دانلودتحقیق شبکه های عصبی و کاربرد آن در کامپیوتر

اختصاصی از فی موو دانلودتحقیق شبکه های عصبی و کاربرد آن در کامپیوتر دانلود با لینک مستقیم و پر سرعت .

شبکه‌های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده‌اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه بسیاری را صرف آن کرده و می‌کنند. این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه‌سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تا حال به خوبی پیشرفته است. از جمله کاربردهای این بحث می‌توان از شناسایی الگوها, پردازش تصویر و رویت, هوش مصنوعی, کنترل رباتها و موارد بسیار دیگر نام برد. ما در این مقاله پس از مقدمه به مسائل در خور شبکه‌های عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت.

فهرست مطالب

چکیده

فصل اول مقدماتی درباره شبکه های عصبی

1-1-مقدمه

1-2-تاریخچه

1-3-کاربرد های شبکه های عصبی

1-4-الهام از طبیعت

فصل دوم دانستنی های ساختار مغز

2-1-مقدمه

2-2-ساختار مغز

2-3-یادگیری در سیستم های بیولوژیک

2-4-سازمان مغز

2-5-یادگیری در ماشین ها

2-6-تفاوت ها

2-7-شباهت ها

فصل سوم بازشناسی الگوها

3-1- مقدمه.

3-2- چشم انداز طرح شناسی

3-3- تعریف بازشناسی الگوها

3-4- بردارهای مشخصات و فضای مشخصات

3-5- توابع تشخیص دهنده یا ممیز

3-6- فنون طبقه بندی

3-7- شبکه عصبی زیستی

3-8- معرفی شبکه عصبی مصنوعی

3-9- چرا از شبکه های عصبی استفاده می کنیم؟

3-10- شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی

فصل چهارم ساختار شبکه عصبی -آشنایی با نورون ها

4-1-مقدمه

4-2-ساختار شبکه عصبی

4-3- تقسیم بندی شبکه‌های عصبی

4-4- معایب شبکه های عصبی

4-5- روش کار نورون ها

4-6- مدل ریاضی

4-7- پیاده سازی های الکترونیکی نرون های مصنوعی

فصل پنجم کاربردهایی از شبکه های عصبی

5-1- مقدمه

5-2-کاربرد شبکه‌های عصبی

5-3-کاربردها

5-3-1- شبکه ی گویا

5-3-2-برنامه ریزی فروش بلیط هوا پیما

5-3-3-فیلتر کردن اغتشاش ای - سی - جی (ECG)

5-3-4-کاربرد های مالی

5-3-5- بازشناسی الگوها

فصل ششم شبکه‌های خودسازمان‌ده کوهونن

6-1- مقدمه

6-2- مفهوم خودسازمان‌دهی

6-3- شرحی مختصر

6-4- توجیه بیولوژیکی

6-5- تعیین مقادیر اولیه‌ی ضرایب وزنی

6-6-همسایگی

6-7- کاهش شعاع همسایگی

6-8-توابع چگالی نقطه‌ای

6-9- ماشین تحریر صوتی

6-9-1-پیش پردازش

6-9-2- نقشه‌های کمکی

6-9-3- پس پردازش

6-9-4- عملکرد

مقاله:بهبود سرعت یادگیری شبکه های عصبی ...

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

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:24

فهرست مطالب

مقدمه

شبکه های عصبی چند لایه پیش خور1 به طور وسیعی د ر زمینه های متنوعی از قبیل طبقه بندی الگوها، پردازش تصاویر، تقریب توابع و ... مورد استفاده قرار گرفته است.الگوریتم یادگیری پس انتشار خطا2، یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیش خور می باشد. این الگوریتم، تقریبی از الگوریتم بیشترین تنزل3 می باشد و در چارچوب یادگیری عملکردی 4 قرار می گیرد.عمومیت یافتن الگوریتمBP ، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی می باشد.علیرغم، موفقیت های کلی الگوریتم BP در یادگیری شبکه های عصبی چند لایه پیش خور هنوز، چندین مشکل اصلی وجود دارد:

- الگوریتم پس انتشار خطا، ممکن است به نقاط مینیمم محلی در فضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتم BP همگرا می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.

- سرعت همگرایی الگوریتم BP، خیلی آهسته است.

از این گذشته، همگرایی الگوریتم BP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است.

در این گزارش، با هدف بهبود الگوریتم BP، تکنیک های مختلفی ارائه شده است. نتایج شبیه سازیهای انجام شده نیز نشان می دهد، الگوریتم های پیشنهادی نسبت به الگوریتم استاندارد BP، از سرعت همگرایی بالاتری برخوردار هستند.

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 رفت6 و مسیر برگشت 7 .

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

نهایتاً خروجی واقعی شبکه MLP، به دست می آید. در این مسیر، پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، ثابت و بدون تغییر در نظر گرفته می شوند.

در مسیر برگشت، برعکس مسیر رفت، پارامترهای شبکه MLP تغییر و تنظیم می گردند. این تنظیمات بر اساس قانون یادگیری اصلاح خطا1 انجام می گیرد. سیگنال خطا، رد لایه خروجی شبکه تشکیل می گردد. بردار خطا برابر با اختلاف بین پاسخ مطلوب و پاسخ واقعی شبکه می باشد. مقدار خطا، پس از محاسبه، در مسیر برگشت از لایه خروجی و از طریق لایه های شبکه به سمت پاسخ مطلوب حرکت کند.

در شبکه های MLP، هر نرون دارای یک تابع تحریک غیر خطی است که از ویژگی مشتق پذیری برخوردار است. در این حالت، ارتباط بین پارامترهای شبکه و سیگنال خطا، کاملاً پیچیده و و غیر خطی می باشد، بنابراین مشتقات جزئی نسبت به پارامترهای شبکه به راحتی قابل محاسبه نیستند. جهت محاسبه مشتقات از قانون زنجیره ای2 معمول در جبر استفاده می شود.

دانلود مقاله فشارهای عصبی وروانی

اختصاصی از فی موو دانلود مقاله فشارهای عصبی وروانی دانلود با لینک مستقیم و پر سرعت .

مقاله مزبور درخصوص مباحث مدیریت رفتار سازمانی می باشد .
این مقاله مباحث فشارهای عصبی وروانی را مورد بررسی قرار داده است

مدل سازی پدیده فرونشست ناشی از تونل سازی، با استفاده از شبکه عصبی مصنوعی و داده های ترازیابی دقیق

اختصاصی از فی موو مدل سازی پدیده فرونشست ناشی از تونل سازی، با استفاده از شبکه عصبی مصنوعی و داده های ترازیابی دقیق دانلود با لینک مستقیم و پر سرعت .

• مقاله با عنوان: مدل سازی پدیده فرونشست ناشی از تونل سازی، با استفاده از شبکه عصبی مصنوعی و داده های ترازیابی دقیق  

• نویسندگان: علیرضا ایروانی ، حسن قاسم زاده ، محمدجواد ولدان زوج  

• محل انتشار: نهمین کنگره ملی مهندسی عمران - دانشگاه فردوسی مشهد - 21 تا 22 اردیبهشت 95  

• فرمت فایل: PDF و شامل 8 صفحه می باشد.

چکیــــده:

تاکنون روش های مختلفی از قبیل روش های تجربی، روش های آماری، روش های تحلیلی و روش های عددی مبتنی بر مدل های رفتاری ژئوتکنیک در راستای مدلسازی پدیده فرونشست سطح زمین و برآورد مقادیر و شکل نشست های ایجاد شده مورد استفاده قرار گرفته است. یکی از روش های کاربردی و قابل توجه در این زمینه که طی سال های اخیر به صورت گسترده ای مورد استفاده پژوهشگران قرار گرفته، استفاده از الگوریتم های عددی مبتنی بر هوش مصنوعی است. پژوهش حاضر با هدف به کارگیری یک الگوریتم مبتنی بر هوش مصنوعی و ارائه یک مدل تقریبی نسبتاً ساده جهت برآورد فرونشست سطح زمین، ناشی از تونل سازی، توأم با بهره گیری از 9 مؤلفه کلیدی شامل داده های پایش میدانی فرونشست به روش ترازیابی دقیق در بخشی از پروژه های در حال بهره برداری سومین خط ناوگان حمل و نقل زیرزمینی تهران (مترو) و اطلاعات هشت مؤلفه مؤثر بر فرونشست های ناشی از تونل سازی، انجام شده و نتایج برآوردهای صورت گرفته توسط مدل شبیه سازی شده با سه روش ارزیابی خطا مورد بررسی قرار گرفته است. مدل عصبی بدست آمده در این پژوهش یا مدل هایی که می توانند از این پس مورد استفاده قرار گیرند، رویکرد مناسبی جهت ارائه راهکارهای موردی و مقطعی یا شاخص های تصمیم گیری و انتخابی اولیه، صرفاً در موارد مشابه، می باشند.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **

تحقیق در مورد شبکه عصبی و الگوریتم ژنتیک در پیش بینی قیمت نفت

اختصاصی از فی موو تحقیق در مورد شبکه عصبی و الگوریتم ژنتیک در پیش بینی قیمت نفت دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:28

 فهرست مطالب

1- مقدمه:

2- مرور ادبیات

2-1- پیش بینی قیمت نفت خام

2-2- کاربرد شبکه عصبی در پیش بینی

2-3- الگوریتم ژنتیک در شبکه عصبی

3- داده ها

4- شبکه عصبی سنتی: «آزمون و خطا»

4-1- بازسازی فضای برداری

4-2- پیش پردازش داده ها

4-3- تعیین معماری شبکه عصبی

4-4- آموزش و آزمایش شبکه عصبی

5- شبکه عصبی تلفیقی: «بکارگیری الگوریتم ژنتیک»

5-1- بازنمایی معماری شبکه در قالب کروموزوم

5-2- تابع برازش (Fitness Function)

5-3- روند اجرای گام های الگوریتم ژنتیک (Genetic Algorithm)

5-3-1- جمعیت اولیه (Initial Population)

5-3-2- انتخاب (Selection)

5-3-3- تولید مثل (Cross-over)

5-3-4- جهش (Mutation)

5-3-5- مبارزه انتخاباتی (Election Tournament)

5-3-6- نخبه سالاری (Elitism)

5-3-7- همگرایی (Convergence)

5-4- آموزش و آزمایش شبکه عصبی

6- نتایج محاسباتی

7- نتیجه گیری و تحقیقات آتی

مقدمه:

تصمیمات امروز مدیریت، براساس شرایطی که در آینده محقق خواهد شد اتهاذ می گردند. لذا آگاهی از شرایط آتی، برای بهبود تصمیماتی که امروز گرفته می شوند امری حیاتی است و این اطلاع نیز تنها با پیش بینی های دقیق و قابل اطمینان که بر مدل های مناسب استوار باشند میسر است.

نفت خام کالایی است که به صورت بین المللی خرید و فروش می گردد. با اینکه قیمت نفت، اساساً از برهم کنش عرضه و تقاضا شکل می گیرد اما به شدت تحت تأثیر وقایعی نظیر سطح موجودی ها، مسائل سیاسی، هیجانات بازار و حتی آب و هوا می باشد. این شرایط باعث شده است که بازار نفت، بازاری بسیار متغیر و پیچیده باشد که درک مکانیسم بنیادین و قواعد حاکم بر آن به سادگی میسر نیست.

پیچیدگی های ذکر شده باعث شده است که مدل های خطی پیش بینی، عملکرد مناسبی در این زمینه نداشته باشند. بدین جهت است که محققین به استفاده از روش های غیرخطی برای پیش بینی روی آورده اند. یکی از این روش ها، روش شبکه عصبی می باشد که با الهام از سیستم عصبی انسان به وجود آمده است. شبکه عصبی عملکرد مناسبی در پیش بینی سری های زمانی مختلف از خود نشان داده است.

علیرغم مزایای پیش گفته، یکی از مشکلات عمده ای که در استفاده از شبکه عصبی وجود دارد، فرآیند «آزمون و خطا» برای تعیین معماری بهینه آن می باشد که کاری طاقت فرسا و زمان بر است. با توجه به قدرت فراوان الگوریتم ژنتیک در جستجوی فضاهای جواب بزرگ و پیچیده، محققین اخیراً از الگوریتم ژنتیک برای تعیین معماری بهینه استفاده کرده اند.

این مقاله تلفیقی از شبکه عصبی و الگوریتم ژنتیک ارائه داده است که می تواند به نحو مناسبی به پیش بینی قیمت نفت بپردازد. در این رویکرد، ابتدا کروموزومی که ژن های آن نمایش دهنده پارامترهای معماری شبکه می باشند تعریف می شود. سپس یک جمعیت اولیه تصادفی (نسل اول) از این کروموزوم ها ایجاد می گردد که با طی کردن روند تکاملی به سمت معماری بهینه حرکت می کند. بهترین عضو از آخرین نسل، معماری بهینه (یا نزدیک به بهینه) می باشد.

داده های مورد استفاده برای برآورد مدل ترکیبی پیشنهادی، قیمت های نفت خام West Texas Intermediate (WTI) در بازه زمانی 1988 تا 2004 می باشند و قیمت های سال 2005 و 2006 نیز برای آزمایش مدل پیشنهادی و سنجیدن میزان کارآیی آن بکار گرفته شده اند. مقایسه های انجام شده نشان می دهند که پیش بینی های مدل پیشنهادی، بر سایر روش ها برتری دارد.

2- مرور ادبیات

در این قسمت، ابتدا برخی از تحقیقاتی که اخیراً در زمینه پیش بینی قیمت نفت انجام شده، به صورت مختصر مورد بررسی قرار گرفته و نتایج گزارش شده توسط آنها به صورت کلی مقایسه شده است. آنگاه کاربردهای مختلف شبکه عصبی در سایر مسائل پیش بینی، به صورت عام، ذکر شده و نهایتاً تحقیقاتی که در سال های اخیر در زمینه استفاده از الگوریتم ژنتیک در شبکه عصبی انجام شده اند آمده است.