تحقیق کامل در مورد سیستم های مبتنی بر شبکه عصبی مصنوعی (ANN) به صورت Word در 45 صفحه

اختصاصی از زد فایل تحقیق کامل در مورد سیستم های مبتنی بر شبکه عصبی مصنوعی (ANN) به صورت Word در 45 صفحه دانلود با لینک مستقیم و پر سرعت .

شبکه‌های عصبی مصنوعی Artificial Neural Network – ANN)  ) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله 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. مثلا 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 ازمثال‎ها 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، نئورونها، “PE” ها (عناصر پردازش) یا واحدها) برای تشکیل شبکه‎ای از گره‎ها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح”شبکه‎های عصبی” اطلاق می‎شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد. با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکه‌ها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
فهرست :  

مقدمه ای بر شبکه‌های عصبی مصنوعی

تاریخچه شبکه‌های عصبی مصنوعی

شبکه عصبی چیست؟

شبکه  عصبی چه قابلیتهائی دارد؟

الهام از طبیعت

شبکه های عصبی در مقایسه با کامپیوترهای سنتی

مسائل مناسب برای یادگیری شبکه های عصبی

پرسپترون

الگوریتم یادگیری پرسپترون

الگوریتم gradient descent

مشکلات روش gradient descent

تقریب افزایشی gradient descent

الگوریتم  Back propagation

قدرت نمایش توابع

انواع آموزش شبکه

برخی زمینه های شبکه های عصبی

سبکهای معماری شبکه‌های عصبی

قواعد یادگیری در شبکه‌های عصبی

آموزش شبکه‌های عصبی

آموزش unsupervised یا تطبیقی (Adaptive)

تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره

انواع یادگیری برای شبکه های عصبی

یادگیری با ناظر

یادگیری تشدیدی

یادگیری بدون ناظر

معایب شبکه های عصبی

مزیتهای شبکه های عصبی

سیستم خبره

سیستم خبره چیست؟

ساختار یک سیستم خبره‌

استفاده از  منطق فازی

مزایا و محدودیت‌های سیستم‌های خبره

کاربرد سیستم‌های خبره‌

چند سیستم خبره مشهور

مروری بر کاربردهای تجاری

بازاریابی

بانکداری و حوزه های مالی

پیش بینی

سایر حوزه های تجاری

کاربرد مدلهای شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکتهای بازار بورس

کاربرد مدل‌ شبکه عصبی در پیش‌بینی ورشکستگی شرکتهای بازار بورس

تبیین مفهوم ورشکستگی

متغیرهای مدل تحقیق

اطلاعات شرکتهای نمونه تحقیق

تعیین ‌مدل شبکه عصبی سه لایه برای پیش‌بینی ورشکستگی شرکتها

تعیین مدل بهینه شبکه عصبی چهار لایه برای پیش‌بینی ورشکستگی شرکتها

مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیش‌بینی ورشکستگی اقتصادی

پیش‌بینی ورشکستگی اقتصادی شرکتها در سالهای  و

روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره ـ

جمع‌بندی و نتیجه‌گیری

منابع

دانلود پاورپوینت رشته پزشکی با عنوان دستگاه عصبی

اختصاصی از زد فایل دانلود پاورپوینت رشته پزشکی با عنوان دستگاه عصبی دانلود با لینک مستقیم و پر سرعت .

دانلود پاورپوینت رشته پزشکی با عنوان دستگاه عصبی

دستگاه عصبی پیکری، بدنی یا سوماتیک

دستگاه عصبی احشائی

دستگاه عصبی محیطی

12 جفت اعصاب مغزی (چپ و راست)

31 جفت اعصاب نخاعی( چپ و راست)

اعصاب مغزی

زوج1: بویائی ، زوج 2: بینائی

زوج 3: عضلات اطراف چشم و اسفنکتر مردمک (پاراسمپاتیک)

زوج 4: عضلات اطراف چشم ، زوج 5 (سه قلو): فک بالا، فک پائین و کاسه چشم

زوج 6: عضله اطراف چشم

زوج 7: عضلات چهره ، غده اشکی، غدد زیرزبانی و تحت فکی (پاراسمپاتیک)

زوج 8: شنوائی تعادلی

زوج 9: زبان و حلق و غده بناگوشی (پاراسمپاتیک)

زوج 10: عضلات حلق و حس و حرکت لوله گوارش فوقانی، قلب، ریه ها و حنجره (پاراسمپاتیک)

زوج 11: عضلات گردن ، زوج 12: عضلات زبان

و...
در 22 اسلاید
قابل ویرایش

برآورد مقاومت فشاری بتن با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی عصبی - تطبیقی

اختصاصی از زد فایل برآورد مقاومت فشاری بتن با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی عصبی - تطبیقی دانلود با لینک مستقیم و پر سرعت .

عنوان مقاله :برآورد مقاومت فشاری بتن با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی عصبی - تطبیقی

محل انتشار: دهمین کنگره بین المللی مهندسی عمران تبریز

تعداد صفحات:11

نوع فایل :  pdf

دانلود تحقیق سلول های پشتیبان در بافت عصبی

اختصاصی از زد فایل دانلود تحقیق سلول های پشتیبان در بافت عصبی دانلود با لینک مستقیم و پر سرعت .

تعداد صفحات : 28 صفحه       -       

قالب بندی :  word            

 بافت عصبی

بافت عصبی یکی از اصلیترین بافتها در میان مهره‌داران می‌باشد . بافت عصبی شامل دستگاه عصبی مرکزی (مغز، نخاع) و دستگاه عصبی محیطی (اعصاب بدن ) می‌باشد . بافت عصبی از اکتودرم در دوران جنینی منشا می گیرد.مهم ترین خاصیت بافت عصبی تحریک پذیری،هدایت و انتقال جریان عصبی می باشد که در دو بخش قابل بررسی است :

• سیستم عصبی مرکزی ( CNS )که شامل مغز و نخاع است.
• سیستم عصبی محیطی ( PNS )که شامل اعصاب محیطی و گانگلیون هاست.

اعصاب از سلولهای ویژه‌ای به نام نورون تشکیل شده‌اند. نورون واحد ساختمانی و عملکردی دستگاه عصبی است. همینطور از سلول های پشتیبان به نام گلیال و یا نوروگلی تشکیل شده است. سلول‌های شوان و اولیگودندروسیت‌ها وظیفه ساخت میلین را در بافت عصبی انسان بر عهده دارند.

 سلول های گلیال یا پشتیبان

سیستم عصبی مرکزی شامل نورون ها و سلول های گلیال است. نورون ها در حدود نیمی از حجم سیستم عصبی مرکزی(CNS) و سلول های گلیال مابقی حجم سیستم عصبی مرکزی را تشکیل می دهند. سلول های گلیال ٬ محافظت و حمایت از نورون ها را بر عهده دارند. بنابراین آنها به عنوان سلول های پشتیبان(supporting cells) سیستم عصبی شناخته می شوند. چهار عملکرد اصلی سلول های گلیال بدین شرح است:

۱- احاطه کردن نورون ها و نگهداری آنها در محل

۲- تدارک مواد غذایی و اکسیژن برای نورون ها

۳- مجزا کردن یک نورون از دیگر نورون ها

۴- حذف لاشه ی نورون های مرده(پاکسازی)

سه نوع از سلول های پشتیبان سیستم عصبی مرکزی شامل آستروسیت ها ٬ الیگودندروسیت ها و میکروگلیاها هستند. سلول های پشتیبان سیستم عصبی محیطی(PNS) به عنوان سلول های شوان شناخته می شوند. سلول های میکروگلیا بخشی از سیستم ایمنی هستند و از اعمال و فعالیت های مشخصه ی این سیستم تبعیت می کنند. آستروسیت ها در انتقال عصبی و متابولیسم عصبی شرکت می کنند. الیگودندروسیت ها در تولید میلین دخالت دارند. در سیستم عصبی محیطی ٬ میلین توسط سلول های شوان تولید می شود و این سلول ها از نظر عملکرد شبیه الیگودندروسیت های سیستم عصبی مرکزی هستند.

 طبقه بندی سلول های گلیال براساس منشا به ترتیب ذیل است:

در سیستم عصبی مرکزی(CNS) ٬ سلول های گلیال با منشا نورواکتودرمی(ماکروگلیاها) شامل آستروسیت ها ٬ سلول های الیگودندروگلیال(الیگودندروسیت ها) ٬ سلول های آپاندیمال(که سطح بطنی را مفروش می کنند) ٬ سلول های بنیادی عصبی و سلول های NG2 (پلی دندروسیت های) نابالغ می باشند و سلول های گلیال با منشا مزودرمی شامل میکروگلیاها هستند و در سیستم عصبی محیطی(PNS) سلول های شوان قرار دارند.

آستروسیت ها

آستروسیت ها ٬ سلول های گلیالی ستاره ای شکلی هستند که یک طیف وسیعی از اعمال را در سیستم عصبی مرکزی انجام می دهند. این سلول ها حمایت فیزیکی از نورون ها و پاکسازی مواد پوسیده (debris) را در مغز بر عهده دارند. همچنین آنها بعضی نیازهای شیمیایی جهت عملکرد مناسب نورون ها را فراهم می آورند و به کنترل ترکیب شیمیایی مایع اطراف نورون ها کمک می کنند. نهایتا آستروسیت ها در تهیه ی غذا برای نورون ها نقش دارند. جهت ایجاد حمایت فیزیکی برای نورون ها ٬ آستروسیت ها تشکیل ماتریکسی را می دهند که نورون ها را در محل نگه می دارند. به علاوه این ماتریکس برای جداکردن سیناپس ها به کار می رود. چنین وضعیتی پراکندگی مواد نوروترانسمیتر یا انتقال دهنده های عصبی را که توسط تکمه های انتهایی آزاد می شوند را محدود می کند و بدین ترتیب به انتقال یکنواخت پیام عصبی کمک می کند. همچنین آستروسیت ها فرایندی را که تحت عنوان بیگانه خواری یا فاگوسیتوز(p h a g o c y t o sis) شناخته می شود را انجام می دهند. بیگانه خواری یا فاگوسیتوز زمانی رخ می دهد که یک آستروسیت با یک قطعه از مواد پوسیده ی عصبی(neural debris) از طریق زوائد سلولی(بازوی آستروسیت) تماس پیدا می کند و سپس آن قطعه را به درون خودش هل می دهد و نهایتا آن را فراگرفته و هضم می کند. آستروسیت ها برای نورون ها از طریق ذیل غذا تهیه می کنند:

۱- دریافت گلوکز از مویرگ ها

۲- شکستن گلوکز به لاکتات(محصول شیمیایی در جریان اولین مرحله از متابولیسم گلوکز)

۳- آزاد کردن لاکتات در مایع خارج سلولی اطراف نورون ها

نورون ها این لاکتات را از مایع خارج سلولی دریافت می کنند و جهت استفاده از آن به عنوان انرژی به میتوکندری هایشان منتقل می کنند. در این فرایند آستروسیت ها یک مقدار کمی از گلیکوژن را ذخیره می کنند که این مقدار گلیکوژن نگهداری می شود تا مجددا در زمان هایی که میزان متابولیک نورون ها در این ناحیه به طور ویژه ای بالا می رود استفاده می شود. سلول های ستاره ای دارای زوائد متعددی هستند. آنها در هر مکانی در مغز و طناب نخاعی حضور دارند. سیتوپلاسم آنها حاوی گرانول های گلیکوژن و فیلامنت های حد واسط(با قطر ۸-۹ میلی متر) ساخته شده از پروتئین اسیدی رشته ای گلیالی (GFAP  (G l I al  f I b r I l l a r y acidic protein است.

 انواع آستروسیت ها

– آستروسیت های رشته ای

آستروسیت های رشته ای حاوی مقادیر زیادی از GFAP هستند. فیبرهای عصبی در آنها به حالت کشیده وجود دارند و نزدیک قشر مغز هستند. تعداد زیادی از زوائد سیتوپلاسمیک آنها به عنوان پاهای انتهایی(end feet) در مجاورت غشا پایه ی عروق خونی مویرگی قرار دارند. همچنین پاهای انتهایی آستروسیتی ٬ غشا محدود کننده ی گلیالی را در سطح خارجی مغز و طناب نخاعی تشکیل می دهند و تعداد زیادی از عروق خونی را احاطه می کنند. این غشا مشابه با غشای محدود کننده ی گلیالی داخلی است که مجاور به اپاندیم قرار دارد.

– آستروسیت های پروتوپلاسمیک

این آستروسیت ها ٬ آستروسیت های مخملی نیز نامیده می شوند و دارای زوائد شبه توموری هستند که با آکسون ها و دندریت های درهم پیچیده ی نورون ها آمیخته می شوند. این آستروسیت ها نسبت به آستروسیت های رشته ای ٬ حاوی GFAP کمتری هستند و بیشتر زوائد آنها بسیار ریزتر از آن هستند که بتوان به وسیله ی میکروسکوپ نوری به طور مجزا تشخیص داد.

– پیتوسیت ها

سلول های گلیالی نوروهیپوفیز که مشخصات آستروسیت ها را دارند.

– سلول های پوششی بویایی

این سلول ها ٬ آکسون های اولیه ی بویایی را روی سطح جوانه ی بویایی به کار می اندازند. آنها شبیه نورون های اولیه ی بویایی از پلاک بویایی جنین مشتق می شوند. این سلول ها از نظر ویژگی های ساختاری و شیمیایی با آستروسیت ها و گلیوسیت های محیطی(peripheral g l I o c y t e s) مشترک هستند.

دانلود پاورپوینت آشنایی با شبکه های عصبی زیستی

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

این شبکه ها مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می کنند و توسط سیناپس ها(ارتباط های الکترومغناطیسی)اطلاعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند.

این شبکه ها قادر به یادگیری اند.مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند.back propagation of error))

یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند.

معرفی ANN ها

یک سیستم پردازشی داده ها که از مغز انسان ایده گرفته و پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل کنند.

 

در این شبکه ها به کمک د انش برنامه نویسی ، ساختا ر داده ای طراحی می شود که می تواند هما نند نورون عمل کند.که به این ساختارداده node یا گره نیزگفته می شود.بعد باایجاد شبکه ای بین این node  ها و اعمال یک الگوریتم  آموزشی به آ ن،  شبکه را آموزش می دهند .

 

در این حافظه یا شبکه ی عصبی node  ها دارای دو حالت فعال(on  یا 1) وغیرفعال(   off یا 0) اند و هر یال (سیناپس یا ارتباط  بین node  ها)دارای یک وزن می باشد.یالهای با وزن مثبت ،موجب تحریک یا فعال کردن node غیر فعال بعدی می شوند و یالهای با وزن منفی node متصل بعدی را غیر فعال یا مهار(در صورتی که فعال بوده باشد) می کنند.

به طور خلاصه یک شبکه عصبی باید خصوصیات زیر را داشته باشد:

بتواند الگوها را طبقه بندی کند.

به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد.

 با به کار گیری آموزش، قابل برنامه ریزی باشد و قدرت یادگیری داشته باشد. یعنی توانایی تنظیم پارامترهای شبکه ( اوزان سیناپتیکی )، در مسیر زمان که محیط شبکه تغییر می کند و شبکه وارد شرایط جدیدی می شود. هدف از این کار این است که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر، برای شرایط جدید نیز کارآمد باشد.دیگر این که اطلاعات در شبکه های عصبی در سیناپس ها ذخیره و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها تأثیر می پذیرد. در نتیجه اطلاعات از نوع مجزا از هم نبوده و متأثر از کل شبکه می باشد.

 توانایی تعمیم را با استفاده از مثال های ارائه شده در فرآیند آموزش، داشته باشد.

شبکه های عصبی به طور کلی سیستمهای ریاضی یادگیر غیر خطی هستند. طرز کار این شبکه ها از روش کار مغز انسان الگو برداری شده است. در واقع شبکه های عصبی طبق تعریف ماشینی است برای ساخت یک مدل که می توان آن را بوسیله سخت افزار یا نرم افزار شبیه سازی کرد و عملکردی شبیه مغز انسان دارند.

 

یک شبکه عصبی بر خلاف کامپیوترهای رقومی که نیازمند دستورات کاملا صریح و مشخص است٬ به مدل های ریاضی محض نیاز ندارد بلکه مانند انسان قابلیت یادگیری به وسیله تعدادی مٽال مشخص را دارد.
هر شبکه عصبی سه مرحله آموزش٬ اعتبار سنجی و اجرا را پشت سر می گذارد. در واقع شبکه های عصبی را می توان در حل مسایلی که روابط دقیق ریاضی بین ورودی ها و خروجی های آن برقرار نیست بکار برد.

آموزش دیدن شبکه های عصبی در واقع چیزی جز تنظیم وزن های ارتباطی این نرون ها به ازائ دریافت مٽال های مختلف نیست تا خروجی شبکه به سمت خروجی مطلوب همگرا شود.

مدل ریاضی یک نورون

همان گونه که ذکر شد نرون کوچکترین واحد یک شبکه عصبی مصنوعی است که عملکرد شبکه های عصبی را تشکیل می دهد.

بدنه هر سلول عصبی از دو بخش تشکیل می شود٬ بخش اول را تابع ترکیب می گویند. وظیفه تابع ترکیب این است که تمام ورودی ها را ترکیب و یک عدد تولید می کند. در بخش دوم سلول تابع انتقال قرار دارد که به آن تابع تحریک نیز می گویند.  درواقع همان گونه که یک سلول بیولوژیک باید به سطح آستانه تحریک خاصی برسد تا یک سیگنال تولید کند٬ توابع تحریک نیز تا زمانی که ورودی های ترکیب شده و وزن دار شده به یک حد آستانه ای خاص نرسند مقدار خروجی نظیر بسیار کوچکی تولید میکنند.

وقتی ورودی های ترکیب شده به حد آستانه ای خاصی برسند٬ سلول عصبی تحریک شده و سیگنال خروجی تولید می کند. با مقایسه جواب خروجی شبکه با مقدار مطلوب مورد نظر بردار خطا محاسبه شده و این بردار با استفاده از الگوریتم های مختلف از آخر به سمت ابتدای شبکه پخش شده٬ به طوری که درسیکل بعد خطا کاهش یابد. 

شامل 24 اسلاید powerpoint