پروژه کاردانی رشته کامپیوتر با عنوان شبکه های عصبی در هوش مصنوعی

شبکه های عصبی در هوش مصنوعی  عنوان پروژه کاردانی رشته کامپیوتر است که در این قسمت از سایت گروه ترجمه تخصص البرز برای دانلود در قالب فایل Word ارائه شده است.

این پروژه کاردانی رشته کامپیوتر با عنوان شبکه های عصبی در هوش مصنوعی 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 سازي نمايي شبكه هاي عصبي آشوبگونه با اغتشاش تصادفي و شناسايي شبكه هاي آشوبگونه آغشته به نويز بر مبناي شبكه هاي عصبي feedforward رگولاريزاسيون و همچنین شبکه هاي عصبي و الگوريتم هاي ژنتيک در تجارت  میپردازیم.

فهرست موضوعات  این پروژه کاردانی رشته کامپیوتر با عنوان شبکه های عصبی در هوش مصنوعی

چكيده فصل : یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد  عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کندANN ها ،نظیر انسانها ، با مثال یاد می گیرند  یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود  در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است  این روش ANN ها هم می باشد.پ

یک شبکه عصبی مصنوعی چیست؟

سابقه تاریخی

چرا از شبکه های عصبی استفاده می کنیم ؟

مزیتهای دیگر شبکه های عصبی

شبکه های عصبی در مقابل کامپیوتر های معمولی

انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها

از سلول های عصبی انسانی تا سلول های عصبی مصنوعی

انواع یادگیری برای شبکه های عصبی

زمینه‌ای در مورد perceptron

 Perceptron های ساده

قدرت  Perceptron

دنباله‌های Perceptron

قضیه بنیادی دنباله‌ها

هوش جمعی

(Particle Swarm Optimitation(PSO

Particle swarm Optimitation Algorithm

چكيده فصل : به منظور بهبود توانايي مدلسازي و شناسايي سيستم هاي غيرخطي با شبكه هاي عصبي، خواص نورون ها ، قوانين آموزش و شكل شبكه ها ، مورد بررسي قرار گرفته است براي ايجاد شبكه هاي عصبي آشوبگونه، يك نورون آشوبي معرفي شده است توانايي عمل بر روي اطلاعات در شبكه هاي برگشتي به دليل حضور حلقه هاي فيدبك، بيشتر از شبكه هاي معمولي است در آموزش شبكه براي مدلسازي ، از الگوريتم پس انتشار خطا استفاده شده است در مقايسه با شبكه هاي عصبي ديگر تعداد نورون لايه پنهان شبكه هاي آشوبگونه كمتر و توانايي تعميم دهي آن ها بيشتر است از شبكه آشوبگونه برگشتي ارائه شده در مدلسازي ژنراتور سنكرون دريايي ، استفاده شده است در اين فصلANN, اي با توانايي مطلوب جهت بررسي سيستم هاي غيرخطي ارائه شده است در مدلسازي سيستم ها ، توانايي تقريب به وسيله نورون ها ، شكل شبكه و قانون آموزش ، محدود مي گردد چگونگي بهبود خاصيت ارگاديك ANN يك مسئله مهم جهت تحقيق و يررسي مي باشد سيستم هاي آشوبگونه داراي مشخصاتي تصادفي هستند و الگوريتم آشوبي باعث ايجاد خاصيت قوي ارگاديك در شبكه مي گردد.

مدلسازي ژنراتور سنكرون دريايي در زمينه شبيه سازي و كنترل real time  بسيار مفيد مي باشد مدل هاي مرسوم براي اين ژنراتور اغلب با حل معادلات ديفرانسيل مرتبه بالايي سروكار دارند كه حل آن ها با محاسبات DSP به صورت real time ، ميسر نمي باشد به همين دليل در اينجا ، مدلسازي و شناسايي اين سيستم توسط ANN مورد توجه قرار گرفته است.

يك شبكه عصبي جديد و كاربرد آن

معرفي

نورون با خاصيت آشوبگونه

شكل شبكه

قانون آموزش شبكه

مدلسازي ژنراتور سنكرون دريايي

روش مدلسازي ديناميك

نتايج مدلسازي

نتيجه فصل

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

چكيده فصل : این فصل نتایج تجربی مدلسازی فعالیت آشوبگونه نوع خاصی از لزرش های عضلانی را توسط شبکه های عصبی ، ارائه می دهدوجود آشوب در خروجی شبکه به وسیله ایجاد طیف پیوسته فرکانسی از طریق افزایش فرکانس های گسسته ، قابل تایید می باشد شبکه مورد استفاده یک شبکه ساده برگشتی از نوع Elman است که نیازی به تغییر در روش آمورش ندارد.

معرفی

منحنی طول – کشش

شبکه های عصبی

ساختار برگشتی

مقایسه با مدل های دیگر

نتایج تجربی

نمودار دوشاخه شدن

حساسیت به شرط اولیه

تغییرات طیف

نتیجه فصل

فصل چهارم:   هماهنگ سازي نمايي شبكه هاي عصبي آشوبگونه با اغتشاش تصادفي

چكيده فصل : در اين فصل مسئله هماهنگ سازي شبكه هاي عصبي آشوبگونه با اغتشاش تصادفي مورد بررسي قرار گرفته است بر اساس تئوري پايداري  Lyapunov و با استفاده نامساوي Halanay در مورد معادلات ديفرانسيل تصادفي ، مفهوم پاسخ – درايو و تكنيك هاي كنترل حلقه بسته تاخير زماني ، ضوابطي به دست آمده كه هماهنگ سازي نمايي بين دو شبكه آشوبگونه و تاخير يافته مشابه را به همراه اغتشاش تصادفي ، ميسر مي سازد اين شرط ها به صورت يك سري نامساوي ماتريسي خطي بيان مي شوند نهايتا از يك مثال براي نشان دادن اثر طرح پيشنهادي ، استفاده شده است.

معرفي

نمادها و مقدمات

نتايج مهم

نتيجه

شرح مثال

نتيجه

فصل پنجم : شناسايي شبكه هاي آشوبگونه آغشته به نويز بر مبناي شبكه هاي عصبي feedforward رگولاريزاسيون

چكيده فصل : در اين فصل روشي جهت شناسايي شبكه هاي آشوبگونه آغشته به نويز بر مبناي شبكه هاي عصبي feedforward رگولاريزاسيون ، ارائه شده است روش رگولاريزاسيون مي تواند عموميت شبكه هاي feedforward را بهبود بخشد شبكه feedforward با سطوح مختلف نويز به وسيله پارامتر تنظيم ، train شده و ويژگي هاي اساسي آن جهت يادگيري سيستم هاي آشوبگونه ، مورد بررسي قرار گرفته است سپس مدل هاي شناسايي ارائه شده توسط بازسازي جذب كننده ها مورد ارزيابي قرار گرفته اند شبيه سازي هاي انجام شده توانايي مدل هاي شناسايي مورد نظر را در به دست آوردن سيستم آشويگونه اوليه و مشخصات ديناميك آن ، نشان مي دهند.

معرفي

شبكه هاي feedforward رگولاريزاسيون

طراحي شبيه سازي

سيستم آشوبگونه مورد بررسي

توليد ديتا

روش هاي ارزيابي شبكه آموزش يافته

شبيه سازي ها

نتيجه

چكيده فصل : ساختار اين فصل به صورت زير است‌: در ابتدا مروري بر پايه و اساس شبکه هاي عصبي و الگوريتم هاي ژنتيک خواهيم داشت و سپس به بازنگري جامعي بر کاربرد شبکه هاي عصبي و الگوريتم هاي ژنتيک در حوزه کسب و کار خواهيم پرداخت و نهايتا آن را با نتايج و پيشنهاداتي براي تحقيقات کاربردي آينده به پايان خواهيم رساند.

فناوري شبکه عصبي

فناوري الگوريتم ژنتيک

مقداري درس بيولوژي

الگوريتم ژنتيك در دنياي كامپيوتر

نكات مهم در الگوريتم هاي ژنتيك

نتيجه گيري‌

سیستم خبره

ساختار يك سيستم خبره‌

استفاده از  منطق فازي

كاربرد سيستم‌هاي خبره‌

مروري بر کاربردهاي تجاري

ساير حوزه هاي تجاري

مزاياي استفاده از اين فناوريهاي هوش مصنوعي

نتايج