تحقیق در مورد شبکه عصبی

اختصاصی از فایل هلپ تحقیق در مورد شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه39

فهرست مطالب

مقدمه

مدل نرون تک ورودی

شبکه همینگ (Heming)

شبکه هاپفیلد (Hapfield)

یادگیری شبکه

مفهوم فازی

 تعاریف اولیه

انواع مجموعه های فازی و درجه فازی بودن مجموعه

اپراتورهای مجموعه فازی:

مفهوم شناسایی الگو

ساختار و توپولوژی شبکه

طراحی شبکه

خروجی شبکه

 مجموعه های فازی در شبکه

تابع عضویت در hyperboxها

در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی در پردازش اطلاعات برای مسائلی که راه حلی برای آنها موجود نیست بوده ایم. با توجه به این حقیقت توجه زیادی به توسعه تئوریک سیستمهای دینامیکی هوشمند مدل- آزاد بر اساس داده های تجربی وجود دارد. شبکه های عصبی مصنوعی جزء آن دسته از سیستم های دینامیکی قرار دارند که با پردازش بر روی داده های تجربی دانش در ورای داده ها را به ساختار شبکه منتقل می کند. پیاده سازی ویژگیهای مغز در یک سیستم مصنوعی همیشه مورد توجه مطلوب بوده است کافی نبودن دانش موجود خود سبب انگیزش و پژوهش های بیشتر در این زمینه بوده و خواهد بود.

مبحث Pattern Fecognation شناسایی الگو را می توان به سه صورت زیر ارائه کرد:

• آماری Statistical
• فازی Fuzzy
• شبکه های عصبی Neural Network

در روش آماری درصد خطا بالا می باشد به همین دلیل در پروژه فوق از دو روش Fuzzy و Neural  Network استفاده شده که شبکه طراحی شده به Fuzzy Min- Max Classification Neural Network معروف می باشد که در آن درصد خطا بسیار پائین می باشد.

بدلیل اینکه ابتدا الگوهای ورودی با استفاده از مجموعه های فازی در گروههای خود تنظیم می شوند و سپس با استفاده از شبکه عصبی خرجی مطلوب را بدست می دهد.

انگیزه های بیولوژیکی شبکه های عصبی

مغز به عنوان یک سیستم پردازش اطلاعاتی با ساختار موازی از 100 تریلیون و نرون به هم مرتبط با تعداد کل  ارتباط تشکیل شده است نرونها ساده ترین واحد ساختار سیستم های عصبی هستند. بافتهایی که عصب نامیده می شوند اجتماعی از نرونها می باشند. این نرونها اطلاعات و پیامها را از یک قسمت بدن به قسمت دیگر منتقل می کنند پیامها از نوع ایمپالسهای الکتروشیمیایی هستند.

بیشترین تعداد نرونها در مغز و مابقی در نخاع و سیستم های عصبی جانبی تمرکز یافته اند گرچه همگی نرونها کارک

تحقیق در مورد شبکه عصبی

اختصاصی از فایل هلپ تحقیق در مورد شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 12

توصیف

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. هر نورون می‌تواند به تعداد بسیار زیادی از نورون‌ها وصل باشد و تعداد کل نورون‌ها و اتصالات بین آن‌ها می‌تواند بسیار زیاد باشد. اتصالات، که به آن‌ها سیناپس گفته می‌شود، معمولاً از آکسون‌ها و دندریت‌ها تشکلیل شده‌اند.

هوش مصنوعی و مدل سازی شناختی سعی بر این دارند که بعضی از خصوصیات شبکه‌های عصبی را شبیه سازی کنند. این دو اگرچه در روش‌هاشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف مدل سازی شناختی ساخت مدل‌های ریاضی سامانه‌های نورونی زیستی است.

شبکه‌های عصبی زیستی

شبکه‌های عصبی زیستی مجموعه‌ای بسیار عظیم از پردازشگرهای موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می‌کنند و توسط سیناپس‌ها (ارتباط‌های 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 یادگیری اند. مثلا با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سامانه می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سامانه‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های تازه سامانه پاسخ درستی تولید کند.

معرفی شبکه عصبی مصنوعی شبکه عصبی مصنوعی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهدهٔ پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده گره گفته می‌شود. بعد باایجاد شبکه‌ای بین این گره‌ها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. در این حافظه یا شبکهٔ عصبی گره‌ها دارای دو حالت فعال (روشن یا 1) و غیرفعال (خاموش یا 0) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن می‌باشد. یال‌های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال‌های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می‌کنند.

تاریخچه شبکه‌های عصبی مصنوعی

1. از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها 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 را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.

1. نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سامانه دیگر مدل خطی تطبیقی نورون می‌باشد که در سال 1960 توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.

1. در سال 1969 میسکی و پاپرت کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید

مقاله آشنایی با تشخیص اعداد با استفاده از شبکه عصبی

اختصاصی از فایل هلپ مقاله آشنایی با تشخیص اعداد با استفاده از شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 6 صفحه

• تعریف پروژه :

یک شبکه عصبی با 64 ورودی و 10 خروجی طراحی کنید. ورودی شبکه عصبی یک ماتریس 8*8 می­باشد که نشان دهنده یک کاراکتر است. ابتدا شبکه را با تعداد مناسب الگوها ورودی (اعداد 0-9) آموزش داده و سپس نمونه های آزمایشی برای تست شبکه مورد استفاده قرار میگیرند.

شبکه مورد نظر یک شبکه پرسپترون چند لایه با 64 ورودی و 10 خروجی باشد و فعال شدن هر یک از خروجیها نشاندهنده عدد ورودی به شبکه است. ورودی شبکه یک بردار 64 تایی است که یک کاراکتر (در اینجا یک عدد بین 0-9) میباشد. با توجه به اینکه ورودی شکل اعداد است و خروجی برای هر نمونه آموزشی مشخص میباشد، بنابراین کاراکتر مربوط به اعداد به هر زبانی (فارسی یا انگلیسی) نوشته شوند تفاوتی ندارد. اما در صورت انتخاب یک زبان باید تمام نمونه­های آموزشی و آزمایشی شبکه به همان زبان باشد. آزمایش شبکه برای اعداد به دو زبان انجام شود.

• تحویل پروژه :

چندین آزمایش با تعداد نمونه های آموزشی و آزمایشی متفاوت انجام دهید و شبکه را ارزیابی نمایید. گزارشی از ارزیابی­ها بصورت کتبی ارائه دهید(کد برنامه را در گزارش نیاورید). بصورت حضوری و با داده­های آموزشی و آزمایشی جدید پروژه تحویلی ارزیابی خواهد شد.

آزمایش شبکه برای اعداد به دو زبان انجام شود. یک سری آزمایش برای اعداد فارسی و سری دیگر برای اعداد انگلیسی.

• آموزش شبکه :

شبکه چند لایه پرسپترون و قانون یادگیری اختیاری (مثلا بازگشت به عقب) است. فقط از Neural Network Toolbox نرم­افزار MatLab استفاده شود.

برای آموزش شبکه نیاز به طراحی الگوهای آموزشی می­باشد. برای تولید نمونه های آموزشی و آزمایشی از نرم­افزار pattern-generator استفاده نمایید. در زیر مثال نشان داده شده برای کارکترهایی است که نشان دهنده حروف الفبا میباشند. شما اینکار را برای اعداد 0-9 انجام دهید

ten magale arshad khak

اختصاصی از فایل هلپ ten magale arshad khak دانلود با لینک مستقیم و پر سرعت .

شبکه های عصبی مصنوعی

اختصاصی از فایل هلپ شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

فایل پاورپوینت 45 صفحه

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