مدل جديد شبكه‌ عصبي پرسپترون چندلايه‌ي اطمينان محور و كاربرد آن در پيش‌بيني و تصميم‌گيري

اصفهان : دانشگاه صنعتي اصفهان

مهندسي صنايع

كارشناسي ارشد

در چند دهه‌ي اخير اهميت الگوريتم‌هاي يادگيري ماشين و پيش‌بيني رويدادهاي آينده بر اساس داده‌ها و تجربيات گذشته اهميت فراواني پيداكرده است. مدل‌هاي پيش‌بيني در تصميم‌گيري‌ها داراي اهميت زيادي هستند زيرا كه در حوزه‌هاي مختلفي چون سلامت، محيط‌زيست، تصميمات مالي و كسب‌وكار كاربرد دارند. در ميان اين مدل‌ها، مدل پرسپترون چندلايه براي پيش‌بيني در مسائل غيرخطي كاربرد فراواني دارد زيرا كه در دنياي امروزه با توجه به حجم زياد داده‌هاي پيچيده، مدل‌هاي غيرخطي شبكه‌هاي عصبي مصنوعي به محققان كمك‌هاي ارزنده‌اي در كشف روابط ميان متغيرها كرده‌اند. در پژوهش‌هاي پيشين براي بهبود دقت و عملكرد شبكه‌هاي عصبي پرسپترون چندلايه و گسترش قابليت تعميم‌پذيري اين مدل‌ها ، همواره تلاش بر بهبود دقت در داده‌هاي آموزش بوده است تا خطا در داده‌هاي آزمون كمينه شود و به‌عبارت‌ديگر مدل قابليت تعميم‌پذيري بيشتري داشته باشد. در حقيقت دقت تنها عامل مؤثر بر تعميم‌پذيري مدل معرفي شده است. در اين پژوهش ابتدا مفهوم اطمينان در مدل‌سازي بيان مي‌شود و مدلي ارائه مي‌شود كه با تعريف معيارسطح اطمينان به دقت در آموزش مدل، منجر به تكرار نتايج خوب و افزايش تعميم‌پذيري مدل شود. هدف كلي اين پژوهش معرفي و پياده‌سازي يك مدل پرسپترون چندلايه‌ي مبتني بر اطمينان است تا با استفاده از افزايش اطمينان در عملكرد مدل آموزش به هدف نهايي كه افزايش تعميم‌پذيري در مدل نهايي است دست‌يابيم. در اين رويكرد برخلاف مدل‌سازي معمول كه بر پايه‌ي كمينه‌كردن مربعات خطا در داده‌هاي آموزش است، داده‌ها بر اساس تفاوت مربعات خطا در داده‌هاي اعتبارسنجي و آزموش مدل‌سازي شده‌اند تا مدل هر بار كمترين تفاوت خطا را در شرايط مختلف داشته باشد. درنهايت براي سه سري از مجموعه داده‌هاي سري‌هاي زماني و يك سري از داده‌هاي سببي اين مدل پيشنهادي پياده‌سازي ‌مي‌شود؛ اين داده‌ها به ترتيب داده‌هاي كنترل رفتار ترافيك شهري، آلودگي هوا، مصرف انرژي و سيستم اشتراك دوچرخه هستند كه هر كدام از موضوعات ذكر شده در حوزه‌ي حمل‌ونقل و محيط‌زيست جاي مي‌گيرند كه از مباحث بحث‌برانگيز و مهم در دنياي مدرن امروزه هستند. درنهايت مدل پرسپترون چندلايه‌ي مبتني بر اطمينان با مدل كلاسيك پرسپترون چندلايه براي چهار مجموعه داده بر اساس ميانگين مربعات خطا و ميانگين قدر مطلق خطا مقايسه مي‌شوند. نتايج نشان مي‌دهد كه رويكرد معرفي شبكه‌هاي عصبي مبتني بر اطمينان به‌طور محسوسي باعث افزايش تعميم‌پذيري در مدل پيش‌بيني مي‌شود و اين نتايج به‌دست آمده از عملكرد مدل بر أساس آزمون تي-استيودنت معنادار است. بنابراين مدل شبكه‌ي عصبي اطمينان محور همراه با نتايچ مطلوب پايدار در شرايط مختلف و احتمال افزايش تعميم‌پذيري نسبت به مدل پايه مي‌تواند پايه و اساسي براي تصميم‌گيري‌هاي آينده در حوزه‌هاي مختلف باشد.

212573

بهينه سازي سيستم‌ها

مهندسي صنايع و سيستم ها

دانشگاه صنعتي اصفهان

علي زينل همداني، ريحانه ريخته گران

مهدي خاشعي