پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی

اختصاصی از فی ژوو پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل: word(قابل ویرایش)تعداد صفحات79

پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی
(ANFIS)
مقدمه:
سدها و مخازن مهمترین و موثرترین سیستم ذخیره آب می باشند که توزیع نابرابر مکانی و زمانی آب را تغییر می دهند. آنها نه تنها در تامین آب شرب، تولید انرژی برقابی و آبیاری زمین های پایین دست کاربرد داشته، بلکه در به حداقل رسانی خسارات ناشی از سیلاب و خشکسالی نیز نقش موثری را ایفا می کنند. بدون شک به منظور استفاده کامل از آب موجود، مدیریت بهینه مخازن بسیار با اهمیت می باشد. مدیریت مخزن مجموعه ای از تصمیم ها را در بر می گیرد که جمع آوری و رهاسازی آب در طول زمان را مشخص می کنند. با توجه به کارکردهای مختلف مخازن، پیش بینی دقیق دبی ورودی و سطح آب می تواند در بهینه سازی مدیریت منابع آب، بسیار موثر باشد. با توجه به وجود روابط غیرخطی، عدم قطعیت زیاد و ویژگی های متغیر زمانی در سیستم های آبی، هیچ یک از مدل های آماری و مفهومی پیشنهاد شده به منظور پیش بینی دقیق سطح آب نتوانسته به عنوان یک مدل برتر و توانا شناخته شوند[1]. امروزه سیستم های هوشمند به منظور پیش بینی یک چنین پدیده های پیچیده و غیرخطی، بسیار مورد استفاده قرار می گیرند. روش بدیع سیستم استنتاج فازی – عصبی تطبیقی (ANFIS) یکی از این روشهاست که یک شبکه پس خور چند لایه می باشد و از الگوریتمهای یادگیری شبکه عصبی و منطق فازی به منظور طراحی نگاشت غیرخطی بین فضای ورودی و خروجی استفاده می کند. ANFIS با توجه به توانایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه عصبی، نشان داده است که در مدل سازی فرایندهای همچون مدیریت مخازن [2،3]، سری های زمانی هیدرولوژیکی [4] و برآورد رسوب [5] بسیار قدرتمند می باشند.
هدف اصلی این تحقیق بررسی توانایی سیستم استنتاج فازی – عصبی تطبیقی جهت پیش بینی سطح آب در مواقع سیلابی و به صورت ساعتی می باشد. به این منظور از اطلاعات اشل پنج ایستگاه بالادست سد دز، جهت پیش بینی سطح آب در مخزن این سد استفاده شد. همچنین به منظور بررسی توانایی شبکه های فازی – عصبی در تقابل با تصمیمات بشری، دو الگوی متفاوت یکی با در نظر گرفتن خروجی مخزن به عنوان متغیر ورودی و دیگری بدون این متغیر به کار گرفته شد.
مواد و روشها
سیستم استنتاجی فازی – عصبی تطبیقی (ANFIS)
از زمانی که پروفسور عسگرزاده تئوری منطق فازی را به منظور توصیف سیستم های پیچیده پیشنهاد داد، این منطق بسیار مشهور شده است و به طور موفقیت آمیزی در مسائل مختلف، به ویژه کنترل کننده هایی مثل راکتور شیمیایی، قطارهای خودکار و راکتورهای هسته ای به کار گرفته شده است. اخیرا منطق فازی برای مدل کردن مدیریت مخازن و حل ویژگیهای مبهم آنها پیشنهاد شده است. با وجود این، مشکل اصلی منطق فازی این است که روند سینماتیکی برای طراحی یک کنترل کننده فازی وجود ندارد. به عبارت دیگر، یک شبکه عصبی این توانایی را دارد که از محیط آموزش ببیند (جفت های ورودی – خروجی)، ساختارش را خود مرتب کند و با شیوه ای، تعامل خود را تطبیق دهد. بدین منظور پروفسور جنگ در سال 1993 مدل ANFIS را ارائه کرد که قابلیت ترکیب توانایی دو روش مذکور را داشت[6].
ساختار و الگوریتم: [1]
ANFIS قابلیت خوبی در آموزش، ساخت و طبقه بندی دارد و همچنین دارای این مزیت است که اجازه استخراج قوانین فازی را از اطلاعات عددی یا دانش متخصص می دهد و به طور تطبیقی یک قاعده – بنیاد می سازد. علاوه بر این، می تواند تبدیل پیچیده هوش بشری به سیستم های فازی را تنظیم کند. مشکل اصلی مدل پیش بینی ANFIS، احتیاج نسبتا زیاد به زمان برای آموزش ساختار و تعیین پارامترها می باشد.
به منظور ساده سازی، فرض می شود که سیستم استنتاجی مورد نظر دو ورودی x و y و یک خروجی z دارد. برای یک مدل فازی تاکاگی – سوگنو درجه اول، می توان یک مجموعه قانون نمونه را با دو قانون اگر – آنگاه فازی به صورت زیر بیان کرد:
قانون اول: اگر x برابر A1 و y برابر B1 باشد آنگاه
قانون دوم: اگر x برابر A2 و y برابر B2 باشد آنگاه
که Pi، qi و ri (i=1,2) پارامترهای خطی در بخش تالی مدل فازی تاکاگی – سوگنو درجه اول هستند. ساختار ANFIS شامل پنج لایه می شود (شکل 1) که معرفی خلاصه ای از مدل در پی می آید:
لایه اول، گره های ورودی : هر گره از این لایه، مقادیر عضویتی که به هر یک از مجموعه های فازی مناسب تعلق دارند، با استفاده از تابع عضویت تولید می کنند.
که x و y ورودی های غیرفازی به گره I و Ai و Bi (کوچک، بزرگ و ...)، برچسب های زبانی هستند که به ترتیب با توابع عضویت مناسب Aiμ و Biμ مشخص می شوند. در اینجا معمولا از فازی سازهای گوسی و زنگی شکل استفاده می شود. باید پارامترهای این توابع عضویت که به عنوان پارامترهای مقدماتی در این لایه شناخته می شوند، مشخص شوند.

سمینار کارشناسی ارشد برق کاربرد شبکه های عصبی در پنهان شکنی تصاویر

اختصاصی از فی ژوو سمینار کارشناسی ارشد برق کاربرد شبکه های عصبی در پنهان شکنی تصاویر دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب پی دی اف و 54 صفحه می باشد.

این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-الکترونیک طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

چکیده:

پنهان نگاری هنر ارتباط پنهانی به وسیله قرار دادن پیام در یک رسانه پوششی با کمترین تغییر قابل درک و در مقابل، پنهانکاوی هنر کشف حضور اطلاعات است. به طور کلی شیوه های پنهان کاوی به دو دسته تقسیم میشوند: پنهان کاوی کور که مستقل از روش نهان نگاری است و پنهان کاوی اختصاصی که که فقط به روش نهان نگاری مشخصی اعمال میشود. سه قسمت اصلی در سیستم پنهان کاوی عبارتند از: استخراج ویژگی، انتخاب ویژگیهای کارا و طبقه بندی. در این راستا، استخراج ویژگیهای حساس به پنهاننگاری مهم ترین بخش میباشد.

ویژگیها معمولا از حوزهی مکان و یا حوزه های تبدیل (مانند DCT، DWT و…) استخراج می شوند. مبحث استخراج ویژگی ها از تبدیل Contourlet نیز به تازگی در شیوه های پنهان کاوی استفاده شده و تعداد مقالات محدودی در این زمینه منتشر شده است. در این پژوهش، سیستم پنهان کاوی (Steganalysis) کور در تصاویر رنگی با فرمت JPEG بررسی میشود. در حال حاضر بیشترین فرمت تصویری که برای ارتباطات بخصوص در اینترنت استفاده میشود فرمت JPEG است و اغلب روشهای پنهان نگاری تصاویر نیز برای این دسته تصاویر طراحی شده اند.

روش پیشنهادی بر اساس کنارهم قرار دادن ویژگیهای آماری و ماتریس هم رخداد بدست آمده از تبدیل های کسینوسی، موجک و Contourlet میباشد. همچنین از تکنیکهای آنالیز تغییرات (ANOVA) و بهینه سازی باینری جستجوی ذرات (BPSO) به منظور انتخاب دسته ویژگی بهینه استفاده شده است. در ادامه، برای طبقه بندی از روشهای یادگیری ماشین برای پنهان کاوی میتوان استفاده کرد. در این پژوهش روش های مبتنی بر شبکه های عصبی و ماشینهای بردار پشتیبان بکار گرفته شده و نتایج عملکرد آنها با یکدیگر مقایسه شده است.

سیستم پیشنهادی بر روی چهار روش پنهانکاوی معمول برای تصاویر JPEG (روش های Jsteg ،Outguess، Model-based و JPHS) با نرخ پنهان سازی 5%، 10% و 25% از بیشینه ظرفیت این روش ها آزمایش شده است. نتایج حاصل نشان دهنده کاراتر بودن ویژگی های حاصل از تبدیل Contourlet نسبت به تبدیل های دیگر و همچنین عملکرد موفق روش پیشنهادی از نظر انتخاب بهترین ویژگی ها و کاهش پیچیدگی محاسباتی در بخش طبقه بندی کننده به دلیل کاهش تعداد ویژگی ها است.

مقدمه:

امروزه مبحث امنیت انتقال اطلاعات، ازمسائل مهم در تبادل اطلاعات محرمانه است. دراین راستا، روش های رمزنگاری و پنهان نگاری و همچنین شیوه های نفوذ مختلف به طور گسترده توجه پژوهشگران را جلب نموده است. اگرچه استفاده از روش های رمزنگاری توانسته تا حدی جوابگوی نیازها در زمینه ی امنیت اطلاعات باشد ولی وضوح این ارتباط زمینه ساز مشکلات دیگری است. هدف پنهان نگاری، مخفی کردن پیام به گونه ای است که حتی وجود پیام نیز محسوس نبوده و تشخیص وجود آن خود مستلزم بکارگیری روشهای علمی میباشد. به عبارت دیگر شکست روش پنهان نگاری در مشخص شدن وجود پیام در رسانه ی پوششی میباشد که این موضوع، هدف اصلی پنهان کاوی است. پنهان کاوی هنر کشف حضور اطلاعات پنهان است.

اگرچه از تمام فرمتهای دیجیتالی میتوان جهت پنهان نگاری استفاده نمود، اما فرمتهایی برای این کار مناسب به نظر می رسند که درجه افزونگی آنها بالاتر باشد. منظور از درجه افزونگی تعداد بیت هایی است که دقتی بیش از حد لازم و غیر ضروری را برای نمایش ارائه میکنند. با توجه به این نکته، تصاویر JPEG بیشتر از سایر فرمتها برای این امر مورد استفاده قرار میگیرند. در حال حاضر بیشترین فرمت تصویری که برای ارتباطات بخصوص در اینترنت استفاده میشود فرمت JPEG است و بیشتر روش های پنهان نگاری تصاویر نیز برای این دسته تصاویر طراحی شده اند.

به طورکلی شیوه های پنهان کاوی به دو دسته تقسیم میشوند: پنهان کاوی کور که مستقل از روش پنهان نگاری است و پنهان کاوی اختصاصی که که فقط به روش پنهان نگاری مشخصی اعمال میشود. الگوریتم های پنهان نگاری به دو دسته ی کلی الگوریتم های فضای مکانی یا فضای تبدیل تقسیم می شوند. روشهای پنهان سازی درفضای تبدیل پایداری بیشتری دارند. درمقابل، روشهای پنهانکاوی نیز از استخراج ویژگی از حوزه های مکان و تبدیل استفاده میکنند. در بسیاری از مقالات از تبدیل های کسینوسی و تبدیل موجک استفاده شده است. به تازگی نیز مراجع محدودی از تبدیل Contourlet استفاده کرده اند. تبدیل موجک بدلیل داشتن تنها سه جهت عمودی، افقی و مورب در تشخیص لبه های نرم و ناهمواری ها محدودیت دارد که تبدیل Contourlet بدلیل چند جهته بودن (بیشتر از سه جهت) در سطح های مختلف تا حدودی این مشکل را حل کرده است. در این پایان نامه ویژگی های استخراج شده از حوزه های مختلف مقایسه شده اند.

در این پژوهش به پنهان کاوی کور تصاویر JPEG میپردازیم. پس از بررسی ویژگی های سیستم های پنهان نگاری در فصل اول، در فصل دوم روشهای متداول پنهان کاوی تصویر به اختصار بررسی می شوند. در فصل سوم حوزه های مختلف تبدیل معرفی میشوند. در فصل چهارم تکنیک های یادگیری ماشین بیان شده اند و روش پیشنهادی نیز در فصل پنجم معرفی شده است.

دانلود مقاله سازو کار سیستم عصبی

اختصاصی از فی ژوو دانلود مقاله سازو کار سیستم عصبی دانلود با لینک مستقیم و پر سرعت .

 مغز یکی از پیچیده‌ترین ارگان‌های بدن انسان است. این عضو کوچک سخت‌ترین وظایف را در بدن بر عهده دارد

که شامل کنترل سیستم‌های عصبی ، راه رفتن ،صحبت کردن نفس کشیدن و فکر کردن و هزاران فعالیت دیگر می‌شود. مغز آنقدر پیچیده است که هر کدام از قسمت‌های آن وظیفه انجام و کنترل کاری خاص را به عهده دارند و عدم فعالیت درست هر کدام از آنها می‌تواند اختلالات بسیاری را برای هر فردی رقم بزند.

با وجود صدها سال تلاش بشر برای شناخت مغز هنوز هم نقاط و مسائل بسیاری وجود دارند که مبهم باقی مانده و پاسخی برای آنها بدست نیامده است. پیچیدگی بسیار زیاد مغز و رمز و رازی که در آن وجود دارد سبب شده است تا انسان‌ها تصورات و شایعات زیادی در مورد آن به راه بیندازند که بسیاری از این شایعات به مروز زمان به حقایقی تبدیل شده است که همگان آن را باور کرده‌اند. چند شایعه رایج در مورد مغز انسان را موارد زیر هستند که درست نیستند و رواج پیدا کرده‌اند:

رنگ مغز:
تا به حال با خودتان فکر کرده‌اید که مغزتان چه رنگی است؟ما رنگهای زیادی در بدنمان داریم که در خون، استخوان‌ها و مایعات جاری به چشم می‌خورند. در مورد مغز انسان ممکن است شما در مدرسه و کلاس های درستان مغزهای پلاستیکی را دیده باشد که معمولا به رنگ سفید و یا صورتی کم رنگ و یا خاکستری کم رنگ هستند. اما در واقع مغز انسانی که زنده است و فعالیت می‌کند به رنگ های خاکستری، سفید ، سیاه و قرمز است.

شایعه وتصوری که تا به حال شنیده‌اید که مغز شما طوسی زنگ است اصلا حقیقت ندارد. درست است که در مغز شما همانطور که دستیار "پوآرو" به آن اشاره می‌کرد سلول‌های خاکستری وجود دارد اما این به آن معنا نیست که همه مغز خاکستری رنگ است.

گوش کردن به موتزارت شما را باهوش نمی‌کند:
حتما شما هم شنیده‌اید که اگر به موسیقی کلاسیک گوش کنید مغزتان فعالیت بیشتری کرده و حتی ممکن است باهوش‌تر شوید و تمرکز بیشتری پیدا کنید.

زنان باردار زیادی هستند که برای باهوش به دنبا آمدن فرزندانشان ساعت‌ها به موسیقی کلاسیک گوش می‌کنند و انتظار فواید زیادی از آن هم دارند. اما این تصور از کجا آغاز شد؟

سال 1950 یک پزشک گوش و حلق و بینی به نام آلبرت توماتیس ادعا کرد که گوش کردن به موسیقی موتزارت می‌تواند به افرادی که دچار مشکلات شنوایی هستند کمک کند.

سال‌ها بعد و در دهه 1990 چندین دانشجو در دانشگاه کالیفرنیا حدود 10 دقیقه به موتزلرت گوش کردند و سپس تست هوش دادند آمار بالا رفتن جواب‌های آنها تا 8 درصد بود که سبب شد این فرضیه قوت بیشتری گرفته و به مدرکی تائید شده تبدیل شود.

اما خیلی زود یکی از استادان دانشگااه کالیفرنیا ادعا کرد گوش دادن به موسیقی سبب عکس العمل بهتر و پاسخ‌های دقیق‌تر دانش آموزان مورد مطالعه شده و این کار هرگ نتوانسته است قابلیت هوشی آنها را بالا ببرد.

موضوعی که وجود دارد آن است که قطعا گوش دادن به موسیقی کلاسیک همچون موتزارت هیچ آزار و صدمه‌ای به شما نخواهد رساند اما بدانید این کار هرگز باعث باهوش شدن شما نمی‌شود.

وقتی چیزی یاد می‌گیرید مغزتان چین می‌خورد؟
وقتی به اینکه مغزتان چه شکلی دارد می‌اندیشید احتمالا به جسمی نسبتا کوچک فکر می‌کنید که خاکستری رنگ است و سطح آن را چین و چروک‌های بسیاری پوشانده است. حقیقت دارد آن است که هر چقدر سن بالا می‌رود تا به بلوغ نزدیک شود مغز اندازه بزرگتری پیدا می‌کند.

برای اینکه مغز در جمجمه جا بگیرد به مرور زمان به طور خودکار در خود جمع می شود تا در کاسه سر جا بگیرد. اگر تمامی چین و چروک‌های مغز را باز کنیم مغز به اندازه یک روبالشی بزرگ اندازه خواهد گرفت و تنها این نکته قطعی است که شکل مغز هر فردی با فرد دیگر تفاوت‌هایی خواهد داشت.

با وجود این اطلاعات مطمئن باشید که با یاد گرفتن و یا هوش بالاتر چین و چروک های مغز شما بیشتر نمی‌شود و از همان زمان ابتدای تولد این چروک‌ها وجود داشته و باقی خواهد ماند.

مغز انسان بزرگترین مغز نیست
حیوانات زیادی وجود دارند که کارهایی شبیه اعمال انسان‌ها انجام می‌دهند. رفتارهایی همچون پیدا کردن راه حلی برای مشکلات ، هوشیاری و نشان دادن احساسات به یکدیگر از جمله آنهاست. در حالی که هنوز ارائه دادن مدارک برای اثبات آنکه انسان‌ها باهوش‌ترین حیوانات هستند ادامه دارد اما آنچه بدیهی است آن است که انسان باهوش‌ترین مخلوقات است.

از آنجایی که معمولا بسیاری از افراد تصور می‌کنند که هر چه باهوشتر به معنای بزرگتر است ممکن است تصور شود که پس مغز انسان‌ها هم اندازه بزرگتری نسبت به سایر مخلوقات دارد. اما این درست نیست.

یک مغز معمولی به طور میانگین 1 کیلو و 361 گرو وزن دارد. دلفین که باهوش‌ترین حیوانات است به طور میانگین 1.5 کیلو وزن مغزش است اما برای وال‌ها موضوع کاملا

شامل 56 صفحه فایل word قابل ویرایش

دانلود مقاله بهبود سرعت یادگیری شبکه های عصبی

اختصاصی از فی ژوو دانلود مقاله بهبود سرعت یادگیری شبکه های عصبی دانلود با لینک مستقیم و پر سرعت .

مشخصات این فایل
عنوان: بهبود سرعت یادگیری شبکه های عصبی
فرمت فایل :word(قابل ویرایش)
تعدادصفحات :24

این مقاله در مورد بهبود سرعت یادگیری شبکه های عصبی می باشد.

بخشی از تیترها به همراه مختصری از توضیحات هر تیتر ازمقاله بهبود سرعت یادگیری شبکه های عصبی

خلاصه ای از الگوریتم BP
از قانون یادگیری پس انتشار خطا (BP)، برای آموزش شبکه های عصبی چند لایه پیش خور که عموماً شبکه های چند لایه پرسپترون ⁵ (MLP) هم نامیده می شود، استفاده می شود، استفاده می کنند. به عبارتی توپولوژی شبکه های MLP، با قانون یادگیری پس انتشار خطا تکمیل می شود. این قانون تقریبی از الگوریتم بیشترین نزول (S.D) است و در چارچوب یادگیری عملکردی قرار می گیرد.
بطور خلاصه، فرایند پس انتشار خطا از دو مسیر اصلی تشکیل می شود. مسیر رفت و مسیر برگشت  .
در مسیر رفت، یک الگوی آموزشی به شبکه اعمال می شود و تأثیرات آن از طریق لایه های میانی به لایه خروجی انتشار می یابد تا اینکه ...(ادامه دارد)

معایب الگوریتم استاندارد پس انتشار خطا (SBP)
الگوریتم BP، با فراهم آوردن روشی از نظر محاسباتی کارا، رنسانسی در شبکه های عصبی ایجاد نموده زیرا شبکه های MLP، با قانون یادگیری BP، بیشترین کاربرد را در حل مسائل فنی- مهندسی دارند.
با وجود، موفقیت های کلی این الگوریتم در یادگیری شبکه های عصبی چند لایه پیش خود، هنوز مشکلات اساسی نیز وجود دارد:
- اولاً سرعت همگرایی الگوریتم BP آهسته است.
همانطور که می دانیم، تغییرات ایجاد شده در پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، پس از هر مرحله تکرار الگوریتم BP، به اندازه ، است، به طوریکه F، شاخص اجرایی، x پارامترهای شبکه ...(ادامه دارد)

روش ممنتم  برای الگوریتم BP (MBP)
همانطور که مشاهده شد، اگر نرخ یادگیری α، کوچک انتخاب شود، متد BP که در واقع همان تقریب الگوریتم SD است، بسیار کندمی گردد. و اگر α، بزرگتر انتخاب شود، شبکه نوسانی خواهد بود.
یک راه ساده و مؤثر که عموماً جهت افزایش و بهبود نرخ یادگیری، استفاده می شود- جایی که خطر ناپایداری و نوسانی شدن شبکه جلوگیری می گردد- افزودن یک جمله ممنتم در الگوریتم تقریبی SD می باشد، یعنی به هر پارامتر از شبکه MLP، یک مقدار اینرسی یا اندازه حرکت اضافه می شود تا اینکه پارامتر مورد نظر در مسیری تمایل به تغییر داشته باشد که کاهش تابع انرژی احساس شود ...(ادامه دارد)

الگوریتم پس انتشار خطای بهبود پذیر (Rprop)
این الگوریتم، جهت اصلاح مشکل فوق ارائه شده است.
بر اساس این الگوریتم، تنها از علامت مشتق تابع تحریک، جهت اصلاح پارامترهای شبکه استفاده می شود. اندازه مشتق تابع تحریک، هیچ اثری بر تنظیم پارامترهای شبکه ندارد [6], [5].
میزان تغییرات در پارامترهای شبکه، توسط فاکتور delt-inc، افزوده می شود، زمانی که علامت مشتق شاخص اجرایی، نسبت به پارامترهای شبکه دردوتکرار متوالی، تغییر نکند. و زمانی که مشتق خاص اجرایی دردوتکرار متوالی هم علامت نباشند، تغییرات در پارامترهای شبکه توسط فاکتور delt-dec، کاهش می یابد ...(ادامه دارد)

نتیجه گیری
از قانون یادگیری پس انتشار خطا (BP) برای آموزش شبکه ها عصبی چند لایه پیش خور استفاده می شود. با وجود کاربردهای فراوان این الگوریتم یادگیری، هنوز مشکلاتی نیز وجود دارد:
سرعت همگرایی الگوریتم BP، پائین است و ممکن است شبکه به آسانی به نقاط مینیمم محلی همگرا شود. از طرفی، انتخاب نرخ یادگیری، تأثر بسزایی در سرعت همگرایی آموزش شبکه عصبی دارند.
در این گزارش، الگوریتم های جدیدی، جهت بهبود الگوریتم BP، ارائه شده است.
برخی از این روش ها بر مبنای نرخ یادگیری تطبیقی می باشند. بدین صورت که نرخ یادگیری به هنگام پروسه آموزش  تغییر می کند تا عملکرد در الگوریتم BP استاندارد بهبود بخشیده شود، نرخ یادگیری تطبیقی سعی می کند که نرخ یادگیری را تا آنجایی که ممکن است و سیستم ناپایدار نشده است، افزایش دهد.
الگوریتم دیگری که جهت بهبود سرعت همگرایی الگوریتم BP، ارائه شده است، الگوریتم BP با سه ترم است. در این الگوریتم، ترم جدیدی به نام ضریب تناسبی (PE)، علاوه بر دوترم نرخ یادگیری و ضریب ممنتم  ...(ادامه دارد)

فهرست مطالب مقاله بهبود سرعت یادگیری شبکه های عصبی

مقدمه
خلاصه ای از الگوریتم BP
فرمول بندی الگوریتم BP
بهبود الگوریتم استاندارد پس انتشار خطا (SBP)
آنالیز همگرایی
نتیجه گیری
مراجع
مرجع فارسی

تحقیق درباره آشنایی کامل با شبکه های عصبی مصنوعی

اختصاصی از فی ژوو تحقیق درباره آشنایی کامل با شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 19 صفحه

شبکه های عصبی مصنوعی چیست؟

اگر بگوییم که شبکه های عصبی مصنوعی مانند مغز بشر عمل میکنند اغراغ آمیز می باشد. دانشمندان هر چه بیشتر در مورد مغز بشر تحقیق می کنند و می آموزند ، بیشتر در می یابند که مغز بشر دست نیافتنی است. در حقیقت در مورد مغز و ساختار سیستم عصبی انسان اطلاعات زیادی به دست آمده است. ولی پیاده سازی ساختاری با پیچیدگی مغز انسان بر اساس اطلاعاتی و تکنولوژی که امروز وجود دارد غیرممکن می باشد.

اما به هر حال 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 پردازشی فوق العاده بهم پیوسته تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می کند.

به هر یک از این عناصر پردازشی فوق العاده یک نرون(neurons) گفته میشود.

هر نرون طبیعی از سه قسمت اصلی تشکیل شده است :

(some) بدنه سلول

(dendrite) دندریت

(axon) اکسون

دندریت ها به عنوان مناطق دریافت سیگنال های الکتریکی ، شبکه های تشکیل یافته از فیبرهای سلولی هستند که دارای سطح نامنظم و شاخه های انشعابی بی شمار می باشند. دندریت ها سیگنال های الکتریکی را به هسته سلول منتقل می کنند. بدنه سلول انرژی لازم را برای فعالیت نرون فراهم کرده و بر روی سیگنال های دریافتی عمل می کنند ، که با یک عمل ساده جمع و مقایسه با یک سطح آستانه مدل می گردد.

اکسون بر  خلاف دندریت ها از سطحی هموارتر و تعداد شاخه های کمتری برخوردار می باشد. اکسون طول بیشتری دارد و سیگنال های الکتروشیمیایی دریافتی از هسته سلول را به نرون های دیگر منتقل می کند. محل تلاقی یک اکسون از یک سلول به دندریت های سلول های دیگر را سیناپس می گویند. توسط سیناپس ها ارتباطات ما بین نرون ها برقرار می شود. به فضای مابین اکسون و دندریت ها فضای سیناپسی گویند. در حقیقت دندریت ها به عنوان ورودی نرون و اکسون به عنوان خروجی و فضای سیناپسی محل اتصال این دو می باشد. زمانی که سیگنال عصبی از اکسون به نرون ها و دیگر عناصر بدن مثل ماهیچه ها می رسد باعث تحریک آنها می شود. نرون ها از هر یک از اتصالات ورودی خود یه ولتاژ کم دریافت می کند(توسط سیگنال های عصبی ورودی) و آن ها را با هم جمع می زند اگر این حاصل جمع به یک مقدار آستانه رسید نرون آتش می کند و روی اکسن خود یک ولتاژ خروحی ارسال می کند که این ولتاژ به دندریت هایی که به این اکسون متصل اند رسیده و باعث یکسری فعل و انفعالات شیمیایی در اتصالات سیناپسی می شود و می تواند باعث آتش کردن نرون های دیگر شود. تمامی فعالیت های مغزی انسان توسط همین آتش کردن ها انجام می شود. حافظه کوتاه مدت انسان جرقه های لحظه ای الکتریکی می باشد و حافظه بلند مدت به صورت تغییرات الکتروشیمیایی در اتصالات سیناپسی ذخیره می شود که عموتا منجر به تغییر یون ها می شود.