شبکه های عصبی فازی

پیش بینی قیمت سهام در بورس اوراق بهادار از اهمیت خاصی برخوردار است، زیرا نشان دهنده وضعیت کلی مطلوب یا نامطلوب سرمایه گذاری برای سهامداران و سرمایه گذاران است. در میان روش های پیش بینی، شبکه های عصبی مصنوعی و منطق فازی در بسیاری از زمینه های کاربردی استفاده شده اند و هر کدام آن ها دارای محاسن و معایبی هستند. این مقاله به دنبال ترکیب تئوری استدلال فازی با روش شبکه های عصبی جهت بهبود دقت و سرعت همگرایی مدل پیش بینی است. بنابراین، یک مدل ترکیبی شبکه های عصبی و تئوری استدلال فازی بر اساس مدل استدلال تاکاگی سوگنو در نظر گرفته شده است.

پیش بینی در فوتبال همچون پیش بینی دیگر مسائل سیاسی و اقتصادی امر بسیار پیچیده و مشکلی است، اما امروزه مدل هایی وجود دارند که با استفاده از آن ها می توان تا حدودی نتایج و رده بندی های آتی را پیش بینی کرد. هدف از پژوهش حاضر ارائه مدل پیش بینی بر مبنای شبکه های عصبی فازی است تا بتوان بر اساس آن جایگاه تیم ملی فوتبال ایران در رده بندی فیفا را پیش بینی کرد. روش تحقیق حاضر از نوع توصیفی- تحلیلی است که در بخش توصیفی، سوابق تیم ملی فوتبال ایران در 119 ماه گذشته (1996، آغاز عملیات رده بندی فیفا، تا آغاز سال 2006، شامل جایگاه ایران در رده بندی فیفا در پایان هر ماه میلادی، امتیاز تیم ایران در پایان هر ماه، نتیجه بازی ها، تعداد گل های رد و بدل شده، محل برگزاری مسابقه، نوع بازی، جایگاه تیم حریف ایران در رده بندی ماه قبل فیفا، و قدرت منطقه ای تیم حریف ایران) از سایت رسمی فیفا به دست آمد؛ و در بخش تحلیلی، اطلاعات توسط سیستم شبکه عصبی فازی تجزیه و تحلیل شد و یک مدل پیش بینی برای آن نیز ارائه شد. یافته های پژوهش نیز به دو شیوه ارائه شده است؛ شیوه اول مدل مفهومی است. در این مدل می توان با دادن متغیرهای مستقل ذکر شده، جایگاه تیم ملی ایران در ماه های بعدی را پیش بینی کرد. این روش نسبتاً دقیق است و به رده بندی فیفا در ماه بعدی نزدیک خواهد بود. شیوه دوم زمانی است که متغیرهای مستقل ذکر شده مشخص نباشند. در اینجا می توان متغیر مستقل را زمان در نظر گرفت و مدل پیش بینی مورد نظر را طراحی کرد. برای مثال، جایگاه ایران در 2 ماه آینده، به ترتیب 19، 20 و... خواهد بود. این روش، نسبت به روش اول، از دقت کمتری برخوردار است و هرچه دامنه زمانی پیش بینی طولانی باشد از دقت آن کاسته می شود.

با ظهور نگهداری و تعمیرات (نت) پیشگویانه در 1980، تحول شگرفی در برنامه ریزی نت تجهیزات پدیدار گردید. با توجه به این که نت پیشگویانه، متکی بر پیشگویی وقوع خرابی در خصوص تجهیزات در حال استفاده است، چنانچه بتوان پیشگویی صحیح تری از وقوع خرابی در آینده ارائه داد، می توان هزینه های نت را به طور قابل ملاحظه کم کرد. این رویکرد، خود مستلزم به کارگیری ابزار و فنون متعدد، از جمله تکنیک های هوش مصنوعی، مثل شبکه های عصبی و تئوری مجموعه های فازی است. فعالیت های شرکت ملی گاز ایران در زمره صنایعی است که هزینه های نت در آن قابل توجه است و بنابراین استفاده از نت پیشگویانه در مورد آن ها توجیه اقتصادی دارد. فرایند توزیع گاز طبیعی در سطح کشور به گونه ای است که لوله های انتقالی که از زیر زمین عبور داده شده اند دچار خوردگی می شوند و این موضوع باعث ایجاد هزینه های زیاد برای شرکت ملی گاز ایران می شود. در این تحقیق، پیشگویی وقوع خرابی بر مبنای مدل ترکیبی شبکه های عصبی فازی و تحلیل مؤلفه های اصلی انجام شده است. نتایج تحقیق نشان می دهد که مدل ارائه شده 25 درصد از هزینه های بازرسی را نسبت به وضعیت فعلی کاهش می دهد

سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه های پرسود در بازار سرمایه است. بازار سهام دارای سیستمی غیر خطی و آشوب گونه است که تحت تاثیر شرایط سیاسی، اقتصادی و روانشناسی می باشد و می توان از سیستم های هوشمند غیرخطی همچون شبکه های عصبی مصنوعی، شبکه های عصبی فازی و الگوریتم های ژنتیک برای پیش بینی قیمت سهام استفاده نمود. در این مقاله به طراحی و ارایه یک مدل پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی و الگوریتم های ژنتیکی و کاهش خطای پیش بینی قیمت سهام با استفاده از آن نسبت به استفاده از تکنیک شبکه عصبی مصنوعی به صورت منفرد پرداخته شده است. در ادامه پس از طراحی و پیاده سازی مدل شبکه های عصبی فازی و الگوریتم های ژنتیک، با استفاده از چهار معیار سنجش خطا، نتایج دو مدل مقایسه شده است. نتایج نشان می دهد که مدل ترکیبی شبکه های عصبی فازی و الگوریتم های ژنتیک پیش بینی های بسیار مناسب تری داشته و نسبت به شبکه عصبی منفرد از سرعت بالاتر و توانایی تقریب قوی تری برای پیش بینی قیمت سهام برخوردار بوده است.

سیستم های ترکیبی مبتنی بر شبکه های عصبی مصنوعی و سیستم های فازی مدل های مختلفی را برای پیشرفت علم ارائه می دهند از آنجا که آنها مدل هایی هستند که می توانند با آموزش عملی شبکه های عصبی و ظرفیت تفسیری سیستم های فازی کار کنند. لذا هدف این پژوهش، بررسی سیستماتیک مهمترین تئوری های پیش بینی ارز دیجیتال مبتنی بر مدل های ترکیبی فازی و شبکه های عصبی مصنوعی است مدل هایی که عمدتاً بر روش های نظارت شده جهت سنجش مدل های ترکیبی متمرکز هستند همچنین، این بررسی ، تاریخچه مدل های ترکیبی، ترکیبات و قابلیت های معماری ، پردازش داده ها و روش های سنجش آنها، ویژگی های مدل های برجسته(پیشرو) و کاربردهای آنها در پیش بینی ارز دیجیتال را نیز شامل می شود نتایج نشان می دهد که مدل های شبکه عصبی فازی و مشتقات آنها در پیش بینی ارز دیجیتال با دقت بسیار بالا و با قابلیت توجیه مناسب که در طیف وسیعی از حوزه های اقتصادی و علمی کاربرد دارد، کارآمد هستند