شبکه عصبی موجکی

موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و مورد توجه محافل علمی و سرمایه گذاری بوده است. اخیراً تعداد زیادی از پژوهشگران در پژوهش های خود بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته اند. در این پژوهش، تلاش شده است با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق تر و با خطای کمتری از بازده شاخص بورس اوراق بهادار داشته باشد. در این مدل ترکیبی، از خاصیت هموارسازی تبدیل موجک برای کاهش سطح نویز داده ها استفاده و سپس به وسیله شبکه عصبی پیش بینی شده است. مقایسه خطای پیش بینی مدل های آریما، شبکه عصبی و شبکه عصبی موجکی نشان می دهد که کاهش نویز عملکرد پیش-بینی بازده شاخص را بهبود می بخشد. به بیان بهتر، مدل شبکه عصبی موجکی (نویززدایی سیگنال) عملکردی بهتر از مدل های آریما و شبکه عصبی دارد. همچنین، مدل های شبکه عصبی قدرت پیش بینی کنندگی بهتری را نسبت به مدل های آریما نشان می دهد. مقادیر مربوط به آزمون دایبولد – ماریانو نیز این نتایج را تایید می نماید.

با توجه به وسعت جهانی منابع آب، اندازه گیری های زمینی از پارامترهای کیفی امکان پذیر نیست، همچنین نمونه برداری سنتی از آب و آنالیزهای آزمایشگاهی بسیار پرهزینه و زمان بر است. در مطالعات صورت گرفته، برآورد کدورت و غلظت کلروفیل آ به عنوان مهم ترین پارامترهای کیفی آب با استفاده از شبکه های عصبی مصنوعی با دقت مناسب توسط پژوهشگران انجام شده است. با توجه به مشکلاتی که در تهیه تعداد بالایی از داده های آموزشی در محیط های آبی وجود دارد استفاده از شبکه های ترکیبی مقاوم تری نظیر شبکه عصبی موجکی پیشنهادشده است. در این تحقیق انواع مختلفی از توابع موجک به عنوان تابع محرک شبکه مورداستفاده قرار گرفت و بهترین شبکه به منظور برآورد غلظت کلروفیل آ و کدورت به ترتیب شبکه های عصبی موجکی با تابع محرک مورلت و کلاه مکزیکی به دست آمد، داده های مورداستفاده محصول بازتاب اقیانوسی سنجنده مادیس است، به دلیل به کارگیری تصاویر چند زمانه نرمال سازی رادیومتریک داده ها انجام شد و نتایج نسبت به زمانی که از تصاویر نرمال نشده استفاده شده است، به صورت قابل توجهی بهبود یافت. در حالت چندزمانه علاوه بر افزایش تعداد داده های آموزشی، قابلیت تعمیم پذیری شبکه به سایر روزهایی که در آن تعداد داده میدانی کافی موجود نیست، فراهم شده است و دقت شبکه در این حالت در مقایسه باحالت تک زمانه افزایش یافت، درنهایت RMSE برای بهترین مدل به منظور برآورد کدورت و غلظت کلروفیل به ترتیب 047/0 و 071/0 به دست آمد که در مقایسه با دقت اندازه گیری میدانی 1/0، قابل قبول بوده و می تواند جایگزین مناسبی برای اندازه گیری های میدانی باشد.