فرمت فایل : power point (لینک دانلود پایین صفحه) تعداد اسلاید : 71 اسلاید
مقدمه :
مسائل مناسب برای یادگیری شبکه های عصبی
پاورپوینت جامع و کامل درباره شبکه های عصبی مصنوعی
فرمت فایل : power point (لینک دانلود پایین صفحه) تعداد اسلاید : 71 اسلاید
مقدمه :
مسائل مناسب برای یادگیری شبکه های عصبی
پایاننامه کارشناسی فناوری اطلاعات - شبکه های عصبی
85 صفحه در قالب word
فهرست مطالب
1-1مقدمه کلی 3
فصل 2 معرفی شبکه های عصبی ...6
2-1 مقدمه ..7
2-5 شبکه عصبی در مقایسه با کامپیوترهای معمولی ..10
2-6 مشخصه روش محاسباتی متداول ..12
2-6-1تفاوت شبکه عصبی با روش های محاسباتی متداول وسیستم خبره .13
2-7 دلایل بکارگیری شبکه های عصبی .13
2-8 قابلیتها و معایب شبکه های عصبی .13
2-9 خصوصیات شبکه های عصبی ..15
2-10-1 تقسیم بندی شبکه های عصبی بر مبنای آموزش ..16
2-11 معرفی شبکه های عصبی زیستی ..17
2-11-1 معرفی شبکه های عصبی مصنوعی .17
3-1 مقدمه ...22
3-2تعریف شبکه های عصبی مصنوعی .23
3-3تاریخچه شبکه های عصبی مصنوعی ..24
3-3-1کاربردهای شبکه های عصبی مصنوعی 25
3-4 قواعد یادگیری شبکه های عصبی مصنوعی ...26
3-6-1 الگوریتم کلونی مورچگان 27
3-6-5 انواع مختلف الگوریتم بهینه سازی مورچگان .30
3-6-6 کاربردهای الگوریتم مورچگان 31
3-7 مزایا ومعایب شبکه های عصبی مصنوعی ..31
3-7-1 مزایای شبکه عصبی مصنوعی ..31
3-7-2 معایب شبکه عصبی مصنوعی ..32
3-8 شباهت شبکه های عصبی مصنوعی با مغز انسان .32
3-9 انواع آموزش شبکه در شبکه های عصبی مصنوعی ..34
3-10 نتیجه گیری 35
4-1مقدمه .37
4-2 توصیف هوش مصنوعی .38
4-4-1 فلسفه هوش مصنوعی 42
4-4-2 مقایسه هوش مصنوعی با هوش انسان ...42
4-5 سیستم های پیچیدگی 43
4-6 سیستم های خبره…….……………………………………………………………………44
4-6-1مزایای سیستم های خبره ...45
4-6-2کاربردهای سیستم خبره .46
4-7آدم واره ها ... .47
4-8 تکنیک ها وزبان های برنامه نویسی هوش مصنوعی 48
4-9 نتیجه گیری ...59
5-1مقدمه ...52
5-2نورون مصنوعی 53
5-3 ساختار یک نورون ...53
5-4شبکه های عصبی تک نورونه 56
5-5 نتیجه گیری 58
فصل 6-شبکه های عصبی و الگوریتم های ژنتیک در تجارت 59
6-1مقدمه ..60
6-2 فناوری الگوریتم ژنتیک 61
6-3 فناوری شبکه عصبی .61
6-4 مروریی بر کاربردهای تجاری ..63
6-5 بانکداری و حوزه های مالی ..66
6-6پیش بینی 66
6-7 سایر حوزه های تجاری .67
6-8 نتیجه گیری ...68
نتیجه گیری کلی ..69
کارهای آینده ...70
فهرست مراجع 71
فهرست واژه نامه ..72
فهرست علائم،نشانه ها ومخفف ها ...75
چکیده:
چگونگی اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصمیم گیری،از موضوعات بحث برانگیز در عصر حاضر است.یکی از مسائل مهم تحقیقاتی در زمینه علوم کامپیوتر،پیاده سازی مدلی شبیه به سیستم داخلی مغز انسان برای تجزیه وتحلیل سیستم های مختلف بر اساس تجربه است. در این راستا شبکه های عصبی یکی از پویاترین حوزه های تحقیق در دوران معاصر هستند که افراد متعددی از رشته های گوناگون علمی را به خود جلب کرده است. استفاده از شبکه های عصبی و الگوریتم های ژنتیک در حل مسائل پیچیده کاربردی این روزها بیش از بیش رواج یافته است،
در این پروژه پس از مقدمه کلی پروزه در فصل دوم به تعریف شبکه های عصبی،ساختار این شبکه هاو معرفی شبکه های عصبی-زیستی پرداخته ایم،درفصل سوم آن شبکه های عصبی مصنوعی راازنظر کاربرد وویژگیها وهمچنین الگوریتم های ژنتیک ومورچگان را توضیح داده ایم.درفصل چهارم به توصیف هوش مصنوعی وآدمواره ها وتکنیک هاوزبانهای مورد استفاده در هوش مصنوعی پرداخته ایم.نورون های مصنوعی وساختار آنها را توضیح داده ایم ودر فصل ششم سهم الگوریتم های ژنتیک در تصمیم گیری در حوزه تجارت و کسب وکار مورد بررسی قرار گرفته است ودرآخر نتیجه گیری کلی و منابع پروژه آمده است.
واژه های کلیدی: شبکه های عصبی_نورون ها_الگوریتم ژنتیک_الگوریتم مورچگان
مقدمه:
دیدگاه جدید شبکه های عصبی در دهه چهل قرن بیستم با کار آقایان والترپیتر[1] و وارین میکولوچ[2] آغاز شد. آنها نشان دادند که در شبکه های عصبی می توانند هر تابع حسابی و منطقی را محاسبه نمایند. دونال هیب[3] عمل شرط گذاری کلاسیک را به عنوان خواص نورونها معرفی کرد و سپس مکانیزمی را جهت یادگیری نورونهای بیولوژیکی ارائه داد.نخستین کاربرد عملی شبکه های عصبی در اواخر دهه پنجاه قرن بیستم مطرح شد، زمانی که فرنک روسینبلت[4] در سال 1958 شبکه پرسپترون[5] را معرفی نمود. وی شبکه ای ساخت که قادر بود الگوها را از هم شناسایی کند. در طی سالیان متعدد شبکه های عصبی بسیاری بوجود آمده و تحقیقات در این زمینه هنوز هم ادامه دارد.در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعهای از نورونهای به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شدهاست. شبکه عصبی مجموعهای از نورونهای زیستی به هم متصل است. در استفادههای جدیدتر این عبارت به شبکه عصبی مصنوعی که از نورونهایی مصنوعی ساخته شدهاست هم اشاره دارد. بنابراین عبارت 'شبکه عصبی' در حالت کلی به دو مفهوم مختلف اشاره دارد: شبکه عصبی زیستی - شبکه عصبی مصنوعی یک شبکه عصبی شامل اجزای سازنده لایه ها و وزن[6] ها میباشد.رفتار شبکه نیز وابسته به ارتباط بین اعضااست. درحالت کلی درشبکه های عصبی سه نوع لایه نورونی وجود دارد که در پروژه به توضیح آن پرداخته ام. یک شبکه عصبی به طور کلی با یک کامپیوتر در مواردی تفاوت دارد که آن تفاوت ها را توضیح دادیم. تفاوتهای شبکههای عصبی باروشهای محاسباتی متداول و سیستمهای خبره را نیز به بحث پرداختیم. شبکه های عصبی ، با قابلیت قابل توجه آنها در استنتاج معانی از داده های پیچیده یا مبهم ، میتواند برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود. از جمله قابلیت های شبکه های عصبی میتوان به موارد مثل یادگیری،شناسایی الگو وغیره پرداخت. یک شبکه عصبی دارای خصوصیاتی میباشد که در ادامه به توضیح آن پرداخته میشود.شبکههای عصبی مصنوعی[7] ANN و روشهای محاسباتی برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیشبینی پاسخهای خروجی از سامانههای پیچیده به وجود آمده اند، ایده ی اصلی این گونه شبکهها (تا حدودی) الهامگرفته از شیوه ی کارکرد سیستم عصبی زیستی، برای پردازش دادهها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه ی پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهمپیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل میکنند و توسط سیناپسها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل میکنند. در این شبکهها اگر یک سلول آسیب ببیند بقیه سلولها میتوانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکهها قادر به یادگیریاند و یادگیری در این سیستمها به صورت تطبیقی صورت میگیرد، که به توضیح آن پرداخته میشود.
توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکهای از عناصر پردازش ساده (نورونها) است، که میتواند رفتار پیچیده کلی تعیین شدهای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسونها، شاخههای متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفتهاست، که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل میدهد. در یک مدل شبکه عصبی، گرههای ساده (بطور گسترده «نورون»، «نئورونها»، «عناصر پردازش »یا«واحدها») برای تشکیل شبکهای از گرهها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح "شبکههای عصبی" اطلاق میشود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد با استفاده از دانش برنامهنویسی رایانه میتوان ساختار دادهای طراحی کرد که همانند یک نورون عمل نماید. سپس با ایجاد شبکهای از این نورونهای مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد.
این شبکهها برای تخمین[8] و تقریب[9] کارایی بسیار بالایی از خود نشان دادهاند. گستره کاربرد این مدلهای ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع میباشد که به عنوان چند نمونه کوچک میتوان استفاده از این ابزار ریاضی در پردازش سیگنالهای بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.شبکه های عصبی چه در بعد آنالیز وتوسعه ساختاری و چه در بعد پیاده سازی سخت افزاری از نظر کمی وکیفی در حال رشد و پیشرفت میباشد و تکنیک های مختلف محاسبات عصبی ازلحاظ تعداد همچنان در حال افزایش هستند. در این پروژه به این مقوله پرداختم که شبکههای عصبی مصنوعی دارای چه دامنه کاربرد میباشند. با وجود برتریهایی که شبکههای عصبی بسبت به سامانههای مرسوم دارند، معایبی نیز دارند که در این پروژه به آن میپردازیم. شبکههای عصبی زیستی مجموعهای بسیار عظیم از پردازشگرهای موازی به نام نورون اند که در ادامه بحث به آن پرداخته ایم.شبکه های عصبی مصنوعی از قرن نوزدهم به طور همزمان اما جداگانه از سویی نوروفیزیولوزیستها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل مختلفی نظیر مسائل تشخیص الگوهستند که به توضیح آن پرداخته ایم. دراین پروژه به توضیح درموردالگوریتم مورچگان و الگوریتم ژنتیک که بعنوان یکی از روشهای تصادفی بهینه یابی شناخته شده, توسط جان هالند[10] در سال 1967 ابداع شده است وکاربردهای این الگوریتم ها پرداخته ایم.شبکه های عصبی مصنوعی نیز مانند شبکه های عصبی دارای مزایا ومعایب مربوط به خود هستند که در ادامه به آنها پرداخته ایم. اگرچه مکانیسمهای دقیق کارکرد مغز انسان (یا حتی جانوران) بهطور کامل شناخته شده نیست، اما با این وجود جنبههای شناخته شدهای نیز وجود دارند که الهام بخش تئوری شبکههای عصبی بودهاند که آن را توضیح داده ایم. برای شناخت هوش مصنوعی شایسته است تا تفاوت آن را با هوشانسانی به خوبی بدانیم. مغز انسان از میلیاردها سلول یا رشته عصبیدرست شده است و این سلولها به صورت پیچیدهای به یکدیگرمتصلاند. شبیهسازی مغز انسان میتواند از طریق سختافزار یا نرمافزارانجام گیرد. تحقیقات اولیه نشان داده است شبیهسازی مغز، کاریمکانیکی و ساده میباشد که به توضیح کامل آن پرداخته ایم. در مقایسه هوش مصنوعی با هوش انسانی میتوان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویههایی از قبل تعبیه شده بر روی کامپیوتر میباشد ومدیریت پیچیدگی ،سیستم های خبره ومزایای سیستم های خبره و آدمواره ها[11] وویژگی های آدمواره ها و عملکرد اولیه برنامه نویسی هوش مصنوعی ایجاد ساختار کنترلی مورد لزوم برای محاسبه سمبولیک میپردازیم ونیز اینکه یک نورون مصنوعی سامانهای است با تعداد زیادی ورودی و تنها یک خروجی وبه توضیح در مورد از نورون انسان تا نورون های مصنوعی وساختار یک نورون ودر آخر نیز به توضیح در مورد چند کاربرد از شبکه های عصبی میپردازیم.
ممکن است هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است
متن کامل را می توانید در ادامه دانلود نمائید
چون فقط تکه هایی از متن برای نمونه در این صفحه درج شده است ولی در فایل دانلودی متن کامل همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند موجود است
فهرست مطالب موجود در پایان نامه
مقدمه
فصل اول:
سابقه تاریخی
استفاده های شبکه عصبی
مزیتهای شبکه عصبی
شبکه های عصبی در مقابل کامپیوتر های معمولی
شباهت های انسان و سلول های عصبی مصنوعی
چگونه مغز انسان می آموزد
انواع یادگیری برای شبکه های عصبی
هوش جمعی
فصل دوم:
معرفی
نورون با خاصیت آشوبگونه
شکل شبکه
قانون آموزش شبکه
مدلسازی ژنراتور سنکرون دریایی
نتایج فصل
فصل سوم :
معرفی
منحنی طول - کشش
شبکه های عصبی
نتایج تجربی
نتیجه فصل
فصل چهارم:
معرفی
نمادها و مقدمات
نتایج مهم
شرح مثال
نتیجه فصل
فصل پنجم:
معرفی
شبکه های feedforward رگولاریزاسیون
طراحی شبیه سازی
شبیه سازی ها
نتیجه فصل
فصل ششم :
فناوری شبکه عصبی
فناوری الگوریتم ژنتیک
بازاریابی
بانکداری و حوزه های مالی
منابع
محتوای پایان نامه پس از دانلود قابل مشاهده می باشد
پایان نامه کامل وآماده ارائه جهت اخذ مدرک کارشناسی شامل 108 صفحه با تصاویر مربوطه
چکیده :
در این نوشتار به معرفی شبکه های عصبی مصنوعی[1] و ساختارهای آنها به صورت خلاصه میپردازیم. در ابتدا نرونهای شبکه های عصبی طبیعی معرفی شده و طرز کار آنها نشان داده شده است. سپس مدل مصنوعی این نرونها و ساختار آنها ، مدل ریاضی آنها ، شبکه های عصبی مصنوعی و نحوه آموزش و بکار گیری این شبکه ها به همراه روش یادگیری گرادیان کاهنده نشان داده شده است. تمرکز بیشتر بر نوعی از این شبکه ها بنام شبکه های عصبی مصنوعی پرسپترون چند لایه میباشد. ابزاهایی نیز برای پیاده سازی این شبکه ها نام برده شده است.
فهرست مطالب پایان نامه :
چکیده فارسی
مقدمه
فصل اول
شبکه عصبی
مقدمه
شبکه عصبی
سابقه تاریخی
چرا از شبکه های عصبی استفاده می کنیم
مزیتهای دیگر شبکه های عصبی
شبکه های عصبی در مقابل کامپیوتر های معمولی
انسان و سلول های عصبی مصنوعی در جستجوی شباهت ها
از سلول های عصبی انسانی تا سلول های عصبی مصنوعی
انواع یادگیری برای شبکه های عصبی
زمینه ای در مورد perceptron
دنباله های Perceptron
قضیه بنیادی دنباله ها
هوش جمعی
PSO
فصل دوم
یک شبکه عصبی جدید و کاربرد آن
مقدمه
یک شبکه عصبی جدید و کاربرد آن
معرفی
نورون با خاصیت آشوبگونه
شبکه
قانون آموزش شبکه
مدلسازی ژنراتور سنکرون دریایی
نتایج مدلسازی
نتیجه فصل
فصل سوم
آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله
مقدمه
آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله
معرفی
منحنی طول – کشش
ساختار برگشتی
تغییرات طیف
نتایج فصل
فصل چهارم
هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی
مقدمه
هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی
معرفی
نمادها و مقدمات
نتیجه فصل
فهرست منابع
منابع فارسی
منابع لاتین
چکیده انگلیسی
نورون آشوب گونه
سیستم شناسایی ژنراتور سنکرون دریایی به وسیله شبکه عصبی
توان گشتاور ورودی و فرکانس خروجی ژنراتور
جریان تحریک ورودی و ولتاژ خروجی پایانه
فرکانس خروجی ژنراتور ، شبکه و خطای بین آنها
تابع کشش – طول فعال
شبکه برگشتی
نمودار دو شاخه شدن
حساسیت به شرط اولیه
ایجاد طیف پیوسته از طریق افزایش فرکانس های گسسته
نرخ هماهنگ سازی نمایی سیستم با خطای دینامیک
دینامیک های سنکرون نشده در فضای حالت