ماو و مهيالدين[1] كاربردهاي شبكههاي عصبي را به شرح زير بر ميشمارند.
1ـ دسته بندي الگو[2] : وظيفه دسته بندي الگو براي تخصيص يك الگو از دادهها به يكي از دستههاي از پيش تعيين شده، به وسيله بردار ويژگي است. يكي از كاربردهاي آن رتبه بندي اوراق قرضه است.
2ـ خوشه يابي[3] : در خوشه يابي دستههاي شناخته شده براي دادههاي آموزشي وجود ندارد. در حقيقت طبقه بندي الگو بدون سرپرستي است. يك الگوريتم خوشهيابي، تشابه بين الگوها را كشف ميكند و الگوهاي مشابه را در يك خوشه قرار ميدهد. اين كار در استخراج دادهها و داده كاوي كاربردهاي زيادي دارد.
3ـ تخمين تابع[4] : فرض ميكنيم در يك مجموعه، n الگوي آموزشي از زوجهاي مرتب (ورودي و خروجي) از يك تابع ناشناخته (همراه با پارازيت) وجود داشته باشد. وظيفه تخمين تابع، يافتن يك تخمين از تابع ناشناخته است. يك مثال مديريتي ميتواند تخمين يك تابع غير خطي ناشناخته كه رابطه بين نارضايتي كاركنان به عنوان ورودي و ميزان توليد به عنوان خروجي باشد.
4ـ پيش بيني[5] : با وجود يك مجموعه n عنصري y(+1), y(+2),…y(tn) در يك توالي زماني t1, t2, … tn وظيفه شبكه پيش بيني نمونه y(tn+1) در برخي از شرايط tn+1 است. پيش بيني بازار سهام، ورشكستگي شركتها و… نمونههايي از كاربرد شبكهها و پيش بيني مسائل مديريتي است.
5ـ بهينه سازي : هدف يك مساله بهينه سازي، يافتن راه حلي است كه ضمن صدق در يك مجموعه از محدوديتها، تابع هدف را نيز حداكثر يا حداقل نمايد. به عنوان نمونه، مساله فروشنده دوره گرد يك مساله بهينه سازي است. شبكههاي عصبي ميتوانند با مدلهاي بهينه سازي پاسخهاي مناسبي را براي اين مسئله بدست آورند.
6ـ حافظه انجمن[6] : در حافظه انجمن يا حافظه آدرسدهي محتوايي ميتوان به وسيله محتواي دادهها به آنها دسترسي پيدا كرد. محتواي موجود در حافظه ميتواند حتي با يك ورودي ناقص يا محتواي به هم ريخته بازخواني شود. در حالي كه در مدلهاي محاسباتي كامپيوتري يك داده موجود در حافظه فقط از طريق آدرس آن قابل دسترسي است. اگر در محاسبه آدرس اشتباهي رخ دهد ممكن است يك مورد كاملاً متفاوتي بازخواني شود.مدير ميتواند با استفاده از اين كاربرد، اطلاعات مربوط به امور مورد نظر را با در دست داشتن اطلاعات مختصري در مورد آن موضوع در اختيار گيرد.
7ـ كنترل[7] : هدف در يك مدل كنترل، ايجاد ورودي كنترل به نحوي است كه سيستم مسير مطلوبي را كه توسط مدل مرجع تعيين شده است را دنبال كند. زمانبندي مشاغل، ماشينها و ساير منابع در سيستمهاي ساخت منعطف، اهميت بالايي دارد.
شبكه عصبي در اكثر موارد ميتواند بهترين قاعده را براي انجام بهينه فعاليتها پيدا كند. دلوين[8] و همكاران كاربرد شبكههاي عصبي در امور مالي را به این صورت بيان ميكنند :
الف ـ شبيه سازي مالي
ساختار مالي عمليات تجاري بسيار پيچيده و پوياست، به كمك سيستمهاي عصبي مصنوعي، ميتوان مدلي از محيط مالي شركت ساخت كه ويژه آن شركت باشد و در طول زمان متناسب با تغيير ساختار مالي شركت پويايي خود را حفظ كند. سه حوزه اصلي اينكار عبارتند از:
1ـ پيش بيني برآورد آتي : در مواردي كه در حوزههاي “پيش بيني مالي” مدل، روابط مشخص و تعريف شده نداشته باشد. ميتوان از مدلهاي شبكه عصبي استفاده كرد. ميتوان شبكه عصبي را طوري طراحي و آموزش داد كه رفتار سرمايه گذاران نسبت به تحولات شركت يا تغييرات كلي شرايط مالي تقليد كند. اين مدلها ميتوانند جايگزين مدلهاي آماري مثل رگرسيون خطي و… شوند.
2ـ ارزشيابي : به كمك شبكههاي عصبي ميتوان ارزش سهام و داراييهايي را كه ميخواهيم خريداري كنيم، برآورد كنيم در اين مهم بايد فرآيند ارزشيابي انساني شبيه سازي گردد. سيستم ميتواند به طور خودكار نسبت به تغييرات در رويههاي عملي تحليلي و ضوابط انتخاب تصميم- گيرندگان در طول زمان، خود را سازگار كند، اين مدلها مبتني بر پايگاههاي اطلاعاتي عمده هستند.
3ـ تصويب اعتبارات : تعيين سقف اعتباري يك امر زمان بر و كاربر است. ميتوان با شبكه عصبي سيستم تصويب اعتبارات را به نحوي طراحي و آموزش داد كه اطلاعات ورودي آن دادههاي مربوط به مشتريان و دادههاي خروجي مطلوب آن، تصميمات واقعي تحليلگران اعتباري باشد.
[1] Mao & Mohiuddin
[2] Pattern Classification
[3] Clustering
[4] Function Approximation
[5] Forecasting
[6] Associative Memory
[7] Control
[8] Delvin
لینک جزییات بیشتر و دانلود این پایان نامه:
اعتبارسنجی واحدهای تجاری دریافت کننده تسهیلات مالی مبتنی بر صورتهای مالی
