شبکه های عصبی مصنوعی

9000 تومان
تعداد صفحه : 103
حجم فایل : 1 MB
فرمت فایل : Word
9000 تومان – خرید

لینک دانلود بعد از اضافه کردن پروژه به سبد خرید و پرداخت آن در اختیارتان قرار خواهد گرفت.

توضیحات

شبکه های عصبی مصنوعی

همراه با فایل نمودار پروژه با فرمت اکسل

 

 

فصل اول:
مفاهیم مقدماتی

۱-۱-انگیزه های بیولوژیکی
تحقیقات و علاقمندی به شبکه های عصبی از زمانی شروع شد که مغز به عنوان یک سیستم دینامیکی با ساختار موازی و پردازشگری کاملاً مغایر با پردازشگرهای متداول شناخته شد. نگرش نوین در مورد کارکرد مغز ماحصل تفکراتی بود که در اوایل قرن بیستم توسط رامون سگال در مورد ساختار مغز به عنوان اجتماعی از اجزای محاسباتی کوچک بنام نرون شکل گرفت.
مغز به عنوان یک سیستم پردازش اطلاعاتی با ساختار موازی از ۱۰۰تریلیون(  ) نرون‌های به هم مرتبط با تعداد کل ارتباط تشکیل شده است و نرون ها ساده ترین واحد ساختاری سیستم عصبی هستند. بافتهایی که عصب نامیده می شوند اجتماعی از نرون‌ها می باشند. این نرون ها اطلاعات و پیام ها را از یک قسمت از بدن به قسمت دیگر منتقل می کنند. میلیون ها نرون در بدن انسان وجود دارند حتی ساده ترین کارهای روزمره انسان از قبیل پلک زدن، تنها از طریق همکاری همه جانبه این نرون ها میسر است.
بیشترین تعداد نرون ها در مغز و مابقی در نخاع و سیستم های عصبی جانبی تمرکز یافته‌اند. گرچه همگی نرون ها کارکرد یکسانی دارند ولی اندازه و شکل آنها بستگی به محل قرارگیری آنها در سیستم عصبی دارد. با وجود این همه تنوع، بیشتر نرون ها از سه قسمت اساسی تشکیل شده‌اند:
۱-بدنه سلول: که شامل هسته و قسمت های حفاظتی دیگر می باشد.
۲-دندریت
۳-آکسون
که دو تای آخر عناصر ارتباطی نرون را تشکیل می دهند.

شبکه های عصبی مصنوعی
طی چند دهه اخیر، تلاش های بسیار جدیدی جهت طراحی مدارات الکترونیکی که قادر باشند شبکه های عصبی زیستی را همانند سازی کنند صورت گرفته است. شبکه های مدل شده  که با نام الگوهای شبکه های عصبی شناخته شده اند گسترش یافتاه و مدل سازی شده اند. برخی از این نمونه ها به گونه بسیار نزدیک عملکرد شبکه عصبی زیستی را همانند سازی کرده اند و برخی دیکر تفاوت بسیاری دارند.
مدل سازی
طی صد سال اخیر تلاش های بسار جدی برای مدل کردن یک نرون طبیعی صورت گرفته، و پیشرفت قابل ملاحظه ای در این راستا انجام شده است. برای مدل سازی یک شبکه عصبی مصنوعی((ANN می توان از یک مدل ریاضی که خصوصیات یک سیستم بیبولوژیکی را توصیف کند استفاده کرد. سپس با استفاده از یک رایانه می توان این مدل را به سرعت و به نحو مناسبی شبیه سازی کرد. جهت ساده کردن و بهبود عملکرد این مدل تغییرات لازم صورت می گیرد برای ابداع مدلی که قادر باشد یک سیستم بیولوژیکی را شبیه سازی کند لازم است تا ابتدا شناخت کاملی از جزئیات آن سیستم را در اختیار داشته باشیم. ریاضیات، ابداع بشر برای توصیف پدیده های طبیعی و مدل سازی، اصطلاحی برای شبیه سازی تقریبی خلقت طبیعت است. خلقت طبیعت همیشه نسبت به مدل سازی برتری دارد بنابراین اگر مدل ریاضی شبیه سازی شده شکست بخورد علت اساسی را باید در مدل سازی پیدا کرد نه در خلقت طبیعت.
مدل ریاضی نرون

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

این فصل نتایج تجربی مدلسازی فعالیت آشوبگونه نوع خاصی از لزرش های عضلانی را توسط شبکه‌های عصبی، ارائه می دهد. وجود آشوب در خروجی شبکه به وسیله ایجاد طیف پیوسته فرکانسی از طریق افزایش فرکانس های گسسته، قابل تایید می باشد. شبکه مورد استفاده یک شبکه ساده برگشتی از نوع Elman است که نیازی به تغییر در روش آمورش ندارد.

۳-۱- معرفی
Armstrong منحنی تغییرات کشش ایزومتریک کزازی عضله را نسبت به طول سارکومر در یک فیبر عضله مخطط قورباغه به دست آورده است. منحنی به دست آمده نگاشتی را نشان می دهد که در نوع خاصی از لرزش های عضلانی به صورت آشوبگونه رفتار می کند. در این نگاشت خروجی در هر لحظه به عنوان ورودی در لحظه بعد محسوب می شود. کمی تغییر در پارامترهای تابع منجر به تغییرات اساسی در رفتار آن و مشاهده پدیده هایی مثل دو شاخه شدن، نوسان و رفتار آشوبگونه تصادفی می گردد. در این فصل از شبکه عصبی جهت مدلسازی لرزش عضله، استفاده شده است. به عنوان مثال برای لرزش عضله میتوان نوسانات خود به خودی نیروی عضله را تحت انقباض ثابت، نام برد. پدیده آشوب در خروجی شبکه پس از افزایش فرکانس های گسسته و ضمن پیوسته شدن طیف ، اتفاق می افتد.

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

در این فصل روشی جهت شناسایی شبکه‌های آشوبگونه آغشته به نویز بر مبنای شبکه‌های عصبی feedforward رگولاریزاسیون، ارائه شده است. روش رگولاریزاسیون می‌تواند عمومیت شبکه های feedforward را بهبود بخشد. شبکه feedforward با سطوح مختلف نویز به وسیله پارامتر تنظیم، train شده و ویژگی های اساسی آن جهت یادگیری سیستم‌های آشوبگونه، مورد بررسی قرار گرفته است. سپس مدل های شناسایی ارائه شده توسط بازسازی جذب کننده‌ها مورد ارزیابی قرار گرفته اند. شبیه سازی های انجام شده توانایی مدل های شناسایی مورد نظر را در به دست آوردن سیستم آشویگونه اولیه و مشخصات دینامیک آن، نشان می دهند.

۵-۱- معرفی
آشوب نوعی حرکت است که به طور معمول در طبیعت و اجتماع  وجود دارد و ماهیت آن حساسیت به شرط اولیه است. برای بررسی یک سیستم آشوبگونه در ابتدای کار باید سیستم را شناسایی کرده و برای آن یک مدل به دست آوریم. مدل به دست آمده مستقیما دقت و صحت مطالعات بعدی بر روی این سیستم ها را تحت تاثیر قرار می دهد.
از شبکه های عصبی برای شناسایی سیستم های آشوبگونه، استفاده می شود. در بعضی مراجع از شبکه های MLP و بعضی دیگر از شبکه های RBF برای این منظور استفاده شده است. اما کمتر نویسندگانی به مسئله شناسایی سیستم های آشوبگونه آغشته به نویز توجه نموده اند.
در این فصل یک روش شناسایی برای سیستم های آشوبگونه آغشته به نویز بر اساس شبکه‌های عصبی feedforward رگولاریزاسیون، ارائه شده است.

۵-۲- شبکه های feedforward رگولاریزاسیون
یکی از مسائل مهم در مطالعه شبکه های عصبی ، قدرت تعمیم دهی شبکه است. Overfitting به عنوان یکی از دلایل مهم تعمیم دهی ضعیف در شبکه های feedforward، به شمار می رود. به این معنی که شبکه مثال های training را حفظ نموده و بیش از حد به آن ها حساس می شود. اما عمومیت داده ها را  درک نمی کند. در نتیجه خطای training بسیار کاهش یافته و خطای شبکه در مقابل داده هایی جدید، زیاد می گردد. حتی اگر داده ها به نویزآغشته باشند،بازهم ممکن است Overfitting رخ دهد.  یک راه مناسب برای غلبه بر این مشکل، استفاده از شبکه های کوچک است. چراکه این شبکه ها اغلب از قدرت تعمیم دهی بیشتری برخوردارند. البته هنوز هم احتمال یادگیری نویز توسط شبکه وجود دارد. رگولاریزاسیون روشی است که با اصلاح تابع معیار شبکه، قدرت تعمیم دهی آن را بهبود می بخشد. تابع معیار عموما به صورت میانگین مجموع مربعات خطای شبکه به فرم زیر تعریف می گردد :

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