لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل: PowerPoint (قابل ویرایش و آماده پرینت)
تعداد اسلاید45
شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.
یادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده است.
لینک دانلود کمی پایینتر میباشد
مشخصات این فایل
عنوان: شبکه های عصبی مصنوعی
فرمت فایل :پاورپوینت (قابل ویرایش)
تعداد اسلایدها : 85
این پاورپوینت در مورد شبکه های عصبی مصنوعی می باشد.
مسائل مناسب برای یادگیری شبکه های عصبی
خطا در داده های آموزشی وجود داشته باشد.
مثل مسائلی که داده های آموزشی دارای نویز حاصل از دادهای سنسورها نظیر دوربین و میکروفن ها هستند.
مواردی که نمونه ها توسط مقادیر زیادی زوج ویژگی-مقدار نشان داده شده باشند. نظیر داده های حاصل از یک دوربین ویدئوئی.
تابع هدف دارای مقادیر پیوسته باشد.
زمان کافی برای یادگیری وجود داشته باشد. این روش در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد.
نیازی به تعبیر تابع هدف نباشد. زیرا به سختی میتوان وزنهای یادگرفته شده توسط شبکه را تعبیر نمود.
...(ادامه دارد)
الهام از طبیعت
مطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل در کار یادگیری دخیل هستند.
گمان میرود که مغز انسان از تعداد 10 11 نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.
سرعت سوئیچنگ نرونها در حدود 10-3 ثانیه است که در مقایسه با کامپیوترها 10 -10 ) ثانیه ( بسیار ناچیز مینماید. با این وجود آدمی قادر است در 0.1 ثانیه تصویر یک انسان را بازشناسائی نماید. این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد....(ادامه دارد)
مرور الگوریتم BP
این الگوریتم یک جستجوی gradient descent در فضای وزنها انجام میدهد.
ممکن است در یک مینیمم محلی گیر بیافتد.
در عمل بسیار موثر بوده است.
برای پرهیز از مینیمم محلی روشهای مختلفی وجود دارد:
افزودن ممنتم
استفاده از stochastic gradient descent
استفاده ازشبکه های مختلف با مقادیر متفاوتی برای وزنهای اولیه...(ادامه دارد)
قدرت نمایش توابع
اگرچه قدرت نمایش توابع به توسط یک شبکه feedforward بسته به عمق و گستردگی شبکه دارد، با این وجودموارد زیر را میتوان به صورت قوانین کلی بیان نمود:
توابع بولی: هر تابع بولی را میتوان توسط یک شبکه دو لایه پیاده سازی نمود.
توابع پیوسته: هر تابع پیوسته محدود را میتوان توسط یک شبکه دو لایه تقریب زد. تئوری مربوطه در مورد شبکه هائی که از تابع سیگموئید در لایه پنهان و لایه خطی در شبکه خروجی استفاده میکنند صادق است.
توابع دلخواه: هر تابع دلخواه را میتوان با یک شبکه سه لایه تا حد قابل قبولی تفریب زد....(ادامه دارد)
قانون دلتا Delta Rule
تقریب افزایشی gradient descent
یک سلول واحد
انتشار به سمت عقب
فضای فرضیه و بایاس استقرا
دلایل رخ دادن overfitting
انواع مختلف یادگیری
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه:124
فهرست و توضیحات:
فصل اول
مقدمه...................................................................................................................................................7
هوش مصنوعی..................................................................................................................................7
به سوی آینده.....................................................................................................................................8
تاریخچه..............................................................................................................................................9
تعریف..................................................................................................................................................9
تاریخچه و تعاریف سیستم‌های خبره...........................................................................................13
بعضی از تعاریف سیستم های خبره............................................................................................14
تاریخچه سیستم های خبره............................................................................................................14
الگوریتم ژنتیک.................................................................................................................................16
تابع سازگاری(FitnessFunction)..........................................................................................20
Mutation(جهش ژنتیکی)............................................................................................................21
مقدمه ای بر سیستم های فازی وکنترل فازی.............................................................................25
سیستم‌های فازی چگونه سیستم‌هایی هستند؟.............................................................................26
سیستم‌های فازی کجا و چگونه استفاده می‌شوند؟......................................................................27
زمینه‌های تحقیق عمده در تئوری فازی.........................................................................................27
تاریخچه مختصری از تئوری و کاربردهای فازی........................................................................28
فصل دوم
شبکه های عصبی...........................................................................................................................32
مقدمه............................................................................................................................................... 32
ساختار مغز.....................................................................................................................................33
ساختار نرون.................................................................................................................................34
چگونه مغز انسان می آموزد ؟.....................................................................................................37
معنای شبکه های عصبی...............................................................................................................38
قوانین هب.......................................................................................................................................40
از سلول های عصبی انسانی تا سلول های عصبی مصنوعی.................................................41
رویای جایگزینی ویژگی های مغز در یک سیستم مصنوعی چقدر ممکن گردیده؟..................................41
تاریخچه شبکه‌های عصبی............................................................................................................42
چرا از شبکه های عصبی استفاده می کنیم؟...............................................................................44
شبکه های عصبی در مقابل کامپیوتر های معمولی....................................................................46
مزایا و محدودیت های شبکه عصبی............................................................................................45
چه کسانی به شبکه عصبی علاقه‌مند هستند؟..............................................................................45
نرمافزارها و سخت افزارهای شبکه‌های عصبی..........................................................................47
کاربرد شبکه های عصبی...............................................................................................................49
یکپارچگی منطق فازی و شبکه های عصبی.................................................................................52
مدل ریاضی یک نرون................................................................................................................... 55
یک نرون ساده.................................................................................................................................56
قوانین برانگیختگی...........................................................................................................................57
یک نرون پیچیده تر.......................................................................................................................59
ساختار شبکه های عصبی...........................................................................................................60
مراحل طراحی شبکه.......................................................................................................................61
اهداف شبکه های عصبی..............................................................................................................62
تقسیم بندی شبکه های عصبی......................................................................................................63
انواع یادگیری برای شبکه های عصبی.........................................................................................65
توپولوژی شبکه های عصبی......................................................................................................67
شبکه‌های پیشخور (Feed Forward).....................................................................................67
شبکه‌های برگشتی(Recurrent)................................................................................................67
پرسپترون چند لایه.........................................................................................................................68
Perceptronهای ساده................................................................................................................69
قدرت Perceptron......................................................................................................................69
دنباله‌های Perceptron..............................................................................................................70
آموزش پر سپترون.......................................................................................................................72
الگوریتم یادگیری پرسپترون.....................................................................................................72
قانون پرسپترون.............................................................................................................................72
قانون دلتا.........................................................................................................................................73
روشهای دیگر.................................................................................................................................73
شبکه های هاپفید...........................................................................................................................74
شبکه‌های دارای پس‌خور..............................................................................................................76
شبکه عصبی ترکیبی المن- جردن...............................................................................................81
پس انتشار خطا..............................................................................................................................85
چند بررسی از کاربرد های شبکه های عصبی..........................................................................87
فصل سوم
نتیجه گیری....................................................................................................................................110
منابع ومأخذ.................................................................................................................................112
فصل اول
مقدمه
هوش محاسباتی یا (Computational-Intelligence) CI به معنای استخراج هوش، دانش، الگوریتم یا نگاشت از دل محاسبات عددی براساس ارائه به روز داده‌های عددی است. سیستم‌هایCI در اصل سیستم‌های دینامیکی مدل آزاد (Model-free) را برای تقریب توابع و نگاشتها ارائه می‌کند. در کنار این ویژگی بسیار مهم باید از ویژگی مهم دیگری در ارتباط با خصوصیات محاسباتی سیستم‌های CI نام برد، که در آن دقت، وجه‌المصالحه مقاوم بودن، منعطف‌بودن و سهولت پیاده‌سازی قرار می‌گیرد.
مولفه‌های مهم و اساسی CI ، شبکه‌های عصبی )محاسبات نورونی(، منطق فازی) محاسبات تقریبی( و الگوریتم ژنتیک) محاسبات ژنتیکی(است، که هر یک به نوعی مغز را الگو قرار داده‌اند. شبکه‌های عصبی ارتباطات سیناپسی و ساختار نورونی، منطق فازی استنتاجات تقریبی و محاسبات ژنتیکی محاسبات موتاسیونی مغز را مدل میکنند