پایان نامه بررسی و معرفی شبکه های عصبی مصنوعی

  • پایان نامه جهت اخذ درجه کارشناسی
  • عنوان کامل: بررسی و معرفی شبکه های عصبی مصنوعی
  • دسته: فناوری اطلاعات و کامپیوتر
  • فرمت فایل: WORD (قابل ویرایش)
  • تعداد صفحات پروژه: 121

مقدمه

هوش محاسباتی (Computational-Intelligence) به معنای استخراج هوش، دانش، الگوریتم یا نگاشت از دل محاسبات عددی براساس ارائه به روز داده های عددی است. سیستم هایCI در اصل سیستم های دینامیکی مدل آزاد (Model-free) را برای تقریب توابع و نگاشتها ارائه می کند. در کنار این ویژگی بسیار مهم باید از ویژگی مهم دیگری در ارتباط با خصوصیات محاسباتی سیستم های CI نام برد، که در آن دقت، وجه المصالحه مقاوم بودن، منعطف بودن و سهولت پیاده سازی قرار می گیرد.

مولفه های مهم و اساسی CI، شبکه های عصبی، محاسبات نورونی، منطق فازی، محاسبات تقریبی و الگوریتم ژنتیک محاسبات ژنتیکی است، که هر یک به نوعی مغز را الگو قرار داده اند. شبکه های عصبی ارتباطات سیناپسی و ساختار نورونی، منطق فازی استنتاجات تقریبی و محاسبات ژنتیکی محاسبات موتاسیونی مغز را مدل می کنند.

هوش مصنوعی

در شبکه ارتباطی مغز انسانها سیگنالهای ارتباطی به صورت پالسهای الکتریکی هستند.جزء اصلی مغز نرون است که از یک ساختمان سلولی و مجموعه ای از شیارها و خطوط تشکیل شده و شیارها محل ورود اطلاعات به نرون هستند و خطوط محل خروج اطلاعات از نرون اند. نقطه اتصال یک نرون به نرون دیگر را سیناپس می نامند که مانند دروازه یا کلید عمل می کنند. اگر واکنشهایی که میلیونها نرون مختلف به پالسهای متفاوت نشان میدهند با یکدیگر هماهنگ باشند ممکن است پدیده های مهمی در مغز رخ دهد.

آن دسته از پژوهشگران هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند گونه ای از مدارهای الکتریکی را طراحی کرده اند که تا حدی شبکه مغز را شبیه سازی می کند در این روش هر گره (نرون)به تنهایی یک پردازنده است ولی رایانه های معمولی حداکثر چند CPU دارند هدف عمده کامپیوتر شبکه عصبی این است که مکانیسمی طراحی کند که همانند مغز انسان بازخورد مثبت یاد بگیرد پاسخهای درست و نادرست کدامند.

سیستم شبکه عصبی این کار را از طریق ارزشگذاری کمی برای ارتباطات سیگنالها بین نرونها انجام میدهد مکانیسم ارزشگذاری توسط مقاومتها با تقویت یا تضعیف پالسها انجام می شود.چون شبکه های عصبی میلیونها نرون دارند خرابی تعدادی از آنها تاثیر چندانی برعملکرد سیستم نمی گذارد تا کنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند مثلاًدر بررسی های زیست محیطی، شبکه های عصبی برای جمع آوری و تحلیل اطلاعاتی که از راه دور حس شده اند مورد استفاده قرار می گیرند اطلاعاتی که اغلب سفینه ها مخابره می کنند بسیار حجیم است.شبکه های عصبی این اطلاعات را به راحتی دسته بندی کرده وپس از جمع آوری اطلاعات ذهنی و تجسمی نتایج جالبی به دست می آورند (مثلاًتشخیص انواع خاصی از ابرها) البته این فرایند با آنچه سیستم های خبره انجام می دهند متفاوت است زیرا این سیستم ها ابزارهای تصمیم سازی هستند و می توانند حجم زیادی از اطلاعات را به سرعت تحلیل کنند شبکه های عصبی برای مدل سازی فرایندهای فکری مغزی که زمینه دیگری برای مطالعات حساس به اطلاعات و پیچیدگی است مورد استفاده قرار گرفته است.

فهرست مطالب

فصل اول

مقدمه…7

هوش مصنوعی…7

به سوی آینده…8

تاریخچه…9

تعریف…9

تاریخچه و تعاریف سیستم های خبره…13

بعضی از تعاریف سیستم های خبره…14

تاریخچه سیستم های خبره…14

الگوریتم ژنتیک…16

تابع سازگاری (FitnessFunction)…20

Mutation (جهش ژنتیکی)…21

مقدمه ای بر سیستم های فازی وکنترل فازی…25

سیستم های فازی چگونه سیستم هایی هستند؟…26

سیستم های فازی کجا و چگونه استفاده می شوند؟…27

زمینه های تحقیق عمده در تئوری فازی…27

تاریخچه مختصری از تئوری و کاربردهای فازی…28

فصل دوم

شبکه های عصبی…32

مقدمه … 32

ساختار مغز…33

ساختار نرون…34

چگونه مغز انسان می آموزد ؟…37

معنای شبکه های عصبی…38

قوانین هب…40

از سلول های عصبی انسانی تا سلول های عصبی مصنوعی…41

رویای جایگزینی ویژگی های مغز در یک سیستم مصنوعی چقدر ممکن گردیده؟…41

تاریخچه شبکه های عصبی…42

چرا از شبکه های عصبی استفاده می کنیم؟…44

شبکه های عصبی در مقابل کامپیوتر های معمولی…46

مزایا و محدودیت های شبکه عصبی…45

چه کسانی به شبکه عصبی علاقه مند هستند؟…45

نرم‏افزارها و سخت افزارهای شبکه‏های عصبی…47

کاربرد شبکه های عصبی…49

یکپارچگی منطق فازی و شبکه های عصبی…52

مدل ریاضی یک نرون… 55

یک نرون ساده…56

قوانین برانگیختگی…57

یک نرون پیچیده تر…59

ساختار شبکه های عصبی…60

مراحل طراحی شبکه…61

اهداف شبکه های عصبی…62

تقسیم بندی شبکه های عصبی…63

انواع یادگیری برای شبکه های عصبی…65

توپولوژی شبکه های عصبی…67

شبکه‏های پیش‏خور (Feed Forward)…67

شبکه‏های برگشتی(Recurrent)…67

پرسپترون چند لایه…68

Perceptronهای ساده…69

قدرت Perceptron…69

دنباله های Perceptron…70

آموزش پر سپترون…72

الگوریتم یادگیری پرسپترون…72

قانون پرسپترون…72

قانون دلتا…73

روشهای دیگر…73

شبکه های هاپفید…74

شبکه های دارای پس خور…76

شبکه عصبی ترکیبی المن- جردن…81

پس انتشار خطا…85

چند بررسی از کاربرد های شبکه های عصبی…87

فصل سوم

نتیجه گیری…110

منابع ومأخذ…112

اطلاعات فایل

  • فرمت: zip
  • حجم: 1.47 مگابایت
  • شماره ثبت: 505

خرید فایل

نظرات 0 + ارسال نظر
امکان ثبت نظر جدید برای این مطلب وجود ندارد.