همانطوریکه در فصل قبل بیان شد، به منظور دستیابی به بهترین خطای پیش بینی در شبکه­ MLP ، باید آموزش داده ها با پارامتر های مختلف شبکه انجام گیرد تا به خطای بهینه دست پیدا کنیم. برای این منظور، در این تحقیق، با آموزش بیش از دویست الگوی مختلف به خطای قابل قبول رسیدیم. پارامترهای ساختار شبکه نهایی که منجر به خطای بهینه شده ، در جدول ۴-۲ نشان داده شده است.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

جدول۴-۲. پارامترهای ساختار شبکه نهایی MLP

به منظور بررسی دقت پیش بینی شبکه، از روش های ارزیابی عملکرد که در فصل سوم تشریح شد، استفاده کردیم که نتایج در جدول شماره ۴-۳ آورده شده است.
جدول۴-۳: نتایج ارزیابی عملکرد شبکه­ MLP

در شکل ۴-۲ داده ­های واقعی با مقادیر پیش ­بینی شده توسط شبکه عصبی بهینه برای داده ­های آزمایشی مورد مقایسه قرار گرفته شده است:
­­
شکل ۴-۲: مقایسه داده ­های واقعی با مقادیر پیش ­بینی شده توسط شبکه­ عصبی MLP
نتایج، بیانگر عملکرد رضایت بخش مدل شبکه­ عصبی (MLP) در پیش ­بینی شاخص قیمت سهام در بورس اوراق بهادار تهران می­باشد؛ لذا فرضیه دوم تحقیق مبنی بر مطلوبیت مدل شبکه­ عصبی (MLP) در پیش ­بینی شاخص قیمت سهام تایید می­ شود، این مدل در مقایسه با مدل خطی ARIMA از دقت بالاتری در پیش ­بینی شاخص قیمت سهام برخوردار است. بنابراین فرضیه دوم پژوهش تایید می­گردد.
۴-۴: آزمون فرضیه سوم
یکی از واژه هایی که به شبکه های عصبی نسبت داده می شود، جعبه­ی سیاه^[۱۳۴] است. به این دلیل که ممکن است شبکه­ عصبی پیش بینی خوبی را انجام دهد ولی کاربران از چگونگی پیش بینی توسط شبکه ­های عصبی مطلع نیستند که این یکی از عیوب شبکه های عصبی به شمار می رود. از این رو یکی از تکنیک های حل این موضوع، استخراج قوانین از شبکه­ عصبی با الگوریتم ژنتیک است. در این تحقیق، پراکندگی زیاد داده ها، امکان استخراج قوانین عددی را با مشکل مواجه کرده است، از این رو باتوجه به قدرت قوانین فازی و ملموس بودن آنها، به منظور استخراج قانون با کمک الگوریتم ژنتیک و به منظور ورود و خروج داده ها از اصول و قوانین فازی استفاده شده است. بنابراین قدم اول معرفی توابع عضویت برای متغیرهاست که در این تحقیق از توابع عضویت مثلثی استفاده شده است. تابع عضویت مثلثی استفاده شده در این تحقیق دارای ۵ اندازه کوچک(S)، متوسط کوچک(MS)، متوسط(M)، متوسط بزرگ(ML) و بزرگ(L) می باشد که در شکل های زیر نشان داده شده است: