تحلیل شبکه های عصبی تحت رفتارهای متفاوت و بیان نتایج آن

دسته: کامپیوتر و IT

فرمت فایل: doc

حجم فایل: 694 کیلوبایت

تعداد صفحات فایل: 77


  • شبکه عصبی
  • شبکه عصبی مصنوعی
  • الگوریتمهای ژنتیک در تجارت
  • رفتار آشوبگونه مدل شبکه عصبی
  • شبکه های عصبی مصنوعی
  • شبکه های عصبی آشوبگونه
  • تحلیل شبکه های عصبی تحت رفتارهای آشوبگونه،لرزش عضله و اغتشاش تصادفی
  • دانلود پایان نامه هوش مصنوعی
  • دانلود پایان نامه رشته هوش مصنوعی

دانلود پایان نامه رشته هوش مصنوعی

تحلیل شبکه های عصبی تحت رفتارهای متفاوت و بیان نتایج آن

چکیده:

این پایان نامه 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 شبکه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت می پردازیم.

کلمات کلیدی:

شبکه عصبی

شبکه عصبی مصنوعی

رفتار آشوبگونه مدل شبکه عصبی

انواع متفاوت شبکه های عصبی

مقدمه:

شبکه های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده تر شبکه های عصبی سیستم ها و روش های محاسباتی نوینی برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت پیش بینی پاسخ های خروجی از سامانه های پیچیده هستند. ایدهٔ اصلی این گونه شبکه ها (تا حدودی) الهام گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده ها 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 فوق العاده بهم پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می کنند و توسط سیناپس ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می کنند. در این شبکه ها اگر یک سلول آسیب ببیند بقیه سلول ها می توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه ها قادر به یادگیری اند. مثلاً با اعمال سوزش به سلول های عصبی لامسه، سلول ها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده از مثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های 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 شبکه ای از عناصر پردازش ساده (نورون ها) است که می تواند رفتار پیچیده کلی تعیین شده ای 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 (آکسون ها، شاخه های متعدد سلولهای عصبی و محلهای تماس دو عصب) نشأت گرفته است که یکی از قابل توجه ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می دهد. در یک مدل شبکه عصبی، گره های ساده (بطور گسترده «نورون»)، «نورون ها»، «PEها» (عناصر پردازش) یا واحدها برای تشکیل شبکه ای از گره ها، به هم متصل شده اند. به همین دلیل به آن «شبکه های عصبی» اطلاق می شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگاری پذیر باشد، استفاده عملی از آن بواسطه الگوریتم هایی امکان پذیر 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

زمینه ای در مورد perceptron 10

Perceptron های ساده: 10

قدرت Perceptron 10

دنباله های Perceptron 11

قضیه بنیادی دنباله ها: 12

هوش جمعی 14

(Particle Swarm Optimitation(PSO: 15

Particle swarm Optimitation Algorithm: 16

فصل دوم: یک شبکه عصبی جدید و کاربرد آن 17

یک شبکه عصبی جدید و کاربرد آن 17

معرفی 17

– نورون با خاصیت آشوبگونه : 18

– شکل شبکه: 19

-قانون آموزش شبکه: 21

– مدلسازی ژنراتور سنکرون دریایی 24

5-1 روش مدلسازی دینامیک 24

شکل 4. سیستم شناسایی ژنراتور سنکرون دریایی به وسیله شبکه عصبی 26

شکل 5. توان گشتاور ورودی و فرکانس خروجی ژنراتور 27

نتایج مدلسازی 27

شکل 6. جریان تحریک ورودی و ولتاژ خروجی پایانه 28

شکل8. فرکانس خروجی ژنراتور، شبکه و خطای بین آن ها 29

نتیجه فصل 29

شکل 9. ولتاژخروجی ژنراتور، شبکه و خطای بین آن ها 29

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

1) معرفی 30

– منحنی طول – کشش 31

– شبکه های عصبی 32

ساختار برگشتی 32

شکل 2. شبکه برگشتی. 33

مقایسه با مدل های دیگر 33

نتایج تجربی 33

نمودار دوشاخه شدن 33

شکل 3. نمودار دو شاخه شدن. 34

شکل 5. نمودار دو شاخه شدن 1α نسبت 2α 35

تغییرات طیف 35

شکل 6. حساسیت به شرط اولیه.(a : 0.2 نسبت به 0.2001( 36

– نتیجه فصل 37

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

1- معرفی 38

2- نمادها و مقدمات 39

3- نتایج مهم 44

اثبات تئوری 1 : 47

شکل 5. نرخ هماهنگ سازی نمایی سیستم با خطای دینامیک. 56

شکل 6. دینامیک های سنکرون نشده در فضای حالت. 56

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

2- شبکه 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 شبکه آموزش یافته 61

4- شبیه سازی ها 62

شکل 3. منحنی رگولاریزاسیون (α = 0.5) 64

شکل4. جذب کننده شبکه 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 71

بازاریابی 72

بانکداری و حوزه های مالی 73

سایر حوزه های تجاری 74

مزایای استفاده از این فناوریهای هوش مصنوعی 75

نتایج 76

منابع 77

خرید این فایل … 57000 تومان

دریافت نسخه PDF

تحلیل شبکه های عصبی تحت رفتارهای متفاوت و بیان نتایج آن