انتخاب متغیر در شبکه های عصبی پرسپترون چندلایه به منظور پیش بینی با استفاده از نگاشت های خود سازمان ده (SOM)

شبکه‌های عصبی پرسپترون چندلایه از مهم‌ترین و پرکاربردترین شبکه‌های عصبی در پیش‌بینی بازارهای مالی هستند. اما این‌گونه از شبکه‌ها، علی‌رغم تمام مزایای منحصر ‌به ‌فردشان، دارای محدودیت‌هایی نیز می‌باشند که از جمله مهم‌ترین آنها می‌توان به محدودیت تعداد متغیرهای ورودی به شبکه‌ اشاره نمود. در شبکه‌های پرسپترون چندلایه برخلاف روش‌های سنتی پیش‌بینی، با افزایش تعداد ورودی‌ها ممکن است عملکرد شبکه کاهش یابد. در ادبیات موضوع، ترکیب مدل‌های مختلف و یا استفاده از مدل‌های ترکیبی یک راه معمول به‌منظور برطرف‌ ساختن محدودیت‌های مدل‌های تکی و بهبود دقت پیش‌بینی‌ها است. در این مقاله با استفاده از نگاشت‌های خودسازمان‌ده که از دقیق‌ترین روش‌های حال حاضر در شناخت و تحلیل فضاهای چندبعدی غیرخطی هستند، یک روش ترکیبی از شبکه‌های پرسپترون چندلایه ارائه گردیده است. در روش پیشنهادی، ورودی‌های شبکه در ابتدا با استفاده از نگاشت‌های خودسازمان‌ده خوشه‌بندی ‌شده و سپس متغیرهای موجود در هر خوشه با توجه به میزان تأثیرگذاری‌‌شان با یکدیگر ترکیب می‌گردند. نتایج حاصله از به‌کارگیری روش پیشنهادی در پیش‌بینی قیمت محصولات فولادی در بورس فلزات تهران بیانگر کارآمدی روش ترکیبی در تقابل با سایر روش‌ها است.