مقدار خروجي شبكه عددي بين صفر و يك است. لذا در حالت عملي نروني از لايه خروجي كه اصطلاحاً بيش از بقيه روشن شده باشد(مقدار آن بزرگتر از بقيه باشد) كلاس مربوط به آن داده را مشخص مي‌كند. در مورد تعداد نرون‌هاي لايه مياني، مبناي خاصي وجود ندارد و معمولاً با صحيح و خطا به نحوي انتخاب مي‌گردد كه شبكه جواب معقولي در اختيار بگذارد.
قدم بعدي در شبيه‌سازي، انتخاب نوع تابع خروجي نرون است كه در شبكه‌هاي پرسپترون چند لایه كه با الگوريتم پس انتشار خطا كار مي‌كنند، عمدتاً تابع سيگموئيد استفاده مي‌شود. دليل اين امر هم مشتق‌گيري ساده و ارتباط مستقيم مشتق تابع با خود تابع است.
پيش از شروع شبيه‌سازي، بايد داده‌هاي ورودي را به دو گروه تقسيم نمود:
داده‌هاي آموزش:
اين داده‌ها از ميان داده‌هاي ورودی و به منظور آموزش شبكه به كار مي‌روند. عمدتاً از ميان كل داده‌ها، 60 تا 70 درصد آن‌ها را(به طور تصادفي) به عنوان داده‌هاي آموزش انتخاب مي‌كنند. پس از آن‌ كه شبكه توسط اين داده‌ها آموزش ديد، وزن‌ها مقدار نهايي خود را يافته‌اند به نحوي كه شبكه براي داده‌هاي آموزش، كمترين خطا را به دست مي‌دهد.
داده‌هاي آزمون:
پس از آن كه شبكه توسط داده‌هاي آموزش تا رسيدن به حداقل خطا آموزش يافت، مابقي داده‌ها(30 تا 40 درصد باقيمانده) كه در آموزش نقشي نداشته‌اند به عنوان ورودي به شبكه داده شده و پاسخ شبكه با پاسخ مطلوب مقايسه مي‌گردد و بدين ترتيب راندمان شبكه آموزش‌ديده محك زده مي‌شود.
بايد توجه داشت كه در اولين گام اجراي الگوريتم، وزن تمامي لايه‌ها به طور تصادفي انتخاب مي‌شوند و در هر گام با استفاده از روش پس انتشار خطا، وزن‌ها تصحيح مي‌شوند. پس از اجراي الگوريتم تصحيح وزن‌ها تا رسيدن به مينيمم خطاي كلي، چندين معيار براي توقف الگوريتم پيشنهاد مي‌گردد كه مهم‌ترين آن‌ها عبارتند از:
اگر خطا(تابع هزينه) كه قرار است مينيمم شود، از يك سطح آستانه كمتر شود، مي‌توان پذيرفت كه شبكه با خطاي قابل قبولي آموزش ديده است.
اگر ميزان تغييرات خطا در طي دو گام متوالي كمتر از يك سطح آستانه باشد يا به عبارت ديگر روند كاهش خطا با سرعت كند انجام شود، مي‌توان چنين برداشت كرد كه به حوالي مينيمم كلي رسيده‌ايم(صیّادی،1387).
مزایای شبکه‌های عصبی مصنوعی
در سال‌هاي اخير روش‌شناسي شبكه‌هاي عصبي به عنوان رقيبي براي متدولوژي‌هاي سنتي آماري ظهور كرده است. ايده‌‌ اصلي اين روش‌ها عبارتست از طراحي يك مدل بهينه‌ي پيچيده كه فقط مدل را بر پايه‌ي داده‌ها و اطلاعات طراحي كرده و هيچ‌گونه پيش‌زمينه‌ی نظري از نحوه‌ي عملكرد داده‌ها از سوي محقق انجام نمی‌گيرد و اين كار تنها بر اساس كشف ارتباط ميان داده‌هاي ورودي و خروجي سيستم انجام مي‌پذيرد، بنابراين يك مدل خود تنظيم كننده خواهد ساخت كه قابليت حل مسائل پيش‌بيني، تشخيص، تركيبات كنترلي و ساير مسائل سيستمي به كار برده شده را دارد.
گزيده‌اي از مزاياي شبكه‌هاي عصبي نسبت به روش‌هاي سنتي به شرح ذيل است:
1-اين رويكرد مدل‌سازي همراه با توانايي يادگيري از طريق تجربه، ابزاري مفيد براي دستيابي به بسياري از مسائل عملي است، چرا كه بسياري از اوقات داشتن داده‌ها بسيار راحت‌تر از داشتن حدسيات تئوريكي خوب در زمينه‌ي قوانين مسلط بر مجموعه و يا سيستمي است كه داد‌ه‌ها از آن استخراج مي‌شوند.
2-شبكه‌هاي عصبي قابليت تعميم‌دهي بسيار بالايي دارند .‌بعد از آن كه توسط قسمتي از داده‌ها(يك نمونه) آموزش داده شوند، اين شبکه‌ها بيشتر اوقات مي‌توانند قسمت ديده نشده‌ي جامعه را حتي زماني كه نمونه داراي اطلاعات نويزي باشد، به خوبي حدس بزنند.
3-شبكه‌هاي عصبي در مقايسه با روش‌هاي اماري سنتي، اشكال تابعي جامع‌تر و انعطاف‌پذيري بيشتري دارند. به علت پيچيدگي‌هاي سيستم‌هاي حقيقي، روش‌هاي آماري سنتي محدوديت‌هاي زيادي در تخمين اين روابط دارند. در اين ميان شبكه‌هاي عصبي مي‌توانند گزينه‌اي مناسب براي تخمين اين روابط باشند.
4-شبكه‌هاي عصبي بر خلاف روش‌هاي اقتصادسنجي سري زماني، داراي الگوهاي غيرخطي‌اند.‌ اين در حالي است كه بيشتر سري‌هاي زماني حقيقي نیز غيرخطي هستند.
5-قدرت رهگيري و مسيريابي بالا و خطاي كمينه‌ي پيش‌بيني متغير هدف، يكي از ويژگي‌هاي برجسته‌ي شبكه‌هاي عصبي در مقايسه با ساير روش‌هاي سري زماني است(ابريشمي و همکاران،1388) .
تصریح مدل
در این قسمت ابتدا به طور خلاصه به معرفی مدل رشد اقتصادی سولو پرداخته می‌شود و سپس با توجه به مدل رشد معرفی شده و همچنین ادبیات موضوع تحقیق، مدل مناسب رشد اقتصادی برای اقتصاد ایران به منظور بررسی فرضیه‌ی تحقیق، تصریح می‌شود.
رابرت سولو در دو مقاله مشهور در دهه پنجاه ميلادي به معرفي الگويي پرداخت كه مبناي مدل‌هاي رشد در مباحث اقتصاد كلان را تشكيل می‌دهد.
فروض اولیه‌ی مدل رشد سولو عبارتند از:
یک کالای همگن تولید و مصرف می‌شود.
تابع تولید از نوع کاب‌داگلاس و نشان‌دهنده‌ی بازده‌ی ثابت نسبت به مقیاس می‌باشد.
در بلندمدت نسبت سرمایه به تولید ثابت است.
کسر ثابتی از درآمد پس‌انداز می‌شود.
وضعیت تکنولوژی و پیشرفت فن‌آوری برون‌زا است.
نرخ رشد جمعیت(نیروی کار) برون‌زا است.

دسته بندی : پایان نامه ها

دیدگاهتان را بنویسید