رفتار آشوبگونه مدل شبکه عصبی و هماهنگ سازی نمایی آن
رفتار آشوبگونه مدل شبکه عصبی و هماهنگ سازی نمایی آن
این پایان نامه 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
مشخصات فایل
| تعداد صفحات | ۸۲ |
| حجم | ۵ کیلوبایت |
| فرمت فایل اصلی | doc |
| دسته بندی | هوش مصنوعی |
توضیحات کامل
دانلود پایان نامه رشته هوش مصنوعی
رفتار آشوبگونه مدل شبکه عصبی و هماهنگ سازی نمایی آن
*ضمیمه شدن پاورپوینت پایان نامه در قالب ۸۵ اسلاید و بصورت رایگان🙂
چکیده:
این پایان نامه 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 می پردازیم.
کلمات کلیدی:
شبکه عصبی
شبکه عصبی مصنوعی
الگوریتمهای ژنتیک در تجارت
رفتار آشوبگونه مدل شبکه عصبی
هماهنگ سازی نمایی شبکه های عصبی آشوبگونه
مقدمه:
شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت پیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها و اطلاعات برای یادگیری و ایجاد دانش است.
عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپسها (ارتباطات 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 یادگیریاند. مثلاً با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثالها وزن سیناپسها به گونه‌ای تغییر می‌کند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند.
توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکهای از عناصر پردازش ساده (نورونها) است که می‌تواند رفتار پیچیده کلی تعیین شدهای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسونها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب) نشأت گرفته‌است که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل میدهد. در یک مدل شبکه عصبی، گرههای ساده (بطور گسترده «نورون»)، «نورونها»، «PEها» (عناصر پردازش) یا واحدها برای تشکیل شبکهای از گرهها، به هم متصل شده‌اند. به همین دلیل به آن «شبکه‌های عصبی» اطلاق میشود. در حالی که یک شبکه عصبی نباید به خودی خود سازگاری‌پذیر باشد، استفاده عملی از آن بواسطه الگوریتم‌هایی امکان‌پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد.
فهرست مطالب
مقدمه ۲
فصل اول: شبکه عصبی ۳
یک شبکه عصبی مصنوعی چیست؟ ۳
چرا از شبکه های عصبی استفاده می کنیم ؟ ۴
شبکه های عصبی در مقابل کامپیوتر های معمولی ۵
انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها ۶
چگونه مغز انسان می آموزد ؟ ۶
از سلول های عصبی انسانی تا سلول های عصبی مصنوعی ۷
انواع یادگیری برای شبکه های عصبی ۷
زمینه‌ای در مورد perceptron 10
Perceptron های ساده: ۱۰
قدرت Perceptron 10
دنباله‌های Perceptron 11
قضیه بنیادی دنباله‌ها: ۱۲
هوش جمعی ۱۴
(Particle Swarm Optimitation(PSO: 15
Particle swarm Optimitation Algorithm: 16
فصل دوم: یک شبکه عصبی جدید و کاربرد آن ۱۷
یک شبکه عصبی جدید و کاربرد آن ۱۷
معرفی ۱۷
– نورون با خاصیت آشوبگونه : ۱۸
– شکل شبکه: ۱۹
-قانون آموزش شبکه: ۲۱
– مدلسازی ژنراتور سنکرون دریایی ۲۴
۵-۱ روش مدلسازی دینامیک ۲۴
شکل ۴٫ سیستم شناسایی ژنراتور سنکرون دریایی به وسیله شبکه عصبی ۲۶
شکل ۵٫ توان گشتاور ورودی و فرکانس خروجی ژنراتور ۲۷
نتایج مدلسازی ۲۷
شکل ۶٫ جریان تحریک ورودی و ولتاژ خروجی پایانه ۲۸
شکل۸٫ فرکانس خروجی ژنراتور، شبکه و خطای بین آن ها ۲۹
نتیجه فصل ۲۹
شکل ۹٫ ولتاژخروجی ژنراتور، شبکه و خطای بین آن ها ۲۹
فصل سوم : آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله ۳۰
۱) معرفی ۳۰
– منحنی طول – کشش ۳۱
– شبکه های عصبی ۳۲
ساختار برگشتی ۳۲
شکل ۲. شبکه برگشتی. ۳۳
مقایسه با مدل های دیگر ۳۳
نتایج تجربی ۳۳
نمودار دوشاخه شدن ۳۳
شکل ۳. نمودار دو شاخه شدن. ۳۴
شکل ۵. نمودار دو شاخه شدن ۱&#۹۴۵; نسبت ۲&#۹۴۵; ۳۵
تغییرات طیف ۳۵
شکل ۶. حساسیت به شرط اولیه.(a : ۰.۲ نسبت به ۰.۲۰۰۱( ۳۶
– نتیجه فصل ۳۷
فصل چهارم: هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی ۳۸
۱- معرفی ۳۸
۲- نمادها و مقدمات ۳۹
۳- نتایج مهم ۴۴
اثبات تئوری ۱ : ۴۷
شکل ۵٫ نرخ هماهنگ سازی نمایی سیستم با خطای دینامیک. ۵۶
شکل ۶٫ دینامیک های سنکرون نشده در فضای حالت. ۵۶
فصل پنجم : شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون ۵۷
۲- شبکه های feedforward رگولاریزاسیون ۵۸
۳- طراحی شبیه سازی ۶۰
۳-۱ سیستم آشوبگونه مورد بررسی ۶۰
۳-۲ تولید دیتا ۶۰
۳-۳ روش های ارزیابی شبکه آموزش یافته ۶۱
۴- شبیه سازی ها ۶۲
شکل ۳٫ منحنی رگولاریزاسیون (α = 0.5) 64
شکل۴٫ جذب کننده شبکه آموزش یافته (α = 0.5) 64
۶- نتیجه ۶۴
فصل ششم : شبکه های عصبی و الگوریتم های ژنتیک در تجارت ۶۴
فناوری شبکه عصبی ۶۷
فناوری الگوریتم ژنتیک ۷۱
مروری بر کاربردهای تجاری ۷۲
بازاریابی ۷۳
بانکداری و حوزه های مالی ۷۵
سایر حوزه های تجاری ۷۸
مزایای استفاده از این فناوریهای هوش مصنوعی ۷۸
نتایج ۷۹
منابع ۸۰
توضیحات بیشتر و دانلود
صدور پیش فاکتور، پرداخت آنلاین و دانلود
مطالب زیر را حتما بخوانید:
قوانین ارسال دیدگاه در سایت