منابع و ماخذ تحقیق شبکه های عصبی مصنوعی و اطلاعات حسابداری

دانلود پایان نامه
وزن ها، عناصر کلیدی در شبکه های عصبی مصنوعی است. وزن ها قدرت نسبی داده ها ورودی اولیه یا اتصال های گوناگونی که داده ها را از لایه به لایه دیگر انتقال می دهند، نشان می دهند. به عبارت دیگر وزن ها بیانگر اهمیت نسبی هر یک از درون داده ها در یک عنصر پردازشی(نرون) هستند. وزن ها در شبکه های مصنوعی دارای اهمیت زیادی است زیرا یادگیری در شبکه های عصبی مصنوعی از طریق تعدیلات مکرر در وزن ها حاصل می شود.
د) تابع مجموع
از طریق تابع مجموع، میانگین موزون تمامی دروندادها در هر یک از عناصر پردازشی محاسبه میگردد. یک تابع مجموع، ارزشهای مربوط به دروندادها(Xj) را در وزنهای مربوطه (Wij) ضرب و سپس مجموع آنها (Y) را محاسبه میکند. به عنوان مثال برای n درونداده که به عنصر پردازشی kام وارد میشوند، داریم:

با فرض اینکه شبکه تعیین شده دارای دو لایه باشد، تابع مجموع لایه پنهان بهصورت مجموع حاصل ضرب ماتریس وزنها و ماتریس دروندادها بعلاوه ماتریس وزنهای خطا میباشد. بنابراین خواهیم داشت:

با داشتن تابع مجموع لایه پنهان، تابع مجموع لایه خروجی نیز بهصورت زیر تعریف خواهد شد:

در رابطههای فوق، ماتریس وزن درونداده Jام در لایه iام را نشان میدهد.
هـ) تابع تبدیل (انتقالی)
تابع مجموع، تحریک داخلی یا سطح فعال شدن داخلی از یک نرون را محاسبه میکند. بههمین دلیل به تابع مجموع، تابع فعالسازی نیز میگویند. براساس این سطح فعالسازی نرون ممکن است یک برونداد تولید کند یا بروندادی تولید نکند. رابطه بین سطح فعال شدن داخلی و برونداد، ممکن است خطی یا غیرخطی باشد. چنین رابطهای توسط تابع تبدیل توصیف میشود. این تابع انواع مختلف دارد. انتخاب نوع خاصی از این تابع است که عملیات شبکه را تعیین میکند. یکی از توابع غیرخطی بسیار مشهور تابع سیگموئید نام دارد.

مطلب مرتبط :   مقاله درباره کودکان و نوجوانان و آسیب شناسی روانی

در رابطه فوق، Y نشان داده حاصل تابع مجموع در لایهها میباشد. هدف از این تعدیل، تبدیل سطح بروندادها به یک ارزش معقول میباشد. (برای مثال بین صفر تا یک).
آنچه که در یک مدل شبکه عصبی حائز اهمیت است، برآورد مطلوب وزنهای موجود در شبکه عصبی میباشد. بدیهی است که پس از تعیین وزنها بهنحو مطلوب، با تعیین بردار متغیرهای ورودی به سهولت میتوان بردار خروجی را برآورد نمود.
از معایب اصلی شبکههای عصبی فقدان شفافیت آنها میباشد. ساختار درونی شبکه، پنهان است و به آسانی امکان کپیبرداری از آن وجود نخواهد داشت. اگرچه شبکه عصبی به عنوان یک ابزار مناسب برای پیشبینی است، ولی فرآیند عملیات و اهمیت نسبی متغیرها روشن نیستند. بهعبارت دیگر شبکه عصبی چیزی در مورد گامهای میانی را آشکار نمیسازد.
3-6-4. سیستم نمردهدهی اعتباری بر مبنای اطلاعات حسابداری
در دهه اخیر سیستمهای کمّی و عینی زیادی برای رتبهبندی اعتبار ایجاد شده است. در سیستمهای نمردهدهی اعتباری بر مبنای اطلاعات حسابداری، تحلیلگران مالی نسبتهای مالی مختلف وامگیرنده را با شاخصهای صنعت مقایسه و براساس مقایسه روند نسبتهای شرکت و صنعت تصمیمات اعتباری اتخاذ میگردد. امروزه مؤسسات خدمات مالی همچون مودیز به بانکها و مؤسسات اعتباری، اطلاعات مربوط به نسبتهای مالی شرکتها و شاخص صنعت را ارائه میدهند. یکی از محدودیتهای سیستم نمردهدهی اعتباری یک متغیره این است که ایجاد ارتباط و توازن بین نسبتهای ضعیف و قوی بهدلیل تأثیرگذاری سایر عوامل، مشکل است؛ البته تحلیلگر خوب میتواند این قضاوتها را به خوبی انجام دهد. (ساندرز و آلن، 2002)
امروزه اگرچه مدلهای یکمتغیره هنوز در بسیاری از مؤسسات مالی مورد استفاده قرار میگیرد، ولی اکثر بانکها از تجزیه و تحلیل نسبتهای مالی بهعنوان یک ابزار ارزیابی و تعیین عملکرد بنگاهها مأیوس شدهاند. بسیاری از نظریهپردازان، مواردی مانند تجزیه و تحلیل نسبتها را که بهطور گسترده مورد استفاده قرار میگیرد را کمارزش دانسته و توجه خود را به بکارگیری فنون آماری دقیقتری از قبیل مدلهای نمرهدهی چندمتغیره معطوف داشتهاند.
اولین مطالعات در زمینه نمرهدهی اعتباری چندمتغیره توسط بیور (1967) و آلتمن (1968) انجام گرفت. مدل استفاده شده توسط این دو محقق یک مدل تحلیل ممیزی چندگانه بوده است. هدف اصلی تحلیل ممیز چندگانه، تشخیص تفاوت بین گروهها و پیشبینی احتمال تعلق یک شرکت به یک گروه خاص است. در این مدل برای انجام پیشبینی از چندین متغیر مستقل کمّی استفاده میشود. مدل طراحی شده بیور برای پیشبینی درماندگی مالی شرکتها، دارای 14متغیر مستقل (نسبتهای مالی) بوده است. مدل آلتمن که به نمره z5 معروف گردید از 5نسبت مالی (که در بخش بعدی توضیح داده خواهد شد) برای تشخیص شرکتهای ورشکسته استفاده کرده است.
در طراحی سیستمهای چندمتغیره، سئوالات زیر مدنظر است:
کدامیک از نسبتهای مالی بهترین شاخص جهت پیشبینی ورشکستگی شرکت میباشند؟