پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار تهران با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و PSO- پایان نامه کارشناسی ارشد
استاد مشاور: دکترحمید طبایی‌زاده فشارکی
https://ganj.irandoc.ac.ir/#/articles/3a854c002c5a002130c2870f87961198
پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار تهران با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و PSO
پارسای داخل کشور
کارشناسی ارشد
1390
موضوع: مدیریت
رشته: مدیریت - مدیریت صنعتی ـ مالی
پدیدآور: سارا متقالچی استاد راهنما: مسعود یقینی استاد مشاور: حمید طبایی‌زاده فشارکی
دانشگاه آزاد اسلامی واحد تهران مرکزی، دانشکده مدیریت و حسابداری
https://ganj.irandoc.ac.ir/viewer/3a854c002c5a002130c2870f87961198?sample=1
پژوهش حاضر به پیش بینی قیمت پایانی سهام شرکت ملی مس ایران برای روز بعد می پردازد.بدین منظور داده ها مربوط به سهام شرکت ملی مس ایران از بدو ورود در بازار بورس تهران ،(یعنی اسفند سال 1385 تا هفدهم آبان ماه سال1390) به صورت روزانه گردآوری شده است و متغیرهای مستقل تحقیق و یا همان ورودی های مدل تحقیق عبارتند از : نسبت قیمت سهام به سود سهام ، بالاترین قیمت سهام ، پایین ترین قیمت سهام ،قیمت پایانی،حجم معاملات ،دفعات معامله ،تعداد خریداران ،تعداد سهام کل شرکت ،ارزش روز ،تعداد سهام معامله شده ، شاخص کل و میانگین قیمت روزانه همچنین برای اینکه دقت شبکه در آموزش و در نتیجه در پیش بینی افزایش یابد میانگین قیمت های پنج ، هفت ، ده ، چهارده و سی روز قبل نیز به عنوان ورودی به مدل داده می شود .پیش بینی در دو قالب پیوسته و گسسته انجام می گیرد.در ابتدا داده ها به صورت پیوسته توسط نرم افزار کلمنتاین مورد پردازش قرار می گیرند و بهترین پیش بینی متعلق به روش رگرسیون می باشد که دارای کمترین قدرمطلق خطا است. سپس داده ها در 9 دسته طبقه بندی شده و با استفاده از نرم افزار کلمنتاین و مدل ترکیبی شبکه عصبی مصنوعی و PSO که کد نویسی های آن به زبان Java نوشته شده است،مورد پردازش قرار می گیرند که مدل ترکیبی قادر به پیش بینی دقیق تری نسبت به نرم افزار کلمنتاین می باشد.
بهینه سازی گرده ذرات / Particle swarm optimization
بورس اوراق بهادار تهران / Tehran Stock Exchange
همرسانی
عنوان صفحه
فصل اول:کلیات تحقیق 1
مقدمه 2
1-1 بیان مساله تحقیق 2
1-2 اهمیت وضرورت موضوع تحقیق 3
1-3 اهداف تحقیق 4
1-4 فرضیه 4
1-5 مدل تحلیلی تحقیق 4
1-6 قلمرو تحقیق 4
1-7 جامعه آماری 5
1-8 نمونه،روش نمونه گیری 5
1-9 ابزارهای گردآوری داده ها و اطلاعات 5
1-10 تعاریف متغیرها و اطلاعات بکار رفته در تحقیق 5
فصل دوم: ادبیات تحقیق 7
مقدمه 8
2-1 پیش¬بینی ومدل های پیش بینی 8
2-1-1 تعریف پیش¬بینی 9
2-1-2 مدل¬های پیش¬بینی 9
2-2 سری¬های زمانی 10
2-3 تاریخچه بازار بورس جهان و ایران 14
2-3-1 تاریخچه¬ ی تأسیس بورس اوراق بهادار 14
2-3-2 تاریخچه‌ی بازار اوراق بهادار ایران 15
2-4 بررسی روش¬های تجزیه وتحلیل وپیش¬بینی قیمت سهام 18
2-5 داده¬کاوی 24
2-5-1 داده ،اطلاعات، دانش 24
2-5-2 داده¬کاوی و تعاریف مختلف 25
2-5-3 تاریخچه داده کاوی 27
2-5-4 فرآیند کشف دانش 30
2-5-5 حوزه های مشترک با داده کاوی 31
2-5-6 حلقه‌های داده کاوی 33
2-5-7 وظایف کارکردی داده کاوی و جایگاه شبکه عصبی 34
2-5-8 شبکه های عصبی در خدمت داده کاوی 35
2-6 شبکه عصبی مصنوعی 36
2-6-1 انواع روشهای آموزش در شبکه عصبی 37
2-6-2 انواع توپولوژی شبکه 40
2-6-3 طراحی شبکه های عصبی توسط الگوریتم های هوش جمعی 40
2-6-4 شیوه بهینه سازی ازدحام ذرات در طراحی بهینه شبکه عصبی 41
2-7 پیشینه تحقیق 47
2-7-1 پیشینه داخلی تحقیق 48
2-7-2 پیشینه خارجی تحقیق 52
2-7-2-1 پیشینه خارجی تحقیق از دیدگاه موضوع 52
2-7-2-2 پیشینه خارجی تحقیق از دیدگاه مدل شبکه عصبی 55
فصل سوم:روش تحقیق 56
مقدمه 57
3-1 روش تحقیق 57
3-1-1 تحقیق کاربردی 57
3-1-2 تحقیق توصیفی 58
3- 2 جامعه آماری 60
3-3 نمونه آماری 60
3-4 قلمرو تحقیق 60
3-4-1 قلمرو زمانی تحقیق 61
3-4-2 قلمرو مکانی تحقیق 61
3-4-3 قلمرو موضوعی تحقیق 61
3-5 روشهای جمع آوری اطلاعات 61
3-5-1 بررسی ها و مطالعات کتابخانه ای 61
3-5-2 سازمان بورس اوراق بهادار تهران 61
3-6 روشهای تجزیه و تحلیل اطلاعات 62
3-6-1 افراز داده ها 62
3-6-2 پیش¬پردازش داده¬ها 62
3-7 متغیرهای تحقیق 62
3-7-1 متغیر مستقل 63
3-7-2 متغیر وابسته 64
3-8 نرم افزارهای مورد استفاده در تحقیق 65
3-8-1 معرفی نرم افزار کلمنتاین 65
3-9 پایایی تحقیق 65
فصل چهارم تجزیه و تحلیل یافته های تحقیق 67
مقدمه 68
4-1 . داده ها 68
4-2 پیش بینی قیمت سهام به صورت داده های پیوسته 68
4-2-1 پیش پردازش داده های پیوسته 68
4-2-2 پیش بینی قیمت سهام به صورت داده های پیوسته توسط شبکه عصبی 69
4-2-2-1 روش Exhustive Prune 70
4-2-2-1-1 متغیرهای مهم شناسایی شده توسط روش Exhustive Prune 71
4-2-2-1-2 تجزیه و تحلیل خروجی برنامه 72
4-2-2-2 روش Quick 73
4-2-2-2-1 متغیرهای مهم 73
4-2-2-2-2 تجزیه و تحلیل خروجی برنامه 74
4-2-2-3 روش Multiple 75
4-2-2-3-1 متغیرهای مهم 75
4-2-2-3-2 تجزیه و تحلیل خروجی برنامه 77
4-2-3 پیش بینی قیمت سهام به صورت داده های پیوسته توسط مدل رگرسیون 78
4-2-3-1 متغیرهای مهم 79
4-2-3-2 تجزیه و تحلیل خروجی برنامه 80
4-2-4 پیش بینی قیمت سهام به صورت داده های پیوسته توسط درخت تصمیم گیری 81
4-2-4-1 الگوریتم های ساخت درخت 82
4-2-4-1-1 درخت تقسیم و رگرسیون (C&R) 82
4-2-4-1-2 درخت Chaid 83
4-2-4-1-3 مدل درخت C & R 83
4-2-4-1-3-1 متغیرهای مهم 83
4-2-4-1-3-2 تجزیه و تحلیل خروجی برنامه 85
4-2-4-1-4 روش درخت CHAID 85
4-2-4-1-4-1 متغیرهای مهم 85
4-2-4-1-4-2 تجزیه و تحلیل خروجی برنامه 87
4-3 پیش بینی قیمت سهام به صورت داده های گسسته 87
4-3-1 شبکه عصبی 88
4-3-1-1 روش Quick 88
4-3-1-1-1 متغیرهای مهم 88
4-3-1-1-2 تجزیه و تحلیل خروجی برنامه 90
4-3-1-2 روش Multiple 90
4-3-1-2-1 متغیرهای مهم 90
4-3-1-2-2 تجزیه و تحلیل خروجی برنامه 92
4-3-2 درخت تصمیم گیری 93
4-3-2-1 درخت C&R 93
4-3-2-1-1 متغیرهای مهم 93
4-3-2-1-2 تجزیه و تحلیل خروجی برنامه 95
4-3-2-2 درخت CHAID 95
4-3-2-2-1 متغیرهای مهم 95
4-3-2-2-2 تجزیه و تحلیل خروجی برنامه 96
4-3-3 مدل Logistic 97
4-3-4 مدل شبکه بیزین 98
4-3-4-1 متغیرهای مهم 98
4-3-4-2 تجزیه و تحلیل خروجی برنامه 100
4-4 پیش بینی قیمت سهام با استفاده از مدل ترکیبی 100
4-4-1 ساختار شبکه 100
4-4-2 ذره 101
4-4-3 معیارهای اندازه گیری دقت 101
4-4-4 داده¬های آموزشی، اعتبار سنجی و آزمایشی 103
4-4-5 روش اعتبار سنجی تقاطعی پیشنهادی 104
4-4-6 الگوریتم ترکیبی جهت آموزش شبکه 105
4-4-7 اجرای مدل ترکیبی شبکه عصبی مصنوعی و PSO 109
4-4-7-1 نرمال سازی داده ها 109
4-4-7-2 مشخصات مدل شبکه عصبی و تقسیم بندی داده ها 110
4-4-7-3 خروجی مدل ترکیبی شبکه عصبی مصنوعی و PSO 110
فصل پنجم نتیجه گیری و پیشنهادات 111
مقدمه 112
5-1 نتایج حاصل از این تحقیق 112
5-1-1 نتایج حاصل از پیش بینی داده های پیوسته 112
5-1-2 نتایج حاصل از پیش بینی داده های گسسته 113
5-2 محدودیت های تحقیق 113
5-3 ارایه پیشنهادات 114
5-3-1 پیشنهادات بر مبنای یافته های تحقیق 114
5-3-2 پیشنهادات برای تحقیقات آتی 114
منابع 117
فهرست جداول
عنوان صفحه
جدول(2-1): روند کار بورس اوراق بهادار در ایران 17
جدول(2-2): گام های تکامل داده کاوی 28
جدول(2-3): رویدادهای مهم در سیر تاریخی داده¬کاوی و شبکه¬ های عصبی 36
جدول(2-4): پیشینه داخلی تحقیق 49-52
جدول(2-5): پیشینه خارجی تحقیق از دیدگاه موضوع 52-54
جدول(2-6): پیشینه خارجی تحقیق از دیدگاه مدل شبکه عصبی 55
جدول(4-1): خروجی مدل ترکیبی شبکه عصبی مصنوعی و PSO 110
جدول(5-1): نتایج حاصل از پیش بینی داده های پیوسته 112
جدول(5-2): نتایج حاصل از پیش بینی داده های گسسته
113
فهرست شکل ها
عنوان
صفحه
شکل)2-1( : روند خطی 13
شکل(2-2): تغییرات فصلی 13
شکل(2-3): داده، اطلاعات، دانش،آگاهی 25
شکل(2-4): سیر تکاملی فناوری پایگاه داده 29
شکل)2-5( : فرآیند کشف دانش 30
شکل(2-6): داده کاوی به عنوان گامی از فرآیند کشف دانش 31
شکل(2-7): داده کاوی بعنوان حوزه مشترک 32
شکل(2-8): چرخه داده کاوی 33
شکل(2-9): عملکردهای مختلف در داده کاوی و جایگاه شبکه های عصبی 35
شکل(2-10): یک نرون مصنوعی 37
شکل(2-11): شیوه های آموزش شبکه های عصبی 38
شکل(2-12): پرسپترون چند لایه 40
شکل(2-13): انواع توپولوژی شبکه های عصبی 40
شکل(2-14): قالب کلی الگوریتم بهینه سازی ازدحام ذرات 42
شکل(4-1): متغیرهای مهم شناسایی شده توسط روش Exhustive Prune 71
شکل(4-2): تجزیه و تحلیل خروجی برنامه توسط روش Exhustive Prune 72
شکل(4-3): متغیرهای مهم شناسایی شده توسط روش Quick 74
شکل(4-4): تجزیه و تحلیل خروجی برنامه توسط روش Quick 75
شکل(4-5): متغیرهای مهم شناسایی شده توسط روش Multiple 77
شکل(4-6): تجزیه و تحلیل خروجی برنامه توسط روش Multiple 78
شکل(4-7): متغیرهای مهم شناسایی شده توسط مدل رگرسیون 80
شکل(4-8): تجزیه و تحلیل خروجی برنامه توسط مدل رگرسیون 81
شکل(4-9): متغیرهای مهم شناسایی شده توسط درخت(C&R) 84
شکل(4-10): تجزیه و تحلیل خروجی برنامه توسط درخت (C&R) 85
شکل(4-11): متغیرهای مهم شناسایی شده توسط درخت CHAID 86
شکل(4-12): تجزیه و تحلیل خروجی برنامه توسط درخت CHAID 87
شکل(4-13): متغیرهای مهم شناسایی شده توسط روش Quick 89
شکل(4-14): تجزیه و تحلیل خروجی برنامه توسط روش Quick 90
شکل(4-15): متغیرهای مهم شناسایی شده توسط روش Multiple 92
شکل(4-16): تجزیه و تحلیل خروجی برنامه توسط روش Multiple 92
شکل(4-17): متغیرهای مهم شناسایی شده توسط درخت (C&R) 94
شکل(4-18): تجزیه و تحلیل خروجی برنامه توسط درخت (C&R) 95
شکل(4-19): متغیرهای مهم شناسایی شده توسط درخت CHAID 96
شکل(4-20): تجزیه و تحلیل خروجی برنامه توسط درخت CHAID 97
شکل(4-21): تجزیه و تحلیل خروجی برنامه توسط مدل Logistic 97
شکل(4-22): متغیرهای مهم شناسایی شده توسط مدل بیزین 99
شکل(4-23): تجزیه و تحلیل خروجی برنامه توسط مدل بیزین 100
شکل(4-24): ذره پیشنهادی در یک شبکه با یک لایه مخفی و یک نرون در این لایه 101
شکل(4-25): گام های مشخص کردن بیش برازش در روش پیشنهادی
105
همرسانی
1. احمدعلی نژاد،محمود، مقایسه مدل¬های شبکه عصبی با مدل سری¬زمانی باکس-جنکینز در پیش¬بینی شاخص کل قیمت سهام بازار بورس تهران،1389، پایان نامه کارشناسی ارشد ،دانشگاه آزاد اسلامی واحد تهران مرکزی
2. احمدی قراچه،احسان، ارائه یک مدل شبکه عصبی برای پیش بینی قیمت ماهانه نفت خام با در نظر گرفتن شوک های نفتی،1385،پایان نامه نامه کارشناسی ارشد،دانشگاه تربیت مدرس
3. آر بیل و تی جکسون ،آشنایی با شبکه عصبی ،1386،ترجمه محمود البرزی،چاپ سوم،انتشارات علمی دانشگاه شریف.
4. اصغرپور،محمد جواد،تصمیم گیری های چندمعیاره،1388،چاپ هفتم،تهران،موسسه انتشارات دانشگاه تهران
5. افسر، امیر،مدل سازی پیش بینی قیمت سهام با رویکرد شبکه های عصبی فازی،1385، پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس
6. ایران نژاد پاریزی،مهدی،روش های تحقیق در علوم اجتماعی،1388،چاپ چهارم،تهران،نشر میدان
7. ایزدی، حسن ،اصول و فنون تشکیل سبد سهام،1383 ،چاپ اول،تهران، نشر مرکز آموزش و تحقیقات صنعتی ایران
8. حسن زاده، سمیرا، پیش بینی قیمت سهام با استفاده از برنامه ریزی ژنتیک،1389، پایان نامه کارشناسی ارشد،دانشگاه تربیت مدرس
9. حسینیان، نرگس، بررسی روند تغییر قیمت سهام با استفاده از شبکه های عصبی و مقایسه آن با الگوی خطی ARIMA ، 1386، پایان نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
10. حق دوست ،شادی، مدل سازی پیش بینی قیمت سهام با استفاده از شبکه عصبی و مفایسه آن با روش های پیش بینی ریضی،1384، پایان نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
11. خاکی صدیق،علی،ارزیابی روش های پیش بینی قیمت سهام و ارایه مدل بهینه ،1383،چاپ اول،تهران،پژوهشکده پولی و بانکی بانک مرکزی جمهوری اسلامی ایران
12. خاکی،غلامرضا،روش تحقیق در مدیریت،1388،چاپ چهارم،تهران،مرکز انتشارات دانشگاه آزاد اسلامی
13. خالوزاده،حمید، مدلسازی غیر خطی و پیش‌بینی رفتار قیمت سهام در بازار بورس تهران،1377، پایان نامه دکترا، دانشگاه تربیت مدرس
14. خوش رفتار ، محمد مهدی ، طراحی بهینه شبکه های عصبی پیشخور جهت مسایل پیش بینی با استفاده از الگوریتم های ترکیبی مطالعه موردی در راه آهن جمهوری اسلامی ایران ، 1390،پایان نامه کارشناسی ارشد ، دانشگاه علم و صنعت ایران
15. دانایی فرد،حسن،الوانی،سید مهدی،آذر،عادل،روش شناسی پژوهش کمی در مدیریت ،1388، چاپ سوم،تهران،انتشارات صفار،اشراقی
16. دوانی، غلام حسین، بورس،سهام نحوه قیمت گذاری سهام،1382، چاپ دوم،تهران، نشر نخستین
17. رجب زاده ، علی، ارزیابی ترکیبی روش های پیش بینی در بورس اوراق بهادار تهران به منظور پیش بینی قیمت سهام، 1379، پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس
18. رحمانی،آزاده،پیش بینی قیمت سهام بورس اوراق بهادار با استفاده از روش های مبتنی بر هوش مصنوعی،1387، پایان نامه کارشناسی ارشد ،دانشگاه آزاد اسلامی واحد تهران مرکزی
19. رشیدی، پرویز، پیش بینی قیمت سهام بازار بورس اوراق بهادار با استفاده از شبکه های عصبی مصنوعی، 1387،پایان نامه کارشناسی ارشد، دانشگاه علم و صنعت ایران
20. سرمد،زهره،بازرگان،عباس،حجازی،الهه،روشهای تحقیق در علوم رفتاری،1388،چاپ هجدهم،تهران،انتشارات آگاه
21. سکاران،اوما،روش تحقیق در مدیریت،1381،ترجمه محمد صائبی و شیرازی،چاپ اول،تهران،مرکز آموزش مدیریت دولتی
22. سمیعی فر، شادی، شعبانعلی، محمد رضا،پیش بینی قیمت سهام در بورس به روش تحلیل تکنیکال،1384 ، تهران ،انتشارات نص
23. سنجری، احمدرضا،روش های تحقیق در مدیریت،1388،چاپ اول،تهران،انتشارات عابد،مهرگان قلم
24. شهدایی، سید محمد علی، تحلیل بنیادی در بازار سرمایه،1384،چاپ سوم، تهران، نشر چالش
25. عربی،مصطفی، پیش بینی رفتار قیمت سهام در بورس با استفاده از شبکه عصبی مصنوعی و ARIMA ،1384، پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس
26. منهاج، محمد باقر ، مبانی شبکه های عصبی ،1387، انتشارات دانشگاه صنعتی امیر کبیر ،تهران
27. نیکنام، حسن، روش تحقیق ،1388 ، چاپ اول ،تهران، انتشارات مرشد
28. نیکوکار، وهاب ،طراحی محیط یادگیری برای پیش¬بینی بازار سهام با استفاده از شبکه عصبی ،1386،پایان نامه کارشناسی ارشد،دانشگاه تربیت مدرس
29. وب سایت سازمان بورس اوراق بهادار تهران www.tse.ir
همرسانی
[1] Al-Kazemi, B. and Mohan, C.K. (2002) ‘Training Feedforward Neural Networks using Multi-Phase Particle Swarm Optimization’, 9th International Conference on Neural Information Processing (ICONIP02),18-22 November, Singapore, Vol. 5, pp. 2615-2619.
[2] Beale, R., Jackson, T. (1998) Neural Computing: An Introduction, IOP Publishing Ltd.
[3] Benoit, G. (2002) ‘Data Mining’, Annual Review of Information Science and Technology, Vol. 36 pp. 265-310.
[4] Berry M.J.A. and Linoff, G.S. (2004) Data Mining Techniques For Marketing, Sales, and Customer Relationship Management(2th Edn.),Wiley Publishing.
[5] Bigus,J.P.(1996) Data mining with neural networks: Solving Business Problems from Application Development to Decision Support, McGraw-Hill.
[6] Blum, C. and Socha, K. (2005) ‘Training feed-forward neural networks with ant colony optimization: An application to pattern classification’, IEEE 5th International Conference on Hybrid Intelligent Systems (HIS’05),6-9 November, Rio de Janeiro, Brazil, pp. 233-238.
[7] Carvalho, M., and Ludermir, T. B. (2007) ‘Particle swarm optimization of neural network architectures and weights’, 7th international conference on hybrid intelligent systems (HIS2007), 17-19 September, Kaiserslautern, Germany, pp. 336-339.
[8] Chen, X.,Wang, J., Sun, D. and Liang J. (2008) ‘A Novel Hybrid Evolutionary Algorithm Based on PSO and AFSA for Feedforward Neural Network Training’, 4th International Conference on Wireless Communications, Networking and Mobile Computing (WiCOM), 12-14 October, Dalian, China, pp.1-5.
[9] Frawley, W.J., Piatetsky-Shapiro, G. and Matheus, C.J. (1991) Knowledge Discovery in Databases: An Overview, (pp. 1-27). Cambridge, MA: AAAI Press/MIT Press. 0738-4602 AAAI
[10] Frawley, W.J.,Piatetsky-Shapiro, G. and Matheus C.J.(1992) Knowledge Discovery in Databases: An OverviewAI Magazine, Vol.13, No.3, pp.57-70.
[11] Giudici, P.(2003) Applied Data Mining Statistical Methods for Business and Industry, John Wiley & Sons Ltd.
[12] Han L. and He X. (2007) ‘A novel Opposition-based Particle Swarm Optimization for Noisy Problems’, IEEE 3th International Conference on Natural Computation (ICNC2007), Hiakou, Hainan, China, Vol. 3, pp. 624-629.
[13] Han, J. and Kamber, M. (2001) Data mining: concepts and techniques, Morgan-Kaufman Series of Data Management Systems, San Diego, Academic Press.
[14] Han, J. and Kamber, M. (2006) Data mining: concepts and techniques(2th edn), Morgan-Kaufman Series of Data Management Systems, San Diego: Academic Press
[15] Islam, M.M., Yao, X., Nirjon, S. M. S., Islam, M.A. and Murase, K.(2008) ‘Bagging and boosting negatively correlated neural networks’, IEEE Transactions on Systems Management and Cybernetics, Part B: Cybernetics, Vol.38, No.3, pp.771-784.
[16] Kantardzic,M. (2003) Data Mining: Concepts, Models, Methods, and Algorithms, Wiley-Interscience.
[17] Karaboga, D., Akay, B. and Ozturk, C. (2009) ‘Neural Networks Training by Artificial Bee Colony Algorithm on Pattern Classification’, Neural Network World, Vol.19, No.3, pp.279-292.
[18] Kendal, S.L. and Creen, M., (2007) An Introduction to Knowledge Engineering, Springer – Verlag London ltd.
[19] Kennedy, J. and Eberhart, R. (1995) ‘Particle swarm optimization’, IEEE International Conference on Neural Networks, 27 November-1 December, Vol.4, pp. 1942-1948.
[20] Kiranyaz S.,Ince T.,Yildirim A.,Gabbouj M. (2009) ‘Evolutionary artificial neural networks by multi-dimensional particle swarm optimization’, Neural Networks , Vol.22, No.10, pp.1448-1462.
[21] Larose, D.T.(2005) Discovering Knowledge in Data: An Introduction to Data Mining , John Wiley and Sons.
[22] Liu, B. (2007) Web Data Mining Exploring Hyperlinks, Contents, and Usage Data, Springer, Berlin Heidelberg.
[23] Meissner, M., Schmuker, M., and Schneider, G. (2006) ‘Optimized particle swarm optimization (OPSO) and its application to artificial neural network training’. BMC Bioinformatics, Vol.7, pp.125-136.
[24] Omran, M. G. H. (2009) ‘Using Opposition-based Learning with Particle Swarm Optimization and Barebones Differential Evolution’, InTech Education and Publishing,Vol.23, pp.373-384.
[25] Prechelt L. (1994) ‘PROBEN1-A set of neural network benchmark problems and benchmarking rules’, Faculty Informatics, University of Karlsruhe, Karlsruhe, Germany, Technical Report 21/94.
[26] Rashid M. and Baig A.R. (2010) ‘Improved Opposition-based PSO for Feedforward Neural Network Training’, International Conference On Information Science And Applications (ICISA), 21-23 April, Seoul, South Korea, pp.1-6.
[27] Salerno, J. (1997) ‘Using the particle swarm optimization technique to train a recurrent neural model’, 9th IEEE International Conference on Tools with Artificial Intelligence,3-8 November, Newport Beach, CA, USA, pp.45-49.
[28] Settles, M., Rodebaugh, B. and Soule, T. (2003) ‘Comparison of genetic algorithm and particle swarm optimizer when evolving a recurrent neural network’, In Proceeding of the genetic and evolutionary computation conference (GECCO03), 12-16 July, Chicago, Illinois, USA ,Vol.2723 , pp. 151-152.
[29] Talbi E-G.(2009) Metaheuristic :From Design to Implementation, University of Lille, John Wiley and Sons.
[30] Tan,P-N.,Steinbach, M. and Kumar,V.(2006) Introduction To Data Mining, Pearson Addison Wesley.
[31] Tizhoosh H.R. (2005) ‘Opposition-based learning: A new scheme for machine intelligence’, International Conference Computational Intelligence Modeling Control and Automation,28-30 November, Vienna, Austria, Vol.1, pp.695-701.
[32] Wang, H., Liu, Y., Zeng, S., Li, H. and Li, C. (2007) ‘Opposition-based Particle Swarm Algorithm with Cauchy Mutation’, IEEE Congress on Evolutionary Computation (CEC2007), 25-28 September, Singapore, pp. 4750-4756.
[33] Wei G. (2007) ’Study on Evolutionary Neural Network Based on Ant Colony Optimization’, International Symposium on Computational Intelligence and Design (ISCID08), 17-18 October, Wuhan, China, Vol.1, pp.318-321.
[34] Witten, I.H. and Frank, E. (2005) Data mining: practical machine learning tools and techniques(2th edn), Morgan-Kaufman Series of Data Management Systems, San Francisco, Elsevier, Chapter 1, page 5
[35] Wu, Z., Ni, Z., Zhang, C., Gu, L. (2008) ‘Opposition based comprehensive learning particle swarm optimization’, 3th International Conference on Intelligent System and Knowledge Engineering (ISKE),17-19 November, Vol.2, pp.1013-1019.
[36] Yao, X. (1999) ‘Evolving Artificial Neural Network’, Proceedings of the IEEE, Vol. 87, No. 9, pp. 1423-1447.
[37] Yu, J., Wang, S. and Xi L. (2008) ‘Evolving artificial neural networks using an improved PSO and DPSO’, Neurocomputing, Vol.71, No.4-6, pp.1054-1060.
[38] Yu, J., Xi, L. and Wang, S. (2007) ‘An improved particle swarm optimization for evolving feedforward artificial neural networks’. Neural Processing Letters, Vol.26, No.3, pp.217-231.
[39] Yu, J., Xi, L., and Wang, S. (2007) ‘An improved particle swarm optimization for evolving feedforward artificial neural networks’, Neural Processing Letters, Vol.26, No.3, pp.217-231.
[40] Zaho, F., Ren, Z., Yu, D. and Yang Y. (2005) ‘Application of An Improved Particle Swarm Optimization Algorithm for Neural Network Training’, International Conference on Neural Networks and Brain (ICNN&B05), 13-15 October, Beijing, Chaina, Vol.3, pp.1639-1698.
[41] Zhang, C. and Shao, H. (2000) ‘An ANN's evolved by a new evolutionary system and its application’, 39th IEEE conference on decision and control, 12-15 December, Sydney, NSW, Australia, Vol.4 , pp. 3562-3563.
همرسانی
https://ganj.irandoc.ac.ir/#/articles/3a854c002c5a002130c2870f87961198
