رفتار آشوبگونه مدل شبکه عصبی و هماهنگ سازی نمایی آن

دانلود پایان نامه رشته هوش مصنوعی

رفتار آشوبگونه مدل شبکه عصبی و هماهنگ سازی نمایی آن

*ضمیمه شدن پاورپوینت پایان نامه در قالب 85 اسلاید و بصورت رایگان:)
 
چکیده:
این پایان نامه مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبكه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبكه های آشوبگونه آغشته به نویز بر مبنای شبكه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت  می پردازیم. 
 
 
کلمات کلیدی:

شبکه عصبی

شبکه عصبی مصنوعی

الگوریتمهای ژنتیک در تجارت

رفتار آشوبگونه مدل شبکه عصبی

هماهنگ سازی نمایی شبكه های عصبی آشوبگونه

 
 
مقدمه:
شبکه‌های عصبی مصنوعی (Artificial Neural Network - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت پیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها و اطلاعات برای یادگیری و ایجاد دانش است.
 
 عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. مثلاً با اعمال سوزش به سلول‎های عصبی لامسه، سلول‎ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثال‎ها وزن سیناپس‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند.
 
توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‎ای از عناصر پردازش ساده (نورون‌ها) است که می‌تواند رفتار پیچیده کلی تعیین شده‎ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسون‎ها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب) نشأت گرفته‌است که یکی از قابل توجه‎ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می‎دهد. در یک مدل شبکه عصبی، گره‎های ساده (بطور گسترده «نورون»)، «نورون‌ها»، «PEها» (عناصر پردازش) یا واحدها برای تشکیل شبکه‎ای از گره‎ها، به هم متصل شده‌اند. به همین دلیل به آن «شبکه‎های عصبی» اطلاق می‎شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگاری‌پذیر باشد، استفاده عملی از آن بواسطه الگوریتم‌هایی امکان‌پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد.
 
 
 
 
 
فهرست مطالب
مقدمه 2

فصل اول:    شبکه عصبی 3

یک شبکه عصبی مصنوعی چیست؟ 3
چرا از شبکه های عصبی استفاده می کنیم ؟ 4
شبکه های عصبی در مقابل کامپیوتر های معمولی 5
انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها 6
چگونه مغز انسان می آموزد ؟ 6
از سلول های عصبی انسانی تا سلول های عصبی مصنوعی 7
انواع یادگیری برای شبکه های عصبی 7
زمینه‌ای در مورد perceptron 10
Perceptron های ساده: 10
قدرت Perceptron 10
دنباله‌های Perceptron 11
قضیه بنیادی دنباله‌ها: 12
هوش جمعی 14
(Particle Swarm Optimitation(PSO: 15
Particle swarm Optimitation Algorithm: 16
 

فصل دوم:    یك شبكه عصبی جدید و كاربرد آن 17

یك شبكه عصبی جدید و كاربرد آن 17
معرفی 17
- نورون با خاصیت آشوبگونه : 18
- شكل شبكه: 19
-قانون آموزش شبكه: 21
- مدلسازی ژنراتور سنكرون دریایی 24
5-1  روش مدلسازی دینامیك 24
شكل 4. سیستم شناسایی ژنراتور سنكرون دریایی به وسیله شبكه عصبی 26
شكل 5. توان گشتاور ورودی و فركانس خروجی ژنراتور 27
نتایج مدلسازی 27
شكل 6. جریان تحریك ورودی و ولتاژ خروجی پایانه 28
شكل8. فركانس خروجی ژنراتور، شبكه و خطای بین آن ها 29
نتیجه فصل 29
شكل 9. ولتاژخروجی ژنراتور، شبكه و خطای بین آن ها 29
 

فصل سوم :  آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله 30

۱) معرفی 30
- منحنی طول - کشش 31
- شبکه های عصبی 32
ساختار برگشتی 32
شکل ۲. شبکه برگشتی. 33
مقایسه با مدل های دیگر 33
نتایج تجربی 33
نمودار دوشاخه شدن 33
شکل ۳. نمودار دو شاخه شدن. 34
شکل ۵. نمودار دو شاخه شدن ۱&#۹۴۵; نسبت ۲&#۹۴۵; 35
تغییرات طیف 35
شکل ۶. حساسیت به شرط اولیه.(a : ۰.۲ نسبت به ۰.۲۰۰۱( 36
- نتیجه فصل 37
 

فصل چهارم:   هماهنگ سازی نمایی شبكه های عصبی آشوبگونه با اغتشاش تصادفی 38

1- معرفی 38
2- نمادها و مقدمات 39
3- نتایج مهم 44
اثبات تئوری 1 : 47
شكل 5. نرخ هماهنگ سازی نمایی سیستم با خطای دینامیك. 56
شكل 6. دینامیك های سنكرون نشده در فضای حالت. 56
 

فصل پنجم : شناسایی شبكه های آشوبگونه آغشته به نویز بر مبنای شبكه های عصبی feedforward رگولاریزاسیون 57

2-  شبكه های feedforward رگولاریزاسیون 58
3-  طراحی شبیه سازی 60
3-1 سیستم آشوبگونه مورد بررسی 60
3-2  تولید دیتا 60
3-3  روش های ارزیابی شبكه آموزش یافته 61
4- شبیه سازی ها 62
شكل 3. منحنی رگولاریزاسیون (α = 0.5) 64
شكل4. جذب كننده شبكه آموزش یافته (α = 0.5) 64
6-  نتیجه 64
 

فصل ششم : شبکه های عصبی و الگوریتم های ژنتیک در تجارت 64

فناوری شبکه عصبی 67
فناوری الگوریتم ژنتیک 71
مروری بر کاربردهای تجاری 72
بازاریابی 73
بانکداری و حوزه های مالی 75
سایر حوزه های تجاری 78
مزایای استفاده از این فناوریهای هوش مصنوعی 78
نتایج 79
منابع 80
 
 
 
 

نظرات کاربران

نظرتان را ارسال کنید

captcha

فایل های دیگر این دسته