رشته مدیریت-دانلود پایان نامه درباره شبکه های عصبی-دانلود کامل

را به دو گروه تقسیم نمود:

1.داده های آموزش: این داده ها از میان داده های برچسب دار و به منظور آموزش شبکه به کار میروند. عمدتاً از میان کل داده ها 60% تا 70% آن ها را (به طور تصادفی یا با یک پیش فرض) به عنوان داده های آموزش انتخاب می کنند. پس از آنکه شبکه توسط این داده ها آموزش دید، وزنها مقدار نهایی خود را یافته اند به نحوی که شبکه برای داده های آموزش، کمترین خطا را بدست می دهد.
2. داده های تست: پس از آن که شبکه توسط داده های آموزش تا رسیدن به حداقل خطا آموزش یافت، مابقی داده ها (%30 تا 40% باقی مانده) که در آموزش نقشی نداشته اند به عنوان ورودی به شبکه داده شده و پاسخ شبکه با پاسخ مطلوب (برچسب آن ها) مقایسه می گردد و بدین ترتیب راندمان شبکه آموزش دیده محک زده می شود.
شایان ذکر است که اگر تعداد نمونه های آموزش به حد کافی زیاد باشد، استفاده از روش ارائه الگو جواب های بهتری می دهد اما در کاربردهایی که تعداد نمونه های برچسب دار آموزش کم باشند، هر دو روش ارائه الگو و ارائه یک جا به یک جواب یکسان منجر خواهند شد. همچنین باید توجه داشت که در اولین گام اجرای الگوریتم، وزن تمامی لایه ها به طور تصادفی انتخاب می شوند و در هر گام با بهره گرفتن از روش پس انتشار خطا، وزن ها تصحیح میشوند.
اشاره به این نکته حائز اهمیت است که پس از آ نکه تمام نمونه ها ی یکبار به شبکه ارائه شدند، در بار بعدی (اپوک بعد) ابتدا داده های آموزشی به طور تصادفی بر زده شوند. این کار به ویژه سبب می شود که شبکه عصبی به ازای نمونه های خاص بایاس نشود و همچنین از گیر کردن در مینیمم های محلی جلوگیری می کند.
پس از اجرای الگوریتم تصحیح وزن ها تا رسیدن به مینیمم خطای کلی، چندین معیار برای توقف الگوریتم پیشنهاد می گردد که مهمترین آن ها عبارتند از:
1. اگر خطا (تابع هزینه) که قرار است مینیمم شود، از یک سطح آستانه کمتر شود، میتوان پذیرفت که شبکه با خطای قابل قبولی آموزش دیده است. این شرط چنین بیان می شود:
2-16)
2. اگر میزان تغییرات خطا در طی دو گام متوالی کمتر از یک سطح آستانه باشد یا به عبارت دیگر روند کاهش خطا با سرعت کند انجام شود، می توان چنین برداشت کرد که به حوالی مینیمم کلی رسیده ایم. لذا در این حالت نیز تصمیم به توقف الگوریتم آموزش گرفته می شود. بیان ریاضی این شرط نیز چنین است:
2-17)

2-4-12- کاربرد های شبکه عصبی در مدیریت
تنوع مدل های شبکه عصبی و الگوریتم های یادگیری آنها امکان کاربرد های مختلفی را برای آنها فراهم می آورد. به منظور موفقیت در انطباق با مسائل دنیای واقعی، باید ابعاد زیادی از جمله مدل شبکه، اندازه شبکه، تابع فعالیت، پارامترهای یادگیری و تعداد نمونه های آموزشی را مدنظر قرار داد. در ادامه خلاصه ای از این کاربرد ها را بیان می کنیم (راعی،1383).
1.دسته بندی الگو :وظیفه دسته بندی الگو برای تخصیص یک الگو از داده ها به یکی از دسته های از پیش تعیین شده بوسیله بردار ویژگی است. یکی از موارد کاربرد این وظیفه در رتبه بندی اوراق قرضه است. یک بررسی انجام شده برای شرکت جی.آر.پاخ از کرانفورد،ان.ج. شبکه طراحی شده، 100% از اوراق را در طبقه خود قرار داد و در 95% موارد دسته بندی در گروه های فرعی نیز دقیق بود. شبکه های عصبی در تصویب کارت اعتباری نیز مشتریان را در گروه های تعیین شده خوب، متوسط و ضعیف دسته بندی می نمایند. و شبکه های عصبی در دسته بندی اوراق 18 شرکت عملیاتی تلفن بل موفق بوده و همچنین برتری خود را نسبت به رگرسیون در رتبه بندی اوراق شرکت های موجود در The valueline index the s&p Bond نشان داده است.
2.خوشه یابی/ طبقه بندی : در خوشه یابی که به طبقه بندی الگوی بدون سرپرستی معروف است، دسته های شناخته شده برای داده های آموزشی وجود ندارد. یک الگوریتم خوشه یابی، تشابه بین الگوها را کشف می کند و الگوهای مشابه را در یک خوشه قرار می دهد. این وظیفه، کاربرد های زیادی در استخراج داده ها، فشرده سازی داده ها، تحلیل داده های استخراجی و داده کاوی دارد.
شرکت واراتکس با بهره گرفتن از داده های آماری و جمعیت شناسی دان و برداستریت و سایر منابع اطلاعاتی، مشتریان خود را بوسیله شبکه عصبی IBNSNNU400 رتبه بندی نموده است. سهام موجود در بورس لندن (LSE) بر اساس متغیر های حسابداری مبتنی بر گزارشات حسابداری توسط شبکه های عصبی به 14 گروه صنعتی طبقه بندی شدند. خوشه یابی برای سهام مشابه می تواند در انتخاب سهام برای یک سبد سهام موثر باشد.
3.تخمین تابع: فرض کنید که مجموعه با n الگوی آموزشی از زوجهای مرتب (ورودی-خروجی) از یک تابع ناشناخته (همراه با پارازیت) وجود دارد. وظیفه تخمین تابع، یافتن یک تخمین از تابع ناشناخته است. مسائل متنوع مدلسازی و مهندسی و مدیریت می تواند در این حوزه بیان شود. رابطه بین تاخیر کارکنان به عنوان یک ورودی و حجم ضایعات به عنوان یک خروجی ممکن است یک تابع غیر خطی ناشناخته باشد که می توان با بهره گرفتن از شبکه های عصبی تخمین زده شود.
4.پیش بینی: با وجود یک مجموعه n عنصری نمونه در یک توالی زمانی ,… , وظیفه شبکه پیش بینی نمونه در برخی از شرایط است. پیش بینی اثر بسیار مهمی در تصمیم گیری های مدیریت دارد. پیش بینی در بازار سهام، ورشکستگی شرکت ها و غیره می تواند در برنامه ریزیها موثر واقع شود. یک مساله هنگامی برای پیش بینی با شبکه های عصبی مناسب است که شرایط زیر را داشته باشد:
1- ورودیه
ا به خوبی شناخته شده باشند. به عبارت دیگر متغیر هایی که در جواب تاثیر مهمی دارند شناخته شده اند ولی چگونگی ترکیب این متغیرها (برای حصول جواب) مشخص نیست.
2- خروجی به خوبی شناخته شده باشد. اینکه چه متغیری پیش بینی شود کاملا مشخص است.
3- تجربه کافی در دسترس باشد. به بیان دیگر مثال های فراوانی وجود داشته باشند که در آنها ورودی ها و خروجی مرتبط با آنها معلوم است. این تجربه در آموزش شبکه بکار خواهد رفت.
5.بهینه سازی: دامنه وسیعی از مسائل سازمان، مدیریت، مهندسی، اقتصاد ریاضی، آمار و پزشکی می تواند بعنوان مسائل بهینه سازی در نظر گرفته شوند. هدف یک مساله بهینه سازی، یافتن راه حلی است که ضمن صدق در یک مجموعه از محدودیت ها، تابع هدف را نیز حداکثر یا حداقل نماید. مساله فروشنده دوره گرد (TSP) در پژوهشی عملیاتی، یک مساله برنامه ریزی غیر خطی است که توسط شبکه های عصبی هاپفیلد حل می شود. شبکه های عصبی می توانند با مدل های بهینه سازی پاسخهای مناسبی برای مدیریت فراهم نماید. وجو کیم و جاک. لی مدل بهینه انطباقی کنترل در پالایشگاه را ارائه نمودند.
6.حافظه انجمنی: در مدل های محاسباتی کامپیوتر یک داده موجود در حافظه، تنها از طریق آدرس آن قابل دسترسی است، که از محتوای موجود در آن مستقل است. که اگر در محاسبه آدرس یک اشتباه کوچک رخ دهد، ممکن است یک مورد کاملا متفاوت بازخوانی شود. در حافظه انجمنی با حافظه آدرس دهی محتوایی می توان بوسیله محتوای داده ها به آنها دسترسی پیدا نمود. محتوای موجود در در حافظه می تواند، حتی با یک ورودی ناقص یا محتوای به هم ریخته ، بازخوانی شود. مدیر نیز می تواند با بهره گرفتن از این کاربرد، اطلاعات مربوط به امور مورد نظر را با دست داشتن اطلاعات مختصری در مورد آن موضوع در اختیار گیرد.
7. کنترل: یک سیستم پویایی تعریف شده بوسیله زوج و را در نظر بگیرد که داده کنترل است و خروجی سیستم در زمان t است. هدف در یک مدل کنترل، ایجاد ورودی کنترل به نحوی است که سیستم، مسیر مطلوبی را دنبال کند که توسط مدل مرجع تعیین شده است. زمانبندی مشاغل، ماشین ها و سایر منابع در سیستم های ساخت منعطف FMS اهمیت بالایی داشته و در نیل به اهداف تولید بسیار موثر می باشد. یک سیستم طراحی شده بوسیله شبکه عصبی در 92% از موارد بهترین قاعده را برای انجام بهینه فعالیت و در بقیه موارد، دومین قاعده بهتر را انتخاب می نمود.
در یک سیستم طراحی شده توسط ویلیام وردوین که شامل ترکیبی از شبکه های عصبی و سیستم های خبری بود، کاربرد های زیر معمول بود:
1. کنترل کیفیت: پیش بینی رخداد نقص های سیستم.
2. تنظیم ماشین: تنظیم شرایط ماشین و کیفیت محصول.
3. کنترل فرایند: کنترل تغییرات در طول فرآیند.
شرکت لاک هید از شبکه های عصبی در امر کنترل استفاده های زیادی نموده است. این شبکه سه قرارداد مهم در آژانس پروژه های تحقیقاتی پیشرفته دفاعی در زمینه های زیر دارد:
1.تشخیص خودکار هدف
2. طبقه بندی علامت زلزله
3.تشخیص صدای پوسته
در یک گزارش منتشر شده توسط وزارت صنایع و بازرگانی بین الملل ژاپن در سال 1988، محاسبات عصبی بعنوان یکی از حوزه های کلیدی تحقیقاتی اولیه ژاپنی اعلام شد. شرکت فوجی تسو، هیتاجی، شرکت الکترونیکی میتسوبیشی استفاده های وسیعی از شبکه های عصبی داشته اند.
2-4-13- مزایا و محدودیت های استفاده از شبکه عصبی
مزایا و محدودیت های استفاده از شبکه عصبی مصنوعی به صورت ذیل دسته بندی می شوند (مختاری،1389):
2-4-13-1- مزایا
1. یادگیری انطباق پذیر: قابلیت یادگیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین و تجربه های مقدماتی.

 
 
2. سازماندهی توسط خود: یک شبکه عصبی مصنوعی می تواند به صورت خودکار سازماندهی و ارائه داده هایی را که در طول دوره یادگیری دریافت کرده، انجام دهد. نورون ها با قاعده یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.
3. به هنگام: محاسبات در شبکه عصبی می تواند به صورت موازی و بوسیله سخت افزارهای مخصوصی که طراحی و ساخت آنها برای دریافت نتایج بهینه از شبکه عصبی صورت گرفته است، انجام شود.
4. تحمل خطا بدون ایجاد وقفه در هنگام کدگذری اطلاعات: خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود. اما قابلیتهای اصلی شبکه ممکن است حتی با صدمات بزرگ هم باقی بماند.
5. دسته بندی: شبکه های عصبی قادر به دسته بندی ورودیها برای ایجاد خروجی های مناسب و قابل اتکا می باشند.
6. تعمیم دهی: این خاصیت شبکه را قادر می سازد تا تنها با برخورد با تعداد محدودی از نمونه ها، یک قانون کلی را ایجاد نموده، نتایج این آموخته ها را به موارد مشاهده نشده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سیستم باید بی نهایت واقعیت ها و روابط را به خاطر بسپارد.
7. انعطاف پذیری و پایداری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته، خود را حفظ کند و هم قابلیت انعطاف و تطبیق دارد و بدون از دست دادن اطلاعات قبلی می تواند موارد جدید را بپذیرد.

پایان نامه
برای دانلود متن کامل پایان نامه ، مقاله ، تحقیق ، پروژه ، پروپوزال ،سمینار مقطع کارشناسی ، ارشد و دکتری در موضوعات مختلف با فرمت ورد می توانید به سایت  77u.ir  مراجعه نمایید
رشته مدیریت همه موضوعات و گرایش ها : صنعتی ، دولتی ، MBA ، مالی ، بازاریابی (تبلیغات – برند – مصرف کننده -مشتری ،نظام کیفیت فراگیر ، بازرگانی بین الملل ، صادرات و واردات ، اجرایی ، کارآفرینی ، بیمه ، تحول ، فناوری اطلاعات ، مدیریت دانش ،استراتژیک ، سیستم های اطلاعاتی ، مدیریت منابع انسانی و افزایش بهره وری کارکنان سازمان

در این سایت مجموعه بسیار بزرگی از مقالات و پایان نامه ها با منابع و ماخذ کامل درج شده که قسمتی از آنها به صورت رایگان و بقیه برای فروش و دانلود درج شده اند

8 . قابلیت مدلسازی سیستم های غیر خطی با پیچیدگی دلخواه: بر طبق یکی از قضایای اساسی که در زمینه شبکه عصبی به اثبات رسیده است، هر تابع غیر خطی پیچیده تکه تکه گسسته را می توان بوسیله یک شبکه پروسپترون سه لایه به تعداد کافی نورون در لایه مخفی با هر درجه ای از دقت تقریب زد.
9.قابلیت استفاده از حافظه شراکتی: شبکه های عصبی می توانند ویژگی های مختلفی را با ارائه یک ویژگی در خروجی (بدون آنکه این ویژگی ها را در جایی ذخیره کرده باشند) ظاهر سازند.
2-4-13-2- محدودیت ها
1. شبکه های عصبی مصنوعی قادر به توضیح منطق و قاعده کار نیستند و اثبات درستی آنها بسیار دشوار است.
2. محاسبات شبکه های عصبی معمولا محتاج مقادیر زیادی داده برای آموزش و آزمون مدل است. در حالت کلی ، شبکه های عصبی برای برخی از مسائل کارایی ندارند. برای مثال برای حل مسائل و پردازش داده ها با روش مستدل مناسب نیستند.
3. امکان ارائه یک جواب زودرس و نامناسب وجود دارد. معمولا شبکه های عصبی برای هر مجموعه داده های آموزشی به جواب همگرا می شود. متاسفانه هیچ تضمینی وجود ندارد که حل ارائه شده، بهترین مدل داده ها باشد. لذا می بایستی توسط مجموعه آزمون، مناسب بودن مدل فراهم شده را سنجید و سپس آن را بر روی داده های ناشناخته به کار برد.
بخش چهارم : پیشینه تحقیق
2-5- پیشینه تحقیق
مطالعات صورت گرفته در این زمینه را می توان به دو دسته مطالعات داخلی و مطالعات خارجیتقسیم بندی کرد.
2-5-1- پیشینه تحقیق در ایران
1. پیری (1383): در تحقیق خود که تحت عنوان ب‍ررس‍ی‌ و ت‍ع‍ی‍ی‍ن‌ ع‍وام‍ل‌ م‍وث‍ر ب‍رم‍ی‍زان‌ رض‍ای‍ت‍م‍ن‍دی‌ م‍ش‍ت‍ری‍ان‌ از خ‍دم‍ات‌ ب‍ان‍ک‌ ت‍ج‍ارت‌ م‍ی‌ب‍اش‍د ب‍رای‌ ب‍دس‍ت‌ آوردن‌ اطلاع‍ات‌ م‍ورد ن‍ی‍از ت‍ح‍ق‍ی‍ق‌، از ۱۵۳ ن‍ف‍ر از م‍ش‍ت‍ری‍ان‌ ب‍ان‍ک‌ ت‍ج‍ارت‌ در م‍ن‍اطق‌ ۱ ال‍ی‌ ۷ ت‍ه‍ران‌ ب‍ه‌ روش‌ ن‍م‍ون‍ه‌ گ‍ی‍ری‌ خ‍وش‍ه‌ای‌ ن‍ظرس‍ن‍ج‍ی‌ ش‍ده‌ اس‍ت‌ روش‌ پ‍ژوه‍ش‌ پ‍ی‍م‍ای‍ش‍ی‌ و ک‍ت‍اب‍خ‍ان‍ه‌ای‌ و ب‍ااس‍ت‍ف‍اده‌ از آم‍اره‍ای‌ ت‍وص‍ی‍ف‍ی‌ ت‍ک‌ ع‍ام‍ل‍ی‌، ض‍رای‍ب‌ ه‍م‍ب‍س‍ت‍گ‍ی‌، رگ‍رس‍ی‍ون‌ و م‍دل‌ ک‍ان‍و اس‍ت‌ اب‍زار ان‍دازه‌ گ‍ی‍ری‌ پ‍رس‍ش‍ن‍ام‍ه‌ استفاده کرده است و در نهایت به این نتیجه رسیده است که س‍رع‍ت‌ ان‍ج‍ام‌ ام‍ور ب‍ان‍ک‍ی‌، ن‍ح‍وه‌ ب‍رخ‍ورد و رف‍ت‍ار پ‍رس‍ن‍ل‌ و ام‍ک‍ان‍ات‌ ج‍ان‍ب‍ی‌ ش‍ع‍ب‌ ب‍ان‍ک‌ ت‍ج‍ارت‌ از ع‍وام‍ل‌ م‍وث‍ر در ک‍س‍ب‌ رض‍ای‍ت‌ م‍ش‍ت‍ری‍ان‌ ب‍ان‍ک‌

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *