پیشینه تحقیق شبکه عصبی مصنوعی  دارای ۲۲ 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.

فهرست مطالب

۱- شبکه عصبی مصنوعی    ۲۰
۲- سابقه تاریخی شبکه عصبی    ۲۰
۳- شبکه عصبی پیشخور    ۲۱
۴- مزیت های شبکه های عصبی    ۲۲
۵- انواع یادگیری برای شبکه های عصبی    ۲۲
۶- ساختار شبکه‌های عصبی    ۲۴
۷- تقسیم بندی شبکه‌های عصبی    ۲۶
۷-۱- تقسیم بندی داده ها در شبکه عصبی مصنوعی    ۲۷
۸- کاربرد شبکه‌های عصبی    ۲۸
۸-۱-کاربرد شبکه عصبی مصنوعی    ۲۹
۹- معایب شبکه‌های عصبی    ۳۰
۱۰- سیستم استنتاج تطبیقی عصبی- فازی (انفیس)    ۳۰
۱۰-۱- دسته بندی قواعد انفیس    ۳۰
۱۰-۱-۱- مدل تاکاگی- سوگنو-کانگ    ۳۱
۱۱- منابع    ۳۴

۱۱- منابع

Schmitz, J. E.; Zemp, R. J. and Mendes, M.,J. Fluid Phase Equilib, 245(2006) 83-87.

Marquardt, D. SIAM J, 11(1963) 431-441.

Wilamowski, B.; Iplikci, S.; Kayank, O. and Efe, M. O. An

Algorithm for Fast Convergence in Training Neural Networks, International Joint Conference on Neural Networks (IJCNN01), Washington D.C., (2001) 1778-1782.

Levenberg, K. A Method for the Solution of Certain Problems in Least Squares. Quart. Appl. Math., 2(1944) 164-168.

J.A. Anderson, A simple neural network generating an interactive memory, Mathematical Biosciences, 14 (1972) 197-220.

S. Wold, A. Ruhe, H. Wold, I. Dunn, SIAM Journal on Scientific and Statistical Computing, 5 (1984) 735-743.

F. Rosenblatt, Principles of neurodynamics: perceptrons and the theory of brain mechanisms, (1962).

J.J. Hopfield, Neural networks and physical systems with emergent collective computational abilities, (1988) 457-464.

۳۰٫ H.B. Demuth, M.H. Beale, Neural Network Toolbox: For Use with MATLAB, Version 4, MathWork, (2001

۱- شبکه عصبی مصنوعی

یک شبکه عصبی مصنوعی ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد. عنصرکلیدی این ایده، ساختار جدید سیستم پردازش اطلاعات است. یک ANN برای انجام وظیفه های مشخص، مانندشناسایی الگوها و دسته بندی اطلاعات، درطول یک دوره 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.

شبکه های عصبی مصنوعی دارای تعداد زیادی از واحدهای محاسباتی به نام عصب[۱] می باشند، همچنین در یک ساختار انبوه موازی متصل شده اند و نیازی به یک فرمول بندی واضح از روابط ریاضیاتی و فیزیکی ندارند. رایج ترین استفاده ANN ها شبکه های عصبی پیشخور[۲] هستند]۲۲ [(در این تحقیق نیز از این روش استفاده شده است)، که بر اساس یک لایه ی ورودی و یک لایه ی خروجی همراه با لایه ی مخفی طراحی شده اند]۲۳[.

تعداد عصب ها در لایه های ورودی و خروجی به ترتیب برابر است با تعداد کمیات فیزیکی ورودی و خروجی ها. مشکل [۳]FNN ها تعداد عصب ها در لایه ی مخفی می باشد. تعداد عصب کم باعث می شود که شبکه اندازه گیری دقیق نداشته باشد. البته تکنیک های بایاسین[۴]]۲۴[ همچنین الگوریتم لونبرگ- مارکوارت[۵]]۲۵[ می تواند باعث رفع این مشکل شود.

۲- سابقه تاریخی شبکه عصبی

به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد. اگر چه این موضوع پیش از ظهور کامپیوترها بنیانگذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است. خیلی از پیشرفت های مهم با تقلیدها وشبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه، یک دوره ی بی میلی و بدنامی را هم پشت سر گذاشته است.

در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت. که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کنندهای بپردازند که خیلی    برجسته تر از محدودیت هایی بود که توسط مینسکی[۶] و پاپرت[۷] شناسانده شد. مینسکی و پاپرت، کتابی را درسال ۱۹۶۹ منتشرکردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را درمیان محققان معین کرده بود و بدین صورت این عقیده بدون تجزیه و تحلیل های بیشتر پذیرفته شد. هم اکنون، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد.

اولین سلول عصبی مصنوعی درسال ۱۹۴۳ بوسیله یک منطق دان به نام والتر پیتس[۸] ساخته شد. اما محدودیت های تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد]۲۶ [.

۳- شبکه عصبی پیشخور

در روش FNN، لایه ی ورودی شبکه تمام داده های ورودی را دریافت و به شبکه معرفی می کند. داده ها از عصب های ورودی از میان شبکه منتشر می شوند. از طریق اتصالات میانی هر عصب i در یک لایه ی k متصل می شود و به هر عصب در لایه ی همجوار عصب i بدون لایه ی مخفی k کار زیر را دنبال می کند:

مجموع ورودی های وزن ها (ورودی بردار I_i = [I_i,1,…I_i,N_k-1]) و جمع نتایج از میان یک تابع غیر خطی f، به عصب های مجاور لایه ی مخفی بعدی یا عصب های ورودی تابع انتقال حلقوی اکسپتنشیالی[۹] طبق معادله ۲-۱ می باشد:

∈ [۰ ۱]x  در حالی کهf(x)=

اصطلاح مجموع وزنی[۱۰] (S) برای i امین عصب در k امین لایه(k≥۲ ) طبق معادله ۲-۲ است:

S_k,i =

در حالی که w پارامتر وزنی بین هر عصب می باشد]۲۷[.

با استفاده از این شبکه ی ساده همراه با تابع حلقوی غیرخطی، خروجی O برای عصب i-ام بدون در نظر گرفتن لایه ی مخفی k بر طبق معادله ۲-۳ است:

O_k,i=

۴- مزیت های شبکه های عصبی

یادگیری انطباق پذیر: قابلیت یادگیری نحوه انجام و ظایف بر پایه اطلاعات داده شده برای تمرین و تجربه های مقدماتی.

سازماندهی توسط خود: یکANN  می تواند سازماندهی یا ارائه اش را، برای اطلاعات یکه در طول دوره یادگیری دریافت می کند، خودش ایجاد کند. عملکرد بهنگام[۱۱] محاسباتANN می تواند بصورت موازی انجام شود،  و سخت افزارهای مخصوص طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند.

تحمل اشتباه بدون ایجاد وقفه درهنگام کدگذاری اطلاعات: خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگرچه تعدادی ازقابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند]۲۸[.

۵- انواع یادگیری برای شبکه های عصبی

۱٫یادگیری با ناظر

در یادگیری با ناظر به قانون یادگیری مجموعه ای از زوج های داده ها به نام داده های یادگیری (Pi,Ti)i={1 … l } می دهند که در آن Pi ورودی به شبکه وTi خروجی مطلوب شبکه برای ورودی Pi است. پس ازاعمال ورودی  Pi به شبکه عصبی در خروجی شبکه  ai با  Ti مقایسه شده وسپس خطای یادگیری محاسبه و از آن در جهت تنظیم پارامترهای شبکه استفاده می شود به گونه ای که اگردفعه بعد به شبکه همان ورودی  Pi اعمال شود خروج ی شبکه به Ti نزدیکتر می گردد. باتوجه به این نکته که معلم سیستمی است که بر محیط وقوف دارد (مثلا می داند که برای ورودی Pi خروجی مطلوب  Ti است). توجه داریم که محیط برای شبکه عصبی مجهول است. در لحظه  k بردار ورودیPi(k)  با تابع توضیع احتمال معینی که برای شبکه عصبی نامعلوم است انتخاب و بطور همزمان به شبکه عصبی و معلم اعمال می شود . جواب مطلوب (Ti(k نیز توسط معلم به شبکه عصبی داده می شود. درحقیقت پاسخ مطلوب پاسخ بهینه ای است که شبکه عصبی برای ورودی مفروض باید به آن برسد.

[۱]Neuron

[۲] feed-forward

[۳] feed-forward  neural network

[۴]Bayesian

[۵] Levenberg-Marquardt

[۶] Minsky

[۷]Papert

[۸]Walter Pits

[۹] exponential sigmoid transfer function

[۱۰] weighted sum

[۱۱]Real time

تمامی فایل های پیشینه تحقیق و پرسشنامه و مقالات مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد. جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ  را پرداخت نمایید.