دانلود با لینک مستقیم و پر سرعت .
نوع فایل : Word
تعداد صفحات : 147 صفحه
پایان نامه جهت اخذ مدرک کارشناسی ارشد رشته کامپیوتر و IT
چکیده :
این پایان نامه رشته کامپیوتر با عنوان شبکه های عصبی در هوش مصنوعی مقدمه ای بر شبکه های عصبی مصنوعی است گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت میپردازیم.
فهرست :
فصل اول: شبکه عصبی
چکیده فصل : یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کندANN ها ،نظیر انسانها ، با مثال یاد می گیرند یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است این روش ANN ها هم می باشد.پ
یک شبکه عصبی مصنوعی چیست؟
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
زمینه‌ای در مورد perceptron
Perceptron های ساده
قدرت Perceptron
دنباله‌های Perceptron
قضیه بنیادی دنباله‌ها
هوش جمعی
(Particle Swarm Optimitation(PSO
Particle swarm Optimitation Algorithm
فصل دوم: یک شبکه عصبی جدید و کاربرد آن
چکیده فصل : به منظور بهبود توانایی مدلسازی و شناسایی سیستم های غیرخطی با شبکه های عصبی، خواص نورون ها ، قوانین آموزش و شکل شبکه ها ، مورد بررسی قرار گرفته است برای ایجاد شبکه های عصبی آشوبگونه، یک نورون آشوبی معرفی شده است توانایی عمل بر روی اطلاعات در شبکه های برگشتی به دلیل حضور حلقه های فیدبک، بیشتر از شبکه های معمولی است در آموزش شبکه برای مدلسازی ، از الگوریتم پس انتشار خطا استفاده شده است در مقایسه با شبکه های عصبی دیگر تعداد نورون لایه پنهان شبکه های آشوبگونه کمتر و توانایی تعمیم دهی آن ها بیشتر است از شبکه آشوبگونه برگشتی ارائه شده در مدلسازی ژنراتور سنکرون دریایی ، استفاده شده است در این فصلANN, ای با توانایی مطلوب جهت بررسی سیستم های غیرخطی ارائه شده است در مدلسازی سیستم ها ، توانایی تقریب به وسیله نورون ها ، شکل شبکه و قانون آموزش ، محدود می گردد چگونگی بهبود خاصیت ارگادیک ANN یک مسئله مهم جهت تحقیق و یررسی می باشد سیستم های آشوبگونه دارای مشخصاتی تصادفی هستند و الگوریتم آشوبی باعث ایجاد خاصیت قوی ارگادیک در شبکه می گردد.
مدلسازی ژنراتور سنکرون دریایی در زمینه شبیه سازی و کنترل real time بسیار مفید می باشد مدل های مرسوم برای این ژنراتور اغلب با حل معادلات دیفرانسیل مرتبه بالایی سروکار دارند که حل آن ها با محاسبات DSP به صورت real time ، میسر نمی باشد به همین دلیل در اینجا ، مدلسازی و شناسایی این سیستم توسط ANN مورد توجه قرار گرفته است.
یک شبکه عصبی جدید و کاربرد آن
معرفی
نورون با خاصیت آشوبگونه
شکل شبکه
قانون آموزش شبکه
مدلسازی ژنراتور سنکرون دریایی
روش مدلسازی دینامیک
نتایج مدلسازی
نتیجه فصل
فصل سوم : آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله
چکیده فصل : این فصل نتایج تجربی مدلسازی فعالیت آشوبگونه نوع خاصی از لزرش های عضلانی را توسط شبکه های عصبی ، ارائه می دهدوجود آشوب در خروجی شبکه به وسیله ایجاد طیف پیوسته فرکانسی از طریق افزایش فرکانس های گسسته ، قابل تایید می باشد شبکه مورد استفاده یک شبکه ساده برگشتی از نوع Elman است که نیازی به تغییر در روش آمورش ندارد.
معرفی
منحنی طول – کشش
شبکه های عصبی
ساختار برگشتی
مقایسه با مدل های دیگر
نتایج تجربی
نمودار دوشاخه شدن
حساسیت به شرط اولیه
تغییرات طیف
نتیجه فصل
فصل چهارم: هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی
چکیده فصل : در این فصل مسئله هماهنگ سازی شبکه های عصبی آشوبگونه با اغتشاش تصادفی مورد بررسی قرار گرفته است بر اساس تئوری پایداری Lyapunov و با استفاده نامساوی Halanay در مورد معادلات دیفرانسیل تصادفی ، مفهوم پاسخ – درایو و تکنیک های کنترل حلقه بسته تاخیر زمانی ، ضوابطی به دست آمده که هماهنگ سازی نمایی بین دو شبکه آشوبگونه و تاخیر یافته مشابه را به همراه اغتشاش تصادفی ، میسر می سازد این شرط ها به صورت یک سری نامساوی ماتریسی خطی بیان می شوند نهایتا از یک مثال برای نشان دادن اثر طرح پیشنهادی ، استفاده شده است.
معرفی
نمادها و مقدمات
نتایج مهم
نتیجه
شرح مثال
نتیجه
فصل پنجم : شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون
چکیده فصل : در این فصل روشی جهت شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforwardرگولاریزاسیون ، ارائه شده است روش رگولاریزاسیون می تواند عمومیت شبکه های feedforward را بهبود بخشد شبکه feedforward با سطوح مختلف نویز به وسیله پارامتر تنظیم ، train شده و ویژگی های اساسی آن جهت یادگیری سیستم های آشوبگونه ، مورد بررسی قرار گرفته است سپس مدل های شناسایی ارائه شده توسط بازسازی جذب کننده ها مورد ارزیابی قرار گرفته اند شبیه سازی های انجام شده توانایی مدل های شناسایی مورد نظر را در به دست آوردن سیستم آشویگونه اولیه و مشخصات دینامیک آن ، نشان می دهند.
معرفی
شبکه های feedforward رگولاریزاسیون
طراحی شبیه سازی
سیستم آشوبگونه مورد بررسی
تولید دیتا
روش های ارزیابی شبکه آموزش یافته
شبیه سازی ها
نتیجه
فصل ششم : شبکه های عصبی و الگوریتم های ژنتیک در تجارت
چکیده فصل : ساختار این فصل به صورت زیر است: در ابتدا مروری بر پایه و اساس شبکه های عصبی و الگوریتم های ژنتیک خواهیم داشت و سپس به بازنگری جامعی بر کاربرد شبکه های عصبی و الگوریتم های ژنتیک در حوزه کسب و کار خواهیم پرداخت و نهایتا آن را با نتایج و پیشنهاداتی برای تحقیقات کاربردی آینده به پایان خواهیم رساند.
فناوری شبکه عصبی
فناوری الگوریتم ژنتیک
مقداری درس بیولوژی
الگوریتم ژنتیک در دنیای کامپیوتر
نکات مهم در الگوریتم های ژنتیک
نتیجه گیری
سیستم خبره
ساختار یک سیستم خبره
استفاده از منطق فازی
کاربرد سیستم‌های خبره
مروری بر کاربردهای تجاری
سایر حوزه های تجاری
مزایای استفاده از این فناوریهای هوش مصنوعی
نتایج
