دسته : پروژه کاردانی, پروژه کارشناسی, پروژه کامپیوتر, پروژه کامپیوتر
لینک دانلود بعد از اضافه کردن پروژه به سبد خرید و پرداخت آن در اختیارتان قرار خواهد گرفت.
توضیحات
شبکه های عصبی RBF
روژه جهت دریافت درجه کارشناسی فناوری اطلاعات
فهرست مطالب این پروژه
پیش گفتار
چکیده
فصل اول:شبکه عصبی
- شبکه عصبی
- معرفی شبکه عصبی مصنوعی
- تاریخچه شبکههای عصبی مصنوعی
- چرا از شبکههای عصبی استفاده میکنیم
- نورون مصنوعی
۱-۵-۱- از نورونهای انسان تا نورون مصنوعی
- ساختار شبکههای عصبی
- تقسیم بندی شبکههای عصبی
- معایب شبکههای عصبی rbf
- طراحی شبکه RBF با matlab
- توضیحات برنامه
- علل خطای زیاد در برنامه
- دستهبندی الگوهای شبکه های rbf
- یادگیری رقابتی rbf
- بروزرسانی دستهای: LBG (Batch Update: LBG)
- k-means
- نرخ یادگیری نزولی نمایی (Exponentially Decaying Learning Rate)
- یادگیری رقابتی نرم بدون ابعاد ثابت شبکه
- گاز عصبی (Neural Gas)
- یادگیری رقابتی هب (Competative Hebbian Learning)
- گاز عصبی رشدیابنده (Growing Neural Gas)
- روشهای دیگر
فصل دوم:اقتصاد سنجی
۲-۱- اقتصاد سنجی
۲-۲- اهداف شبکه های rbf
۲-۳- روششناسی اقتصادسنجی
۲-۴- انواع دادهها
۲-۵- تحلیل رگرسیون
۲-۶- فروض کلاسیک
۲-۷- روش حداقل مربعات معمولی
۲-۸- نقض فروض کلاسیک
۲-۹- روش حداقل مربعات تعمیم یافته
۲-۱۰- متغیر ابزاری
۲-۱۱- روش حداکثرسازی درستنمایی
۲-۱۲- روشهای برآورد معادلات هم زمان
۲-۱۳- دسته بندی مدلهای اقتصادسنجی
۲-۱۴- همبستگی و علیت در اقتصادسنجی
۲-۱۵- نقد لوکاس
۲-۱۶- مدل خودبرگشت برداری
فصل سوم:مدلی برای تشخیص ضربانهای
۳-۱-مدلی برای تشخیص ضربانهای زودهنگام بطنی با استفاده از ساختارهای عصبی rbf
۳-۲- جمع آوری اطلاعات
۳-۳- ضربانهای نابهنگام بطنی (PVC )
۳-۴- حذف نویز
۳-۶-پیش بینی جریان با استفاده از شبکه عصبی تابع بنیادی شعاعی rbf
۳-۷-شبکه عصبی تابع بنیادی شعاعی
۳-۸-خصوصیات مشترک و قراردادهای نوشتاری
۳-۹-اهداف یادگیری رقابتیrbf
۳-۱۰-حداکثر کردن آنتروپی
۳-۱۱-نگاشت ویژگی
۳-۱۲- اهداف دیگر
۳-۱۳-نقشههای ویژگی خودسامانده (Self-Organizing Feature Maps)
۳-۱۴- ساختارهای سلولی رشدیابنده (Growing Cell Structures)
۳-۱۴-شبکه توری رشدیابنده (Growing Grid)
۳-۱۵- روشهای دیگر
۳-۱۶-نقشه خودسامانده رشدیابنده (GSOM)
۳-۱۷-معماری عصبی خودمولد برای تحلیل داده
۳-۱۸-نسخهای از الگوریتم نقشه خودسامانده رشدیابنده
۳-۱۹-مدلهای دیگر GSOM
۳-۱۹-۱-تطبیق نرخ یادگیری
۳-۱۹-۲-تطبیق همسایگی محلی وزن ها
۳-۱۹-۳-توزیع وزن گرههای غیر مرزی
۳-۲۰-الگوریتم GSOM برای فضاهای ابرمکعبی خروجی
۳-۲۰- الگوریتم GSOM برای رشد در فضای ابرمکعبی
۳-۲۱-مثال های واقعی
فصل چهارم: نتیجه گیری
۴-۱-نتیجه گیری
مراجع
پیش گفتار
شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری می باشد . یادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده است. شبکه عصبی روشی برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد پردازشی ساخته می شود. شبکه از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل می شود که مجموعه ورودی را به خروجی ربط می دهند مطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل در کار یادگیری دخیل هستند. خطا در داده های آموزشی (ورودی) وجود داشته باشد. مانند مسائلی که داده های آموزشی دارای نویز حاصل از داده های سنسورها نظیر دوربین و میکروفن ها هستند.مواردی که نمونه ها توسط مقادیر زیادی زوج ویژگی مقدار نشان داده شده باشند. نظیر داده های حاصل از یک دوربین ویدئوئی ( RGB) تابع هدف دارای مقادیر پیوسته باشد. زمان کافی برای یادگیری وجود داشته باشد. شبکه های عصبی با تعداد آموزش بیشتر، جواب دقیق تری به ورودی ها خواهند داد. نیازی به تعبیر تابع هدف نباشد زیرا به سختی میتوان وزنهای یادگرفته شده توسط شبکه را تعبیر نمود