کاربرد شبکه های عصبی در الکترونیک

عنوان مقاله : کاربرد شبکه های عصبی در الکترونیک

قالب بندی: PDF

شرح مختصر : در این پایان نامه ابتدا به مقدمه ای از شبکه های عصبی از جمله تاریخچۀ شبکه های عصبی و مشخصات اصلی یک نرون بیولوژیک پرداخته شده است. سپس ساختار شبکه های عصبی مصنوعی مورد بحث قرار گرفته است که از این بحث می توان به تعریف شبکه های عصبی مصنوعی، انواع توابع فعال ساز، انواع یادگیری شبکه های عصبی، شبکه های پرسپترون، MPL و هاپفیلد اشاره داشت. سرانجام نیز یک کاربرد شبکه های عصبی در پردازش تصویر، که عبارت است از « آشکارسازی چهره با شبکه های عصبی در تصاویر رنگی » مورد بررسی قرار گرفته شده است.

فهرست :

مقدمه

فصل اول : مقدمه ای بر شبکه های عصبی

تاریخچۀ شبکه های عصبی

نرون طبیعی

یادگیری در سیستم های بیولوژیک

شباهت شبکۀ عصبی زنده و مصنوعی

کاربرد شبکه های عصبی

فصل دوم : ساختار شبکه های عصبی مصنوعی

تعریف شبکه های عصبی مصنوعی

نرون های مصنوعی

اجزای یک شبکه عصبی

الگو برداری از مغز انسان

افزایش سرعت

حساسیت بالا به رخداد اشتباه

رایانه ها قادر نیستند از تجربیات گذشته استفاده نمایند

عدم ارائۀ پاسخ مناسب در شرایط جدید

ویژگی های شبکه های عصبی مصنوعی

قابلیت یادگیری

قابلیت تعمیم

پردازش موازی

مقاوم بودن

قابلیت کاربری

تشخیص داده های اشتباه

تحمل خطا

غیر خطی بودن

تصویر کردن ورودی – خروجی

معایب شبکه های عصبی

انواع توابع انتقال

یادگیری شبکه های عصبی

یادگیری نظارت شده

یادگیری نظارت نشده

یادگیری تقویت یافته

الگوریتم پس انتشار خطا

آموزش دلتا

آموزش ترکیبی

آموزش رقابتی

آموزش هب

ساختارهای مختلف شبکه های عصبی مصنوعی

شبکه های پسخور

شبکه های پیش خور

شبکه های پیش خور تک لایه

شبکه های پیش خور چند لایه

پرسپترون

یادگیری پرسپترون

یادگیری پرسپترون مبتنی به روش برداری

محدودیت های پرسپترون

شبکه های عصبی پرسپترون چندلایه

رفع مشکل

حل مشکل

مدل جدید

قاعدۀ جدید فراگیری

بررسی مجدد مساله یای حذفی (XOR)

شبکۀ هاپفیلد

فصل سوم : چند نمونه از کاربردهای شبکه های عصبی

آشکارسازی چهره با شبکه های عصبی در تصاویر رنگی

مقدمه

مشخصات رنگ پوست انسان

استخراج رنگ پوست

تولید رنگ پوست در فضایرنگی cbcr

شبکه های عصبی پیشنهادی

نتایج آزمایشات

نتایج آزمایش اترویفریمهای ویدئویی

آشکارسازی چهره

منابع

پایان نامه شبکه های عصبی مصنوعی

عنوان پایان نامه : شبکه های عصبی مصنوعی

قالب بندی: PDF

شرح مختصر :در این نوشتار به معرفی شبکه های عصبی زیستی و شبکه های عصبی مصنوعی و ساختارهای آنها می پردازیم.در ابتدا نرونهای شبکه های عصبی زیستی معرفی شده و طرز کار آنها نشان داده شده است.سپس مدل مصنوعی این نرونها و ساختار آنها،مدل ریاضی آنها،شبکه های عصبی مصنوعی و نحوه آموزش و بکارگیری این شبکه ها نشان داده شده است.تمرکز بیشتر بر نوعی از این شبکه ها به نام شبکه های عصبی مصنوعی چند لایه می باشد.سپس الگوریتم ژنتیک که جزو پرکاربردترین الگوریتمهای پیاده سازی شبکه عصبی مصنوعی است مورد بررسی قرار گرفته است.

شبکه های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه زیادی را صرف آن کرده و می کنند.این موضوع یا ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تاحال به خوبی پیش رفته است.همچنین در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفا تئوری به تحقیقات کاربردی بخصوص در زمینه پردازش اطلاعات برای مساولی که برای آنها راه حلی موجود نیست و یا به راحتی قابل حل نیستند بوده ایم. باعنایت به این امر علاقهای فزاینده در توسعه تئوریکی سیستمهای دینامیکی هوشمند مدل آزاد2که مبتنی بر داده های تجربی می باشند-ایجاد شده است .ANNها جزء این دسته از سیستمهای مکانیکی قرار دارند که با پردازش روی داده های تجربی،دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند.به همین خاطر به این سیستم ها هوشمند گفته می شود.زیرا براساس محاسبات روی داده های عددی یا مثالها قوانین کلی را یاد می گیرند.این سیستمها در مدل سازی ساختار نرو سیتاپتیکی3 مغز بشر می کوشند.البته این سخن اغراق آمیز می باشد.دانشمندان هرچه بیشتر درمورد مغز بشر تحقیق می کنند و می آموزند،بیشتر در می یابند که مغز بشر دست نیافتنی است.در حقیقت در مورد مغز و ساختار سیستم عصبی انسان اطلاعات زیادی به دست آمده است ولی پیاده سازی ساختاری با پیچیدگی مغز انسان براساس اطلاعاتی و تکنولوژی که امروزه وجود دارد غیر ممکن می باشد.

فهرست :

فصل اول مقدمه

شبکه عصبی زیستی

سابقه تاریخی

آیده پیدایش شبکه های عصبی مصنوعی

شبکه های عصبی در مقابل کامپیوترهای معمولی

تفاوت شبکه های عصبی با روش های محاسباتی متداول (سیستم های خبره)

مزایای استفاده از شبکه های عصبی مصنوعی

معایب استفاده از شبکه های عصبی مصنوعی

کاربردهای شبکه های عصبی مصنوعی

توپولوژی شبکه های عصبی مصنوعی

انواع یادگیری شبکه های عصبی مصنوعی

نحوه عملکرد شبکه های عصبی مصنوعی

انواع شبکه عصبی مصنوعی

شبکه هاپفیلد

شبکه پروسپترون چند لایه

خروجی پروسپترون

نقش تابع در خروجی شبکه

توانایی پروسپترون

توابع بولی و پروسپترون

اضافه کردن بایاس

آموزش پروسپترون

الگوریتم یادگیری پروسپترون

شبکه کوهونن

فصل دومالگوریتمهای یادگیری شبکه های عصبی مصنوعی

الگوریتم ژنتیک

کاربردهای الگوریتم ژنتیک

به دنبال تکامل

ایده ی اصلی استفاده از الگوریتم ژنتیک

درباره علم ژنتیک

تاریخچه علم ژنتیک

تکامل طبیعی (قانون انتخاب طبیعی داروین)

رابطه تکامل طبیعی با روشهای هوش مصنوعی

الگوریتم جستجو

الگوریتمهای جستجوی ناآگاهانه

جستجوی لیست

جستجوی درختی

جستجوی گراف

الگوریتمهای جستجوی آگاهانه

جستجوی خصمانه

مسائل NPHARD

هیوریستیک

انواع الگوریتمهای هیوریستیک

فصل سوم

الگوریتم ژنتیک

مکانیزم الگوریتم ژنتیک

عملگرهای الگوریتم ژنتیک

چارت الگوریتم به همراه شبه کد آن

تابع هدف

روشهای کد کردن

کدینگ باینری

کدینگ جایگشتی

کدگذاری مقدار

کدینگ درخت

نمایش رشته ها

انواع روش های تشکیل رشته

بازگرداندن رشته ها به مجموعه متغیرها

تعداد بیتهای متناظر با هر متغیر

جمعیت

ایجاد جمعیت اولیه

اندازه جمعیت

محاسبه برازندگی(تابع ارزش)

انواع روشهای انتخاب

انتخاب چرخ رولت

انتخاب حالت پایدار

انتخاب نخبه گرایی

انتخاب رقابتی

انتخاب قطع سر

انتخاب قطعی بریندل

انتخاب جایگزینی نسل اصلاح شده

انتخاب مسابقه

انتخاب مسابقه تصادفی

انواع روشهای ترکیب

جابه جایی دودویی

جابه جایی حقیقی

ترکیب تک نقطه ای

ترکیب دو نقطه ای

ترکیب n نقطه ای

ترکیب یکنواخت

ترکیب حسابی

ترتیب

چرخه

محدّب

بخش_نگاشته

احتمال ترکیب

تحلیل مکانیزم جابجایی

جهش

جهش باینری

جهش حقیقی

وارونه سازی بیت

تغییر ترتیب قرارگیری

وارون سازی

تغییر مقدار

محک اختتام اجرای الگوریتم ژنتیک

انواع الگوریتم‌های ژنتیکی

الگوریتم ژنتیکی سری

الگوریتم ژنتیکی موازی

مقایسه الگوریتم ژنتیک با سیستم‌های طبیعی

نقاط قوّت الگوریتم‌های ژنتیک

محدودیت‌های GAها

استراتژی برخورد با محدودیت‌ها

استراتژی اصلاح عملگرهای ژنتیک

استراتژی رَدّی

استراتژی اصلاحی

استراتژی جریمه‌ای

بهبود الگوریتم ژنتیک

چند نمونه از کاربردهای الگوریتم‌های ژنتیک

فصل چهارم

مقدمه

حلّ معمای هشت وزیر

جمعیت آغازین

تابع برازندگی

آمیزش

جهش ژنتیکی

الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دوره‌گرد

حل مسأله TSP به وسیله الگوریتم ژنتیک

مقایسه روشهای مختلف الگوریتم و ژنتیک برای TSP

نتیجه گیری

حلّ مسأله معمای سودوکو

حل مسأله

تعیین کروموزم

ساختن جمعیت آغازین یا نسل اول

ساختن تابع از ارزش

ترکیب نمونه‌ها و ساختن جواب جدید

ارزشیابی مجموعه جواب

ساختن نسل بعد

مرتب سازی به کمک GA

صورت مسأله

جمعیت آغازین

تابع برازندگی

انتخاب

ترکیب

جهش

نتیجه گیری

فهرست منابع

پروژه تخمین تابع با RBF در نرم افزار متلب

در این پروژه 4 تابع گوسی با استفاده از شبکه عصبی RBF تخمین زده شده است. برای تخمین تابع یکبار مراکز را به صورت تصادفی و از خود توابع در نظر گرفته ایم و بار بعد با استفاده از SOM مراکز را پیدا نموده و توابع را تخمین زده ایم. فایل گزارش Word و pdf پروژه نیز به همراه آن قرار داده شده است.

پایان نامه شناسایی حروف فارسی با استفاده از شبکه عصبی مصنوعی

در زمینه بازشناسی دست نوشته تحقیقات زیادی صورت پذیرفته است . با توجه به نحوه دریافت اطلاعات ، بازشناسی دست نوشته به صورت برون خط (offline) و بر خط (online) صورت می پذیرد . در بازشناسی بر خط ، مختصات نقاط مسیر حرکت قلم ، تعداد حرکات قلم و در بعضی موارد فشار قلم در دسترس هستند . بازشناسی بر خط نوشتار به دلیل راحت تر بودن نوشتن از تایپ کردن ، عدم امکان تایپ در بعضی از مکان ها ، عدم وجود یک صفحه کلید کامل روی کامپیوترهای کوچک و سخت بودن تایپ حروف در بعضی زبان ها به دلیل تعداد زیاد آنها ، مورد توجه خاصی قرار گرفته است . در برخی تحقیقات انجام شده به منظور بازشناسی بهتر ، یک مجموعه خاص از حروف تعریف می شود که گاهی اوقات از شکل طبیعی آنها دور است . از این نمونه میتوان مجموعه حروف Graffiti و jot را نام برد . دقت بازشناسی حروف با استفاده از چنین الفباهایی بیش از 99% است اما رعایت اصول خاص برای نوشتن ، کاربرد آنها را محدود می کند . در زمینه بازشناسی برون خط دست نوشته عربی و فارسی تحقیقات زیادی صورت پذیرفته است . ولی در زمینه بازشناسی بر خط دست نوشته در این دو زبان تحقیقات کمتری انجام شده است . در مرجع برای بازشناسی بر خط کلمات دستنویس از یک پایگاه داده 400 کلمه ای استفاده شده است . نرخ بازشناسی در میان این 400 کلمه 80% گزارش شده است . در تحقیق های دیگری از مدل مارکوف مخفی ، برنامه نویسی پویا و استفاده از شبکه عصبی برای بازشناسی حروف و ارقام فارسی استفاده شده است با استفاده از بازشناسی الگوی فازی ، بازشناسی کلمات فارسی بر خط انجام شده است .

پایان نامه کشف تقلب در شبکه های اجتماعی

چکیده

تقلب شامل طیف وسیعی ازشیوه‌ها، ورود اطلاعات نادرست واعمال غیرقانونی است که دریک سازمان میتواند اثرات بسیارسوء مالی وروانی به همراه داشته باشد.حتی اتهام تقلب به تنهایی کافی است تا خسارت چشم‌گیر به شهرت و همچنین روابط مشتری و کارفرما واردکند.با توجه به این مسائل برای هر سازمان بسیارحائز اهمیت است که یک سیستم مدیریت تقلب داشته باشد. تکنولوژی روش‌های گوناگونی برای جلوگیری ازتقلب طراحی وارائه نموده است که یکی از بهترین روش‌های ارائه شده استفاده از تکنیک داده‌کاوی است.مابا طبقه‌بندی مناسب اطلاعات به روش داده‌کاوی می‌توانیم تقلب در همه سطوح از جمله شبکه های اجتماعی را تشخیص و یاپیش‌بینی کنیم.

واژه‌هایکلیدی

تقلب،انباره داده،داده‌کاوی،سیستم تشخیص تقلب،پایگاه دانش.