بخشی از چکیده:
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.
یک 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) جوید اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغزبه پردازش اطلاعات می پردازدمغز سیستمی موازی با شیوه ی پردازشی توزیعی استو عنصر اصلی پردازش مغز نرون است نحوه عمل نرون وقتی که میزان ورودی های نرون از طریق دندریت ها به حد کافی رسیدنرون پالسی را در اکسون خود اتش می کند 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
پیشگفتار
شبکه ی عصبی چیست؟
سابقه ی تاریخی
انسان وسلول های عصبی و مصنوعی
شباهت با مغز
از سلول های عصبی تا سلول های انسان
شبکه ی عصبی در مقابل کامپیوتر های معمول
چرا از شبکه مصنوعی استفاده می کنیم
مزیت های دیگر آن
مسائل مناسب برای یادگیری شبکه
چگونگی یادگیری یک شبکه
کاربرد های شبکه عصبی
روش کار نرون ها
مدل ریاضی
پیاده سازی الکترونیکی نرون های مصنوعی
عملیات شبکه عصبی
آموزش شبکه عصبی
آموزش تطبیقی
الگوریتم ژنتیک
الگوریتم مورچگان
انواع شبکه های عصبی
یادگیری پرسپترون
الگوریتم های یادگیری
مشکلات روش gradientdesce
الگوریتم back propagation
قدرت نمایش توابع
قدرت تعمیم over fitting
نگاهی به نظریه های یادگیری از دیدگاه روانشناسی
مدل های یادگیری ماشین
تشکیل شبکه ی عصبی
اموزش شبکه
چگونه یک شبکه عصبی بسازیم
فصل دوم
نگاهی به نظریه های یادگیری از دیدگاه علوم کامیوتر
منابع
فهرست اشکال:
فصل اول
شکل 1 - خروجی یک شبکه فرضی ساده
شکل 2 - تابع برنامه اجرایی
شکل 3- مقدار ورودی ورژن دار
شکل 4- مقدار اولیه پیوند
شکل 5- تابع انتقال عبور
شکل 6- تابع learn
شکل 7- سا ختار یک نرون
شکل 8- مدل ریاضی
شکل 9 -تابع خروجی بخش a
شکل 10- نمای جزئی ازیک نرون
شکل 11- تابع سینوسی، تانژانت هذلول
شکل 12- تابع انتقال از نوع sigmoid
شکل 13 -ساختار لایه ای یک شبکه
شکل 14- نمایش شبکه عصبی با ارتباط بازخوردی
شکل 15- روال ناارضای همگرایی در الگوریتم ژنتیک
شکل 16- مسیریاب های نرم افزاری الگوریتم مورچگان
شکل 17- پاکتهای داده در هر مسیریاب
شکل 18- چگونگی ردوبدل اطلاعات در دوسیستم
شکل 19- تست ترافیک الگوریتم مورچگان
شکل 20- تست انطباق الگوریتم
شکل21 -فضای وزنی الگوریتم gradient
شکل 22 -همگرایی در الگوریتم gradient
شکل23 - الگوریتم backpropaging
شکل 24- افزودن متمم با استفاده از الگوریتم bp
شکل 25- نمودار خطا الگوریتم bp
شکل 26- قدرت تعمیم
شکل27- الگوی خبرپردازی یادگیری (بایلرواسنومن،1993)
شکل 28- محیط کار نرم افزار editor
شکل 29 -ایجاد لایه ی FileInput
شکل 30 -ایجاد یک لایه ی خطی
شکل 31- ایجاد لایه WinnerTakeAll
شکل 32- لایه نرون ها
شکل 33 -سه گروه نرون
شکل 34 -ایجاد یک اینترفیس
شکل 35- ایجاد یک کلاس
شکل 36- ایجاد تمام اینترفیس ها
شکل 37- ساختار اصلی یک کلاس
شکل 38- متذ ها
شکل 39- کلاس لایه شبکه
شکل 40- فرستادن پالس
شکل 41 -کلاس neuralnet
شکل 42- نمای کلی از عملکرد سیستم
فصل دوم
شکل 1- رابطه عامل هوشمند با محیط
شکل 2- رابطه عامل با محیط
شکل 3- روبات مسئله را حل کرده
شکل 4- ربات یادگیرنده
شکل 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
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان رشته کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل ورد و قابل ویرایش کامل
به همراه شکل، جدول، پاورقی و فهرست منابع
