تحقیق در مورد مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن

اختصاصی از فی بوو تحقیق در مورد مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:145

مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن:

امروزه با شکسته شدن پی در پی استقلال ، شاخه های مختلف علوم و بهره وری شاخه ای از شاخه ی دیگر و پیشبرد مسائل پیچیده خود، پیوستگی و لاینفک بودن تمامی شاخه های علوم را نمایان تر می سازد که سرمنشأ تمامی آنها از یک حقیقت نشأت گرفته و آن ذات باری تعالی است.اولین تلاش ها به منظور ارائه ی یک مدل ریاضی برای سیستم عصبی انسان در دهه 40 توسط Mcculloch , pitts انجام شد ، که حاصل آن یک نورون ساده ی تک لایه ویک روش برای آموزش آن بود . در ادامه ی این کار Hebb نتایج آزمایشات پاولف را در مورد شرطی شدن ،گسترش داد و یک روش برای یادگیری ارائه کرد . در سال 1958 ،Rossonblatt شبکه ی پرسپترون را ارائه کرد . بعد از مدتی اثبات شد شبکه ی عصبی پرسپترون تک لایه نمی تواند تابع ساده ای مانند EX-OR را بیاموزد .بنابراین تقریباً تا دهه ی 80 تلا ش ها برای گسترش شبکه ی عصبی بسیار کم بود. سپس در طی یک مقاله اثبات شد که شبکه ی عصبی پرسپترون چند لایه می تواند به عنوان یک تخمین گر جهانی مطرح شود . بدین معنی که این شبکه قابلیت دارد هر تابع غیرخطی را با دقت دلخواه مدل سازی کند . از آن به بعد شبکه های عصبی مصنوعی گسترش یافتند و در زمینه های بسیاری از آنها استفاده شد .

مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن:

الهام از نورون واقعی :

مدل ریاضی نرون :

کاربردها :

تاریخچه :

شبکه عصبی چیست؟

2- شبکه‌های عصبی مصنوعی:

2-1- شبکه‌های عصبی مصنوعی:

2-2- مشخصات مسائل در خور شبکه‌های عصبی مصنوعی Network)    Artificial Neural           

(ANN

2-3- کاربردهای شبکه‌های عصبی مصنوعی ANN :

انواع یادگیری برای شبکه های عصبی:

1. یادگیری با ناظر:
2. یادگیری تشدیدی:
3. 3. یادگیری بدون ناظر:

2-4- زمینه‌ای درموردperceptron

Perceptron های ساده:

قدرت Perceptron:

دنباله‌های Perceptron:

قضیه بنیادی دنباله‌ها:

الگوریتم ژنتیک :

الگوریتم ژنتیک چیست؟

شرایط خاتمه الگوریتم های ژنتیک عبارتند از:

ایده اصلی :

الگوریتم :

 روش های نمایش :

روش های انتخاب :

روش های تغییر:

تقاط قوت الگوریتم های ژنتیک:

چند نمونه از کاربرد های الگوریتم های ژنتیک :

تغییر از یک نسل به نسل بعدی(Cross over)   :

جهش(Mutation) :

معرفی الگوریتم :

محدوده کاربرد الگوریتمهای ژنتیکی :

جایگزینی و ادامه:

اندازه کارآیی یک نسل:

پیکربندی الگوریتم‌های ژنتیکی :

مهمترین پارامترهای پیکربندی الگوریتم ژنتیکی :

الگوریتم ژنتیکی در انتخاب متغیر:

کاربردهای الگوریتم ژنتیک :

الگوریتم مورچگان :

کاربردهای الگوریتم مورچگان :

معرفی شبکه های عصبی مصنوعی:

تعریف شبکه های عصبی مصنوعی :

تکنیکهای تعیین پارامترهای نرون خطی :

شبکه های پرسپترون چند لایه :

الگوریتم یادگیری شبکه های پرسپترون ( انتشار به عقب ):

ساختار یک شبکه عصبی ساده ‌:

‌‌ویژگی‌های یک شبکه‌عصبی‌:

• قاعده‌ای برای انتشار سیگنال‌ها در شبکه‌:

‌●‌ قواعدی برای ترکیب سیگنال‌های ورودی‌:

حال ببینیم که ایده اصلی عملکرد این شبکه‌ها چگونه است؟

تشخیص الگوی صدا با استفاده از شبکه عصبی:

1. ساختار شبیه سازی و آزمون:

شباهت با مغز:

روش کار نرون‌ها :

مدل ریاضی  :

عملیات شبکه‌های عصبی - Neural Networks (قسمت دوم):

آموزش شبکه‌های عصبی:

آموزش unsupervised یا تطبیقی (Adaptive) :

شبکه های عصبی و الگوریتم های ژنتیک در تجارت(1) :

فناوری شبکه عصبی :

فناوری الگوریتم ژنتیک :

مروری بر کاربردهای تجاری :

شبکه های عصبی و الگوریتم های ژنتیک در تجارت (2):

بازاریابی  :

بانکداری و حوزه های مالی:

مزایای استفاده از فناوریهای هوش مصنوعی :

معماری شبکه عصبی مصنوعی:

معماری یک لایه :

درخت‌ تصمیم‌گیری :

معیارهای انتخاب صفت :

منابع :