ن : علیرضا بشیری رضایی
پروژه کاربرد شبکه های عصبی مصنوعی
با سلام خدمت شما دوستان عزیز و محترم . گروه ما این بار برای شما پروژه کاربرد شبکه های عصبی مصنوعی را آماده نموده و در دسترس شما جهت تهیه هرچه آسان تر قرار داده است . اهمیت این مطلب ما را بر این داشت تا ما این پروژه را با وسواس فراوان جدا کرده و با تخفیفی ویژه در اختیار شما قرار دهیم. هدف ما همیشه خدمت رسانی هرچه بهتر و صادقانه تر به شما هم میهنان عزیز است. امید است تا زحمات گروه ما که از فارغ التحصیلان برتر دانشگاهی تشکیل شده است، برای شما یا نزدیکانتان مثمر ثمر واقع شده و توانسته باشیم خدمتی هر چند کوچک را با تهیه محصولات با تخفیف و قیمت های مناسب ، به شما ارائه داده باشیم . در ادامه می توانید توضیحات بیشتری را در مورد این محصول مشاهده نمائید:
فرمت فایل دانلودی: .docx
فرمت فایل اصلی: docx
تعداد صفحات: 81
حجم فایل: 5717
قیمت: : 11000 تومان
بخشی از متن:
بخشی از چكيده:
این تحقیق با دو هدف اصلی زیر صورت گرفته است:
1. درک اولیه ای از شبکه های عصبی
2. شروع یک رویه تحقیقاتی بلند مدت روی یادگیری ویاد آوری در انسان
شبکه‌های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده‌اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه بسیاری را صرف آن کرده و می‌کنند. این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تا حال به خوبی پیشرفته است. از جمله کاربردهای این بحث می‌توان از شناسایی الگوها, پردازش تصویر و رویت, هوش مصنوعی, کنترل رباتها و موارد بسیار دیگر نام برد. ما در این مقاله پس از مقدمه به مسائل در خور شبکه‌های عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه Perceptron ها را که یکی از مهمترین الگوریتم‌های شبکه‌های عصبی مصنوعی می‌باشد معرفی می‌کنیم.
يک ANN برای انجام وظیفه ای مشخص، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری، تنظیم می شود. ایده ای است برای پردازش شبکه عصبی مصنوعی (Artificial Neural Network) جويد اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغزبه پردازش اطلاعات می پردازدمغز سيستمي موازي با شيوه ي پردازشي توزيعي استو عنصر اصلي پردازش مغز نرون است نحوه عمل نرون وقتي كه ميزان ورودي هاي نرون از طريق دندريت ها به حد كافي رسيدنرون پالسي را در اكسون خود اتش مي كند شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند.کامپیوتر های معمولی یک مسیر الگوریتمی را استفاده می کنند به این معنی که ...
فهرست مطالب:
چکیده
پيشگفتار
شبكه ي عصبي چيست؟
سابقه ي تاريخي
انسان وسلول هاي عصبي و مصنوعي
شباهت با مغز
از سلول هاي عصبي تا سلول هاي انسان
شبكه ي عصبي در مقابل كامپيوتر هاي معمول
چرا از شبكه مصنوعي استفاده مي كنيم
مزيت هاي ديگر آن
مسائل مناسب براي يادگيري شبكه
چگونگي يادگيري يك شبكه
كاربرد هاي شبكه عصبي
روش كار نرون ها
مدل رياضي
پياده سازي الكترونيكي نرون هاي مصنوعي
عمليات شبكه عصبي
آموزش شبكه عصبي
آموزش تطبيقي
الگوريتم ژنتيك
الگوريتم مورچگان
انواع شبكه هاي عصبي
يادگيري پرسپترون
الگوريتم هاي يادگيري
مشكلات روش gradientdesce
الگوريتم back propagation
قدرت نمايش توابع
قدرت تعميم over fitting
نگاهي به نظريه هاي يادگيري از ديدگاه روانشناسي
مدل هاي يادگيري ماشين
تشكيل شبكه ي عصبي
اموزش شبكه
چگونه يك شبكه عصبي بسازيم
فصل دوم
نگاهي به نظريه هاي يادگيري از ديدگاه علوم كاميوتر
منابع
فهرست اشكال:
فصل اول
شكل 1 - خروجي يك شبكه فرضي ساده
شكل 2 - تابع برنامه اجرايي
شكل 3- مقدار ورودي ورژن دار
شكل 4- مقدار اوليه پيوند
شكل 5- تابع انتقال عبور
شكل 6- تابع learn
شكل 7- سا ختار يك نرون
شكل 8- مدل رياضي
شكل 9 -تابع خروجي بخش a
شكل 10- نماي جزئي ازيك نرون
شكل 11- تابع سينوسي، تانژانت هذلول
شكل 12- تابع انتقال از نوع sigmoid
شكل 13 -ساختار لايه اي يك شبكه
شكل 14- نمايش شبكه عصبي با ارتباط بازخوردي
شكل 15- روال ناارضاي همگرايي در الگوريتم ژنتيك
شكل 16- مسيرياب هاي نرم افزاري الگوريتم مورچگان
شكل 17- پاكتهاي داده در هر مسيرياب
شكل 18- چگونگي ردوبدل اطلاعات در دوسيستم
شكل 19- تست ترافيك الگوريتم مورچگان
شكل 20- تست انطباق الگوريتم
شكل21 -فضاي وزني الگوريتم gradient
شكل 22 -همگرايي در الگوريتم gradient
شكل23 - الگوريتم backpropaging
شكل 24- افزودن متمم با استفاده از الگوريتم bp
شكل 25- نمودار خطا الگوريتم bp
شكل 26- قدرت تعميم
شکل27- الگوی خبرپردازی یادگیری (بایلرواسنومن،1993)
شكل 28- محيط كار نرم افزار editor
شكل 29 -ایجاد لایه ی FileInput
شكل 30 -ایجاد یک لایه ی خطی
شكل 31- ايجاد لايه WinnerTakeAll
شكل 32- لايه نرون ها
شكل 33 -سه گروه نرون
شكل 34 -ايجاد يك اينترفيس
شكل 35- ايجاد يك كلاس
شكل 36- ايجاد تمام اينترفيس ها
شكل 37- ساختار اصلي يك كلاس
شكل 38- متذ ها
شكل 39- كلاس لايه شبكه
شكل 40- فرستادن پالس
شكل 41 -كلاس neuralnet
شكل 42- نماي كلي از عملكرد سيستم
فصل دوم
شکل 1- رابطه عامل هوشمند با محیط
شکل 2- رابطه عامل با محیط
شكل 3- روبات مسئله را حل كرده
شكل 4- ربات يادگيرنده
شكل 5 -نمودار یادگیری برای روبات
شکل 6 - یک اتوماتای یادگیر ساده
شکل 7 - چرخه ی CBR
شکل 8 - مثال CBR
شکل 9 - مثال Decision Tree
شکل10- یک مدل کنترل کننده عاطفی
شکل 11 - یک کنترل کننده عاطفی
شکل 12- مدل یک نرون عصبی
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
نظرات شما عزیزان:
:: برچسب‌ها: دانلود پروژه کاربرد شبکه های عصبی مصنوعی , پروژه کاربرد شبکه های عصبی مصنوعی , کاربرد شبکه های عصبی مصنوعی , شبکه های عصبی مصنوعی , عصبی مصنوعی , دانلود تحقیق کاربرد شبکه های عصبی مصنوعی , تحقیق کاربرد شبکه های عصبی مصنوعی , دانلود تحقیق شبکه های عصبی مصنوعی , تحقیق شبکه های عصبی مصنوعی , دانلود پروژه شبکه های عصبی مصنوعی , پروژه شبکه های عصبی مصنوعی , دانلود تحقیق عصبی مصنوعی , تحقیق عصبی مصنوعی , دانلود پروژه عصبی مصنوعی , پروژه عصبی مصنوعی , دانلود پروژه های کامپیوتر, دانلود پروژه های نرم اقزار, پروژه کامپیوتر, پروژه نرم افزار, دانلود پروژه کامپیوتر نرم افزار, پروژه کامپیوتر نرم افزار, تحقیق کامپیوتر, تحقیق نرم افزار, مقاله کامپیوتر, مقالات کامپیوتر, دانلود مقاله کامپیوتر, دانلود مقالات کامپیوتر, پروژه کامپیوتر, پروژه نرم افزار, دانلود پروژه کامپیوتر, دانلود پروژه نرم افزار, پروژه نرم افزار کامپیوتر,
خبرنامه وب سایت:
