پايان نامه ارشد رشته اقتصاد : ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی

 پایان نامه سایت ارشدها - رشته جغرافی-جغرافیا

عنوان کامل پایان نامه :

 ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی

قسمتی از متن پایان نامه :

2 4 5 : آزمون شبکه های عصبی مصنوعی  [1]

از مدل شبکه‌های عصبی مصنوعی می‌توان به عنوان یک آزمون برای یافتن فرایند غیر خطی

متن کامل در سایت امید فایل 

پویا از جمله فرآیند آشوبناک  در داده‌ها استفاده کرد. مدل شبکه‌های عصبی مصنوعی ، مدل‌های غیرخطی انعطاف پذیری هستند که قادرند برآورد و پیش بینی سری‌های زمانی غیر خطی پیچیده را با دقت قابل قبولی انجام دهند. مدل‌های شبکه‌های عصبی مصنوعی معمولا شامل سه لایه ورودی ، میانی و خروجی هستند. داده‌های  ورودی به دو  صورت  مستقیم و یا غیر مستقیم و از طریق توابع انتقالی در بخش میانی به لایه خروجی مرتبط می‌شوند. ارتباط مستقیم بخش خطی و ارتباط از طریق لایه میانی ، بخش غیر خطی مدل را مشخص می‌کنند. آزمون شبکه‌های عصبی مصنوعی به صورت زیر تعریف می‌شوند:

یک مدل شبکه عصبی تعمیم یافته را می‌توان به صورت زیر نوشت :

(2-20)

که در آن  یک بردار ضرایب ( وزن‌ها ) بین داده‌های لایه ورودی (X) و لایه خروجی (y) سیستم است ،  شامل بردارهای ضرایب بین q لایه میانی و لایه خروجی ،   بردار ضرایب بین لایه ورودی و لایه میانی و G تابع انتقالی در لایه میانی است.همان گونه که تابع بالا نشان می دهد ، در این حالت خروجی مدل (y) تابعی از دو مؤلفه خطی (  ) و غیر خطی  است . اگر سری زمانی x دارای فرایند خطی باشد ، عبارت غیر خطی باید حذف شود . بنابراین در این آزمون ، می توان فرضیه صفر را  قرار داد . اگر یک فرآیند خود رگرسیون مانند AR را بر روی سری زمانی اجرا کنیم ، پسماندهای بدست آمده را می توان برای آزمون وجود فرآیند غیر خطی در سری زمانی مورد استفاده قرار داد . در صورتی که یک فرآیند خطی به داده‌ها حاکم باشد، پسماندهای یاد شده نباید با فرآیند خود رگرسیون و هر تابعی از وقفه‌ها بستگی داشته باشد، بنابراین می‌توان فرضیه صفر را به صورت تعریف کرد که در آن ، همان پسوندهای رگرسیون خطی y روی X و   Gبردار مقادیر لایه های میان مدل شبکه عصبی مصنوعی هستند . لی و دیگران [2]نشان دادند که آماره t به شرح زیر در صورت صحت فرضیه صفر دارای توزیع کای – دو با در جه آزادی f است .

(2-21)

که در آن ، برآورد کننده سازی از  است . برای پرهیز از مشکل هم خطی بین X و عناصر G می توان مؤلفه های اصلی G را که با X همبستگی ندارند به جای G به کار گرفت . در این حالت ، آماره دیگری به شرح زیر وجود دارد که محاسبه آن ساده تر از آماره Z است .

 

که در آن ، T تعداد کل مشاهدات و  ضریب همبستگی بدست آمده از رگرسیون خطی پسماندهای ( e ) روی مولفه اصلی G است که با X همبستگی ندارند . اگر ، آماره بالا برای یک سری زمانی بیشتر از مقادیر بحرانی داده شده در توزیع کای – دو باشد ، دلالت به این دارد که یک فرآیند غیر خطی پویا برای داده های حاکم است و در غیر این صورت ، داده ها از یک فرآیند خطی پیروی می کنند .

نکته ای که باید در این ازمون به آن توجه کرد این است که رد فرضیه صفر لزوماً به معنای وجود یک فرآیند آشوبناک نیست . بنابراین اگر پژوهشگر باید به دنبال کشف چنین فرایندی است باید از آزمون های مکمل یاری جوید .

1-Artificial Neural Network

1-lee et al

سوالات یا اهداف این پایان نامه :

هدف از تحقیق

    هدف از انجام این تحقیق ، ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز  و مقایسه نتایج حاصل از این پیش بینی با تحلیل های سری زمانی و مدل ARIMA و همچنین تلفیق جواب های حاصل از دو مدل و ارائه نتیجه بهتر نسبت به هر دو مدل است

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود متن کامل پایان نامه جغرافیا در لینک زیر

لینک متن کامل پایان نامه رشته جغرافیا با عنوان :  ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی با فرمت ورد