‫درس ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و ﺳﺎﻣﺎﻧﻪﻫﺎي‬
‫ﺑﻪ ﻧﺎم ﺧﺪا‬
‫ﻣﻬﻠﺖ ﺗﺤﻮﻳﻞ‪:‬‬
‫ﻓﺎزي‬
‫ﺗﻜﻠﻴﻒ ﻫﻔﺘﻢ‬
‫‪ 8‬ﺻﺒﺢ دوﺷﻨﺒﻪ ‪1392/10/9‬‬
‫ﺗﻜﺎﻟﻴﻒ را ﺑﻪ ﺻﻮرت ذﻛﺮ ﺷﺪه در ﺻﻮرت ﺗﻤﺮﻳﻦ ) دﺳﺘﻲ و ﻳﺎ اﻟﻜﺘﺮوﻧﻴﻜﻲ( اﻧﺠﺎم دﻫﻴﺪ و ﻫﺮ دو را ﻗﺒﻞ از ﻣﻮﻋﺪ ﺗﺤﻮﻳﻞ دﻫﻴﺪ ﺗﺎ ﺑﻪ دﻟﻴﻞ ﺗﺎﺧﻴﺮ از ﻧﻤﺮهﺗﺎن‬
‫ﻛﺎﺳﺘﻪ ﻧﺸﻮد‪ .‬ﺗﻤﺮﻳﻨﺎت اﻟﻜﺘﺮوﻧﻴﻜﻲ ﺣﺘﻤﺎً اﺣﺘﻴﺎج ﺑﻪ ﮔﺰارش و ﻧﺘﻴﺠﻪﮔﻴﺮي دارد و ﮔﺰارش ﺑﺎﻳﺪ ﺑﺎ ﻓﺮﻣﺖ ‪ PDF‬ارﺳﺎل ﺷﻮد‪ .‬ﺑﺮاي ﻫﺮ ﺳﻮال از ﻗﺴﻤﺖ اﻟﻜﺘﺮوﻧﻴﻜﻲ‬
‫ﺑﺎﻳﺪ ﻳﻚ اﺳﻜﺮﻳﭙﺖ اﻳﺠﺎد ﻧﻤﺎﻳﻴﺪ ﺗﺎ ﺧﻮاﺳﺘﻪﻫﺎي ﺳﺌﻮال را ﻧﻤﺎﻳﺶ دﻫﺪ‪ .‬ﻛﺪﻫﺎ و ﮔﺰارش ﻣﺮﺑﻮﻃﻪ را داﺧﻞ ﭘﻮﺷﻪ ﻗﺮار داده و ﺑﺎ ﻋﻨﻮان‬
‫‪ HW7_STID_FirstName_LastName‬ﺑﻪ آدرس ‪ [email protected]‬ارﺳﺎل ﻧﻤﺎﻳﻴﺪ‪.‬‬
‫ﺳﻮاﻻت ﺧﻮد را ﺑﻪ اﻳﻤﻴﻞ ‪ [email protected]‬ارﺳﺎل ﻧﻤﺎﻳﻴﺪ‪.‬‬
‫‪ -1‬ﺗﻤﺮﻳﻨﻬﺎي ‪ 7 ،4‬و ‪ 10‬ﻓﺼﻞ ‪ 14‬ﻛﺘﺎب‬
‫‪-2‬اﻟﻒ( ﺑﺮدارﻫﺎي )‪ (1, 1, 1, 1‬و )‪ (1, 1, ‐1, ‐1‬را در ﻳﻚ ﺷﺒﻜﻪ ﻋﺼﺒﻲ ‪ Hopfield‬ذﺧﻴﺮه ﻧﻤﺎﻳﻴﺪ‪.‬‬
‫ب( ﻣﺎﺗﺮﻳﺲ وزن را ﭘﻴﺪا ﻛﻨﻴﺪ‪) .‬ﻗﻄﺮ اﺻﻠﻲ ﻣﺎﺗﺮﻳﺲ وزن را ﺻﻔﺮ ﻧﻜﻨﻴﺪ(‬
‫ج( ﺷﺒﻜﻪ را ﺑﺮاي ﺑﺮدارﻫﺎي )‪ (1, 1, 1, 1‬و )‪ (1, 1, ‐1, ‐1‬و )‪ (1, 1, 1, ‐1‬ﺑﻪ ﻋﻨﻮان ورودي آزﻣﺎﻳﺶ ﻛﻨﻴﺪ‪.‬‬
‫د( ﻗﻄﺮ اﺻﻠﻲ ﻣﺎﺗﺮﻳﺲ وزن را ﺻﻔﺮ ﻛﻨﻴﺪ و ﺷﺒﻜﻪ را ﺑﺮاي ﻣﺎﺗﺮﻳﺲﻫﺎي ﻗﺴﻤﺖ ج( ﺑﺎر دﻳﮕﺮ آزﻣﺎﻳﺶ ﻛﻨﻴﺪ‪ .‬در ﻣﻮرد ﻧﺘﻴﺠﻪ ﺣﺎﺻﻞ ﺑﺮاي ﻫﺮ ﻗﺴﻤﺖ ﺑﺤﺚ‬
‫ﻛﻨﻴﺪ‪ .‬‬
‫ﻧﻮرونﻫﺎ در‬
‫‪ ‬‬
‫ﻧﻮرونﻫﺎي دﻳﮕﺮ در ﺷﺒﻜﻪ ﻣﺘﺼﻞ اﺳﺖ‪ .‬ﺳﺎﺧﺘﺎر ﻗﺮارﮔﻴﺮي‬
‫‪ ‬‬
‫‪ -3‬ﺷﺒﻜﻪ‪ ‬اي ﻣﺘﺸﻜﻞ از ‪ 100‬ﻧﻮرون را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪ .‬ﻫﺮ ﻧﻮرون ﺑﻪ ﺗﻤﺎﻣﻲ‬
‫ﺷﺒﻜﻪ ﺑﻪ ﺻﻮرت ﻳﻚ ﺷﺒﻜﻪ ‪ 10‬در ‪ 10‬ﻣﻲ‪ ‬ﺑﺎﺷﺪ‪ .‬ﺣﺎﻟﺖ ﻳﻚ ﻧﻮرون در ﻣﻮﻗﻌﻴﺖ )‪ (x, y‬ﺑﺎ ‪ Sxy‬ﻧﻤﺎﻳﺶ داده ﻣﻲ‪ ‬ﺷﻮد‪ ،‬ﻛﻪ ﻫﻢ ﻣﻲ‪ ‬ﺗﻮاﻧﺪ ﻓﻌﺎل )‪ (Sxy=1‬و ﻫﻢ‬
‫ﻣﻲﺷﻮد ﻛﻪ ﻣﻲ‪ ‬ﺗﻮاﻧﺪ ﻳﻚ ﻋﺪد ﻣﺜﺒﺖ‬
‫ﻣﻮﻗﻌﻴﺖﻫﺎي )‪ (x, y‬و )‪ (i, j‬ﺑﺎ ‪ Txy‐ij‬ﻧﺸﺎن داده ‪ ‬‬
‫‪ ‬‬
‫ﻣﻲ‪ ‬ﺗﻮاﻧﺪ ﻏﻴﺮﻓﻌﺎل )‪ (Sxy=‐1‬ﺑﺎﺷﺪ‪ .‬وزن ﻳﺎل ﺑﻴﻦ دو ﻧﻮرون در‬
‫)‪ (excitatory‬و ﻳﺎ ﻳﻚ ﻋﺪد ﻣﻨﻔﻲ )‪ (inhibitory‬ﺑﺎﺷﺪ و اﻳﻦ وزن‪ ‬ﻫﺎ ﻣﺘﻘﺎرن ﻫﺴﺘﻨﺪ ‪.Txy‐ij= Tij‐xy‬‬
‫از اﻳﻦ ﺷﺒﻜﻪ ﺑﻪ ﻋﻨﻮان ﺣﺎﻓﻈﻪ اﺳﺘﻔﺎده ﻣﻲ‪ ‬ﺷﻮد‪ .‬ﻫﺮ ﻋﻨﺼﺮ ﻛﻪ در ﺣﺎﻓﻈﻪ ذﺧﻴﺮه ﻣﻲ‪ ‬ﺷﻮد ﺑﻴﺎﻧﮕﺮ ﺣﺎﻟﺖ ﻧﻮرون‪ ‬ﻫﺎ در ﺷﺒﻜﻪ اﺳﺖ‪ .‬ﺑﺮاي ﻣﺜﺎل ﻳﻚ ﻋﻨﺼﺮ ﺑﻪ‬
‫ﺷﻜﻞ زﻳﺮ اﺳﺖ‪.‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ ‐1‬‬
‫‪ ‐1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ 1‬‬
‫‪ ‐1‬‬
‫ﻣﻲﺗﻮاﻧﻴﺪ ﻫﺮ اﻟﮕﻮي دﻟﺨﻮاه را ﺑﺮاي اﻳﻦ ﺳﺌﻮال اﻧﺘﺨﺎب ﻧﻤﺎﻳﻴﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل اﻟﻔﺒﺎي اﻧﮕﻠﻴﺴﻲ‪:‬‬
‫‪ ‬‬
‫‪ 1‬‬
‫‪ ‬‬
‫ﻣﻲﺷﻮد‪.‬‬
‫ﺣﺎﻟﺖ ﻧﻮرون )‪ (i, j‬ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل زﻳﺮ ﺗﻌﻴﻴﻦ ‪ ‬‬
‫‪0‬‬
‫‪0‬‬
‫ﻛﻪ‬
‫ ‪1‬‬
‫ ‪1‬‬
‫ﻣﻲﻛﻨﺪ‪.‬‬
‫ﻣﺠﻤﻮع ﺗﻤﺎم ورودي ﻫﺎﻳﺴﺖ ﻛﻪ ﻧﻮرون ﻣﺰﺑﻮر از ﺳﺎﻳﺮ ﻧﻮرون ﻫﺎ درﻳﺎﻓﺖ ‪ ‬‬
‫ﻣﻲﺷﻮﻧﺪ‪ .‬و‬
‫ﻣﻲﺷﻮد‪ .‬ﻛﻪ در آن ‪ M‬ﺗﺎ ﻋﻨﺼﺮ ‪ μ‬ﺗﺎ ‪ μ‬در ﺣﺎﻓﻈﻪ ﺷﺒﻜﻪ ذﺧﻴﺮه ‪ ‬‬
‫ﺑﺮاي ذﺧﻴﺮه ﻋﻨﺎﺻﺮ در ﺣﺎﻓﻈﻪ از ﻓﺮﻣﻮل زﻳﺮ اﺳﺘﻔﺎده ‪ ‬‬
‫ﺣﺎﻟﺖ ﻧﻮرون‬
‫)‪ (i, j‬را در ﻋﻨﺼﺮ ‪m‬ام را ﻧﺸﺎن ﻣﻲ‪ ‬دﻫﺪ‪) .‬ﻳﺎدﮔﻴﺮي وزن‪ ‬ﻫﺎ در ﻳﻚ ﻣﺮﺣﻠﻪ و ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ زﻳﺮ ﺗﻌﻴﻴﻦ ﻣﻲ‪ ‬ﺷﻮد(‪.‬‬
‫اﻟﻒ( ﺳﻪ ﺣﺮف اﺑﺘﺪاي اﻟﻔﺒﺎي اﻧﮕﻠﻴﺴﻲ در ﻓﺎﻳﻞ ”‪ “letters.mat‬ﺑﻪ ﺻﻮرت اﺑﻌﺎد ‪ 10*10‬ﺑﻪ ﻫﻤﺮاه ﻳﻚ ﻣﺘﻐﻴﺮ ﺑﻪ ﻧﺎم ‪ X‬ﻛﻪ ﻫﻤﻪي آنﻫﺎ را ﺑﻪ ﺻﻮرت‬
‫ﺑﺮدار ‪ 100‬ﺗﺎﻳﻲ در ﻫﺮ ﺳﻄﺮ ﺧﻮد ﺟﺎي داده ﻗﺮار داده ﺷﺪهاﻧﺪ‪ .‬آنﻫﺎ را در ﺣﺎﻓﻈﻪ ﺷﺒﻜﻪي ﻫﺎﭘﻔﻴﻠﺪ ﻗﺮار دﻫﻴﺪ‪ .‬ﺷﺒﻜﻪ ﻣﺰﺑﻮر را در ‪ MATLAB‬ﭘﻴﺎده‬
‫ﺳﺎزي ﻧﻤﺎﻳﻴﺪ و ﻧﺸﺎن دﻫﻴﺪ ﻛﻪ ﺷﺒﻜﻪ ﺷﻤﺎ ﺑﺎ ﻣﻮﻓﻘﻴﺖ ﺑﺎ ﺷﺮوع از ﻫﺮ ﺣﺎﻟﺖ اوﻟﻴﻪ در ﺷﺒﻜﻪ‪ ،‬ﻳﻜﻲ از ‪ 3‬ﻋﻨﺼﺮ ذﺧﻴﺮه ﺷﺪه در ﺣﺎﻓﻈﻪ را ﺑﺎزﻳﺎﺑﻲ ﻣﻲﻛﻨﺪ و‬
‫در آن ﺣﺎﻟﺖ ﭘﺎﻳﺪار ﻣﻲﺷﻮد‪ .‬اﺷﻜﺎل ﺗﻮﻟﻴﺪي ﺑﻪ ﺻﻮرت زﻳﺮ ﺑﺎﺷﺪ‪:‬‬
‫در ﺷﻜﻞ ﺳﻤﺖ ﭼﭗ ورودي ﺑﻪ ﺷﺒﻜﻪ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ ﻛﻪ در اﺛﺮ اﻋﻤﺎل ﻧﻮﻳﺰ ﮔﺎوﺳﻲ ﺑﻪ وﺟﻮد آﻣﺪه‪ ،‬ﺷﻜﻞ وﺳﻂ در واﻗﻊ ﺧﺮوﺟﻲ ﺷﺒﻜﻪ و اﻟﮕﻮرﻳﺘﻢ‬
‫ﻫﺎﭘﻔﻴﻠﺪ اﺳﺖ و در ﻧﻬﺎﻳﺖ ﺷﻜﻞ ﺳﻤﺖ راﺳﺖ ﻧﻤﺎﻳﺎﻧﮕﺮ ﺗﺼﻮﻳﺮ واﻗﻌﻲ ﺣﺮف اﻧﺘﺨﺎﺑﻲ ﻣﻲﺑﺎﺷﺪ‪ .‬ﺑﺮاي ﻧﻤﺎﻳﺶ ﻫﺮ ﻛﺪام از اﻳﻦ ﺗﺼﺎوﻳﺮ در ‪ MATLAB‬از‬
‫دﺳﺘﻮر ‪ imagesc‬ﻧﻤﺎﻳﻴﺪ‪.‬‬
‫ب( ﺗﻌﺪاد ﻋﻨﺎﺻﺮ ذﺧﻴﺮه ﺷﺪه در ﺷﺒﻜﻪ را ﺑﺘﺪرﻳﺞ اﻓﺰاﻳﺶ دﻫﻴﺪ و ﻛﺎراﻳﻲ ﺷﺒﻜﻪ را در ﺑﺎزﻳﺎﺑﻲ ﻋﻨﺎﺻﺮ ﺣﺎﻓﻈﻪ را از ﺣﺎﻻت اوﻟﻴﻪ ﻣﺘﻔﺎوت ﺑﺮرﺳﻲ ﻧﻤﺎﻳﻴﺪ‪.‬‬
‫آﻳﺎ ﻇﺮﻓﻴﺖ ﺣﺎﻓﻈﻪ ﻣﺤﺪود اﺳﺖ؟ اﻳﻦ ﻇﺮﻓﻴﺖ ﭼﮕﻮﻧﻪ ﺑﺎ ﺳﺎﻳﺰ ﺷﺒﻜﻪ ﺗﻐﻴﻴﺮ ﻣﻲﻛﻨﺪ؟ ﺗﻮﺟﻪ ﻛﻨﻴﺪ ﻛﺎراﻳﻲ ﺷﺒﻜﻪ را ﻣﻲﺗﻮان ﺑﺮ اﺳﺎس ﻓﺎﺻﻠﻪ ﻫﻤﻴﻨﮓ ﻋﻨﺎﺻﺮ‬
‫ﻣﺪﻧﻈﺮ و ﺣﺎﻟﺖ ﭘﺎﻳﺪار ﺷﺒﻜﻪ ﻣﺤﺎﺳﺒﻪ ﻧﻤﺎﻳﻴﺪ‪.‬‬
‫ج( ﺑﺎ ﺗﻐﻴﻴﺮ ﻋﻨﺎﺻﺮ ﻫﺮ اﻟﮕﻮ ﺑﺮرﺳﻲ ﻧﻤﺎﻳﻴﺪ ﺷﺒﻜﻪ ﺑﺮاي ﻫﺮ اﻟﮕﻮ ﺗﺎ ﭼﻪ ﻣﻴﺰان ﻧﻮﻳﺰ را ﻣﻲﺗﻮاﻧﺪ ﺗﺤﻤﻞ ﻛﻨﺪ‪.‬‬
‫د( آﻳﺎ ﻣﻲﺗﻮاﻧﻴﺪ ﻛﺎرﺑﺮدي ﻋﻤﻠﻲ ﺑﺮاي ﺷﺒﻜﻪ ﻣﻮرد ﻧﻈﺮ اراﺋﻪ ﻧﻤﺎﻳﻴﺪ؟‬
‫‪ 2‬‬
‫‪ ‬‬
‫‪ -4‬ﺗﻮﺿﻴﺢ دﻫﻴﺪ ﭼﮕﻮﻧﻪ ﻣﻴﺘﻮان ازاﻟﮕﻮرﻳﺘﻢ ‪ temporal back‐propagation‬ﺑﺮاي آﻣﻮزش ‪ distributed TLFN‬اﺳﺘﻔﺎده ﻧﻤﻮد ؟‬
‫‪ -5‬آﻳﺎ ﻣﻲ ﺗﻮان ﻫﺮ ‪ state‐space model‬را ﺑﻪ ﻣﺪل ‪ NARX‬ﺗﺒﺪﻳﻞ ﻧﻤﻮد؟‬
‫‪ -6‬در ﻳﻚ ﺷﺒﻜﻪ‪ Jordan ‬ﺑﺎ ‪ i‬ﻧﻮرون ورودي‪ h ،‬ﻧﻮرون ﻻﻳﻪ ﭘﻨﻬﺎن و ‪ k‬ﻧﻮرون ﺧﺮوﺟﻲ ﭼﻪ ﺗﻌﺪاد ﻧﻮرون در ‪ state vector‬ﻗﺮار ﺧﻮاﻫﻨﺪ داﺷﺖ؟‬
‫ﺑﺎ ﻓﺮض ‪ h=3 ،i=4‬و ‪ k=2‬ﺑﺎﺷﺪ دﻳﺎﮔﺮام ﺷﺒﻜﻪ را ﺗﺮﺳﻴﻢ ﻛﻨﻴﺪ‪.‬‬
‫ﻣﻲﻛﻨﻴﻢ‪ 2650 .‬داده اول را ﺑﻪ‬
‫‪ -7‬در اﻳﻦ ﺳﻮال ﻗﺼﺪ دارﻳﻢ ﺑﻪ ﭘﻴﺶ ﺑﻴﻨﻲ ﻧﺮخ ﻣﺒﺎدﻟﻪ ارز ﺑﭙﺮدازﻳﻢ‪ .‬ﺑﺮاي اﻳﻨﻜﺎر از ﻓﺎﻳﻞ ‪ currency.dat‬اﺳﺘﻔﺎده ‪ ‬‬
‫ﻋﻨﻮان داده آﻣﻮزش و ‪ 350‬داده آﺧﺮ را ﺑﻪ ﻋﻨﻮان داده ﺗﺴﺖ در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪ .‬وﻳﮋﮔﻲ اول داده ﻫﺎ روز ﻫﻔﺘﻪ اﺳﺖ )‪ ،(Monday = 1, Friday = 5‬وﻳﮋﮔﻲ‬
‫دوم داده ﻫﺎ زﻣﺎن آن روز اﺳﺖ )‪ (HH.MMSS‬و ﺳﺘﻮن ﺳﻮم ﻣﻘﺪار ﺳﺮي اﺳﺖ‪ .‬ﺑﺮاي ﺳﺎدﮔﻲ ﻣﻲ‪ ‬ﺗﻮاﻧﻴﺪ ﻓﻘﻂ روي وﻳﮋﮔﻲ آﺧﺮ ﻛﺎر ﻛﻨﻴﺪ‪.‬‬
‫اﻟﻒ( ﺑﻮﺳﻴﻠﻪ ﺷﺒﻜﻪ ﻫﺎي ‪ NARX‬و ‪ Focused TDNN‬و ‪ Distributed TDNN‬و ‪ Elman‬ﻣﻮﺟﻮد در ‪ newfftd ،newnarx,newelm) MATLAB‬و‬
‫‪ (newdtdnn‬ﺳﺮي زﻣﺎﻧﻲ ﻣﻮﺟﻮد در ﻓﺎﻳﻞ ‪ currency.dat‬را ﭘﻴﺶﺑﻴﻨﻲ ﻛﻨﻴﺪ‪ .‬در اﻳﻨﺠﺎ ﭼﻮن ﺷﺒﻜﻪﻫﺎي ﻣﺬﻛﻮر ﻫﻤﮕﻲ از ﻧﻮع ﺑﺎزﮔﺸﺘﻲ ﻣﻲﺑﺎﺷﻨﺪ ﭘﺲ‬
‫در واﻗﻊ اﻋﻤﺎل زﻣﺎن در ﭘﻴﺸﺒﻴﻨﻲ ﺑﻪ ﺻﻮرت ﺻﺮﻳﺢ اﻧﺠﺎم ﺧﻮاﻫﺪ ﺷﺪ‪ .‬ﺷﺒﻜﻪ ﻫﺎﻳﻲ ﺑﺎ ﺳﺎﺧﺘﺎر ﻣﻨﺎﺳﺐ )‪ 4‬ﻧﻮع ﻓﻮق( ﻃﺮاﺣﻲ ﻛﻨﻴﺪ و آﻣﻮزش دﻫﻴﺪ‪) .‬ﺑﺎ‬
‫اﺳﺘﻔﺎده از دﺳﺘﻮارت ﻓﻮق اﻟﺬﻛﺮ ﺷﺒﻜﻪﻫﺎ را ﺗﻮﺳﻂ ‪ MATLAB‬اﻳﺠﺎد و اﺳﺘﻔﺎده ﻧﻤﺎﻳﻴﺪ‪ (.‬و ﻧﺘﺎﻳﺞ را ﺑﺎ ﻫﻢ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‪.‬‬
‫ب( از ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ ﻣﻌﻤﻮﻟﻲ ‪ RBF , MLP‬و ‪ ANFIS‬اﺳﺘﻔﺎده ﻛﺮده و ﺳﺘﻮن ﺳﻮم دادهﻫﺎي ‪ currency.dat‬را ﭘﻴﺶ ﺑﻴﻨﻲ ﻧﻤﺎﻳﻴﺪ‪ .‬ﭼﻮن ﺳﺎﺧﺘﺎر اﻳﻦ‬
‫ﻣﻲﮔﺮدد‪ ) .‬راﻫﻨﻤﺎﻳﻲ‪:‬‬
‫ﺷﺒﻜﻪﻫﺎ ‪ feedback‬ﻧﺪارد ﺑﺎﻳﺴﺘﻲ زﻣﺎن را در ﺧﻮد دادهﻫﺎ اﻋﻤﺎل ﻛﻨﻴﺪ ﻛﻪ ﺑﻪ اﻳﻦ روش اﻋﻤﺎل زﻣﺎن ﺑﻪ ﺻﻮرت ﺿﻤﻨﻲ اﻃﻼق ‪ ‬‬
‫ﺑﺮاي اﻳﻨﻜﻪ ﺑﺘﻮان زﻣﺎن را ﺑﻪ ﺻﻮرت ﺿﻤﻨﻲ ﺑﻪ دادهﻫﺎ وارد ﻛﺮد ﺑﺎﻳﺪ اﺑﺘﺪا دادهﻫﺎ ﺑﻪ ﺻﻮرت ﺗﺎﺧﻴﺮدار ﻳﺎ اﺻﻄﻼﺣﺎ ‪ lagged‬ﺑﺴﺎزﻳﻢ ﻛﻪ در آن ﺑﻪ ﺗﻌﺪاد‬
‫ﻃﻮل ﭘﻴﺸﺒﻴﻨﻲ ﻣﺪﻧﻈﺮ ﺑﺎﻳﺴﺘﻲ در ‪ test set‬ﻧﻤﻮﻧﻪ ﻗﺮار داده و در واﻗﻊ ﭘﺮشﻫﺎ در ﻫﺮ ﻧﻤﻮﻧﻪ ﺑﻪ ﺗﻌﺪاد ﭘﻴﺸﺒﻴﻨﻲ ﺧﻮاﻫﺪ ﺑﻮد‪ .‬ﻓﺮض ﻛﻨﻴﺪ ﻳﻚ ﺳﺮي زﻣﺎﻧﻲ‬
‫ﺑﻪ ﻃﻮل ‪ 100‬دارﻳﻢ و ﻣﻲ ﺧﻮاﻫﻴﻢ ‪ 6‬داده ﺑﻌﺪي را ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﻢ ﺑﺮاي اﻳﻨﻜﺎر ﻛﺎﻓﻲ اﺳﺖ ﻧﻤﻮﻧﻪ ﻫﺎي ]‪ [1,7,13,19‬را ﺑﻪ ﻋﻨﻮان وﻳﮋﮔﻲ ﺑﻪ ﺷﺒﻜﻪ ﺑﺪﻫﻴﻢ‬
‫و ﻧﻤﻮﻧﻪ ‪ 25‬را ﺑﻪ ﻋﻨﻮان ﺑﺮﭼﺴﺐ ﺑﺮاي آﻣﻮزش ﺷﺒﻜﻪ اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪( .‬‬
‫ج( ﺳﺮي زﻣﺎﻧﻲ ﻣﻮرد ﻧﻈﺮ را ﺑﻪ وﺳﻴﻠﻪي ﺷﺒﻜﻪﻫﺎﻳﻲ ﻛﻪ در ﻗﺴﻤﺖ اﻟﻒ اﺳﺘﻔﺎده ﻛﺮدﻳﺪ ﭘﻴﺸﺒﻴﻨﻲ ﻛﻨﻴﺪ‪ .‬در اﻳﻦ ﻗﺴﻤﺖ از دادهﻫﺎي ﺗﺎﺧﻴﺮ ﻳﺎﻓﺘﻪ ﻛﻪ در‬
‫ﻗﺴﻤﺖ ب( ﺗﻮﻟﻴﺪ ﻛﺮدﻳﺪ اﺳﺘﻔﺎده ﻛﻨﻴﺪ‪.‬‬
‫د( ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از ﺳﻪ ﻗﺴﻤﺖ ﻗﺒﻞ را ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﻣﻘﺎﻳﺴﻪ و ﺗﻔﺎوت آﻧﻬﺎ را ﺑﻴﺎن ﻛﻨﻴﺪ‪.‬‬
‫‪ 3‬‬
‫‪ ‬‬