تحقیق در مورد شبکه عصبی

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 12

توصیف

در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعه‌ای از نورون‌های به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شده‌است. هر نورون می‌تواند به تعداد بسیار زیادی از نورون‌ها وصل باشد و تعداد کل نورون‌ها و اتصالات بین آن‌ها می‌تواند بسیار زیاد باشد. اتصالات، که به آن‌ها سیناپس گفته می‌شود، معمولاً از آکسون‌ها و دندریت‌ها تشکلیل شده‌اند.

هوش مصنوعی و مدل سازی شناختی سعی بر این دارند که بعضی از خصوصیات شبکه‌های عصبی را شبیه سازی کنند. این دو اگرچه در روش‌هاشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف مدل سازی شناختی ساخت مدل‌های ریاضی سامانه‌های نورونی زیستی است.

شبکه‌های عصبی زیستی

شبکه‌های عصبی زیستی مجموعه‌ای بسیار عظیم از پردازشگرهای موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می‌کنند و توسط سیناپس‌ها (ارتباط‌های 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 یادگیری اند. مثلا با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سامانه می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سامانه‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های تازه سامانه پاسخ درستی تولید کند.

معرفی شبکه عصبی مصنوعی شبکه عصبی مصنوعی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهدهٔ پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده گره گفته می‌شود. بعد باایجاد شبکه‌ای بین این گره‌ها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. در این حافظه یا شبکهٔ عصبی گره‌ها دارای دو حالت فعال (روشن یا 1) و غیرفعال (خاموش یا 0) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن می‌باشد. یال‌های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال‌های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می‌کنند.

تاریخچه شبکه‌های عصبی مصنوعی

از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود. نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سامانه دیگر مدل خطی تطبیقی نورون می‌باشد که در سال 1960 توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت. در سال 1969 میسکی و پاپرت کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید

پروژه دسته بندی اختلالات کیفیت توان با استفاده از تبدیل ویولت و شبکه عصبی – مهندسی برق

توضیحات :

در پروژه دسته بندی اختلالات کیفیت توان با استفاده از تبدیل ویولت و شبکه عصبی تلاش شده تا با ابزارها و روشهای نوین پردازش سیگنال (تجزیه چند سطحی ویولت DWT) وهمچنین روش های دسته بندی هوشمند (شبکه های عصبی) انواع اختلالات کیفیت توان شناسایی ودسته بندی شوند.

فهرست مطالب :

فصل اول: کیفیت توان

کیفیت توان وضرورت توجه به آنبررسی مشخصات شکل موجانواع اختلالات کیفیت توان و اثرات آن بر تجهیزات مختلفهارمونیک ها (Harmonic)فیلیکر(Flicker)عدم تعادل ولتاژشکاف(Notch )نویز (Noise)پدیده های گذرا(Transient Phenomena)تغییرات فرکانسکمبود ولتاژ(sag)بیشبود ولتاژ یا اضافه ولتاژ(Swell)قطع ولتاژ (Interruption)دستگاه های از بین برنده کیفیت توانراه های بهبود کیفیت توان

فصل دوم: تبدیل موجک(Wavelet)

مقدمهتبدیلدلایل استفاده ازتبدیلآنالیز چند رزولوشنهتبدیل ویولت یک بعدیتبدیل ویولت پیوستهرزولوشن در صفحه زمان فرکانسروابط ریاضی تبدیل ویولتعکس تبدیل ویولتگسسته سازی تبدیل ویولت پیوستهتبدیل ویولت گسسته

فصل سوم :شبکههای عصبی مصنوعی (Artificial Neural Network)

مقدمهتاریخچهانواع شبکه عصبیایده شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN)نرون مصنوعیساختار شبکه‌های عصبیلایه ورودیلایه‌های پنهان(میانی)لایه خروجیانواع اتصالات یا پیوندهای وزنیپیشرو(feed forward)پسرو(recurrent)تقسیم بندی شبکه‌های عصبیشبکه‌های عصبی در مقایسه با کامپیوترهای سنتیدلایل استفاده از شبکه های عصبیمزایای شبکه‌های عصبیمعایب شبکه‌های عصبیکاربردهای شبکه های عصبییادگیری در شبکه های عصبیفرایند یادگیریمعادله یادگیری در حالت کلییادگیری شبکهانواع یادگیریالگوریتم پس انتشار خطا(Back-Propagation)الگوریتم LM درشبکه های عصبیالگوریتمهای بهینه سازیروش تندترین شیبنرخ های یادگیری پایدار (Stable  Learning rates)مینیمم سازی در طول یک خطروش نیوتنالگوریتم (LM(Levenberg-Marquardtالگوریتم اساسی (Basic Algorithm)شاخص عملکرد و محاسبه ژاکوبینشبکه عصبی احتمالی(PNN)مزایای شبکه عصبی احتمالیمعایب شبکه عصبی احتمالیتئوریتخمین تابع چگالی احتمالآموزش شبکه عصبی احتمالی

فصل چهارم: فرآیند تحقیق

مقدمهشرح فرآیند تحقیقجدول نتایجمقایسه با دیگر روش هاشبیه سازی کوره قوس القاییکوره قوس الکتریکینتیجه نهایی تحقیقمنابع ومراجع

فرمت فایل : pdf

تعداد صفحات : 120

پروژه دسته بندی اختلالات کیفیت توان با استفاده از تبدیل ویولت و شبکه عصبی – مهندسی برق

توضیحات :

در پروژه دسته بندی اختلالات کیفیت توان با استفاده از تبدیل ویولت و شبکه عصبی تلاش شده تا با ابزارها و روشهای نوین پردازش سیگنال (تجزیه چند سطحی ویولت DWT) وهمچنین روش های دسته بندی هوشمند (شبکه های عصبی) انواع اختلالات کیفیت توان شناسایی ودسته بندی شوند.

فهرست مطالب :

فصل اول: کیفیت توان

کیفیت توان وضرورت توجه به آنبررسی مشخصات شکل موجانواع اختلالات کیفیت توان و اثرات آن بر تجهیزات مختلفهارمونیک ها (Harmonic)فیلیکر(Flicker)عدم تعادل ولتاژشکاف(Notch )نویز (Noise)پدیده های گذرا(Transient Phenomena)تغییرات فرکانسکمبود ولتاژ(sag)بیشبود ولتاژ یا اضافه ولتاژ(Swell)قطع ولتاژ (Interruption)دستگاه های از بین برنده کیفیت توانراه های بهبود کیفیت توان

فصل دوم: تبدیل موجک(Wavelet)

مقدمهتبدیلدلایل استفاده ازتبدیلآنالیز چند رزولوشنهتبدیل ویولت یک بعدیتبدیل ویولت پیوستهرزولوشن در صفحه زمان فرکانسروابط ریاضی تبدیل ویولتعکس تبدیل ویولتگسسته سازی تبدیل ویولت پیوستهتبدیل ویولت گسسته

فصل سوم :شبکههای عصبی مصنوعی (Artificial Neural Network)

مقدمهتاریخچهانواع شبکه عصبیایده شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN)نرون مصنوعیساختار شبکه‌های عصبیلایه ورودیلایه‌های پنهان(میانی)لایه خروجیانواع اتصالات یا پیوندهای وزنیپیشرو(feed forward)پسرو(recurrent)تقسیم بندی شبکه‌های عصبیشبکه‌های عصبی در مقایسه با کامپیوترهای سنتیدلایل استفاده از شبکه های عصبیمزایای شبکه‌های عصبیمعایب شبکه‌های عصبیکاربردهای شبکه های عصبییادگیری در شبکه های عصبیفرایند یادگیریمعادله یادگیری در حالت کلییادگیری شبکهانواع یادگیریالگوریتم پس انتشار خطا(Back-Propagation)الگوریتم LM درشبکه های عصبیالگوریتمهای بهینه سازیروش تندترین شیبنرخ های یادگیری پایدار (Stable  Learning rates)مینیمم سازی در طول یک خطروش نیوتنالگوریتم (LM(Levenberg-Marquardtالگوریتم اساسی (Basic Algorithm)شاخص عملکرد و محاسبه ژاکوبینشبکه عصبی احتمالی(PNN)مزایای شبکه عصبی احتمالیمعایب شبکه عصبی احتمالیتئوریتخمین تابع چگالی احتمالآموزش شبکه عصبی احتمالی

فصل چهارم: فرآیند تحقیق

مقدمهشرح فرآیند تحقیقجدول نتایجمقایسه با دیگر روش هاشبیه سازی کوره قوس القاییکوره قوس الکتریکینتیجه نهایی تحقیقمنابع ومراجع

فرمت فایل : pdf

تعداد صفحات : 120

پاور پوینت شبکه های عصبی مصنوعی درس هوش مصنوعی

فرمت فایل : power point (قابل ویرایش)

lشبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری می‌باشد.lیادگیری شبکه عصبی در برابر خطاهای داده‌های آموزشی مقاوم بوده و اینگونه شبکه‌ها با موفقیت به مسایلی نظیر شناسایی گفتار، شناسایی و تعبیر تصاویر، و یادگیری روبات اعمال شده است.

پروژه دسته بندی اختلالات کیفیت توان با استفاده از تبدیل ویولت و شبکه عصبی – مهندسی برق

توضیحات :

در پروژه دسته بندی اختلالات کیفیت توان با استفاده از تبدیل ویولت و شبکه عصبی تلاش شده تا با ابزارها و روشهای نوین پردازش سیگنال (تجزیه چند سطحی ویولت DWT) وهمچنین روش های دسته بندی هوشمند (شبکه های عصبی) انواع اختلالات کیفیت توان شناسایی ودسته بندی شوند.

فهرست مطالب :

فصل اول: کیفیت توان

کیفیت توان وضرورت توجه به آنبررسی مشخصات شکل موجانواع اختلالات کیفیت توان و اثرات آن بر تجهیزات مختلفهارمونیک ها (Harmonic)فیلیکر(Flicker)عدم تعادل ولتاژشکاف(Notch )نویز (Noise)پدیده های گذرا(Transient Phenomena)تغییرات فرکانسکمبود ولتاژ(sag)بیشبود ولتاژ یا اضافه ولتاژ(Swell)قطع ولتاژ (Interruption)دستگاه های از بین برنده کیفیت توانراه های بهبود کیفیت توان

فصل دوم: تبدیل موجک(Wavelet)

مقدمهتبدیلدلایل استفاده ازتبدیلآنالیز چند رزولوشنهتبدیل ویولت یک بعدیتبدیل ویولت پیوستهرزولوشن در صفحه زمان فرکانسروابط ریاضی تبدیل ویولتعکس تبدیل ویولتگسسته سازی تبدیل ویولت پیوستهتبدیل ویولت گسسته

فصل سوم :شبکههای عصبی مصنوعی (Artificial Neural Network)

مقدمهتاریخچهانواع شبکه عصبیایده شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN)نرون مصنوعیساختار شبکه‌های عصبیلایه ورودیلایه‌های پنهان(میانی)لایه خروجیانواع اتصالات یا پیوندهای وزنیپیشرو(feed forward)پسرو(recurrent)تقسیم بندی شبکه‌های عصبیشبکه‌های عصبی در مقایسه با کامپیوترهای سنتیدلایل استفاده از شبکه های عصبیمزایای شبکه‌های عصبیمعایب شبکه‌های عصبیکاربردهای شبکه های عصبییادگیری در شبکه های عصبیفرایند یادگیریمعادله یادگیری در حالت کلییادگیری شبکهانواع یادگیریالگوریتم پس انتشار خطا(Back-Propagation)الگوریتم LM درشبکه های عصبیالگوریتمهای بهینه سازیروش تندترین شیبنرخ های یادگیری پایدار (Stable  Learning rates)مینیمم سازی در طول یک خطروش نیوتنالگوریتم (LM(Levenberg-Marquardtالگوریتم اساسی (Basic Algorithm)شاخص عملکرد و محاسبه ژاکوبینشبکه عصبی احتمالی(PNN)مزایای شبکه عصبی احتمالیمعایب شبکه عصبی احتمالیتئوریتخمین تابع چگالی احتمالآموزش شبکه عصبی احتمالی

فصل چهارم: فرآیند تحقیق

مقدمهشرح فرآیند تحقیقجدول نتایجمقایسه با دیگر روش هاشبیه سازی کوره قوس القاییکوره قوس الکتریکینتیجه نهایی تحقیقمنابع ومراجع

فرمت فایل : pdf

تعداد صفحات : 120