شبکه های عصبی مصنوعی (ANN)

صنعت فولاد به عنوان یک صنعت مادر از جایگاه ویژه ای در اکثر کشورها برخوردار است. میزان مصرف این محصول در صنایع زیربنایی، یکی از شاخص های توسعه در کشورهاست. این مقاله می کوشد روش شبکه های عصبی (ANN) را معرفی و کاربرد این روش را برای پیش بینی قیمت فولاد بررسی نماید. برای سنجش بهتر این روش، آن را با یکی از روش های معمول اقتصادسنجی یعنی روش خود رگرسیون میانگین متحرک انباشته (ARIMA) مقایسه می کنیم. برای شبکه های عصبی مصنوعی از شبکه ی پیشرو با آموزش پس انتشار خطا استفاده شده است و در ادامه بروز انواع مشکل برازش بیش از حد بررسی و راه های مقابله با آن عنوان می گردد. در روش شبکه ی عصبی، شبکه ای با معماری پنج گره در لایه ی ورودی، دو نرون در لایه ی میانی و یک نرون در لایه ی خروجی که دارای کمترین میانگین مربعات خطا بود، انتخاب گردید. در روش (ARIMA) نیز با توجه به متدولوژی باکس- جنکینز، مدل به صورت ARIMA(1،1،0) درآمد. در نهایت نتایج به دست آمده نشان می دهد که مدل شبکه ی عصبی بهتر از روش دیگر عمل می نماید و خطای پیش بینی آن از روش ARIMA بسیار کمتراست

یکی از روش های سنتی پیش بینی، تجزیه و تحلیل سری زمانی است که بر دو فرض ایستایی و خطی بودن بنیان نهاده شده است. در مورد عمکرد این مدل های سنتی بعضا تردیدهای ایجاد شده است. یکی از روش های جایگزین، شبکه های عصبی مصنوعی است که در برخی از موارد توانایی بالقوه خوبی برای پیش بینی سری های زمانی از خود نشان داده اند. در این مقاله، پس از مرور پژوهش های انجام شده در مورد توانایی پیش بینی مدل های خود توضیح جمعی میانگین متحرک (ARIMA) و شبکه های عصبی مصنوعی (ANN) به مقایسه این دو روش برای پیش بینی نرخ روزانه ارز در دوره مارس 2006 تا فوریه 2009 پرداخته شده است. نتایج تحقیق نشان داده است که روش شبکه های عصبی تخمین های بهتری نسبت به روش ARIMA ارایه می کند. در این پژوهش، از ابزارهای محاسباتی نرم افزار MATLAB و داده های اقتصادی ایران استفاده شده است.

در سال های اخیر، شاهد حرکتی مستمر از واکاوی ها، پژوهش ها و پردازش های صرفاً نظری و روش محور به پژوهش ها و پردازش های داده محوریم، حرکتی که به نحو احسن خود را در ظهور و توسعه روش های اکتشاف دانش، به ویژه داده کاوی و فنون خاص آن، نشان داده است. به رغم تصور رایج، داده کاوی صرفاً به پژوهش های کمی و آماری محدود نمی شود و در پژوهش های کیفی هم شاهد ظهور تحولات مشابهی بوده ایم. در این مقاله با فرض تطبیق پذیری اکتشاف دانش و داده-کاوی در پژوهش های کمی و کیفی، به طور مشخص روش داده کاویِ شبکه های عصبی مصنوعی را به مثابه رویکردی نوین در پردازش چندمتغیره داده ها و اطلاعات و به مثابه رویکردی در حال ظهور و گسترش در روش های آنالیز چندمتغیره آماری، و روش داده کاویِ نظریه بنیانی را در مدیریت و تحلیل داده های کیفیِ مقایسه کرده و وجوه تمایز و اشتراک آنها را بیان می کنیم. در این مقاله نشان داده ایم که صرف نظر از وجوه متمایز دو روش شناسیِ داده کاوی از حیث پارادایم، خاستگاه و فرایندهای اکتشاف و پردازش و نوع داده، هر دو روش شناسی از ماهیت و رویکردی پسینی، چند رشته ای و میان رشته ای، استقرایی، اکتشافی، فرایندمحور، داده محور ، انعطاف پذیر و معطوف به رابطه (رابطه مدار) بین هستارها و مقوله ها بهره می برند.