زد فایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

زد فایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

تحقیق در مورد شبکه های عصبی

اختصاصی از زد فایل تحقیق در مورد شبکه های عصبی دانلود با لینک مستقیم و پر سرعت .

تحقیق در مورد شبکه های عصبی


تحقیق در مورد شبکه های عصبی

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه181

 

چکیده

       شبکه های عصبی مصنوعی در بسیاری از موارد تحقیق و در تخصص های گوناگون به کار گرفته شده و به عنوان یک زمینه تحقیقاتی بسیار فعال حاصل همکاری دانشمندان در چند زمینه علمی از قبیل مهندسی رایانه ، برق ، سازه ، و بیو لوژی اند . از موارد کاربرد شبکه ای عصبی می توان به طبقه بندی اطلاعات ، شناخت ویژگی های حروف و شکلها ، برآورد توابع و غیره اشاره کرد .

کاربرد شبکه های عصبی در مهندسی عمران و به خصوص سازه نیز روز به روز در حال توسعه است و بی شک در آینده شاهد فراگیر شدن و گسترش این علم در مهندسی سازه خواهیم بود . از موارد استفاده شبکه های عصبی در مهندسی عمران می توان به بهینه سازی ، تحلیل ، طراحی و پیش بینی خیز و وزن سازه ها ، تحلیل و طراحی اتصالات ، پیش بینی نتایج آزمایشات بتنی و خاکی ، کاربرد در تئوری گرافها و بسیاری از موارد دیگر اشاره کرد .

این مقاله حاوی پنج بخش است :

بخش اول به مفاهیم بنیادی شبکه های عصبی مصنوعی می پردازد و بعضی از موضوعات برای آشنایی مقدماتی به اختصار در این بخش توضیح داده شده است و شامل مدل بیولوژیکی شبکه های عصبی می باشد و همچنین سلول عصبی مصنوعی توضیح داده شده است که به منظور تقلید از خصوصیات مرتبه اول ( First order ) سلول عصبی بیولوژیکی طراحی شده است .سطح تحریک سلول عصبی که توسط جمع ورودی های وزن دار معین شده است ، در این بخش توضیح داده شده است .

شبکه های عصبی مصنوعی تک لایه و چند لایه نیز به طور مفصل مورد بحث قرار گرفته است که ساده ترین شبکه به صورت گروهی از سلول های عصبی است که در یک لایه مرتب شده اند و شبکه های چند لایه تواناییها و قابلیت های محاسباتی بیشتری را ارائه می کنند . شبکه های بازگشتی که شامل ارتباطات تغذیه برگشتی هستند ، در این شبکه ها ، خروجی های قبیل دوباره به سمت عقب به طرف ورودی ها منتشر می شوند و خروجی شان هم با استفاده از ورودی جاری و هم خروجی قبلیشان تعیین می شو د.

بخش دوم :شامل الگوریتم های آموزشی می باشد و هدف از آموزش شبکه را توضیح می دهد که یک شبکه به گونه ای آموزش داده می شود که با به کار بردن یک دسته از ورودی ها ، دسته خروجی های دلخواه تولید شود .

بخش سوم : الگوریتم انتشار برگشتی را توضیح می دهد که انتشار برگشتی یک روش سیستماتیک برای تربیت شبکه های عصبی مصنوعی چند لایه است و یک پایه ریاضی دارد که با وجود قوی بودن خیلی عملی نیست و ساختار شبکه که شامل سلول عصبی است ، توضیح داده می شود و در قسمت بعدی شبکه چند لایه که از الگوریتم انتشار برگشتی استفاده می کند ، توضیح داده می شود .

در بخش چهارم راهنمای استفاده از برنامه NETS2.01  که یک شبیه ساز عصبی است و توسط محققان در بخش هوش مصنوعی فن آوری مرکز فضایی ناسا توسعه داده شده است ، توضیح داده می شود و اهداف آن شامل دو قسمت است :

  • تهیه سیستمی که حدی برای ایجاد ساختارهای عصبی شبکه عصبی که به منظور یاد گیری از روش انتشار برگشتی استفاده می کنند قابل تغییر باشد .
  • تشویق کاربران عام جهت میل به یاد گیری فن اوری شبکه عصبی بدون نیاز به سخت افزار های خاص .

در بخش پنجم اموزش شبکه های عصبی مورد بحث قرار گرفته است که برای تحلیل سازه ها و طراحی سازه ها به کار گرفته می شود .

نیروی محوری المان          شماره المان         عمق سازه         طول سازه

L                           h                              NE                                p                 

و همچنین نرم افزار های مورد استفاده در شبکه ها که شامل NETS2.01   و Neuralworks  است ، توضیح داده شده است که نرم افزار Neuralworks خود قادر به نگاشت اطلاعات ورودی به حدود دلخواه است ولی نرم افزار NETS2.01  قادر به نگاشت اطلاعات ورودی به حدود دلخواه نیست و برای این منظور برای نگاشت اطلاعات ورودی به حدود دلخواه برنامه ای به نام m-in-net  نوشته شده است و از این برنامه برای اماده سازی اطلاعات ورودی برای برنامه NETS استفاده شده است .

در پایان این بخش شبکه عصبی برای پیش بینی وزن سازه و برای پیش بینی خیز سازه مورد بررسی قرار گرفته که توسط جداولی ، ورودی ها و خروجی های آن مشخص شده است .

و نیز یک مثال از شبکه عصبی برای تحلیل سازه ها مورد بررسی قرار گرفته است . که با استفاده از یک جدول شماره ای را برای یک المان و سازه در نظر گرفته و یک شماره برای المان در شبکه عصبی و سایر مشخصات شبکه که شامل تعداد ورودی های شبکه عصبی – نوع اطلاعات ورودی شبکه عصبی ( طول دهانه (C )  سازه فضا کار دو لایه ای بر حسب متر ) و عمق ( h ) سازه فضا کار دو لایه ای بر حسب متر و تعداد خروجی های شبکه عصبی و نوع اطلاعات خروجی شبکه و تعداد زوجهای آموزشی در نظر گرفته شده برای آموزش شبکه و تعداد زوجهای آموزشی در نظر گرفته شده برای آزمایش شبکه که با توجه به تعداد زوجهای آموزشی و کسب عملکرد و دلخواه از شبکه سازه های مختلفی را برای شبکه در نظر می گیریم ، آنها را تربیت و از میان آنها بهترین ساختار را انتخاب می نماییم .

در بخش ششم هم توضیحاتی راجع به سازه های فضا کار داده می شود که از اعضای مستقیم ساخته می شوند و عمکرد آنها در فضای سه بعدی است و به انواع این سازه ها اشاره شده  است .

سازه های مهندسی

          واژه سازه معانی گوناگونی دارد . یک سازه مهندسی را تقریباً می توان مجموعه ای دانست که ساخته و یا بنا می گردد . سازه های عمده مربوط به مهندسی راه و ساختمان عبارتند از: پلها ، ساختمانها ، دیوارها ، برجها و سازه های پوسته ای .این چنین سازه هایی متشکل از یک یا تعدادی عضو سلب می باشند و ترتیب قرار گرفتن اعضاء به گونه ای است که تمام سازه و همچنین اجزاء مختلف آن در مقابل بارگذاری و حذف بار ، بدون تغییر شکل قابل ملاحظه مقاومت می نماید .

در طرح سازه ها مسائل مختلفی باید مد نظر قرار گیرد  که از آن جمله دو شرط اساسی زیر


دانلود با لینک مستقیم


تحقیق در مورد شبکه های عصبی

مقاله در مورد شبکه های عصبی

اختصاصی از زد فایل مقاله در مورد شبکه های عصبی دانلود با لینک مستقیم و پر سرعت .

مقاله در مورد شبکه های عصبی


مقاله در مورد شبکه های عصبی

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه94

 

بخشی از فهرست مطالب

فهرست مطالب

عنوان                                                                 صفحه

 

 

مقدمه                                                                                                                            1

 

شبکه عصبی چیست ؟                                                                                                        2

 

یادگیری در سیستم های بیولوژیک                                                                                         4

 

سازمان مغز                                                                                                                    6                                                                                         

نرون پایه                                                                                                                        7

                                                                                                                   

عملیات شبکه های عصبی                                                                                                              7

 

آموزش شبکه های عصبی                                                                                                  10                                                                                            

 

معرفی چند نوع شبکه عصبی                                                                                                          14                                                                                  

پرسپترون تک لایه                                                                                                            14                                                                                   

 

پرسپترون چند لایه                                                                                                            21                                                                                 

backpropagation                                                                                                       25                                                                                  

هاپفیلد                                                                                                                                       49                                                                        

 

ماشین  بولتزمن                                                                                                                           67                                                                        

 

کوهونن                                                                                                                          83                                                                       

 

کاربردهای شبکه های عصبی                                                                                               86                                                            

 

منابع                                                                                                                             90

 

 

 

 

 

 


مقدمه

 

الگوریتم ها در کامپیوتر ها اعمال مشخص و واضحی هستند که بصورت پی در پی و در جهت رسیدن به هدف خاصی انجام می شوند.حتی در تعریف الگوریتم این گونه آمده است که الگوریتم عبارت است از مجموعه ای ازاعمال واضح که دنبال ای از عملیات را برای رسیدن به هدف خاصی دنبال می کنند.آنچه در این تعریف خود نمایی می کند کلمه دنباله می باشد که به معنای انجام کار ها بصورت گام به گام می باشد. این امر مشخص می کند که همه چیز در الگوریتم های سنتی باید قدم به قدم برای کامپیوتر مشخص و قابل فهم و درک باشد.حتی در اولین الگوریتمهای هوش مصنوعی نیز بر همین پایه و کار قدم به قدم بنا نهاده شده اند.

 

در اواخرقرن بیستم رویکرد به الگوریتم های جدید صورت گرفت که علتهای مختلفی داشت مثل حجیم بودن میزان محاسبات برخی مسایل و بالا بودن مرتبه زمانی الگوریتم های سنتی در مورد این مسایل باعث شد نیاز به الگوریتمهای جدید احساس شود.همچنین برخی کارهای انسان که هنوز قابل انجام توسط کامپیوتر نبودندو یا به بخوبی توسط کامپیوتر انجام نمی شدند باعث این رویکرد شد.

 

مهمترین الگوریتمهای جدید عبارتند از :1- شبکه های عصبی 2- منطق فازی  3- محاسبات تکاملی

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

                                                             

 

                          

 

شبکه عصبی چیست ؟

 

این سوال که آیا انسان توانا تر است یا کامپیوتر موضوعی است که ذهن بشر را به خود مشغول کرده است.

 

اگر جواب این سوال انسان است چرا کامپیوتر اعمالی مانند جمع و ضرب و محاسبات پیچیده را در کسری از ثانیه انجام می دهد، حال آنکه انسان برای انجام آن به زمان زیادی نیازمند است. واگر جواب آن کامپیوتر است چرا کامپیوتر از اعمالی مانند دیدن و شنیدن که انسان به راحتی آنها را انجام می دهدعاجزاست.جواب این مسئله را باید در ذات اعمال جستجو کرد . اعمال محاسباتی اعمالی هستند سریالی و پی در پی به همین دلیل توسط کامپیوتر به خوبی انجام می شوند.حال آنکه اعمالی مانند دیدن وشنیدن کارهای هستند موازی که مجمو عه ای از داده های متفاوت و متضاد در آنها تفکیک و پردازش می شوندو به همین دلیل توسط انسان به خوبی انجام می شوند. در واقع مغز انسان اعمال موازی را به خوبی درک و آنها را انجام می دهدو کامپیوتر اعمال سریالی را بهتر انجام می د هد.حال باید دیدآیا می توان این اعمال موازی و در واقع ساختار مغز انسان را به نوعی در کامپیوتر شبیه سازی کرد و آیا می توان امکان یادگیری که از جمله توانایی های انسان است به نوعی در کامپیوتر مدل سازی نمود.این کار به نوعی در انسان هم انجام می شود و زمان انجام آن عمدتا در کودکی است.به عنوان مثال یک کودک ممکن است یک شی مانند چکش را نشناسد اما هنگامی که آن را می بیند واسم آن را یاد می گیرد و سپس چند چکش متفاوت را می بینداین شی را بخوبی می شناسدو اگر بعد  از مدتی چکشی را که تا کنون آن را ندیده است ببیند به راحتی تشخیص می دهد  که شی مورد نظر یک چکش است و تنها از نظر جزئیات با چکش های مشابه که قبلا دیده است تفاوت دارد.

 

لازم به ذکر است که شبکه های عصبی تنها در یادگیری کاربرد ندارند، بلکه تمام مسائل جدید وکلاسیک توسط آنها قابل حل می باشد.اما آنچه شبکه های عصبی بدان نیازمند است مثالها و نمونه های مفید وکافی است که بتواند به خوبی فضای مسئله را پوشش دهند.حال باید دیدچگونه می توان شبکه عصبی انسان را به نوعی شبیه سازی نمود، برای این کار نخست به ساختار مغز و سیستم عصبی انسان نگاهی گذرا می اندازیم.

 

مغز انسان یکی از پیچیده ترین اعضای بدن است که تا کنون نیز به درستی شناخته نشده است و شاید اگر روزی به درستی شناخته شودبتوان شبیه سازی بهتری از آن انجام داد و به نتایج بهتری درباره هوش مصنوعی رسید.تحقیقات در مورد شبکه های عصبی نیز از زمانی آغاز شد که رامون سگال درباره ساختار مغز و اجزای تشکیل دهنده آن اطلاعات و نظراتی ارائه کرد. او در اوایل قرن بیستم مغز را به عنوان اجتماعی از اجزای کوچک محاسباتی دانست و آنها را نرون نامید.امروزه ما می دانیم که بیشتر فعالیتهای انسان را نرونها انجام می دهندو در کوچکترین فعالیتهای حیاتی انسان مانند پلک زدن نیز نقش حیاتی و اساسی دارند.این نکته هم بسیار جالب است بدانید که در بدن ما حدودنرون وجود دارد که هر کدام از این نرونها با  نرون دیگر در ارتباط هستند.نرونها شکلها و انواع مختلفی دارند، اما به طور عمده در سه دسته تقسیم بندی می شوند. اما نرون ها از نظری دیگر به دو دسته تقسیم می شوند:1- نرونهای داخلی مغز که در فاصله های حدود 100میکرون به یکدیگر متصلند ونرونهای خارجی که قسمتهای مختلف مغز را به یکدیگر و مغز را به ماهیچه ها و اعضای حسی را به مغز متصل می کنند.اما همانطور که گفتیم نرونها از نظری دیگر به سه دسته تقسیم می شوند که عبارتند از:

 

1- نرونهای حسی : کاری که این نرونها انجام می دهند این است که اطلاعات را از اندام های حسی بدن به مغز و نخاع می رسانند.

 

2- نرونهای محرک :این نرونهافرمانهای مغز و نخاع را به ماهیچه ها و غدد و سایر اندام های حسی و تحت فرمان مغز می رسانند.

 

3- نرونهای ارتباطی : این نرونها مانندیک ایستگاه ارتباطی بین نرونهای حسی ونرونهای محرک عمل می کنند .

 

گفتنی است که نرون ها در همه جای بدن هستند وبه عنوان عنصر اصلی مغز محسوب می شوندوبه تنهایی مانند یک واحد پردازش منطقی عمل می کنند نحوه عملیات نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست ، هر چند قوانین پایه آن نسبتا روشن است. هر نرون ورودی های متعددی را پذیرا است که با یکدیگر به طریقی جمع می شوند. اگر در یک لحظه تعداد ورودی های فعال

 

نرون به حد کفایت برسدنرون نیز فعال شده و آتش  می کند. در غیر این صورت نرون به صورت غیر فعال و آرام باقی می ماند.حال به بررسی اجزاءخود نرون می پردازیم:

 

نرون از یک بدنه اصلی تشکبل شده است که به آن سوما گفته می شود. به سوما رشته های نا منظم طولانی متصل است که به آنها دندریت می گویند. قطر این رشته ها اغلب از یک میکرون نازکتر است و اشکال شاخه ای پیچیده ای دارند.شکل ظریف آنها شبیه شاخه های درخت بدون برگ است که هر شاخه بارها وبارها به شاخه های نازکتری منشعب می شود.دندریت ها نقش اتصالاتی را دارندکه ورودی هارا به نرون ها می رساند.این سلولها می توانندعملیاتی پیچیده تر از ععملیات جمع ساده را بر ورودی های خود انجام دهند، از این رو عمل جمع ساده را می توان به عنوان تقریب قابل قبولی از عملیات واقعی نرون به حساب آورد.

یکی از عناصر عصبی متصل به هسته نرون آکسون نامیده می شود.این عنصر بر خلاف دندریت از نظر الکتریکی فعال است و به عنوان خروجی نرون عمل می کند. آکسون همیشه در روی خروجی سلولها مشاهده می شوند لیکن اغلب در ار تباط های بین نرونی غایب اند.در این مواقع خروجی ها و ورودی ها هر دو بر روی دندریت هاواقع می شوند. آکسون وسیله ای غیر خطی است که در هنگام تجاوز پتانسیل ساکن داخل هسته از حد معینی پالس ولتاژی را به میزان یک هزارم ثانیه ، به نام پتانسیل فعالیت ، تولید می کند. این پتانسیل فعالیت در واقع یک سری از پرش های سریع ولتاژ است.رشته آکسون در نقطه تماس معینی به نام سیناپس قطع می شود ودر این مکان به دندریت سلول دیگر وصل می گردد. در واقع این تماس به صورت اتصال مستقیم نیست بلکه از طریق ماده شیمیایی موقتی صورت می گیرد.سیناپس پس از آنکه پتانسیل آن از طریق پتانسیل های فعالیت در یافتی از طریق آکسون به اندازه کافی افزایش یافته از خود ماده شیمیایی منتقل کننده عصبی ترشح می کند.برای این ترشح ممکن است به دریافت بیش از یک پتانسیل فعالیت نیاز باشد. منتقل کننده عصبی ترشح شده در شکاف بین آکسون ودندریت پخش می شودو باعث می گرددمی گردد که دروازه های موجود در


دانلود با لینک مستقیم


مقاله در مورد شبکه های عصبی

دانلود پاورپوینت شبکه های عصبی مصنوعی

اختصاصی از زد فایل دانلود پاورپوینت شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

دانلود پاورپوینت شبکه های عصبی مصنوعی


دانلود پاورپوینت شبکه های عصبی مصنوعی

 

مشخصات این فایل
عنوان: شبکه های عصبی مصنوعی
فرمت فایل :پاورپوینت (قابل ویرایش)
تعداد اسلایدها : 85

این پاورپوینت در مورد شبکه های عصبی مصنوعی  می باشد.

 

بخشی از تیترها به همراه مختصری از توضیحات هر تیتر ازپاورپوینت شبکه های عصبی مصنوعی

مسائل مناسب برای یادگیری شبکه های عصبی
خطا در داده های آموزشی وجود داشته باشد.
مثل مسائلی که داده های آموزشی دارای نویز حاصل از دادهای سنسورها نظیر دوربین و میکروفن ها هستند.
مواردی که نمونه ها توسط مقادیر زیادی زوج ویژگی-مقدار نشان داده شده باشند. نظیر داده های حاصل از یک دوربین ویدئوئی.
تابع هدف  دارای مقادیر پیوسته باشد.
زمان کافی برای یادگیری وجود داشته باشد. این روش  در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد.
نیازی به تعبیر تابع هدف نباشد. زیرا به سختی میتوان  وزنهای یادگرفته شده توسط شبکه را تعبیر نمود.
...(ادامه دارد)

الهام از طبیعت
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....(ادامه دارد)

مرور الگوریتم BP
این الگوریتم یک جستجوی gradient descent در فضای وزنها انجام میدهد.
ممکن است در یک مینیمم محلی گیر بیافتد.
در عمل بسیار موثر بوده است.
برای پرهیز از مینیمم محلی روشهای مختلفی وجود دارد:
افزودن ممنتم
استفاده از stochastic gradient descent
استفاده ازشبکه های مختلف با مقادیر متفاوتی برای وزنهای اولیه...(ادامه دارد)

قدرت نمایش توابع
اگرچه قدرت نمایش توابع به توسط یک شبکه feedforward بسته به عمق و گستردگی شبکه دارد، با این وجودموارد زیر را میتوان به صورت قوانین کلی بیان نمود:
توابع بولی: هر تابع بولی را میتوان توسط یک شبکه دو لایه پیاده سازی نمود.
توابع پیوسته: هر تابع پیوسته محدود را میتوان توسط یک شبکه دو لایه تقریب زد. تئوری مربوطه در مورد شبکه هائی که از تابع سیگموئید در لایه پنهان و لایه خطی در شبکه خروجی استفاده میکنند صادق است.
توابع دلخواه: هر تابع دلخواه را میتوان با یک شبکه سه لایه تا حد قابل قبولی تفریب زد....(ادامه دارد)

فهرست مطالب پاورپوینت شبکه های عصبی مصنوعی

قانون دلتا Delta Rule
تقریب افزایشی gradient descent
یک سلول واحد
انتشار به سمت عقب
فضای فرضیه و بایاس استقرا
دلایل رخ دادن overfitting
انواع مختلف یادگیری

 


دانلود با لینک مستقیم


دانلود پاورپوینت شبکه های عصبی مصنوعی