تحقیق شبکه های عصبی

تحقیق شبکه های عصبی

فرمت فایل دانلودی: .doc
فرمت فایل اصلی: doc
تعداد صفحات: 113
حجم فایل: 2236 کیلوبایت
قیمت: 11500 تومان

توضیحات:

پروژه رشته کامپیوتر با موضوع شبکه های عصبی، در قالب فایل word و در حجم 113 صفحه.

بخشی از متن:

در این نوشتار به معرفی شبکه های عصبی مصنوعی و ساختارهای آنها به صورت خلاصه میپردازیم. در ابتدا نورون های شبکه های عصبی طبیعی معرفی شده و طرز کار آنها نشان داده شده است. سپس مدل مصنوعی این نورون ها و ساختار آنها ، مدل ریاضی آنها ، شبکه های عصبی مصنوعی و نحوه آموزش و بکار گیری این شبکه ها به همراه روش یادگیری گرادیان کاهنده نشان داده شده است. تمرکز بیشتر بر نوعی از این شبکه ها بنام شبکه های عصبی مصنوعی پرسپترون چند لایه می باشد. ابزاهایی نیز برای پیاده سازی این شبکه ها نام برده شده است.

فهرست مطالب:

چکیده 

مقدمه 

شکل 1 ساختار یک نورون طبیعی 

شکل 2 ساختار نورون مصنوعی 

تعریف شبکه‌های عصبی مصنوعی 

تاریخچه 

انواع شبکه‌های عصبی مصنوعی 

شبکه عصبی زیستی 

معرفی شبکه عصبی مصنوعی 

تاریخچه شبکه عصبی مصنوعی 

چرا از شبکه های عصبی استفاده می‌کنیم؟ 

مقایسه‌ی شبکه های عصبی با کامپیوتر سنتی 

نورون مصنوعی 

ساختار شبکه‌های عصبی 

تقسیم بندی شبکه‌های عصبی 

کاربرد شبکه‌های عصبی 

معایب شبکه‌های عصبی 

نظریه‌ی تشدید انطباقی 

مدل یادگیری 

روش‌های تعلیم شبکه عصبی 

مدل نرون ساده‌ی خطی 

شکل 3 نرون ساده خطی 

شکل 4 مدل نرون خطی به همراه تابع فشرده‌سازی 

تکنیک های تعیین پارامترهای نرون خطی 

شبکه‌های پرسپترون چندلایه 

شکل5 نمونه ازشبکه پرسپترون 

الگوریتم یادگیری شبکه های پرسپترون (انتشاربه عقب) 

انتشار به عقب خطا 

تصحیح اوزان وبایاسها 

شبکه های عصبی مصنوعی 

مغزانسان 

سلولهای عصبی 

سلول عصبی مصنوعی 

شبکه عصبی مصنوعی 

شناخت حروف توسط شبکه های عصبی 

تشکیل شبکه عصبی 

ایجادلایه file input 

ایجادیک لایه خطی 

ایجادلایه winery take all 

تقسیم بندی الگوهابه سه دسته 

آموزش شبکه 

تست کردن شبکه 

امتحان با مثالهای جدید 

تشخیص دیجیتال با استفاده ازشبکه عصبی 

نتیجه گیری 

کلمات کلیدی 

مقدمه 

کار مرتبط 

شکل 1 مثالهای شکلهای مختلف درعدد 4 

شکل 2 سناریوی تشخیص عددبا شبکه مصنوعی 

زیر ساخت 

اجزای سیستم 

مواد و روشها 

پیش پردازش 

نرمالسازی قیاس بندی 

نازی سازی و چارچوب بندی 

جداسازی 

استخراج مشخصه 

تشخیص و کلاس بندی 

شکل 4 شبکه دولایه،یک لایه مخفی،ویک لایه خروجی 

کد الگوریتم 

شکل 5 شبکه سه لایه، 2 لایه مخفی ویک لایه خروجی 

آموزش شبکه 

مرحله تغذیه جلویی 

شکل 6 تابع راندمان اموزش 

نتایج و مباحث 

جدول 1 مقایسه بین شبکه ها 

جدول 2 دقت تشخیص 

شکل 7 مثالی برای تصویرکشیدن مراحل مختلف 

شکل 8 مقایسه بین نظریه هاوسیتم مان برحسب دقت تشخیص 

شبکه عصبی برپایه معماری تنظیم پایگاه داده 

کلمات کلیدی 

مقدمه 

شکل 1 ساختار پایه شبکه عصبی 

شکل 2 معماری تنظیم برپایه شبکه عصبی 

جدول 1 سری داده های آموزش نمونه 

شکل 3 تاثیراندازه بافربر زمان اجرای 

داخل کردن کلاس بندی و پیوند درمدل تعمیم شبکه عصبی جمعی 

نتایج 

کلمات کلیدی 

مقدمه 

شکل 1 لایه کلی مدل شبکه جمعی مطرح 

شکل 2 ساختارکلی مدل شبکه جمع 

شکل 3 طرح لایه بندی دوگانه 

شکل 4 نمودارجریان سازگاری ساختاری مدل مطرح شده 

جدول 2 بخشهای میانگین مربع خطا 

شکل 1 نمادهای مدلهای سه بعدی کشتی 

شکل 2 ساختارسیستم کلاس سازکشتی 

شکل 3 ساختارشبکه عصبی 

پانوشت ها 

فهرست منابع

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

پاورپوینت شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی یادگیری یک پرسپترون توابع بولی و پرسپترون قانون پرسپترون قانون دلتا شبکه های چند لایه تابع سیگموئید الگوریتم Back propagatio

دسته بندی	کامپیوتر و IT
فرمت فایل	ppt
حجم فایل	385 کیلو بایت
تعداد صفحات فایل	46

دریافت فایل

فروشنده فایل

کد کاربری 12271

تمام فایل ها

مقدمه

شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.

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 چیست؟

روشی برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد پردازشی ساخته میشود.

شبکه از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل میشود که مجموعه ورودی را به خروجی ربط میدهند.

شبکه عصبی چه قابلیتهائی دارد؟

محاسبه یک تابع معلوم

تقریب یک تابع ناشناخته

شناسائی الگو

پردازش سیگنال

یادگیری انجام موارد فوق

مسائل مناسب برای یادگیری شبکه های عصبی

خطا در داده های آموزشی وجود داشته باشد. مثل مسائلی که داده های آموزشی دارای نویز حاصل از دادهای 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.

تابع هدف دارای مقادیر پیوسته باشد.

زمان کافی برای یادگیری وجود داشته باشد؛ این روش در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد.

نیازی به تعبیر تابع هدف نباشد؛زیرا به سختی میتوان اوزان یادگرفته شده توسط شبکه را تعبیر نمود.

شبکه های عصبی مصنوعییادگیری یک پرسپترونتوابع بولی و پرسپترونقانون پرسپترونقانون دلتاشبکه های چند لایهتابع سیگموئیدالگوریتم Back propagatio

  در صورت وجود مشکل در روند خرید و دانلود هر کدام از سایت های این سایت از طریق تلگرام 24 ساعته با شماره 09214087336   جهت پشتیبانی ارتباط بگیرید