پیشینه تحقیق کاربرد و ساختار شبکه عصبی مصنوعی دارای ۵۲ صفحه می باشد فایل پیشینه تحقیق به صورت ورد word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.
۱-۱-مقدمه: ۴
۱-۲- هوش مصنوعی و هوش انسانی: ۶
۱- ۳- معرفی شبکه عصبی مصنوعی: ۸
۱-۴- تاریخچه شبکه عصبی مصنوعی: ۹
۱-۵- چرا از شبکه های عصبی استفاده می کنیم؟ ۱۱
۱-۶- شبکه های عصبی در مقایسه با کامپیوترهای سنتی : ۱۲
۱-۷- نورون مصنوعی: ۱۳
۱-۸- ساختار شبکه عصبی: ۱۳
۱-۹- کاربرد شبکه های عصبی : ۱۵
۱-۱۰- معایب شبکه های عصبی : ۱۶
۱-۱۰-۱- تئوری شبکه های عصبی مصنوعی: ۱۷
۱-۱۰-۲- پارامترها و مراحل طراحی ANN ۱۹
۱-۱۰-۳- شبکه های عصبی مصنوعی پیشرو ۲۲
۱-۱۰-۴- الگوریتم پس انتشار خطا با مومنتوم ۲۳
۱-۱۱- معماری شبکه عصبی: ۲۷
۱-۱۲- شبکه عصبی چه قابلیتهائی دارد؟ ۲۸
۱-۱۳- مفاهیم پایه در شبکه های عصبی مصنوعی ۲۹
۱-۱۴- انواع شبکه های عصبی ۲۹
۱-۱۴-۱- شبکه عصبی پرسپترون ساده ۲۹
۱-۱۴-۲- شبکه عصبی پرسپترون چند لایه) MLP ( ۲۹
۱-۱۵- شبکه های عصبی بیولوژیکی: ۳۱
۲-پیشینه تحقیق ۳۴
۲-۱- زمینه تاریخی: ۳۴
۲-۲- مطالعات داخل کشور: ۳۵
۲-۳- مطالعات خارج کشور: ۴۶
منابع و مآخذ ۵۰
اکبر پور، م.، م. ب. رهنما، و بارانی، غ. ع. ۱۳۸۲٫ مقایسه شبکه عصبی مصنوعی و مدل HEC-HMS در فرایند بارندگی رواناب. چهارمین کنفرانس هیدرولیک ایران، دانشگده مهندسی دانشگاه شیراز.
محرمپور، م.، ع. محرابی، م. کاتوزی، وصادق مقدم، م. ر. ۱۳۹۰٫ پیش بینی دبی رودخانه با استفاده از شبکه های عصبی مصنوعی. چهارمین کنفرانس مدیریت منابع آب ایران، دانشگاه صنعتی امیر کبیر، تهران.
نوری، م.، س. م. میر حسینی، ک. زینال زاده، و رهنما، م. ب. ۱۳۸۶٫ الگوی جدید بارش رواناب حوضه آب ریز هلیل رود با استفاده از مدل هیبرید شبکه عصبی موجکی. نشریه زمین شناسی مهندسی، جلد۲، شماره۲٫
نصیری، ع. و یمانی، م.، ۱۳۸۸٫ تجزیه و تحلیل شبکههای عصبی مصنوعی ژئومورفولوژیکی در برآورد رواناب مستقیم زیر حوزه امامه جاجرود. مجله پژوهشهای جغرافیای طبیعی، شماره ۶۸٫ ص ۴۴-۳۳٫
نصری، م.، ر. مدرس و دستورانی،م. ت.،۱۳۸۸٫ اعتبارسنجی مدل شبکه عصبی رابطه بارندگی-رواناب در حوزه آبریز سد زاینده رود. مجله پژوهش و سازندگی، شماره ۸۸ .
دستورانی، م. ت.، ح. شریف دارائی، ع. طالبی، و مقدم نیا، ع. ۱۳۹۰٫ کارایی شبکه های عصبی مصنوعی و سیستم استنتاج عصبی فازی تطبیقی در مدل سازی بارش- رواناب در حوضه آبخیز سد زاینده رود. شماره۴٫
رضایی، ع.، م. مهدوی، ک. لوکس، س. فیض نیا، ومهدیان، م. ح. ۱۳۸۶٫ مدل سازی منطقه ای دبی های اوج در زیر حوزه های آبخیز سد سفیدرودبا استفاده از شبکه های عصبی مصنوعی. علوم و فنون کشاورزی در منابع طبیعی، سال ۱۱، شماره۱٫
زارع ابیانه، ح. و بیات ورکشی، م. ۱۳۸۹٫ ارزیابی مدلهای هوشمند عصبی و تجربی در تخمین رواناب سالانه. نشریه آب و خاک ،جلد ۲۵ ، شماره ۲ ،۳۷۹-۳۶۵٫
شادمانی، م.، ص. معروفی، ک. محمدی، و سبزواری، ع. ا. ۱۳۹۰٫ مدل سازی منطقه ای دبی سیلابی در استان همدان با استفاده از شبکه عصبی مصنوعی. مجله پژوهش های آب و خاک، جلد۱۸، شماره۴٫
داننده مهر، ع. و مجدزاده طباطبایی، م. ر. ۱۳۸۹٫ بررسی تاثیر توالی دبی روزانه در پیشبینی جریان رودخانهها با استفاده از برنامه ژنیک. نشریه آب و خاک، جلد ۲۴، شماره ۲، ص۳۳۵- ۳۳۳٫
اعلمی، م. ت. وحسین زاده، ح. ۱۳۸۹٫ مدل سازی فرآیند بارش – رواناب در حوضه لیقوان چای با استفاده از نرون شرطی آستانه دمایی. مجله دانش آب و خاک، جلد۱، شماره۲٫
تعیین رابطه بین بارش رواناب برای یک منطقه آبی یکی از مهمترین مسائل مربوط به هیدرولوژیست ها و مهندسین است اطلاعات دراین زمینه برای اهداف طراحی ومدیریتی مهندسان لازم است. این رابطه، رابطه ای غیر خطی و پیچیده است .موارد استفاده این پیش بینی هارامی توان به مدیریت صحیح طرحهای کشاورزی، سیستم های هشداردهنده سیل و بهره برداری از مخازن سدها نسبت داد. بارش- رواناب یکی از پیچیده ترین فرآیندهای هیدرولوژیکی است. برای سالیان زیاد، هیدرولوژیست ها در شناخت چگونگی تبدیل بارش به رواناب برای پیش بینی سیلاب بوده اند. از اهداف این شناخت میتوان به ذخیره آب، کنترل سیلاب، آبیاری، زهکشی، کیفیت آب، تولید انرژی، مراکز تفریحی پرورش ماهی و گسترش حیات وحش و… اشاره کرد. تعداد پارامترها، عدم پایداری مشخصه های حوضه های آبریز و مدلهای بارش بیش از پیش مسئله را پیچیده می کند. استفاده از مدل هاى آمارى، هیدرولیکى و هیدرولوژیکى سابقه طولانى در بحث مدل سازی بارش- رواناب داشته است. با توجه به مشکلات و نقاط ضعفی که در مدل های مفهومی و آماری وجود دارد، نیاز به مدلی که با پارامترهای ورودی و خروجی بتواند عملیات نگاشت را انجام دهد، ضروری به نظر میرسد. طى دهۀ اخیر مدل ریاضى غیرخطی شبکه هاى عصبى مصنوعی[۱]( (ANN به ابزارهاى پیشبینى افزوده شده و تحقیقات متنوعی در زمینۀ مدل سازی بارش – رواناب با استفاده از این ابزار صورت گرفته است. شبکه های عصبی مصنوعی ابزار قدرتمندی هستند که با تقلید ساده از سیستم عصبی بیولوژیک انسان ساخته شده است. شبکه های عصبی به دو نوع شبکه عصبی مصنوعی و طبیعی تقسیم می شوند .تحقیقات در زمینه شبکه های عصبی زمانی شروع شد که مغز به عنوان یک سیستم دینامیکی با ساختار موازی و پردازشگری کاملآ مغایر با پردازشگرهای متداول شناخته شد. نگرش نوین به مغز انسان که منتهی به بیان شبکه عصبی مصنوعی شد در اوایل قرن بیستم و توسط شخصی به نام سگال مطرح گردید. همچنین نرون به عنوان کوچکترین واحد پردازشگر دادهها در یک شبکه عصبی مصنوعی، اساس عملکرد و رفتار آن را تشکیل میدهد. از ترکیب چند نرون سلول ساخته میشود که بسته به نوع سلول وظیفه خاصی را در شبکه عهدهدار است.
چگونگی اتصال سلولهای عصبی در لایههای مختلف، مشخص کننده ساختار شبکه است که معماری شبکه نام دارد.
شبکه عصبی از چندین لایه تشکیل شده است. لایه ها وظیفه دریافت داده ها، پردازش و تولید کمیت خروجی را به عهده دارند.
لایه ورودی: این لایه فاقد نرون بوده و لایه ایست که متغیرهای ورودی را به نرونهای لایه مخفی بدون هیچ تغییری انتقال می دهد. عمومآّْْْ تعداد نرونها در این لایه ها تابعی از تعداد متغیر های ورودی به شبکه عصبی می باشد.
لایه یا لایه های مخفی: این لایه ها دارای یک یا چند نرون میباشندو تعداد لایه های مخفی می تواند یک یا چند لایه باشند
لا یه خروجی: این لایه دارای یک یا چند نرون بوده و تعداد نرونها تابعی از تعداد تابع خروجی میباشد.
لایههای شبکه توسط پیوست هایی با وزنهای متفاوت به هم متصل هستند.که عموما شبکه عصبی چند لایه پرسپترن[۲]((MLP نامیده می شود و ارتباط بین نرون ها و تنظیم وزنهادر آن از قانون های یاد گیری پیروی می کند
برای شناخت هوش مصنوعی شایسته است تا تفاوت آن را با هوش انسانی به خوبی بدانیم مطالعه شبکه های عصبی مصنوعی تا حد زیادی از سیستم های یادگیر طبیعی نشآت گرفته است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل درکاریادگیری دخیل هستند.مغز انسان از تعداد ۱۰۱۱ نرون تشکیل شده که هر نرون با تقریبا ۱۰۴ نرون دیگر در ارتباط است.سرعت سوئیچنگ نرونها در حدود ۳-۱۰ ثانیه است آدمی قادر است در ۱/۰ ثانیه تصویر یک انسان را بازشناسائی نماید. مغز انسان از میلیاردها سلول یا رشته عصبی درست شده است و این سلولها به صورت پیچیدهای به یکدیگرمتصلاند. شبیه سازی مغز انسان میتواند از طریق سختافزار یا نرمافزارانجام گیرد. تحقیقات اولیه نشان داده است شبیهسازی مغز، کاری مکانیکی و ساده میباشد. برای مثال، یک کرم دارای چند شبکه عصبیاست. یک حشره حدود یک میلیون رشته عصبی دارد و مغز انسان ازهزار میلیارد رشته عصبی درست شده است. با تمرکز و اتصال رشتههایعصبی مصنوعی میتوان واحد هوش مصنوعی را درست کرد.هوش انسانی بسیار پیچیدهتر و گستردهتر از سیستمهای رایانهای است و توانمندی های برجستهای مانند:استدلال، رفتار، مقایسه، آفرینش و بکار بستن مفهوم ها را دارد.هوش انسانی توان ایجاد ارتباط میان موضوعها و قیاس ونمونه سازیهای تازه را دارد. انسان همواره قانونهای تازهای میسازد و یا قانون پیشین را در موارد تازه بکار میگیرد. توانایی بشر در ایجاد مفهومهای گوناگون در دنیای پیرامون خود، از ویژگیهای دیگر اوست. مفهومهای گستردهای همچون روابط علت و معلولی، زمان و یا مفهوم های ساده تری مانند گزینش وعدههای خوراک (صبحانه، ناهار و شام) را انسان ایجاد کرده است. اندیشیدن در این مفهومها و بکاربستن آنها، ویژه رفتار هوشمندانه انسان است.هوش مصنوعی در پی ساخت دستگاه هایی است که بتوانند توانمندهای یاد شده (استدلال، رفتار، مقایسه و مفهوم آفرینی) را از خودبروز دهند. آنچه تاکنون ساخته شده نتوانسته است خود را به این پایهبرساند، هر چند سودمندیهای فراوانی به بار آورده است.نکته آخر اینکه، یکی از علل رویارویی با مقوله هوش مصنوعی،ناشی از نام گذاری نامناسب آن میباشد. چنانچه جان مک کارتی در سال ۱۹۵۶ میلادی آن را چیزی مانند «برنامهریزی پیشرفته » نامیده بود شاید جنگ و جدلی در پیرامون آن رخ نمیداد.هوش مصنوعی به تعدادی میدانهای فرعی تقسیم شده است و سعی دارد تا سیستمها و روشهایی را ایجاد کند که بطور تقلیدی مانند هوش ومنطق تصمیم گیرندگان عمل نماید.در زیر به شبکه های عصبی می پردازیم.
شبکه عصبی مصنوعی یک سامانه پردازشی دادهها است که از مغز انسان ایده گرفته و پردازش دادهها را به عهدهی پردازندههای کوچک و بسیار زیادی سپرده که به صورت شبکهای به هم پیوسته و موازی با یکدیگر رفتار میکنند تا یک مسئله را حل نمایند. در این شبکهها به کمک دانش برنامه نویسی، ساختار دادهای طراحی میشود که میتواند همانند نورون عمل کند. که به این ساختارداده گره گفته میشود. بعد باایجاد شبکهای بین این گرهها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش میدهند. در این حافظه یا شبکهی عصبی گرهها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) اند و هریال (سیناپس یا ارتباط بین گرهها) دارای یک وزن میباشد. یالهای با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی میشوند و یالهای با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) میکنند.
شبکه های عصبی مصنوعی که معمولاً به عنوان” شبکه ها ی عصبی (ANN) ” نام برده می شوند یک الگوی ریاضی مبنی بر سیستم زیستی است. سیستم های عصبی یک الگوریتم برای بهینه سازی و یادگیری آزادانه بر اساس مفاهیم الهام گرفته از تحقیق در ماهیت مغز می باشند. مغز با استفاده از قا بلیتی شناخته شده به عنوان نورون اجزاء اختاری خود را سازماندهی می کند، در نتیجه محاسبات معینی را بسیار سریع تر از کامپیوتر دیجیتال انجام می دهد. در حالت کلی شبکه عصبی ماشینی است که طراحی شده تا روشی مشابه با کاری که مغز برای انجام وظایف خاص یا عملکرد قابل توجه بر اساس مطالعات دکتر سایمون هاسکین انجام می دهد را مدل سازی کند. ” این شبکه یک پردازنده توزیع شده موازی بزرگ است که از واحد های پردازش ساده ساخته شده است، و دارای یک تمایل طبیعی برای ذخیره سازی دانش تجربی و ایجاد دسترسی به آن برای استفاده می باشد. یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی ز یستی 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 ز یادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده(neurons) که برای حل یک مسأله با هم هماهنگ عمل می کند .
۱- از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیستها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکههای عصبی مصنوعی است. این مدل فرضیههایی در مورد عملکرد نورونها ارائه میکند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است. چنانچه حاصل جمع ورودیها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته میشود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.
[۱] – Artificial Neural Network (ANN)
[۲] -Multi layer perceptron
ارسال نظر