انتخاب متغير در شبكه هاي عصبي پرسپترون چندلايه به منظور پيش بيني با استفاده از نگاشت هاي خود سازمان ده (SOM)

(Feature Selection in Multi-Layer Perceptrons (MLP) for Forecasting Using Self Organization Maps (SOM

شبكه‌هاي عصبي پرسپترون چندلايه از مهم‌ترين و پركاربردترين شبكه‌هاي عصبي در پيش‌بيني بازارهاي مالي هستند. اما اين‌گونه از شبكه‌ها، علي‌رغم تمام مزاياي منحصر ‌به ‌فردشان، داراي محدوديت‌هايي نيز مي‌باشند كه از جمله مهم‌ترين آنها مي‌توان به محدوديت تعداد متغيرهاي ورودي به شبكه‌ اشاره نمود. در شبكه‌هاي پرسپترون چندلايه برخلاف روش‌هاي سنتي پيش‌بيني، با افزايش تعداد ورودي‌ها ممكن است عملكرد شبكه كاهش يابد. در ادبيات موضوع، تركيب مدل‌هاي مختلف و يا استفاده از مدل‌هاي تركيبي يك راه معمول به‌منظور برطرف‌ ساختن محدوديت‌هاي مدل‌هاي تكي و بهبود دقت پيش‌بيني‌ها است. در اين مقاله با استفاده از نگاشت‌هاي خودسازمان‌ده كه از دقيق‌ترين روش‌هاي حال حاضر در شناخت و تحليل فضاهاي چندبعدي غيرخطي هستند، يك روش تركيبي از شبكه‌هاي پرسپترون چندلايه ارائه گرديده است. در روش پيشنهادي، ورودي‌هاي شبكه در ابتدا با استفاده از نگاشت‌هاي خودسازمان‌ده خوشه‌بندي ‌شده و سپس متغيرهاي موجود در هر خوشه با توجه به ميزان تأثيرگذاري‌‌شان با يكديگر تركيب مي‌گردند. نتايج حاصله از به‌كارگيري روش پيشنهادي در پيش‌بيني قيمت محصولات فولادي در بورس فلزات تهران بيانگر كارآمدي روش تركيبي در تقابل با ساير روش‌ها است.

Nowadays multilayer perceptrons (MLPs) are one of the most important and widely-used neural networks used as continuous measurable function with a desired accuracy. The second benefit is nonparametric data-driven nature of them which meansmultilayer perceptrons impose few prior assumptions on the underlying process. Being adaptive is the third advantage of MLPs. The adaptation of MLPs implies that in a nonstationary environment the accuracy and robustness of results are still countable. Utilizing fewer parameters is the fourth benefit of MLPs. Despite all these unique advantages of multilayer perceptrons, they suffer from some limitations such as negative relationship between number of inputs and the achieved performance, though using hybrid methods to overcome the limitations by means of a method alone and improving forecasting performance is achievable. Literature review suggests that by utilizing disparate and unrelated methods, we can obtain a new hybrid scheme capable of less variance or error. Hybridization of dissimilar methods can reduce the risk of using an inappropriate method. Usually, this is done based on this fact that the underlying process cannot easily be determined. The motivation behind using hybrid method is two folds: either single method cannot identify the true data generating process or cannot identify all the characteristics of the time series. In this paper, a new hybrid method of multilayer perceptrons is proposed which uses the self-organizational maps. The self-organizational maps are one of the most accurate tools in recognizing and analyzing the nonlinear multidimensional spaces. In the proposed method, inputs of the multilayer perceptron are firstly clustered by using a self-organizational map, and then variables in each cluster are combined together according to their effectiveness values. Empirical results of steel price forecasting in TehranMetal Exchange indicate that the efficiency of the proposed method is comparable to other methods.