در این مقاله روشی برای بهبود کارایی شبکه عصبی MLP در باز شناسی الگو با استفاده از خوشه بندی FCM پیشنهادی برای بازنشناسی ارقام دستنویس فارسی استفاده شده است ونتایج حاصله کارایی روش را تایید میکند.
عنوان مقاله: پیش بینی بارش باران به کمک شبکه عصبی مصنوعی
شرح مختصر : بدر سالهای اخیر خسارتهای ناشی از سیل در بسیاری از مناطق جهان رشد صعودی داشته است که بارشهای غیر مترقبه به عنوان یک عامل تهدید کننده در احتمال وقوع سیل محسوب می شود. پیش بینی بارش در مدیریت و هشدار معضل سیل نقش مهمی بر عهده دارد. به منظور جلوگیری از خسارات ناشی از سیل و سعی در کنترل ومهار آن ضرورت ، اهمیت پیش بینی بارش امری اجتناب ناپذیر به نظر می رسد. زیرا با اطلاع از میزان بارندگی ، می توان امکان وقوع سیل را در منطقه پیش بینی و اقدامات لازم را به عمل آورد. در مناطق آسیب پذیر ، ایجاد یک ساختارهای دفاعی در برابر سیل مهم و جدی است و پیش بینی به موقع بارش نیز عاملی بوده که برای مقابله با سیل و اهداف مدیریتی آن از اهمیت بیشتری برخوردار است. با توجه به اینکه پیش بینی بارش تابع عوامل عوامل بسیاری از جمله فشار ، دما ، باد و … می باشد ، و همچنین محدودیت هایی از قبیل نبود اطلاعات بارش در مقیاس های زمانی و مکانی مناسب ، استفاده از روش های معمول از پیچیدگی های زیادی برخوردار است. تحلیل نتایج خروجی مدل شبکه عصبی نشان داده که این مدل توانایی بهتر و دقت بالایی برای پیش بینی بارش نسبت به روش های آماری معمول داشته است و با افزایش فاکتورهای ورودی ، شبکه دقت بالاتری را در پیش بینی ارائه می دهد در صورتی که اگر شبکه ورودی کمتری داشته باشد خطای بیشتری را دارا می باشد.
فهرست :
مقدمه
تشریح موقعیت مکانی
مواد و روش کار
شرح راه کار اول
نحوه ورود داده ها
نمودار شماتیک شبکه عصبی مصنوعی
خروجی شبکه عصبی مصنوعی
خروجی تحلیل و آنالیز نتایج داده ها
پیشنهاد هایی برای تحقیق بیشتر
معیارهای صحت نتایج و روش حل
مبانی شبکه های عصبی مصنوعی
آمار بارش ماهیانه ایستگاه هواشناسی کرمان
معیار تعیین پیش بینی پذیر بودن داده های بارش
دانلود پایان نامه کنترل دور موتورهای القایی با شبکه های عصبی
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. 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. این روش در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد. در این پروژه ابتدا به بررسی کنترل دور موتور القایی به صورت تثبیت ولتاژ و فرکانس، کنترل دور با داخل کردن مقاومت در مدار روتور و ... اشاره شده است و سپس برمبنای توانایی شبکه عصبی در تقریب و کنترل توابع غیر خطی و با توجه به اینکه موتور القایی خود ساختار غیر خطی دارد ، یک مدل شبکه عصبی برای موتور القایی ساخته می شود . برای ایجاد این مدل ولتاژ و جریان موتور به عنوان ورودی و گشتاور و سرعت موتور به عنوان خروجی فرض می شود . و شبکه عصبی به ازای تعدادی از داده های ورودی - خروجی آموزش داده خواهد شد . مدل بدست آمده تقریب خوبی نسبت به مقادیر واقعی موتور بدست می دهد ...
فصل 1 : مقدمه
1-1 انسان و کامپیوتر1
1-2 ساختار مغز
1-2-1 یادگیری در سیستم‌های بیولوژیک
1-3 تفاوت ها
فصل 2 : نگرش کلی به شبکه های عصبی مصنوعی
2-1 تعریف شبکه های عصبی
2-2 مفاهیم اساسی شبکه های عصبی
2-3 معرفی اصطلاحات و علائم قراردادی
2-4 کاربردهای محاسبات عصبی
2-5 کاربردهای نمونه شبکه های عصبی مصنوعی
2-6 فواید و معایب شبکه های عصبی مصنوعی
2-7 معیارهای مهندسی به منظور محاسبات عصبی
2-8 مراحل مهندسی سیستم ANN
2-9 توپولوژی شبکه و خصوصیات
فصل 3 : بازشناسی الگو
3-1 چشم انداز طرح شناسی
3-2 تعریف بازشناسی الگوها
3-3 بردارهای مشخصات و فضای مشخصات
3-4 توابع تشخیص دهنده یا ممیز
3-5 فنون طبقه بندی
3-6 روش طبقه بندی «نزدیکترین همسایه»
3-7 میزان های اندازه گیری فاصله
3-8 دستگاه های طبقه بندی خطی
فصل 4 : نرون پایه
4-1 مقدمه
4-2 مدل سازی نرون
4-3 فراگیری در نرونهای ساده
4-4 الگوریتم فراگیری پرسپترون
4-5 یک مثال ساده برای پرسپترون ساده.
قصل 5 : نرون چند لایه
1-5 مقدمه
2-5 مدل جدید
3-5 قاعده جدید فراگیری
5-4 الگوریتم پرسپترون چند لایه
5-5 بررسی مجدد مساله XOR
5-6 لیه های شبکه
5-7 معرفی چند شبکه
5-8 معرفی نمونه ای از توابع کلیدی
5-9 بررسی یک مثال عملی
یک سیستم خبره فازی – عصبی برای تشخیص ( A Hybrid Fuzzy-Neural Expert System for Diagnosi )
ویژه دانشجویان رشته کامپیوتر و فناوری اطلاعات -هوش مصنوعی
15 صفحه فایل ترجمه فارسی فایل ورد تایپ شده
12 صفحه انگلیسی فایل ورد