۱-Malhotra, R. and Malhotra
۲-Fisher
۳-Dunham
مدلسازی نرون برای نخستین بار در سال ۱۹۴۳ توسط وارن مک کلوث^۱ فیزیولوژیست اعصاب، والترپیتز منطقدان صورت گرفت. تمامی مکتب شبکه‌های عصبی از همین جا آغاز شد. بعضی از پیش زمینه‌های شبکه‌های عصبی را می‌توان به اوایل قرن ۲۰ و اواخر قرن ۱۹ برگرداند. در این دوره کارهای اساسی توسط دانشمندانی چون هرمان فون هلمهالتز، ارنست ماخ و ایوان پاولوف صورت پذیرفت. این کارهای اولیه عموماً بر تئوری‌های کلی یادگیری و شرطی تاکید داشتند و اصلا به مدل‌های مشخص ریاضی و عملکرد نورون‌های عصبی اشاره نداشتند.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

دیدگاه جدید شبکه‌های عصبی در دهه قرن بیستم شروع شد زمانی که وارن مک کلوث و والتر پیتز نشان دادند که شبکه‌های عصبی در اصل می‌توانند هر تابع حسابی و منطقی را محاسبه نمایند. کار این افراد را می‌توان نقطه شروع حوزه علمی شبکه‌های عصبی مصنوعی نامید.
نخستین کاربرد عملی شبکه‌های عصبی اواخر دهه ۵۰ قرن ۲۰ مطرح شد زمانی که روزنبلات و همکارانش شبکه‌ای ساختند که قادر بود الگوها را از هم شناسایی نماید در همین زمان بود که برنارد ویدرو در سال ۱۹۶۰ شبکه عصبی تطبیقی آدلاین را با قانون یادگیری جدید مطرح نمود. پیشرفت شبکه‌های عصبی تا دهه ۷۰ قرن بیستم ادامه یافت که در خلال دهه ۸۰ رشد تکنولوژی میکروپرسسورها روند صعودی یافت و تحقیقات روی شبکه‌های عصبی افزایش یافت و ایده‌های جدید مطرح شد .
ایده استفاده از مکانیسم‌های تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکه‌های برگشتی که می‌توان آنها را درجهت ذخیره سازی اطلاعات استفاده نمود. ایده بعدی که کلید توسعه شبکه‌های عصبی، الگوریتم پس انتشار بود که توسط راملهارت مک لند ارائه شد. او اولین استفاده کننده از تحلیل ممیزی برای رتبه بندی اعتباری بود که شاید بتوان او را بنیانگذار سیستم‌های رتبه بندی امروز دانست.
۱- baron McCulloch
با آمدن کارت‌های اعتباری در اواخر دهه ۶۰ اهمیت اعتباردهی برای بانک‌ها و دیگر ارائه کنندگان کارت‌های اعتباری مشخص شد. همچنین مدل‌های طبقه بندی اعتبارات در بانک چیس ـ مانهتان در سال ۱۹۹۰ طراحی شد. این بانک که از گذشته از فنون کمّی برای کمک به مدیران ارشد اعطای تسهیلات استفاده می‌کرد در این سال با طراحی مدل کردیت ویو، پلم کوشید تا براساس سیستم عصبی مصنوعی کار طبقه بندی حساب مشتریان اعتباری را نظم و شتاب بیشتری بخشد.
با آمدن کارت‌های اعتباری در اواخر ۱۹۶۰ اهمیت رتبه بندی اعتباری برای بانک‌ها و دیگر ارائه کنندگان کارت‌های اعتباری نمایان شد. وقتی این سازمان‌ها رتبه بندی اعتبار را به کار بردند دریافتند که این کار از هر تدبیر قضاوتی مفیدتر است، زیرا نرخ اشتباه به میزان ۵۰ درصد یا بیشتر پایین آمده بود.
بوکس ^۱ در سال ۱۹۶۷ اولین فردی بود که استفاده از پس زمینه کامپیوتر برای استفاده از مجموعه بزرگی از داده‌ها را معرفی کرده همچنین او سعی در ترکیب ابزارهای آماری چند متغیره را داشت. اتفاقی که پذیرش کامل رتبه بندی اعتبار را تضمین کرد تصویب قانون فرصت برابر اعتبار در آمریکا در سال‌های ۱۹۷۵ و ۱۹۷۶ بود.
پیشرفت در محاسبات اجازه داد تا سعی شود تکنیک‌های دیگری برای ساختن کارت امتیاز به کار رود. در حال حاضر با به کارگیری شیوه ‌های هوش مصنوعی مانند سیستم‌های خبره و شبکه‌های عصبی و الگوریتم ژنتیک تاکید بر روی تغییر واقع بینانه از سعی در حداقل کردن شانس یک مشتری در درخواست ناجور (ریسک بالا)‌ در مورد یک محصول خاص به تحقیق در مورد اینکه چگونه شرکت می‌تواند سود خود را از آن مشتری بیشینه کند رخ داده است .
هربرت سایمون و آلن نول^۲ در انیستیتو تکنولوژی کاربن در سال ۱۹۵۰ تئوری را توسعه دادند که قضایا را با به کارگیری منطق، اثبات می‌کرد.
۱-grey box
۲-Herbert Alexander Simon & Allen Newell
در سال ۱۹۵۶ اولین کنفرانس پیشگامان هوش مصنوعی به نام کنفرانس دارت موث با حضور پیشگامان این رشته که حوزه مشترک فعالیت کنفرانس اولین برنامه کامپیوتری هوش مصنوعی بود، به نام “نگرش‌گر منطقی” ارائه گردید. در سال‌های بعد مک کارتی زبان برنامه نویسی لیسپ را ارائه نمود. از نیمه دوم دهه ۴۰ به بعد سیستم‌های عملی هوش مصنوعی (سیستم‌های خبره) آغاز گردید. در سال ۱۹۶۵ فین بام و باچانا دندریت‌ها را توسعه دادند.
در سال ۱۹۶۹، مارتین و موسیز^۱ یک سیستم خبره ریاضی را توسعه دادند. در دهه ۷۰ ل تی ـ وهرسایت، سیستم خبره برای شناسایی سخن توسعه داد و در این سال‌ها سیستم‌های مختلفی برای مسائل پزشکی و مهندسی و زمین شناسی توسعه داده شد. در اواخر دهه ۷۰ موج جدیدی از نرم افزارهای کامپیوتری هوش مصنوعی (سیستم‌های خروجی) مثل پرولوک ارائه گردید به موازات فعالیت‌های مربوط به سیستم‌های خبره، فعالیت در حوزه شبکه‌های عصبی نیز جریان داشت بعد از کارهای اولیه، وقتی مک کلوث و والتر پیتز نشان دادند که شبکه‌های عصبی می‌توانند هر تابع حسابی و منطقی را محاسبه نمایند، دوره جدیدی برای شبکه‌های عصبی آغاز گردید. سپس دونالدهب شرط گذاری کلاسیک را به عنوان خواص نرون‌های معرفی نموده و مکانیسمی برای یادگیری نرون‌های بیولوژیکی ارائه نمود. اولین کاربرد عملی شبکه‌های عصبی با معرفی شبکه پرسپترون در سال ۱۹۵۸ توسط روزنبلات شروع شد .
آلتمن ( ۱۹۶۸ ) در مقاله ای با عنوان “تحلیل تفاوت نسبت های مالی و پیش بینی ورشکستگی شرکت ها” با بهره گرفتن از ۲۲ شاخص (نسبت مالی) که در ۵ گروه نسبت نقدینگی، نسبت سو دآوری، نسبت اهرمی، نسبت کفایت بازپرداخت بدهی و نسبت های فعالیت درصدد ارزیابی موفقیت شرکت ها و واحدهای تولیدی آمریکا با بهره گرفتن از روش تحلیل ممیزی برآمد.
۱-Martin & mosiz.
تنها ۵ نسبت سود انباشته به مجموع دارایی ها، سرمایه در گردش به مجموع دارایی ها، مجموع بدهی ها به فروش، ارزش دفتری مجموع بدهی ها به ارزش بازاری سهام شرکت و مجموع دارایی ها به سود قبل از کسر بهره و مالیات دارای آثار معناداری بر موفقیت شرکت ها بودند. نتایج این مطالعه نشان داد که نسبت سود انباشته به مجموع دارایی ها دارای حداکثر سهم در تابع تعیین ممیزی و درنتیجه تفکیک شرکت ها از نظر بالا و پایین بودن ریسک داشته است.
پیشرفت واقعی در شبکه‌های عصبی در دهه ۷۰ اتفاق افتاد. در سال ۱۹۷۲ تئوری کوهونن و جیمز اندرسون مستقل از هم، شبکه‌های جدیدی که قادر بودند مثل عناصر ذخیره ساز عمل کنند معرفی کردند. در دهه ۸۰ با رشد تکنولوژی میکروپروسسورها، تحقیقات روی شبکه‌های عصبی فزونی یافت. شبکه‌های برگشتی و الگوریتم پس از انتشار خطا نتایج این تحقیقات بودند.
تحقیقات روی شبکه‌های عصبی چند لایه پیشخور، به کارهای اولیه فرانک ۱۹۵۹ شبکه عصبی پرسپترون تک لایه، با تابع محرک دو مقداره حدی غیر خطی و قانون SLPR بر می‌گردد.
شبکه‌های تک لایه از این مشکل اساسی برخوردارند که تنها توانایی حل آن دسته از مسائل طبقه بندی را دارند که به طور خطی از هم مستقل اند. هم روزنبلات و هم ویدرو از این امر واقف بودند و شبکه‌های چند لایه را پیشنهاد کرده بودند. هر چند استفاده از عبارت پس انتشار عملاً پس از ۱۹۸۵ متداول گشت، لیکن نخستین توصیف الگوریتم BP توسط پاول وربز در سال ۱۹۷۴ در رساله دکترایش مطرح شد. در این رساله، الگوریتم BP تحت عنوان شبکه‌های عمومی ارائه شد. این الگوریتم در دنیای شبکه‌های عصبی ظاهر نشد تا اینکه در اواسط دهه ۸۰ الگوریتم BP‌ دوباره کشف و به طور وسیعی مطرح شد. این الگوریتم به طور مستقل توسط دیوید راملهارت، جفری هینتون و رونالد ویلیامز در سال ۱۹۸۶، دیوید پارکر و یان لی چون در سال ۱۹۸۵ دوباره مطرح و در دنیای شبکه عصبی معروف گردید .
بعضی از پیش زمینه‌های شبکه‌های عصبی را می‌توان به اواخر قرن نوزدهم و اوایل قرن بیستم نسبت داد. در این دوره کارهایی اساسی در فیزیک، روانشناسی و نروفیزیولوژی توسط دانشمندانی چون هرمان هلمهلتز، ارنست ماخ و ایوان پاولوف انجام شد. این تلاش‌های ابتدایی عموما بر تئوری‌های کلی یادگیری، بینایی و شرطی تاکید داشته‌اند و بر مدل‌های مشخص ریاضی عملکرد نرون‌ها اشاره‌ای نداشته‌اند.
دیدگاه جدید شبکه‌های عصبی در دهه ۱۹۴۰ آغاز شد. در این دهه وارن مک کلوث و والتر پیتز نشان دادند که شبکه‌های عصبی هر تابع منطقی و حسابی را محاسبه نمایند. کار این افراد را می‌توان نقطه شروع حوزه علمی شبکه‌های عصبی مصنوعی نامید و این موضوع با تلاش‌های دونالدهب تداوم یافت. وی عمل شرط گذاری مکانیسمی را جهت یادگیری نورون‌های بیولوژیکی ارائه داد.
نخستین کاربرد عملی شبکه‌های عصبی در اواخر دهه ۱۹۵۰ مطرح شد. در این زمان فرانک روزنبلات در سال ۱۹۵۸ شبکه پرسپترون را معرفی نمود. روزنبلات و همکارانش شبکه‌ای ساختند که قادر بود الگوها را از هم شناسایی نماید. در همین زمان بود که برنارد ویدرو در سال ۱۹۶۰ شبکه عصبی تطبیقی خطی (آدلاین) را با قانون یادگیری جدید مطرح نمود، که از لحاظ ساختار، شبیه پرسپترون می‌باشد.
شبکه‌های پرسپترون و آدلاین، تنها قادر به طبقه بندی الگوهایی بودند که به طور خطی از یکدیگر متمایز بودند که این به نوبه خود محدودیتی ذاتی تلقی می‌شود. هر دو دانشمند از این امر آگاه بودند، زیرا آنان قانون یادگیری را برای شبکه‌های عصبی تک لایه مطرح نموده بودند که توانایی محدودی در مورد تخمین توابع داشت. گرچه آنان ایده شبکه‌های چند لایه را مطرح نمودند، اما نتوانستند الگوریتم‌های یادگیری شبکه‌های تک لایه‌شان را بهبود بخشند. پیشرفت شبکه‌های عصبی تا دهه ۱۹۷۰ ادامه یافت. در سال ۱۹۷۲ تئوکوهونن و جیمز اندرسون به طور مستقل شبکه‌های عصبی جدیدی را معرفی نمودند که می‌توانستند به عنوان ذخیره سازی عمل کنند. استفان گراسبرگ در همین زمان تلاش خود را بر شبکه‌های خودسازمانده متمرکز نموده بود. طی دهه ۱۹۸۰ فناوری ریز پردازنده‌ها و به تبع آن رایانه‌های سریع به شدت رشد پیدا کرد و تحقیقات روی شبکه‌های عصبی فزونی یافت و ایده‌های بسیار جدیدی مطرح شد. ایده‌های نو و فناوری پیشرفته برای ایجاد انقلابی در بحث شبکه‌های عصبی کافی به نظر می‌رسید. در شکل گیری این پدیده در نگرش جدید قابل تامل می‌باشند. استفاده از مکانیسم تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکه‌های بازگشتی که می‌توان آنها را جهت ذخیره سازی اطلاعات استفاده نمود. این ایده به وسیله جان هاپفیلد فیزیکدان آمریکایی در سال ۱۹۸۲ مطرح شد. دومین ایده مهم که کلید توسعه شبکه‌های عصبی در دهه ۸۰ شده الگوریتم پس انتشار خطا می‌باشد که به وسیله دیوید راملهات و جیمز مکلند در سال ۱۹۸۶ مطرح گردید. با ظهور این دو ایده، شبکه‌های عصبی متحول شدند. در سال‌های اخیر، هزاران مقاله نوشته شده است و شبکه‌های عصبی، کاربردهای زیادی در رشته مختلف علوم پیدا کرده‌اند. شبکه‌های عصبی در هر دو بعد نظری و عملی در حال رشد می‌باشند. آنچه باید اذعان داشت، این است که روند رو به رشد شبکه‌های عصبی آهسته و مطمئن نبوده است. دوره‌هایی بوده که خیلی سریع رشد نموده و دوره‌هایی هم بوده است که رشد سریعی از خود نشان نداده است. بیشتر پیشرفت‌ها در شبکه‌های عصبی به ساخت‌های نوین و روش‌های یادگیری جدید مربوط می‌شود.
نخستین مدل به کار رفته برای تعیین ورشکستگی شرکت ها با بهره گرفتن از نسبت هایی مالی، مدل رگرسیون لجستیک یک متغیره بود که توسط “بیور”^۱ در سال ۱۹۶۶ ارائه شد. بعدها از این مدل برای اندازه گیری ریسک اعتباری اوراق قرضه منتشره شرکت ها استفاده شد. “بیور” با کمک روش تک متغیره تحلیل ممیزی سعی کرد بر مبنای داده های مربوط به ۵ سال قبل از نکول شرکت ها به تفکیک شرکت های ورشکسته و با توجه به این که عمدتاً عدم بازپرداخت وام مربوط به شرکت هایی است که در آینده دچار درماندگی مالی خواهند شد، بنابراین امکان پیش بینی ریسک اعتباری با بهره گرفتن از این مدل امکان، پذیر خواهد بود.
۱-Beaver, W
در اواخر ۱۹۷۰ مدل های احتمالی خطی و وضعیتی احتمالی چندگانه برای پیش بینی ورشکستگی شرکت ها مطرح شدند. هم چنین در سال های ۱۹۸۰ و ۱۹۹۰ استفاده از مدل های برنامه ریزی ریاضی در بسیاری از مطالعات عنوان شد.
هدف اصلی این روش ها، حذف فرضیه ها و محدودیت های موجود در تکنیک های قبلی، بهبود اعتبار و صحت طبقه بندی بود. در اوایل ۱۹۹۰، سیستم های پشتیبان تصمیم گیری در ترکیب با سیستم های تصمیم گیری چند گانه برای حل مشکلات طبقه بندی های مالی مورد استفاده قرارگرفتند. از جمله مطالعات دیگر در این زمینه می توان به کار های روی در ۱۹۹۱ برای به کارگیری مدل الکتره ودیمیتراس در ۱۹۹۹ برای به کارگیری مدل روگ ست و مورگان^۱ در ۱۹۹۸ برای طراحی مدل اعتبارسنجی و تریسی در ۱۹۹۸ برای طراحی مدل ارزش در معرض ریسک برای براورد تابع چگالی احتمال عدم بازپرداخت اشاره کرد.
دیسای و همکارانش^۲ در سال ۱۹۹۶ به بررسی توانایی های شبکه های عصبی و تکنیک های آماری متداول نظیر آنالیز ممیزی خطی و آنالیز رگرسیون خطی در ساخت مدل های امتیازدهی اعتباری پرداخته اند یانگ و پلات نیز بیان داشتند که آنچه در یک مدل شبکه عصبی دارای اهمیت است، آن است که وزن های موجود در شبکه های عصبی به روش بهینه ای برآورد شوند. بدیهی است که پس از تعیین وزن ها به روش بهینه با دادن بردار متغیر های ورودی به سهولت می توان بردار خروجی را برآورد کرد.
خلاصه منابع داخلی و خارجی به شرح جدول ۲-۱ بیان شده است.
۱-Rough set & Morgan
۲-Desai V.S & et all
جدول ۲-۱
منابع داخلی و خارجی