تعیین ارزش هر کروموزوم
انتخاب والدین
بررسی شرایط توقف
تبادل ژنتیکی
جهش
شکل۳-۳: ساختار الگوریتم ژنتیک
۳-۶-۴: استخراج قانون از شبکه های عصبی
عیب مهم و اساسی شبکه های عصبیمصنوعی، عدم توانایی در توضیح و تفسیر است (اندرسن[۱۱۴]و همکاران،۱۹۹۶). اگر چه شبکه های عصبی در بسیاری از کاربردهای خود، موفقیت آمیز بوده است، اما دانش مربوطه در توابع انتقال و وزن های نرونها مخفی می شوند(بولوگنا[۱۱۵]،۲۰۰۴). به هرحال آنها مشابه جعبه های سیاه ممتد هستند که فهم روش حل یک مسئله توسط شبکه های عصبی را دشوار کرده است(مانتاس[۱۱۶] و همکاران،۲۰۰۶). بنابراین اطلاعاتی که توسط شبکه عصبی برای دست یابی به پاسخ، بکار گرفته شده است، برای کاربران شفاف نیست و ممکن است در برخی موارد مسئله ساز شود(هوانگ و ژینگ[۱۱۷]،۲۰۰۲).
برای حل این مسئله، محققان مایل بودند که یک تکنیک ملموس و قابل فهم برای شبکه های عصبی ایجاد نمایند. آنها اعتقاد داشتند این هدف می تواند با استخراج قانون تولید شده از شبکه های عصبی بدست آید(هوانگ و ژانگ،۲۰۰۲). شکل مفهومی آن در نگاره ۳-۴ نشان داده شده است.
شبکه عصبی
الگوریتم استخراج قانون
مجموعه قوانین
شکل۳-۴: شکل مفهومی استخراج قانون از شبکه های عصبی
از یک دیدگاه می توان تکنیکهای استخراج قانون را به سه دسته تقسیم کرد: تجزیه ای[۱۱۸]، مبتنی بر آموزش[۱۱۹] و منتخبان[۱۲۰]. روش تجزیهای فعالیت و وزنهای لایهی پنهان را تجزیه و تحلیل می کند؛ در مقابل، روش مبتنی بر آموزش، شبکه عصبی را به عنوان یک جعبهی سیاه در نظر گرفته و قوانین را با توجه به فعالیت ورودی و خروجی بدست می آورد. هدف این روش استخراج قوانین نمادین است به طوری که ارتباط بین ورودی و خروجی را با دقت بدست می آورد. در نهایت، روش منتخبان، از ترکیب اجزای دو روش فوق پیروی می کند(تیکل[۱۲۱] و همکاران،۱۹۹۷).
در تکنیک استخراج قانون از شبکه های عصبی با بهره گرفتن از الگوریتم ژنتیک، از الگوریتم های مبتنی بر آموزش و منتخبان، بیشتر استفاده می شود.
نکتهی قابل ذکر در مورد این تحقیق آن است که به منظور استخراج قوانین از شبکه عصبی با الگوریتم ژنتیک، داده ها از قوانین فازی استفاده شده و ورود و خروج داده ها به صورت فازی بوده است. از این رو مفاهیم اولیه علاوه بر مفاهیمی که در قسمت الگوریتم ژنتیک بیان شد، در استخراج قوانین کاربرد دارد، در زیر شرح داده شده است:
تابع عضویت[۱۲۲]: با بهره گرفتن از توابع عضویت فازی، هریک از متغیرهای ورودی از قالب عددی به قالب فازی (زبانی) تبدیل می شوند.
پایگاه اطلاعات: این بخش حاوی اطلاعات لازم در مورد متغیرهای ورودی و خروجی و روابط حاکم بین آنها می باشد .این بخش خود از دو قسمت پایگاه داده[۱۲۳] ها و پایگاه قوانین[۱۲۴] تشکیل می شود.
پایگاه داده ها: این بخش تعاریف لازم در مورد توابع عضویت مربوط به عبارات کلامی و توابع مقیاس گذاری را فراهم می کند.
پایگاه قوانین: این بخش از قوانینی به فرم جملات شرطی “اگر- آنگاه” تشکیل شده است که با بهره گرفتن از آنها خروجی تعیین می شود.
سیستم استنتاج: در این بخش با توجه به ورودی فازی کننده[۱۲۵]، اطلاعات پایگاه قوانین و با بهره گرفتن از روش های استنتاج فازی، خروجی کنترل کننده تعیین می شود.
غیرفازی کننده[۱۲۶]: غیر فازی کننده، مجموعه فازی خروجی سیستم استنتاج را به یک نقطه غیر فازی می نگارد. در حقیقت این بخش، نقطه ای را که بهترین نماینده مجموعه فازی است، مشخص می کند.
در نگاره ۳-۵ شکل مفهومی الگوریتم ژنتیک فازی مورد استفاده بیان شده است.
پایگاه اطلاعات
رابط خروجی
رابط ورودی
پروسه یادگیری بر اساس الگوریتم ژنتیک
شکل۳-۵: الگوریتم ژنتیک فازی
۳-۶-۵: تبدیل موجک
ویولت[۱۲۷] در لغت به معنی یک موج کوچک می باشد، یک تبدیل موجک دارای ویژگیهای زیر می باشد:
-
- تبدیل یک سیگنال به مجموعه ای از موجکها است.
-
- ایجاد و ارائه یک مسیر برای آنالیز نمودن شکل موج‌های مختلف در دو حوزه زمان و فرکانس.
-
- امکان ذخیره نمودن سیگنالها با بازدهی بسیار بهتر نسبت به تبدیل فوریه.
-
- توانائی تقریب سیگنالها با کیفیتی بسیار بهتر.
موجکها توابعی هستند که مقدار محدودی دارند و مقدار متوسط آنها برابر صفر می باشد. این موجکها دارای انواع متعددی می باشند که در ادامه توضیح بیشتری در این باره داده خواهد شد. در نگاره۳-۶ یک موجک از خانواده دبوچی[۱۲۸] نشان داده شده است.
شکل۳-۶: یک موجک از خانواده دبوچی
تبدیل موجک پیوسته را می توان بصورت مجموع حاصلضرب سیگنال اصلی در موجکهای تغییر مقیاس یافته وانتقال داده شده در زمان نمایش داد.
(۳-۱۲)
در رابطه بالا موجک مادر تغییر مقیاس یافته به اندازهS و انتقال یافته در زمان به اندازه می باشد. نتیجه تبدیل موجک پیوسته، ضرایب موجک C می باشند که توابعی از مقیاس و ضریب جابجائی می باشند. با ضرب کردن هر کدام از این ضرایب در موجک های مادر تغییر مقیاس یافته و جابجا شده در زمان می توان موجک های تشکیل دهنده سیگنال اصلی را بدست آورد، که در شکل ۳-۷ این روند نشان داده شده است.
شکل۳-۷: تجزیه یک سیگنال توسط تبدیل موجک
۳-۶-۵-۱: موجک مادر
موجک مادر یک تابع مبنا می باشد که سایر موجکها از طریق تغیر مقیاس دادن و شیفت دادن این موجک اصلی تولید می شوند. این موجکها دارای مبنا یکتا نیستند و بسته به کاربرد، انواع گوناگونی از موجکهای مادر را می توان انتخاب نمود و این متنوع بودن موجک های مادر باعث تفاوت اصلی و برتری ویژه تبدیل موجک بر سایر تبدیل ها شده است.
هر کدام از انواع موجکها در استفاده خاصی بهترین نتیجه را بهمراه دارند، بنابراین با توجه به کاربرد مورد نیاز، بایستی توجه نمود که از کدام موجک بایستی استفاده نمود. در این تحقیق شناسائی خطا و تخمین نوسانات پراهمیتترین مساله محسوب می شود. بنابراین بایستی خانواده ای از موجکها که برای این امر مناسب می باشند را انتخاب نمود. موجک های خانواده دبوچی[۱۲۹] (db) برای این امر، نسبت به سایر موجکها، دارای بهترین کارائی می باشند.
با توجه به مبانی تعریف شده برای تبدیل موجک در فصل اول تحقیق، ساختار مدل مورد استفاده در این پژوهش بصورت زیر میباشد:
سری اصلی
تبدیل موجک
مجموع توابع جزئیات
سطح هموارشده
ARIMA
شبکه عصبی
پیش بینی سری اصلی
