بررسی انواع متفاوت شبکه های عصبی و کاربرد هر یک از آنها 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

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	692 کیلو بایت
تعداد صفحات فایل	77

دانلود پایان نامه رشته هوش مصنوعی

بررسی انواع متفاوت شبکه های عصبی و کاربرد هر یک از آنها

 

 

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

رفتار آشوبگونه مدل شبکه عصبی

انواع متفاوت شبکه های عصبی

 

 

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 2

فصل اول:    شبکه عصبی 3

یک شبکه عصبی مصنوعی چیست؟ 3

چرا از شبکه های عصبی استفاده می کنیم ؟ 4

شبکه های عصبی در مقابل کامپیوتر های معمولی 5

انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها 6

چگونه مغز انسان می آموزد ؟ 6

از سلول های عصبی انسانی تا سلول های عصبی مصنوعی 7

انواع یادگیری برای شبکه های عصبی 7

زمینه‌ای در مورد perceptron 10

Perceptron های ساده: 10

قدرت Perceptron 10

دنباله‌های Perceptron 11

قضیه بنیادی دنباله‌ها: 12

هوش جمعی 14

(Particle Swarm Optimitation(PSO: 15

Particle swarm Optimitation Algorithm: 16

 

فصل دوم:    یک شبکه عصبی جدید و کاربرد آن 17

یک شبکه عصبی جدید و کاربرد آن 17

معرفی 17

- نورون با خاصیت آشوبگونه : 18

- شکل شبکه: 19

-قانون آموزش شبکه: 21

- مدلسازی ژنراتور سنکرون دریایی 24

5-1  روش مدلسازی دینامیک 24

شکل 4. سیستم شناسایی ژنراتور سنکرون دریایی به وسیله شبکه عصبی 26

شکل 5. توان گشتاور ورودی و فرکانس خروجی ژنراتور 27

نتایج مدلسازی 27

شکل 6. جریان تحریک ورودی و ولتاژ خروجی پایانه 28

شکل8. فرکانس خروجی ژنراتور، شبکه و خطای بین آن ها 29

نتیجه فصل 29

شکل 9. ولتاژخروجی ژنراتور، شبکه و خطای بین آن ها 29

 

فصل سوم :  آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله 30

۱) معرفی 30

- منحنی طول - کشش 31

- شبکه های عصبی 32

ساختار برگشتی 32

شکل ۲. شبکه برگشتی. 33

مقایسه با مدل های دیگر 33

نتایج تجربی 33

نمودار دوشاخه شدن 33

شکل ۳. نمودار دو شاخه شدن. 34

شکل ۵. نمودار دو شاخه شدن ۱&#۹۴۵; نسبت ۲&#۹۴۵; 35

تغییرات طیف 35

شکل ۶. حساسیت به شرط اولیه.(a : ۰.۲ نسبت به ۰.۲۰۰۱( 36

- نتیجه فصل 37

 

فصل چهارم:   هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی 38

1- معرفی 38

2- نمادها و مقدمات 39

3- نتایج مهم 44

اثبات تئوری 1 : 47

شکل 5. نرخ هماهنگ سازی نمایی سیستم با خطای دینامیک. 56

شکل 6. دینامیک های سنکرون نشده در فضای حالت. 56

 

فصل پنجم : شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون 57

2-  شبکه های feedforward رگولاریزاسیون 58

3-  طراحی شبیه سازی 60

3-1 سیستم آشوبگونه مورد بررسی 60

3-2  تولید دیتا 60

3-3  روش های ارزیابی شبکه آموزش یافته 61

4- شبیه سازی ها 62

شکل 3. منحنی رگولاریزاسیون (α = 0.5) 64

شکل4. جذب کننده شبکه آموزش یافته (α = 0.5) 64

6-  نتیجه 64

 

فصل ششم : شبکه های عصبی و الگوریتم های ژنتیک در تجارت 64

فناوری شبکه عصبی 67

فناوری الگوریتم ژنتیک 71

مروری بر کاربردهای تجاری 71

بازاریابی 72

بانکداری و حوزه های مالی 73

سایر حوزه های تجاری 74

مزایای استفاده از این فناوریهای هوش مصنوعی 75

نتایج 76

منابع 77