شبکه عصبی کامپیوتری با استفاده حالت ریسک و تقویت یادگیری
عنوان مقاله : شبکه عصبی کامپیوتری با استفاده حالت ریسک و تقویت یادگیری
قالب بندی : Power Point
قیمت : 1000 تومان
شرح مختصر : حفاظت از شبکه های عصبی کامپیوتری در رابطه زیر ساخت های فن آوری اطلاعات،حوادث مخرب و اتفاقی فعال هستند. با توجه به پیچدگی روبه و با سرعتی که رشد از سیستم های حملات می توانند به طور خودکار راه اندازی شوند اقدامات موثر لازم برای کاهش حادثه در شبکه انجام می شود. این جا به حفاظت شبکه کامپیوتری عصبی که می توان با استفاده از تقویت یادگیری و ارزیابی ریسک برای عمل مطلوب ، یا سیاستی که داده های شبکه کامپیوتری در این شرایط بهبودی خود را بدست می آورند اشاره میشود.
شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند .شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است.
مقدمه ای بر داده کاوی
عنوان مقاله: مقدمه ای بر داده کاوی
قالب بندی: PDF
تعداد صفحات: 25
قیمت: 2300 تومان
فهرست:
مقدمه ای بر داده کاوی
چه چیزی سبب پیدایش داده کاوی شده است؟
مراحل کشف دانش
جایگاه داده کاوی در میان علوم مختلف
داده کاوی چه کارهایی نمی تواند انجام دهد؟
داده کاوی و انبار داده ها
OLAP داده کاوی
کاربرد یادگیری ماشین و آمار در داده کاوی
توصیف داده ها در داده کاوی
خلاصه سازی و به تصویر در آوردن داده ها
خوشه بندی
تحلیل لینک
مدل های پیش بینی داده ها
Classification
Regression
Time series
مدل ها و الگوریتم های داده کاوی
شبکه های عصبی
Decision trees
Multivariate Adaptive Regression Splines
Rule induction
K-nearest neibour and memory-based reansoning
رگرسیون منطقی
تحلیل تفکیکی
مدل افزودنی کلی
Boosting
سلسله مراتب انتخابها
دانلود پایان نامه روشهای تشخیص و تفکیک عیوب متداول جعبه دنده ها
عنوان پایان نامه : ارائه مدل مقایسه ای بر پایه ارزیابی عملکرد روشهای تشخیص و تفکیک عیوب متداول جعبه دنده ها
قالب بندی : PDF
شرح مختصر : امروزه پایش وضعیت تولیدات مکانیکی مخصوصاً ماشین های دوار ، به منظور بالا بردن سطح کیفی و اطمینان از صحت عملکرد آنها ، کاربرد زیادی پیدا کرده است . در این راستا سیستم های مبتنی بر هوش مصنوعی به طور گسترده ای برای یافتن عیوب پیش آمده مورد استفاده قرار گرفته اند . ولی پراکندگی موجود در انواع روش های بکارگرفته شده ، انتخاب یک روش کاربردی را مشکل ساخته است . به همین علت در این پژوهش مطالعه ای بر روی طیف وسیعی از این روش ها که اغلب در سال های اخیر مطرح شده اند ، صورت گرفته است .همچنین در رابطه با پیشینه و تئوری آنها مطالبی بیان شده است . سپس برای یافتن راهکاری مناسب ، مزایا و معایب هر روش در جدول هایی گردآوری شده و در نهایت تحت یک مدل مقایسه ای ارزیابی شده اند . تلاش شده این مزایا و معایب بر پایه ی مکتوبات و مستندات سال های اخیر جمع آوری شود . نتایج نشان می دهد که برای یافتن عیوب یک چرخ دنده ، بکار گیری سیگنال ارتعاشی و آنالیز موجک بسته ای به همراه روش PCA برای انتخاب ویژگی های موثر و شبکه ی عصبی برای تفکیک عیوب ، بسیار مناسب می باشد . در پایان این پژوهش برای یافتن سلامت چرخ دنده ی یک جعبه دنده ی نمونه از توالی روش های گفته شده استفاده گردیده و نتایج آن نشان داده شده است
فهرست :
فصل اول: مقدمه
مقدمه
اهمیت موضوع تحقیق
ضرورت انجام تحقیق
مراحل انجام تحقیق
روشهای موجود و نحوه انجام تحقیق
فصل دوم : کلیات تحقیق
بخش اول : پیشینه تحقیق
مقدمه
روش های پردازش سیگنال
روش های حوزه زمان
روش های حوزه فرکانس
روش های زمان فرکانس
روش های مبتنی بر هوش مصنوعی
بخش دوم : تئوری تحقیق
تئوری تحقیق
نوع سیگنال نمونه برداری ، صوت یا ارتعاش
روش های استخراج ویژگی
روش های حوزه زمان
روش های حوزه فرکانس
روش های زمان فرکانس
تبدیل موجک پیوسته
تبدیل موجک گسسته
تبدیل موجک بسته ای
روش های انتخاب ویژگی
روش الگوریتم ژنتیک
روش IDE
روش PCA
روش های طبقه بندی
روش K نزدیک ترین همسایه
ماشین بردار پشتیبان
شبکه های عصبی
شبکه های شعاع محوری
سیستم استنتاج فازی عصبی تطبیقی
ساختار ANFIS
الگوریتم یادگیری
فصل سوم : ارائه ی مدل مقایسه ای
مقدمه
ضرورت ارائه مدل در روشهای عیب یابی
تفسیر مدل مقایسه ای
گام اول : انتخاب نوع سیگنال برداشت شده ، صوت یا ارتعاش
گام دوم : انتخاب روش استخراج ویژگی به همراه جداول SW
گام سوم : انتخاب روش انتخاب ویژگی به همراه جداول SW
گام چهارم : انتخاب روش طبقه بندی به همراه جداول SW
گام پنجم : ترکیب روشها و مشخص کردن توالی ها
گام ششم : جداول SW سه توالی انتخاب شده
گام هفتم: تحلیل نتایج جداول بر اساس معیارهای هزینه، سرعت ، پیچیدگی و درصد موفقیت
ارائه مدل مقایسه ای یکپارچه در روشهای عیب یابی
فصل چهارم : تجزیه و تحلیل عیوب یک جعبه دنده نمونه
مقدمه
توالی منتخب
داده های نمونه برداری
سیستم داده پرداری
آماده سازی داده ها
استخراج ویژگی
آنالیز موجک بسته ای
بردار ویژگی اولیه
انتخاب ویژگی های موثر
نرمال سازی ویژگی ها
ماتریس ویژگی نهائی
طبقه بندی وضعیت ها
معماری شبکه عصبی
آموزش شبکه
الگوریتم آموزش RP
الگوریتم آموزش SCG
فصل پنجم : نتیجه گیری و پیشنهادات
مراجع