بررسی روش های بکار گرفته شده به منظور تشخیص تقلب در کارت های اعتباری

جلوگیری از تقلب درکارت های اعتباری، یکی از مهمترین کاربردهای تکنیک های پیش بینی می باشد. از آنجا که روز به روز به دلیل توسعه تجارت الکترونیکی استفاده از کارت های اعتباری نیز توسعه می یابد این حوزه زمینه مناسبی برای فعالیت متقلبین فراهم آورده است. بیش از یک دهه است که روش های مختلفی برای تشخیص تقلب بکار گرفته شده و ما در این مقاله قصد داریم مهمترین آنها را مورد بررسی قرار دهیم. بررسی و ارزیابی روش استفاده شده، داده بکاررفته برای پیاده سازی روش و مقایسه و ارزیابی نتایج، سه حوزه اصلی هستند که مقالات مورد بررسی حول آنها ارزیابی شده اند.

الگوریتم بهینه سازی توده ذرات

عنوان مقاله : الگوریتم بهینه سازی توده ذرات ‎( PSO )‎

قالب بندی : Word

قیمت : 2300 تومان

شرح مختصر : الگوریتم PSO یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دسته‌های پرندگان مدل شده است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینه‌ی دسته به کار گرفته شد . در PSO، ذرات در فضای جستجو جاری می‌شوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر توده ذرات روی چگونگی جستجوی یک ذره اثر می‌گذارد . نتیجه‌ی مدل‌سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می‌کنند. ذرات از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می‌روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند.

دانلود تحقیق آماده قالب word با عنوان شبکه های عصبی مصنوعی ۴۵ ص

شبکه‌های عصبی مصنوعی (Artificial Neural Network - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌هایمحاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایدهاصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهکارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله 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. مثلا 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 ازمثال‎ها 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، نئورونها، "PE" ها (عناصر پردازش) یاواحدها) برای تشکیل شبکه‎ای از گره‎ها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح"شبکه‎های عصبی" اطلاق می‎شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد. با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکه‌ها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.

پروژه شبکه عصبی پرسپترون برای جدا کردن دو کلاس از داده ها در نرم افزار متلب

در این پروژه، با استفاده از شبکه عصبی پرسپترون دو کلاس از داده ها را طبقه بندی کرده ایم. فایل گزارش کامل پروژه نیز همراه آن به صورت word و pdf قرار داده شده است.

شبکه های عصبی مصنوعی و کاربرد های آن

عنوان مقاله: شبکه های عصبی مصنوعی

قالب بندی: word

تعداد صفحات: 75

شرح مختصر:

یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانندمغزبه پردازش اطلاعات می پردازد . عنصرکلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادیعناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله باهم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برایانجام وظیفه های مشخص ، مانندشناسایی الگوها و دسته بندی اطلاعات ، درطول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتیدر اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.

فهرست:

مقدمه

فصل اول: شبکه عصبی

فصل دوم: یک شبکه عصبی جدید و کاربرد آن

فصل سوم : آنالیز رفتار آشوب گونه مدل شبکه عصبی مکانیسم لرزش عضله

فصل چهارم: هماهنگ سازی نمایی شبکه های عصبی آشوب گونه با اغتشاش تصادفی

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

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

منابع