. در واقع هدف آموزش شبکه با روش پس انتشار رسیدن به تعادل بین قابلیت یادگیری و تهمیم است. منظور از قابلیت یادگیری پاسخگویی صحیح به الگوهای ورودی به کار رفته برای آموزش و منظور از تعمیم پاسخ دهی منطقه ای به ورودیهای شبیه اما نه دقیقا یکسان با ورودی به کار رفته با آموزش است.
آموزش یک شبکه با الگوریتم پس انتشار شامل سه مرحله پیش خور^[۱۱۷] کردن الگوی آموزش ورودی، محاسبه و پس انتشار کردن خطای مربوط و تنظیم وزن هاست. بعد از آموزش شبکه فقط محاسبات مرحله پیش خور را لازم دارد. این بدان معناست که حتی اگر آموزش شبکه نیازمند زمان زیادی باشد شبکه آموزش دیده می تواند در فاز استفاده خروجی خود را با سرعت زیاد تولید کند.
شکل زیر ساختار کلی شبکه پس انتشار چند لایه که در اینجا مورد استفاده قرار گرفته است را نشان می دهد.
شکل ۴-۱۱ : ساختار مدل پیشنهادی برای پیش بینی جریان ترافیک
در این پروژه با توجه به ویژگی­های مسئله مورد نظر از شبکه عصبی MLP (از شبکه ­های پیش­رو) با یادگیری با نظارت (که جعبه ابزارهای آن در نرم افزار MATLAB موجود است) استفاده نماییم.زیرا این نوع شبکه ­های عصبی برای مسئله خطا یابی به دلایل زیر مناسب­تر بوده است:
شبکه ­های عصبی بر خلاف روش­های دیگر دسته­بندی آماری کلاسیک^[۱۱۸] نیاز به هیچ­گونه اطلاعاتی در مورد توزیع آماری ندارند.
از آنجایی که با توجه به دسته داده ­های آموزشی شکل می­گیرند، برای حل مسائل غیرخطی، غیرایستا و غیرگوسی مناسب خواهند بود و همان طور که گفته شد دارای خواصی همچون قابلیت تعمیم و مقاوم در برابر خطاهای محلی هستند.
همچنان که در شکل فوق نمایش داده شده این مدل از حجم ترافیک عبوری در سه بازه زمانی t-1، t-2 وt-3 همچنین مقادیر ماه، روز و ساعت ترافیک عبوری و همچنین تعداد و سرعت متوسط ترافیک به عنوان ورودی استفاده کرده و حجم عبوری از معبر را در آینده پیش بینی می کند. روش پیشنهادی برای ساخت مدل حجم ترافیک شامل دو دسته ورودی می باشد. یک دسته همان ورودی هایی می باشند که در بالا توضیح داده شده اند. دسته دوم ورودی هایی می باشند که برای بهینه سازی مدل از آنها استفاده شده است، این ورودیها مشخص کننده روزهای تعطیل قبل و بعد از هر روز می باشد.
مراحل ساخت مدل پیش بینی حجم ترافیک
طراحی مدل اولیه
بهینه سازی مدل
تعیین تعداد ورودی ها
تعیین تعداد سلول های پنهان
تعیین روزهای تعطیل تا سه روز قبل
تعیین روزهای تعطیل تا روز بعد
شکل ۴-۱۲ مراحل ساخت مدل پیش بینی حجم ترافیک
۴-۱۲-۲- رگرسیون چند متغیره
اهدافی که به بیان یک پدیده اجتماعی یا فیزیکی مربوط می شود بایستی مشخص شده ، و سپس با گردآوری داده ها ، آزمون و تحلیل شوند . با توجه به اینکه عوامل و متغیر های زیادی بر یک پدیده تاثیر دارند و داده ها اندازه ها ی همزمانی را در مورد چند متغیر شامل می شوند، تحلیل این داده ها روشی را در علم آمار پایه ریزی می کند که به روش تحلیل چند متغیره نامیده می شود.
لزوم درک و بررسی روابط بین بسیاری از متغیر ها، تحلیل چند متغیره را مشکل می سازد. اغلب فکر بشری در انبوهی از داده ها غوطه­ور می شود و لذا تحلیل های چند متغیره پیچیدگی های بیشتری را شامل می شود.
بطور فزاینده­ای معلوم می شود که بسیاری از روش های چند متغیره بر اساس الگوی احتمال مورد بررسی ، که به توزیع نرمال چند متغیره موسوم است ، قرار دارد . روش های دیگر دارای طبیعت خاصی هستند و با استدلالهای منطقی و یا با عقل سلیم تایید می شوند . پیشرفتهای اخیر در فن آوری رایانه همراه با توسعه بسته های نرم افزاری آماری پیشرفته ، مرحله اجرا را ساده تر می کند (نجیبی،مزارعی،۱۳۸۷) .
۴-۱۲-۲-۱- اهداف بررسی های علمی روش های چند متغیره
اهداف بررسی های علمی که برای آ ن ها روش های چند متغیره بطور خیلی طبیعی بکار می­روند ، شامل موارد زیر است :
أ- کاهش داده ها یا سهولت ساختاری (پدیده مورد مطالعه ، بدون این کهاطلاعات با ارزشی را از دست دهیم ، تا جایی که ممکن است ساده ارائه میشود ، امیدواریم که این امر تعبیر و تفسیر را ساده تر کند)
ب- جور کردن و دسته بندی کردن (دسته های اشیا یا متغیر های (مشابه ) برمبنای خصیصه های اندازه گیری شده ، ایجاد می شوند.)
ج- بررسی وابستگی میان متغیرها ( طبیعت رو ابط میان متغیر ها مورد علاقه است .آیا بطور طبیعی تمام متغیر ها مستقل اند یا اینکه یک یا چند متغ یر به سایرین وابسته اند؟ اگر چنین است میزان وابستگی آنها تا چه میزان می باشد.)
د- ساختن و آزمون کردن فرضها (فرض های آماری خاصی که بر حسب پارامتر های جامعه های چند متغیره فرمول بندی می شوند ، را آزمون می کنیم .این را می توان با فرض های معتبر یا تقویت کردن عقاید پیشین انجام داد.)
۴-۱۲-۲-۲- کاربرد های روش های چند متغیره
روش های آماری بخش لاینفک تحقیقات علمی است ،در نتیجه کاربرد آنها بسیار زیاد است . بویژه الگوهای چندمتغیره به وفور در مسائلی که در علوم فیزیکی ، روانشناسی، پزشکی، جامعه شناسی ، اقتصاد بازرگانی ، عل وم تربیتی ، زیست شناسی ، مطالعات مربوط به یک محیط ،هواشناسی و زمین شناسی پیش می آید ، کاربرد دارد .
در اینجا ابتدا تعاریف مختصری از رگرسیون خطی ساده و چندگا نه را ارائه داده و سپس آن را به رگرسیون چند متغیره خطی تعمیم می دهیم.
۴-۱۲-۲-۳- رگرسیون خطی ساده
همانطور که می دانید در رگرسیون خطی ساده هدف این است که رابطه بین یک متغیر مستقل و یک متغیر وابسته را بررسی کنیم . در اینجا مدل رگرسیونی را بصورت رابطه