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:
- یادگیری با ناظر:
- یادگیری تشدیدی:
- 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:
- 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 :
تحقیق در مورد مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن
