در نظر گرفتن عوامل موثردر پیش بینی سری زمانی با بهبود الگوریتم سینوس کسینوس در انتخاب بهترین نمونه ها در مدل آموزش چندتایی شبکه عصبی

بدلیل پیچیدگی بازار بورس و حجم بالای اطلاعات مورد پردازش ، اغلب استفاده از یک سیستم ساده برای پیش بینی نتایج خوبی بهمراه ندارد. به همین دلیل محققان با ارایه ی مدل های ترکیبی سعی در ارایه ی سیستمی با پیچیدگی کمتر و کارایی و دقت بیشتر کرده اند . در اکثر مدل های پیش بینی کننده ، سیستم فقط با استفاده از اطلاعات یک شاخص به پیش بینی پرداخته ، ولی در مدل پیشنهادی یک سیستم دو سطحی از شبکه های عصبی پرسپترون چند لایه پیشنهاد می شود و از چندین شاخص برای پیش بینی استفاده می شود و همچنین برای آموزش بهتر شبکه ی عصبی و در نتیجه بهبود نتایج بدست آمده، از الگوریتم سینوس کسینوس برای انتخاب بهترین نمونه ها برای آموزش شبکه عصبی استفاده شده است و نتایج بدست آمده نشان می دهد که مدل پیشنهادی توانسته با خطای پیش بینی پایین تری نسبت به دیگر مدل ها عمل کند.

کلیدواژه ها:

الگوریتم تکاملی سینوس کسینوس ، شبکه عصبی پرسپترون چند لایه ، پیش بینی ، سری زمانی