| تحلیل شبكه های عصبی تحت رفتارهای متفاوت و بیان نتایج آن
هدف از این پایان نامه تحلیل شبكه های عصبی تحت رفتارهای متفاوت و بیان نتایج آن می باشد
|
 |
| دسته بندی | کامپیوتر و IT |
| فرمت فایل | doc |
| حجم فایل | 694 کیلو بایت |
| تعداد صفحات فایل | 77 |
دانلود پایان نامه رشته هوش مصنوعی
تحلیل شبكه های عصبی تحت رفتارهای متفاوت و بیان نتایج آن
چکیده:
این پایان نامه 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 شبكه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبكه های آشوبگونه آغشته به نویز بر مبنای شبكه 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
مقدمه2
فصل اول: شبکه عصبی3
یک شبکه عصبی مصنوعی چیست؟3
چرا از شبکه های عصبی استفاده می کنیم ؟4
شبکه های عصبی در مقابل کامپیوتر های معمولی5
انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها6
چگونه مغز انسان می آموزد ؟6
از سلول های عصبی انسانی تا سلول های عصبی مصنوعی7
انواع یادگیری برای شبکه های عصبی7
زمینه‌ای در مورد perceptron10
Perceptron های ساده:10
قدرت Perceptron10
دنباله‌های Perceptron11
قضیه بنیادی دنباله‌ها:12
هوش جمعی14
(Particle Swarm Optimitation(PSO:15
Particle swarm Optimitation Algorithm:16
فصل دوم: یك شبكه عصبی جدید و كاربرد آن17
یك شبكه عصبی جدید و كاربرد آن17
معرفی17
- نورون با خاصیت آشوبگونه :18
- شكل شبكه:19
-قانون آموزش شبكه:21
- مدلسازی ژنراتور سنكرون دریایی24
5-1 روش مدلسازی دینامیك24
شكل 4. سیستم شناسایی ژنراتور سنكرون دریایی به وسیله شبكه عصبی26
شكل 5. توان گشتاور ورودی و فركانس خروجی ژنراتور27
نتایج مدلسازی27
شكل 6. جریان تحریك ورودی و ولتاژ خروجی پایانه28
شكل8. فركانس خروجی ژنراتور، شبكه و خطای بین آن ها29
نتیجه فصل29
شكل 9. ولتاژخروجی ژنراتور، شبكه و خطای بین آن ها29
فصل سوم : آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله30
۱) معرفی30
- منحنی طول - کشش31
- شبکه های عصبی32
ساختار برگشتی32
شکل ۲. شبکه برگشتی.33
مقایسه با مدل های دیگر33
نتایج تجربی33
نمودار دوشاخه شدن33
شکل ۳. نمودار دو شاخه شدن.34
شکل ۵. نمودار دو شاخه شدن ۱&#۹۴۵; نسبت ۲&#۹۴۵;35
تغییرات طیف35
شکل ۶. حساسیت به شرط اولیه.(a : ۰.۲ نسبت به ۰.۲۰۰۱(36
- نتیجه فصل37
فصل چهارم: هماهنگ سازی نمایی شبكه های عصبی آشوبگونه با اغتشاش تصادفی38
1- معرفی38
2- نمادها و مقدمات39
3- نتایج مهم44
اثبات تئوری 1 :47
شكل 5. نرخ هماهنگ سازی نمایی سیستم با خطای دینامیك.56
شكل 6. دینامیك های سنكرون نشده در فضای حالت.56
فصل پنجم : شناسایی شبكه های آشوبگونه آغشته به نویز بر مبنای شبكه های عصبی feedforward رگولاریزاسیون57
2- شبكه های feedforward رگولاریزاسیون58
3- طراحی شبیه سازی60
3-1 سیستم آشوبگونه مورد بررسی60
3-2 تولید دیتا60
3-3 روش های ارزیابی شبكه آموزش یافته61
4- شبیه سازی ها62
شكل 3. منحنی رگولاریزاسیون (α = 0.5)64
شكل4. جذب كننده شبكه آموزش یافته (α = 0.5)64
6- نتیجه64
فصل ششم : شبکه های عصبی و الگوریتم های ژنتیک در تجارت64
فناوری شبکه عصبی67
فناوری الگوریتم ژنتیک71
مروری بر کاربردهای تجاری71
بازاریابی72
بانکداری و حوزه های مالی73
سایر حوزه های تجاری74
مزایای استفاده از این فناوریهای هوش مصنوعی75
نتایج76
منابع77
دانلود طرح توجیهی مدرسـه غير انتـفاعي