دانلود فایل شبکه های عصبی
| دسته بندی | کامپیوتر و IT |
| فرمت فایل | doc |
| حجم فایل | 636 کیلو بایت |
| تعداد صفحات فایل | 96 |
فهرست مطالب
مقدمه
شبکه عصبی چیست
یادگیری در سیستم های بیولوژیک
سازمان مغز
نرون پایه
عملیات شبکه های عصبی
آموزش شبکه های عصبی
معرفی چند نوع شبکه عصبی
پرسپترون تک لایه
پرسپترون چند لایه
backpropagation
هاپفیلد
ماشین بولتزمن
کوهونن
کاربردهای شبکه های عصبی
منابع
مقدمه
الگوریتم ها در کامپیوتر ها اعمال مشخص و واضحی هستند که بصورت پی در پی و در جهت رسیدن به هدف خاصی انجام می شوند.حتی در تعریف الگوریتم این گونه آمده است که الگوریتم عبارت است از مجموعه ای ازاعمال واضح که دنبال ای از عملیات را برای رسیدن به هدف خاصی دنبال می کنند.آنچه در این تعریف خود نمایی می کند کلمه دنباله می باشد که به معنای انجام کار ها بصورت گام به گام می باشد. این امر مشخص می کند که همه چیز در الگوریتم های سنتی باید قدم به قدم برای کامپیوتر مشخص و قابل فهم و درک باشد.حتی در اولین الگوریتمهای هوش مصنوعی نیز بر همین پایه و کار قدم به قدم بنا نهاده شده اند.
در اواخرقرن بیستم رویکرد به الگوریتم های جدید صورت گرفت که علتهای مختلفی داشت مثل حجیم بودن میزان محاسبات برخی مسایل و بالا بودن مرتبه زمانی الگوریتم های سنتی در مورد این مسایل باعث شد نیاز به الگوریتمهای جدید احساس شود.همچنین برخی کارهای انسان که هنوز قابل انجام توسط کامپیوتر نبودندو یا به بخوبی توسط کامپیوتر انجام نمی شدند باعث این رویکرد شد.
مهمترین الگوریتمهای جدید عبارتند از :1- شبکه های عصبی 2- منطق فازی 3- محاسبات تکاملی
شبکه عصبی چیست ؟
این سوال که آیا انسان توانا تر است یا کامپیوتر موضوعی است که ذهن بشر را به خود مشغول کرده است.
اگر جواب این سوال انسان است چرا کامپیوتر اعمالی مانند جمع و ضرب و محاسبات پیچیده را در کسری از ثانیه انجام می دهد، حال آنکه انسان برای انجام آن به زمان زیادی نیازمند است. واگر جواب آن کامپیوتر است چرا کامپیوتر از اعمالی مانند دیدن و شنیدن که انسان به راحتی آنها را انجام می دهدعاجزاست.جواب این مسئله را باید در ذات اعمال جستجو کرد . اعمال محاسباتی اعمالی هستند سریالی و پی در پی به همین دلیل توسط کامپیوتر به خوبی انجام می شوند.حال آنکه اعمالی مانند دیدن وشنیدن کارهای هستند موازی که مجمو عه ای از داده های متفاوت و متضاد در آنها تفکیک و پردازش می شوندو به همین دلیل توسط انسان به خوبی انجام می شوند. در واقع مغز انسان اعمال موازی را به خوبی درک و آنها را انجام می دهدو کامپیوتر اعمال سریالی را بهتر انجام می د هد.حال باید دیدآیا می توان این اعمال موازی و در واقع ساختار مغز انسان را به نوعی در کامپیوتر شبیه سازی کرد و آیا می توان امکان یادگیری که از جمله توانایی های انسان است به نوعی در کامپیوتر مدل سازی نمود.این کار به نوعی در انسان هم انجام می شود و زمان انجام آن عمدتا در کودکی است.به عنوان مثال یک کودک ممکن است یک شی مانند چکش را نشناسد اما هنگامی که آن را می بیند واسم آن را یاد می گیرد و سپس چند چکش متفاوت را می بینداین شی را بخوبی می شناسدو اگر بعد از مدتی چکشی را که تا کنون آن را ندیده است ببیند به راحتی تشخیص می دهد که شی مورد نظر یک چکش است و تنها از نظر جزئیات با چکش های مشابه که قبلا دیده است تفاوت دارد.
لازم به ذکر است که شبکه های عصبی تنها در یادگیری کاربرد ندارند، بلکه تمام مسائل جدید وکلاسیک توسط آنها قابل حل می باشد.اما آنچه شبکه های عصبی بدان نیازمند است مثالها و نمونه های مفید وکافی است که بتواند به خوبی فضای مسئله را پوشش دهند.حال باید دیدچگونه می توان شبکه عصبی انسان را به نوعی شبیه سازی نمود، برای این کار نخست به ساختار مغز و سیستم عصبی انسان نگاهی گذرا می اندازیم.
مغز انسان یکی از پیچیده ترین اعضای بدن است که تا کنون نیز به درستی شناخته نشده است و شاید اگر روزی به درستی شناخته شودبتوان شبیه سازی بهتری از آن انجام داد و به نتایج بهتری درباره هوش مصنوعی رسید.تحقیقات در مورد شبکه های عصبی نیز از زمانی آغاز شد که رامون سگال درباره ساختار مغز و اجزای تشکیل دهنده آن اطلاعات و نظراتی ارائه کرد. او در اوایل قرن بیستم مغز را به عنوان اجتماعی از اجزای کوچک محاسباتی دانست و آنها را نرون نامید.امروزه ما می دانیم که بیشتر فعالیتهای انسان را نرونها انجام می دهندو در کوچکترین فعالیتهای حیاتی انسان مانند پلک زدن نیز نقش حیاتی و اساسی دارند.این نکته هم بسیار جالب است بدانید که در بدن ما حدودنرون وجود دارد که هر کدام از این نرونها با نرون دیگر در ارتباط هستند.نرونها شکلها و انواع مختلفی دارند، اما به طور عمده در سه دسته تقسیم بندی می شوند. اما نرون ها از نظری دیگر به دو دسته تقسیم می شوند:1- نرونهای داخلی مغز که در فاصله های حدود 100میکرون به یکدیگر متصلند ونرونهای خارجی که قسمتهای مختلف مغز را به یکدیگر و مغز را به ماهیچه ها و اعضای حسی را به مغز متصل می کنند.اما همانطور که گفتیم نرونها از نظری دیگر به سه دسته تقسیم می شوند که عبارتند از:
1- نرونهای حسی : کاری که این نرونها انجام می دهند این است که اطلاعات را از اندام های حسی بدن به مغز و نخاع می رسانند.
2- نرونهای محرک :این نرونهافرمانهای مغز و نخاع را به ماهیچه ها و غدد و سایر اندام های حسی و تحت فرمان مغز می رسانند.
3- نرونهای ارتباطی : این نرونها مانندیک ایستگاه ارتباطی بین نرونهای حسی ونرونهای محرک عمل می کنند .
گفتنی است که نرون ها در همه جای بدن هستند وبه عنوان عنصر اصلی مغز محسوب می شوندوبه تنهایی مانند یک واحد پردازش منطقی عمل می کنند نحوه عملیات نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست ، هر چند قوانین پایه آن نسبتا روشن است. هر نرون ورودی های متعددی را پذیرا است که با یکدیگر به طریقی جمع می شوند. اگر در یک لحظه تعداد ورودی های فعال
نرون به حد کفایت برسدنرون نیز فعال شده و آتش می کند. در غیر این صورت نرون به صورت غیر فعال و آرام باقی می ماند.حال به بررسی اجزاءخود نرون می پردازیم:
نرون از یک بدنه اصلی تشکبل شده است که به آن سوما گفته می شود. به سوما رشته های نا منظم طولانی متصل است که به آنها دندریت می گویند. قطر این رشته ها اغلب از یک میکرون نازکتر است و اشکال شاخه ای پیچیده ای دارند.شکل ظریف آنها شبیه شاخه های درخت بدون برگ است که هر شاخه بارها وبارها به شاخه های نازکتری منشعب می شود.دندریت ها نقش اتصالاتی را دارندکه ورودی هارا به نرون ها می رساند.این سلولها می توانندعملیاتی پیچیده تر از ععملیات جمع ساده را بر ورودی های خود انجام دهند، از این رو عمل جمع ساده را می توان به عنوان تقریب قابل قبولی از عملیات واقعی نرون به حساب آورد.
یکی از عناصر عصبی متصل به هسته نرون آکسون نامیده می شود.این عنصر بر خلاف دندریت از نظر الکتریکی فعال است و به عنوان خروجی نرون عمل می کند. آکسون همیشه در روی خروجی سلولها مشاهده می شوند لیکن اغلب در ار تباط های بین نرونی غایب اند.در این مواقع خروجی ها و ورودی ها هر دو بر روی دندریت هاواقع می شوند. آکسون وسیله ای غیر خطی است که در هنگام تجاوز پتانسیل ساکن داخل هسته از حد معینی پالس ولتاژی را به میزان یک هزارم ثانیه ، به نام پتانسیل فعالیت ، تولید می کند. این پتانسیل فعالیت در واقع یک سری از پرش های سریع ولتاژ است.رشته آکسون در نقطه تماس معینی به نام سیناپس قطع می شود ودر این مکان به دندریت سلول دیگر وصل می گردد. در واقع این تماس به صورت اتصال مستقیم نیست بلکه از طریق ماده شیمیایی موقتی صورت می گیرد.سیناپس پس از آنکه پتانسیل آن از طریق پتانسیل های فعالیت در یافتی از طریق آکسون به اندازه کافی افزایش یافته از خود ماده شیمیایی منتقل کننده عصبی ترشح می کند.برای این ترشح ممکن است به دریافت بیش از یک پتانسیل فعالیت نیاز باشد. منتقل کننده عصبی ترشح شده در شکاف بین آکسون ودندریت پخش می شودو باعث می گرددمی گردد که دروازه های موجود در دندریت ها فعال شده و باز شود و بدین صورت یون های شارژ شده وارد دندریت می شوند. این جریان یون است که باعث می شود پتانسیل دندریت افزایش یافته و باعث یک پالس ولتاژ در دندریت شودکه پس از آن منتقل شده و وارد بدن نرون دیگر می گردد. هر دندریت ممکن است تحت تأثیرتعداد زیادی سیناپس باشد وبدین صورت اتصالات داخلی زیادی را ممکن می سازد. در اتصالات سیناپسی تعداد دروازه های باز شده بستگی به مقدار منتقل کننده عصبی آزاد شده داردو همچنین به نظر می رسدکه پاره ای سیناپس ها باعث تحریک دندریت ها می شوند در صورتی که پاره ای سیناپس ها دندریت ها را از تحریک باز می دارند. این به معنای تغییر پتانسیل محلی دندریت ها در جهت مثبت یا منفی می باشد.یک نرون خود به تنهایی می تواند دارای ورودی های سیناپسی متعددی در روی دندریت های خود باشد و ممکن است با خروجی های سیناپسی متعددی به دندریت های نرون دیگر وصل شود.
یادگیری در سیستم های بیولوژیک
تصور می شود یادگیری هنگامی صورت می گیرد که شدت اتصال یک سلول و سلول دیگر در محل سیناپس ها اصلاح می گردد.به نظر می رسد که این مقصود از طریق ایجاد سهولت بیشتر در میزان آزاد شدن
ناقل شیمیایی حاصل می گردد. این حالت باعث می شود که دروازه های بیشتری روی دندریت های سمت مقابل باز شود و به این صورت باعث افزایش میزان اتصال دو سلول شود. تغییر میزان اتصال نرون ها به صورتی که باعث تقویت تماس های مطلوب شود از مشخصه های مهم در مدل های شبکه های عصبی است.
فایل ورد 96 صفحه
دانلود فایل شبکه های عصبی
| دسته بندی | کامپیوتر و IT |
| فرمت فایل | doc |
| حجم فایل | 636 کیلو بایت |
| تعداد صفحات فایل | 96 |
فهرست مطالب
مقدمه
شبکه عصبی چیست
یادگیری در سیستم های بیولوژیک
سازمان مغز
نرون پایه
عملیات شبکه های عصبی
آموزش شبکه های عصبی
معرفی چند نوع شبکه عصبی
پرسپترون تک لایه
پرسپترون چند لایه
backpropagation
هاپفیلد
ماشین بولتزمن
کوهونن
کاربردهای شبکه های عصبی
منابع
مقدمه
الگوریتم ها در کامپیوتر ها اعمال مشخص و واضحی هستند که بصورت پی در پی و در جهت رسیدن به هدف خاصی انجام می شوند.حتی در تعریف الگوریتم این گونه آمده است که الگوریتم عبارت است از مجموعه ای ازاعمال واضح که دنبال ای از عملیات را برای رسیدن به هدف خاصی دنبال می کنند.آنچه در این تعریف خود نمایی می کند کلمه دنباله می باشد که به معنای انجام کار ها بصورت گام به گام می باشد. این امر مشخص می کند که همه چیز در الگوریتم های سنتی باید قدم به قدم برای کامپیوتر مشخص و قابل فهم و درک باشد.حتی در اولین الگوریتمهای هوش مصنوعی نیز بر همین پایه و کار قدم به قدم بنا نهاده شده اند.
در اواخرقرن بیستم رویکرد به الگوریتم های جدید صورت گرفت که علتهای مختلفی داشت مثل حجیم بودن میزان محاسبات برخی مسایل و بالا بودن مرتبه زمانی الگوریتم های سنتی در مورد این مسایل باعث شد نیاز به الگوریتمهای جدید احساس شود.همچنین برخی کارهای انسان که هنوز قابل انجام توسط کامپیوتر نبودندو یا به بخوبی توسط کامپیوتر انجام نمی شدند باعث این رویکرد شد.
مهمترین الگوریتمهای جدید عبارتند از :1- شبکه های عصبی 2- منطق فازی 3- محاسبات تکاملی
شبکه عصبی چیست ؟
این سوال که آیا انسان توانا تر است یا کامپیوتر موضوعی است که ذهن بشر را به خود مشغول کرده است.
اگر جواب این سوال انسان است چرا کامپیوتر اعمالی مانند جمع و ضرب و محاسبات پیچیده را در کسری از ثانیه انجام می دهد، حال آنکه انسان برای انجام آن به زمان زیادی نیازمند است. واگر جواب آن کامپیوتر است چرا کامپیوتر از اعمالی مانند دیدن و شنیدن که انسان به راحتی آنها را انجام می دهدعاجزاست.جواب این مسئله را باید در ذات اعمال جستجو کرد . اعمال محاسباتی اعمالی هستند سریالی و پی در پی به همین دلیل توسط کامپیوتر به خوبی انجام می شوند.حال آنکه اعمالی مانند دیدن وشنیدن کارهای هستند موازی که مجمو عه ای از داده های متفاوت و متضاد در آنها تفکیک و پردازش می شوندو به همین دلیل توسط انسان به خوبی انجام می شوند. در واقع مغز انسان اعمال موازی را به خوبی درک و آنها را انجام می دهدو کامپیوتر اعمال سریالی را بهتر انجام می د هد.حال باید دیدآیا می توان این اعمال موازی و در واقع ساختار مغز انسان را به نوعی در کامپیوتر شبیه سازی کرد و آیا می توان امکان یادگیری که از جمله توانایی های انسان است به نوعی در کامپیوتر مدل سازی نمود.این کار به نوعی در انسان هم انجام می شود و زمان انجام آن عمدتا در کودکی است.به عنوان مثال یک کودک ممکن است یک شی مانند چکش را نشناسد اما هنگامی که آن را می بیند واسم آن را یاد می گیرد و سپس چند چکش متفاوت را می بینداین شی را بخوبی می شناسدو اگر بعد از مدتی چکشی را که تا کنون آن را ندیده است ببیند به راحتی تشخیص می دهد که شی مورد نظر یک چکش است و تنها از نظر جزئیات با چکش های مشابه که قبلا دیده است تفاوت دارد.
لازم به ذکر است که شبکه های عصبی تنها در یادگیری کاربرد ندارند، بلکه تمام مسائل جدید وکلاسیک توسط آنها قابل حل می باشد.اما آنچه شبکه های عصبی بدان نیازمند است مثالها و نمونه های مفید وکافی است که بتواند به خوبی فضای مسئله را پوشش دهند.حال باید دیدچگونه می توان شبکه عصبی انسان را به نوعی شبیه سازی نمود، برای این کار نخست به ساختار مغز و سیستم عصبی انسان نگاهی گذرا می اندازیم.
مغز انسان یکی از پیچیده ترین اعضای بدن است که تا کنون نیز به درستی شناخته نشده است و شاید اگر روزی به درستی شناخته شودبتوان شبیه سازی بهتری از آن انجام داد و به نتایج بهتری درباره هوش مصنوعی رسید.تحقیقات در مورد شبکه های عصبی نیز از زمانی آغاز شد که رامون سگال درباره ساختار مغز و اجزای تشکیل دهنده آن اطلاعات و نظراتی ارائه کرد. او در اوایل قرن بیستم مغز را به عنوان اجتماعی از اجزای کوچک محاسباتی دانست و آنها را نرون نامید.امروزه ما می دانیم که بیشتر فعالیتهای انسان را نرونها انجام می دهندو در کوچکترین فعالیتهای حیاتی انسان مانند پلک زدن نیز نقش حیاتی و اساسی دارند.این نکته هم بسیار جالب است بدانید که در بدن ما حدودنرون وجود دارد که هر کدام از این نرونها با نرون دیگر در ارتباط هستند.نرونها شکلها و انواع مختلفی دارند، اما به طور عمده در سه دسته تقسیم بندی می شوند. اما نرون ها از نظری دیگر به دو دسته تقسیم می شوند:1- نرونهای داخلی مغز که در فاصله های حدود 100میکرون به یکدیگر متصلند ونرونهای خارجی که قسمتهای مختلف مغز را به یکدیگر و مغز را به ماهیچه ها و اعضای حسی را به مغز متصل می کنند.اما همانطور که گفتیم نرونها از نظری دیگر به سه دسته تقسیم می شوند که عبارتند از:
1- نرونهای حسی : کاری که این نرونها انجام می دهند این است که اطلاعات را از اندام های حسی بدن به مغز و نخاع می رسانند.
2- نرونهای محرک :این نرونهافرمانهای مغز و نخاع را به ماهیچه ها و غدد و سایر اندام های حسی و تحت فرمان مغز می رسانند.
3- نرونهای ارتباطی : این نرونها مانندیک ایستگاه ارتباطی بین نرونهای حسی ونرونهای محرک عمل می کنند .
گفتنی است که نرون ها در همه جای بدن هستند وبه عنوان عنصر اصلی مغز محسوب می شوندوبه تنهایی مانند یک واحد پردازش منطقی عمل می کنند نحوه عملیات نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست ، هر چند قوانین پایه آن نسبتا روشن است. هر نرون ورودی های متعددی را پذیرا است که با یکدیگر به طریقی جمع می شوند. اگر در یک لحظه تعداد ورودی های فعال
نرون به حد کفایت برسدنرون نیز فعال شده و آتش می کند. در غیر این صورت نرون به صورت غیر فعال و آرام باقی می ماند.حال به بررسی اجزاءخود نرون می پردازیم:
نرون از یک بدنه اصلی تشکبل شده است که به آن سوما گفته می شود. به سوما رشته های نا منظم طولانی متصل است که به آنها دندریت می گویند. قطر این رشته ها اغلب از یک میکرون نازکتر است و اشکال شاخه ای پیچیده ای دارند.شکل ظریف آنها شبیه شاخه های درخت بدون برگ است که هر شاخه بارها وبارها به شاخه های نازکتری منشعب می شود.دندریت ها نقش اتصالاتی را دارندکه ورودی هارا به نرون ها می رساند.این سلولها می توانندعملیاتی پیچیده تر از ععملیات جمع ساده را بر ورودی های خود انجام دهند، از این رو عمل جمع ساده را می توان به عنوان تقریب قابل قبولی از عملیات واقعی نرون به حساب آورد.
یکی از عناصر عصبی متصل به هسته نرون آکسون نامیده می شود.این عنصر بر خلاف دندریت از نظر الکتریکی فعال است و به عنوان خروجی نرون عمل می کند. آکسون همیشه در روی خروجی سلولها مشاهده می شوند لیکن اغلب در ار تباط های بین نرونی غایب اند.در این مواقع خروجی ها و ورودی ها هر دو بر روی دندریت هاواقع می شوند. آکسون وسیله ای غیر خطی است که در هنگام تجاوز پتانسیل ساکن داخل هسته از حد معینی پالس ولتاژی را به میزان یک هزارم ثانیه ، به نام پتانسیل فعالیت ، تولید می کند. این پتانسیل فعالیت در واقع یک سری از پرش های سریع ولتاژ است.رشته آکسون در نقطه تماس معینی به نام سیناپس قطع می شود ودر این مکان به دندریت سلول دیگر وصل می گردد. در واقع این تماس به صورت اتصال مستقیم نیست بلکه از طریق ماده شیمیایی موقتی صورت می گیرد.سیناپس پس از آنکه پتانسیل آن از طریق پتانسیل های فعالیت در یافتی از طریق آکسون به اندازه کافی افزایش یافته از خود ماده شیمیایی منتقل کننده عصبی ترشح می کند.برای این ترشح ممکن است به دریافت بیش از یک پتانسیل فعالیت نیاز باشد. منتقل کننده عصبی ترشح شده در شکاف بین آکسون ودندریت پخش می شودو باعث می گرددمی گردد که دروازه های موجود در دندریت ها فعال شده و باز شود و بدین صورت یون های شارژ شده وارد دندریت می شوند. این جریان یون است که باعث می شود پتانسیل دندریت افزایش یافته و باعث یک پالس ولتاژ در دندریت شودکه پس از آن منتقل شده و وارد بدن نرون دیگر می گردد. هر دندریت ممکن است تحت تأثیرتعداد زیادی سیناپس باشد وبدین صورت اتصالات داخلی زیادی را ممکن می سازد. در اتصالات سیناپسی تعداد دروازه های باز شده بستگی به مقدار منتقل کننده عصبی آزاد شده داردو همچنین به نظر می رسدکه پاره ای سیناپس ها باعث تحریک دندریت ها می شوند در صورتی که پاره ای سیناپس ها دندریت ها را از تحریک باز می دارند. این به معنای تغییر پتانسیل محلی دندریت ها در جهت مثبت یا منفی می باشد.یک نرون خود به تنهایی می تواند دارای ورودی های سیناپسی متعددی در روی دندریت های خود باشد و ممکن است با خروجی های سیناپسی متعددی به دندریت های نرون دیگر وصل شود.
یادگیری در سیستم های بیولوژیک
تصور می شود یادگیری هنگامی صورت می گیرد که شدت اتصال یک سلول و سلول دیگر در محل سیناپس ها اصلاح می گردد.به نظر می رسد که این مقصود از طریق ایجاد سهولت بیشتر در میزان آزاد شدن
ناقل شیمیایی حاصل می گردد. این حالت باعث می شود که دروازه های بیشتری روی دندریت های سمت مقابل باز شود و به این صورت باعث افزایش میزان اتصال دو سلول شود. تغییر میزان اتصال نرون ها به صورتی که باعث تقویت تماس های مطلوب شود از مشخصه های مهم در مدل های شبکه های عصبی است.
فایل ورد 96 صفحه
دانلود پاورپوینت شبکه های عصبی مصنوعی
| دسته بندی | کامپیوتر و IT |
| فرمت فایل | ppt |
| حجم فایل | 236 کیلو بایت |
| تعداد صفحات فایل | 25 |
مباحث:
آشنایی با شبکه های عصبی زیستی
معرفی شبکه های عصبی مصنوعی(ANNها)
مبانی شبکه های عصبی مصنوعی
توپولوژی شبکه
نرم افزارهای شبکه های عصبی
مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی
فرآیند یادگیری شبکه
تجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
ایده ی اصلی شبکه های عصبی مصنوعی
مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر
شبکه های عصبی در مقابل کامپیوترهای معمولی
معایب شبکه های عصبی مصنوعی
کاربردهای شبکه های عصبی مصنوعی
پاورپوینت ارتباط شبکه های عصبی با DSS
| دسته بندی | کامپیوتر و IT |
| فرمت فایل | ppt |
| حجم فایل | 269 کیلو بایت |
| تعداد صفحات فایل | 15 |
فهرست مطالب:
•مقدمه
•شبکه عصبی
•لایه های شبکه های عصبی
•الگوریتم و معماری شبکه های عصبی مصنوعی
•ضرورت کاربرد شبکه های عصبی در تصمیم گیری راهبردی
•پشتیبانی شبکه های عصبی مصنوعی از فرآیند تصمیم گیری
•کاربرد شبکه های عصبی مصنوعی در تصمیم گیری راهبردی
•نتیجه گیری
دانلود پاورپوینت بررسی شبکه های عصبی مصنوعی
| دسته بندی | کامپیوتر و IT |
| فرمت فایل | pptx |
| حجم فایل | 1590 کیلو بایت |
| تعداد صفحات فایل | 85 |
پاورپوینت شبکه های عصبی مصنوعی در 85 اسلاید زیبا و قابل ویرایش با فرمت pptx
مقدمه
شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد. lیادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده است.
شبکه عصبی چیست؟
lروشی برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد پردازشی ساخته میشود. lشبکه از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل میشود که مجموعه ورودی را به خروجی ربط میدهند.
شبکه عصبی چه قابلیتهائی دارد؟
محاسبه یک تابع معلوم
تقریب یک تابع ناشناخته
شناسائی الگو lپردازش سیگنال
یادگیری
دانلود پاورپوینت بررسی شبکه های عصبی
| دسته بندی | کامپیوتر و IT |
| فرمت فایل | pptx |
| حجم فایل | 248 کیلو بایت |
| تعداد صفحات فایل | 25 |
پاورپوینت شبکه های عصبی در 25 اسلاید زیبا و قابل ویرایش با فرمت pptx
مباحث :
آشنایی با شبکه های عصبی زیستی
معرفی شبکه های عصبی مصنوعی(ANNها)
مبانی شبکه های عصبی مصنوعی
توپولوژی شبکه üنرم افزارهای شبکه های عصبی
مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی
فرآیند یادگیری شبکه
تجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
ایده ی اصلی شبکه های عصبی مصنوعی
مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر
شبکه های عصبی در مقابل کامپیوترهای معمولی
معایب شبکه های عصبی مصنوعی
کاربردهای شبکه های عصبی مصنوعی
آشنایی با شبکه های عصبی زیستی
vاین شبکه ها مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می کنند و توسط سیناپس ها(ارتباط های الکترومغناطیسی)اطلاعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. vاین شبکه ها قادر به یادگیری اند.مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند.back propagation of error)) vیادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند.
معرفی ANN ها
vیک سیستم پردازشی داده ها که از مغز انسان ایده گرفته و پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل کنند. v vدر این شبکه ها به کمک د انش برنامه نویسی ، ساختا ر داده ای طراحی می شود که می تواند هما نند نورون عمل کند.که به این ساختارداده node یا گره نیزگفته می شود.بعد باایجاد شبکه ای بین این node ها و اعمال یک الگوریتم آموزشی به آ ن، شبکه را آموزش می دهند . v vدر این حافظه یا شبکه ی عصبی node ها دارای دو حالت فعال(on یا 1) وغیرفعال( off یا 0) اند و هر یال (سیناپس یا ارتباط بین node ها)دارای یک وزن می باشد.یالهای با وزن مثبت ،موجب تحریک یا فعال کردن node غیر فعال بعدی می شوند و یالهای با وزن منفی node متصل بعدی را غیر فعال یا مهار(در صورتی که فعال بوده باشد) می کنند.
vANN ها در واقع مثلثی هستند با سه ضلع مفهومی : .Iسیستم تجزیه و تحلیل داده ها .IIنورون یا سلول عصبی .IIIقانون کار گروهی نورونها (شبکه) ● vANN ها دست کم از دو جهت شبیه مغز انسا ن اند: .Iمرحله ای موسوم به یاد گیری دارند. .IIوزن های سیناپسی جهت ذخیره ی دانش به کار می روند.
vهوش مصنوعی و مدل سا زی شناختی سعی بر این دارند که بعضی خصوصیا ت شبکه های عصبی را شبیه سازی کنند. گرچه این دو روش ها یشان شبیه هم است، اما هدف هوش مصنوعی از این کار حل مسائل شخصی و هدف مدل سا زی شناختی ،ساخت مدلهای ریا ضی سیستم های نورونی زیستی می باشد .
دانلود مقاله درمورد دیابت و عواض آن
| دسته بندی | پزشکی |
| فرمت فایل | doc |
| حجم فایل | 22 کیلو بایت |
| تعداد صفحات فایل | 36 |
*مقاله درمورد دیابت و عواض آن*
دیابت دوران بارداری، ضریب هوشی را کاهش می دهد
آسیبهای مغزی و کاهش ضریب خوشی در سنین بالا، ناشی از عوارض دیابت در دوران بارداری است. دکتر محسن خوش نیست، فوق تخصص غدد و عضو هیات علمی دانشگاه علوم پزشکی تهران با بیان این مطلب، اظهار کرد: مهمرتین عارضه دیابت در دوران بارداری، افزایش وزن جنین یا ماکروزومی است، که با وزن بیش از 4 هزار گرم در هنگام تولد همراه است و متعاقب آن احتمال ضربات و تروماهای زایمانی شامل در رفتگی شانه، آسیب اعصاب اندام های فوقانی و فلج شبکه های عصبی اندام فوقانی افزایش می یابد.
وی تاکید کرد:مرگ ناگهانی چنین در ماههای آخر بارداری، از دیگر عوارض قند خون کنترل نشده در دوران باردری است. میزان شیوع دیابت در دوران بارداری در جوامع مختلف تا 14 درصد گزارش شده، و به دلیل آن که با عوارض زیادی برای مادر و جنین همراه است، امروزه توصیه می شود همه زنان در دوران بارداری از نظر قند خون آزمایش شوند. عضو هیئت علمی دانشگاه علوم پزشکی تهران یادآور شد:دیابت در دوران بارداری با علایم ظاهری همراه نیست؛ بنابراین برای تشخیص این بیماری، تست قند خون در هفته های 24 تا 28 بارداری ضروری است. در این تست پس از مصرف 50 گرم گلوکز، قند خون ارزیابی می شود؛ در صورتی که قند خون بالاتر از 130 گزارش شود، تستهای تکمیلی تر همچون تست تحمل گلوکز به عمل می آید و پس از اثبات دیابت، به درمان آن مبادرت می ورزند.
دکتر خوش نیت تصریح کرد: داروی مجاز در دوران بارداری «انسولین» است و زنان باردار، مجاز به استفاده از قرصهای خوراکی نیستند.در صورتی که زنان باردار پیش از لقاح، قند خون کنترل نشده داشته باشند، احتمال بروز ناهنجاری های جنین در سیستم قلبی و عروقی، عصبی و اسکلتی وجود دارد.
به گفته وی، مادران چاق و ارادی که سابقه فامیلی دیابت در بستگان درجه اول خود دارند و نیز کسانی که سابقه جنین درشت، دوبار سقط و مرده زایی دارند، بیشتر در معرض ابتلا به دیابت دوران بارداری قرار دارند. به دلیل عوارضی مظیر چاقی، دیابت نوجوانان و عوارض مامایی در حین تولد و پس از آن ضروری است دیابت بارداری خیلی سریع تشخیص داده شود و به طور دقیق درمان گردد.
دتر خوش نیت در خاتمه خاطرنشان کرد: علت دیابت در دوران بارداری ، ناشی از یک نارسایی خفبف در لوزالمعده است. در این دوران، هورمون های زیادی ترشح می شوند که ضد انسولین هستند، در صورتی که لوزالمعده مادر نتواند به مقدار زیاد انسولین ترشح کند، قند خون افزایش می یابد.
دوشنبه 4 خرداد 1383-4ربیع الثانی 1425-شماره2388
دیابت و آلزایمر
محققان مرکز طب دانشگاه «راشل» در شیکاگو با مطالعه بیش از 800 نفر در یک دوره پنج ساله به این نتیجه رسیدند که ابتلا به دیابت خطر بروز آلزایمر را تا 65 درصد افزایش می دهد. متخصصان انگلیسی اعلام کردند که برای شناسایی نحوه ارتباط میان دیابت و افزایش خطر بروز آلزایمر مطالعات بیستری باید انجام گیرد.
در طول این پژوهش ها 151 بیمار مبتلا به آلزایمر شناسایی شدند که از این میان 31نفر به دیابت مبتلا بودند.
به گفته این محققان ابتلا به دیابت با افت فعالیت برخی از سیستم های درکی مغز رابطه مستقیم دارد. همچنین همزمان با سایر حالت ها فشار خون بالا و کلسترول خون بالا از فاکتورهای اصلی افزایش احتمال بروز آلزایمر محسوب می شوند.
گرد آورنده:الهام زمانیان
نشانه ها و تشخیص های دیابت نوع 1
نشانه ها، علائم دیابت نوع یک با افزایش مقدار گلوکز در خون ارتباط دارد، یک شرایطی، که منجر به هیپرگلیسمی می شود. بیشتر افرادی که دچار دیابت نوع یک هستند نشانه هایی دارند که آنفا را مجبور می کند توجهات پزشکی را جستجو کنند.
معمولترین نشانه های دیابت نوع یک مثال:
- افزایش ادرار
- افزایش تشنگی
- از دست دادن وزن علی رغم افزایش اشتها
- نشانه های دیگر شامل خستگی افزایش مستعد ابتلا به عفونتها
چگونه دیابت نوع یک را تشخیص دهیم؟
بیشترین افرادی که دچار دیابت نوع یک هستند تشخیص داده می شوند با پیشرفت نشانه ها در یک ماه. با عنوان نمونه زمانیکه نشانه ها مبهم می شوند، ان ممکن است طول بکشد در تشخیص دیابت نوع یک. آزمایش برای دیابت مثال نمونه خون و نشانه های جاری و اندازه گیری سطح گلوکز (قند) خون.
دانلود مقاله درمورد دیابت و عواض آن
| دسته بندی | پزشکی |
| فرمت فایل | doc |
| حجم فایل | 22 کیلو بایت |
| تعداد صفحات فایل | 36 |
*مقاله درمورد دیابت و عواض آن*
دیابت دوران بارداری، ضریب هوشی را کاهش می دهد
آسیبهای مغزی و کاهش ضریب خوشی در سنین بالا، ناشی از عوارض دیابت در دوران بارداری است. دکتر محسن خوش نیست، فوق تخصص غدد و عضو هیات علمی دانشگاه علوم پزشکی تهران با بیان این مطلب، اظهار کرد: مهمرتین عارضه دیابت در دوران بارداری، افزایش وزن جنین یا ماکروزومی است، که با وزن بیش از 4 هزار گرم در هنگام تولد همراه است و متعاقب آن احتمال ضربات و تروماهای زایمانی شامل در رفتگی شانه، آسیب اعصاب اندام های فوقانی و فلج شبکه های عصبی اندام فوقانی افزایش می یابد.
وی تاکید کرد:مرگ ناگهانی چنین در ماههای آخر بارداری، از دیگر عوارض قند خون کنترل نشده در دوران باردری است. میزان شیوع دیابت در دوران بارداری در جوامع مختلف تا 14 درصد گزارش شده، و به دلیل آن که با عوارض زیادی برای مادر و جنین همراه است، امروزه توصیه می شود همه زنان در دوران بارداری از نظر قند خون آزمایش شوند. عضو هیئت علمی دانشگاه علوم پزشکی تهران یادآور شد:دیابت در دوران بارداری با علایم ظاهری همراه نیست؛ بنابراین برای تشخیص این بیماری، تست قند خون در هفته های 24 تا 28 بارداری ضروری است. در این تست پس از مصرف 50 گرم گلوکز، قند خون ارزیابی می شود؛ در صورتی که قند خون بالاتر از 130 گزارش شود، تستهای تکمیلی تر همچون تست تحمل گلوکز به عمل می آید و پس از اثبات دیابت، به درمان آن مبادرت می ورزند.
دکتر خوش نیت تصریح کرد: داروی مجاز در دوران بارداری «انسولین» است و زنان باردار، مجاز به استفاده از قرصهای خوراکی نیستند.در صورتی که زنان باردار پیش از لقاح، قند خون کنترل نشده داشته باشند، احتمال بروز ناهنجاری های جنین در سیستم قلبی و عروقی، عصبی و اسکلتی وجود دارد.
به گفته وی، مادران چاق و ارادی که سابقه فامیلی دیابت در بستگان درجه اول خود دارند و نیز کسانی که سابقه جنین درشت، دوبار سقط و مرده زایی دارند، بیشتر در معرض ابتلا به دیابت دوران بارداری قرار دارند. به دلیل عوارضی مظیر چاقی، دیابت نوجوانان و عوارض مامایی در حین تولد و پس از آن ضروری است دیابت بارداری خیلی سریع تشخیص داده شود و به طور دقیق درمان گردد.
دتر خوش نیت در خاتمه خاطرنشان کرد: علت دیابت در دوران بارداری ، ناشی از یک نارسایی خفبف در لوزالمعده است. در این دوران، هورمون های زیادی ترشح می شوند که ضد انسولین هستند، در صورتی که لوزالمعده مادر نتواند به مقدار زیاد انسولین ترشح کند، قند خون افزایش می یابد.
دوشنبه 4 خرداد 1383-4ربیع الثانی 1425-شماره2388
دیابت و آلزایمر
محققان مرکز طب دانشگاه «راشل» در شیکاگو با مطالعه بیش از 800 نفر در یک دوره پنج ساله به این نتیجه رسیدند که ابتلا به دیابت خطر بروز آلزایمر را تا 65 درصد افزایش می دهد. متخصصان انگلیسی اعلام کردند که برای شناسایی نحوه ارتباط میان دیابت و افزایش خطر بروز آلزایمر مطالعات بیستری باید انجام گیرد.
در طول این پژوهش ها 151 بیمار مبتلا به آلزایمر شناسایی شدند که از این میان 31نفر به دیابت مبتلا بودند.
به گفته این محققان ابتلا به دیابت با افت فعالیت برخی از سیستم های درکی مغز رابطه مستقیم دارد. همچنین همزمان با سایر حالت ها فشار خون بالا و کلسترول خون بالا از فاکتورهای اصلی افزایش احتمال بروز آلزایمر محسوب می شوند.
گرد آورنده:الهام زمانیان
نشانه ها و تشخیص های دیابت نوع 1
نشانه ها، علائم دیابت نوع یک با افزایش مقدار گلوکز در خون ارتباط دارد، یک شرایطی، که منجر به هیپرگلیسمی می شود. بیشتر افرادی که دچار دیابت نوع یک هستند نشانه هایی دارند که آنفا را مجبور می کند توجهات پزشکی را جستجو کنند.
معمولترین نشانه های دیابت نوع یک مثال:
- افزایش ادرار
- افزایش تشنگی
- از دست دادن وزن علی رغم افزایش اشتها
- نشانه های دیگر شامل خستگی افزایش مستعد ابتلا به عفونتها
چگونه دیابت نوع یک را تشخیص دهیم؟
بیشترین افرادی که دچار دیابت نوع یک هستند تشخیص داده می شوند با پیشرفت نشانه ها در یک ماه. با عنوان نمونه زمانیکه نشانه ها مبهم می شوند، ان ممکن است طول بکشد در تشخیص دیابت نوع یک. آزمایش برای دیابت مثال نمونه خون و نشانه های جاری و اندازه گیری سطح گلوکز (قند) خون.
دانلود مقاله در مورد درد شایع گردن و شانه در کاربران کامپیوتر
| دسته بندی | پزشکی |
| فرمت فایل | doc |
| حجم فایل | 18 کیلو بایت |
| تعداد صفحات فایل | 19 |
*مقاله درمورد درد شایع گردن و شانه در کاربران کامپیوتر*
1. درد شایع گردن و شانه در کاربران کامپیوتر
2.ارگونومی کامپیوتر
3.شبکه های عصبی مصنوعی و کاربرد آن در پزشکی
درد شایع گردن و شانه در کاربران کامپیوتر
تهیه کننده : لیلا معینی
بر اساس نظر محققین و مطالعات انجام شده ، درد گردن و شانه و شکایات ناشی از آن در بین کاربران کامپیوتر گسترده و شایع است.دکترر فردریک گر محقق دانشکده بهداشت رولینز دانشگاه ایموری(Emory) در آتلانتا ایالت جورجیا این مطلب را بیان نمود که بیشتر از نیمی از کاربران کامپیوتر هر سال به عوارض و درد گردن و شانه مبتلا می شوند و بیشتر از یک سـوم آنها دچـار نقص یا مشـکلات حرکتـی گردن و شـانه می شوند.یک مطالعه روی 632 مرد و زن تازه استخدام شده که در هفته 15 ساعت یا بیشتر با کامپیوتر کار می کردند انجام شد.
پژوهشگران تمام فعالیتها و علائم موجود درافراد را به صورت یادداشتهای روزانه به مدت 3 سال ثبت کردند و افرادی که علائم را گزارش می کردند توسط پزشکان ارزیابی می شــدند تا مشــخص شــود که آیا ناراحتی و عارضه ای دارند یا خیر؟
محققین اعلام نموده اند که این اولین مطالعه آینده نگر به منظور پی گیری یک گروه از کاربران کامپیوتر است گرچه مطالعات قبلی به تعداد کاربران کامپیوتر که از درد در یک نقطه خاصی شکایت داشته اند اشاره شده است . یافته های دیگر این مطالعه نشان می دهد که مشکلات در نواحی دست و بازو شایع می باشد . تقریباً 40% افراد در هر سال از درد در نواحی فوق شکایت دارند و 21% از‌آنها دچار مشکلات شدیدی در این نواحی می شوند . بر طبق بررسی ها ، زنان بیشتر از مردان مشکلات ناشی از کار با کامپیوتر را گزارش می کنند و نیز بیشتر به این عوارض دچار می شوند ولی علت این امر هنوز مشخص نشده است . بر اساس نتایج یک مطالعه همزمان از همان گروه کاربران کامپیوتر با نشـستن صـحیح در جلوکامپیوتر می توان درد وشرایط ناراحت کننده را کـاهش داد . بر اســاس این گزارش قرار گرفتن صفحه کلید پایین تر از آرنج و یا در فاصله ای دور از کـاربر ( با زاویه داخلی آرنج بیشـتر از 121 درجه) باعث می شود که سـر به منظور نگاه کردن به مانیتور به سمت پایین انحراف داشته و خم شود و با استفاده از تکیه گاه‌های دست و بازو در صندلی می توان خطر علائم درد در شانه و گردن را کم نمود.همچنین محققین نتیجه گرفتند که وقتی کاربر مدت زمان زیادی جلوی کامپیوتر بنشـیند خطر پیشرونده درد بازو ودست او را تهدید می کند. افرادی که 20 سـاعت در هفته تایپ می کنند کمی بیشتر از دو برابر دیگران به درد و نارسایی دست و بازو و گردن دچار می شوند.
ورزش‌های مفیدجهت‌‌گردن و شانه :
یکسری از تمرینات و ورزش ها می تواند از ضایعات کامپیوتر در گردن و شانه جلوگیری نماید. این تمرین‌ها بایستی مرتباً تکرار شود تا اثر آن نمایان گردد.
کشش گردن:
ماهیـچه های گـردن را راسـت و کشیده نگه داریــد و آن ر امنقبض و محکم نگیرید، این روش ناراحتی های ناشی از حالت های قرارگرفتن بدن را بر طرف می کند . طبق شکل شماره (1و2) راحت بنشینید ، به شانه ها استراحت دهید و چانه خود را به طرف سینه متمایل کنید. چانه را تا جایی که می توانید به طرف شــانه راست بچرخانید ، طوری که هیچ فشاری به پشت گردن وارد نشود. 30 ثانیه در این حالت بمانید . این حرکت را برای سمت چپ نیز انجام دهید.طبق شکل شماره (3و4) راحت بنشینید به شانه ها استراحت دهید. گوش های خود را به طرف شانه راست خم کنید گردن را تا جایی که می توانید شل کنید و با این کار احساس کششی در سمت مخالف خواهید کرد .برای 30 ثانیه در این حالت بمانید .این حرکت را برای سمت چپ نیز تکرار نمائید.
طبق شکل شماره (5و6) جناغ سینه و چانه را به بالا ببرید .سرتان را تاجا یی که راحت هستید به عقب بکشید و شانه ها را شل نمائید.هوا را به بیرون داده و بازدم کنید و سر را از عقب به مرکز آورده و سپس چانه را به طرف سینه متمایل کنید طوریکه پشت گردن کشیده شود و مدتی در این حالت بمانید.
دانلود ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر
| دسته بندی | برق |
| فرمت فایل | doc |
| حجم فایل | 7415 کیلو بایت |
| تعداد صفحات فایل | 110 |
ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر
چکیده
تاکنون برای حذف نویزهای آکوستیکی از روش های فعال[1] و غیر فعال[2]استفاده شده است. برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر 500 هرتز)، حذف و یا کاهش داد. در روش فعال از سیستمی استفاده می شود که شامل یک فیلتر وفقی است. به دلیل ردیابی خوب فیلتر [3]LMS در محیط نویزی، الگوریتم FXLMS[4] بعنوان روشی پایه ارائه شده است. اشکال الگوریتم مذکور این است که در مسائل کنترل خطی استفاده می شود. یعنی اگر فرکانس نویز متغیر باشد و یا سیستم کنترلی بصورت غیرخطی کار کند، الگوریتم فوق به خوبی کار نکرده و یا واگرا می شود.
بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم که قابلیت حذف نویز، با فرکانس متغیر، در یک مجرا و در کوتاه‌ترین زمان ممکن را دارد. برای دستیابی به آن می توان از یک گام حرکت وفقی بهینه () در الگوریتم FXLMS استفاده کرد. به این منظور محدوده ی گام حرکت بهینه در فرکانس های 200 تا 500 هرتز را در داخل یک مجرا محاسبه کرده تا گام حرکت بهینه بر حسب فرکانس ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی بوسیله ی الگوریتم MUSIC[5] ، را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در کوتاه‌ترین زمان، ممکن شود. در نهایت خواهیم دید که الگوریتم FXLMS معمولی با گام ثابت با تغییر فرکانس واگرا شده حال آنکه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فرکانس متغیر را فراهم می آورد.
همچنین‌به دلیل‌ماهیت غیرخطی سیستم‌هایANC ، به ارائه‌ی نوعی شبکه‌ی عصبی RBF TDNGRBF ) [6] ( می‌پردازیم که توانایی مدل کردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریک فرکانس متغیر در یک مجرا استفاده کرده و نتایج آن را با الگوریتم FXLMS مقایسه می کنیم. خواهیم دید که روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (3 برابر) و خطای کمتری (30% کاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یک شبکه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبکه ی GRBF (با ترکیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امکان پذیر می شود. ضرایب بکار رفته در ترکیب خطی با استفاده از الگوریتم [7]NLMS بهینه می شوند.
[1] -Active
[2] -passive
[3] -Least mean square
4- Filter- x LMS
5 -Multiple signal classification
6 -Time Delay N- Generalized Radial Basis Function
[7] -Normalized LMS
فهرست مطالب
|
عنوان |
صفحه |
|
چکیده فصل صفر: مقدمه
|
1 2 |
|
فصل اول: مقدمه ای بر کنترل نویز آکوستیکی |
7 |
|
1-1) مقدمه |
8 |
|
1-2) علل نیاز به کنترل نویزهای صوتی (فعال و غیر فعال) |
9 |
|
1-2-1) بیماری های جسمی |
9 |
|
1-2-2) بیماری های روانی |
9 |
|
1-2-3) راندمان و کارایی افراد |
9 |
|
1-2-4) فرسودگی |
9 |
|
1-2-5) آسایش و راحتی |
9 |
|
1-2-6 جنبه های اقتصادی |
10 |
|
1-3) نقاط ضعف کنترل نویز به روش غیرفعال |
10 |
|
1-3-1) کارایی کم در فرکانس های پایین |
10 |
|
1-3-2) حجم زیاد عایق های صوتی |
10 |
|
1-3-3) گران بودن عایق های صوتی |
10 |
|
1-3-4) محدودیت های اجرایی |
10 |
|
1-3-5) محدودیت های مکانیکی |
10 |
|
1-4) نقاط قوت کنترل نویز به روش فعال |
11 |
|
1-4-1) قابلیت حذف نویز در یک گسترده ی فرکانسی وسیع |
11 |
|
1-4-2) قابلیت خود تنظیمی سیستم |
11 |
|
1-5) کاربرد ANC در گوشی فعال |
11 |
|
1-5-1) تضعیف صدا به روش غیر فعال در هدفون |
12 |
|
1-5-2) تضعیف صدا به روش آنالوگ در هدفون |
13 |
|
1-5-3) تضعیف صوت به روش دیجیتال در هدفون |
15 |
|
1-5-4) تضعیف صوت به وسیله ی ترکیب سیستم های آنالوگ و دیجیتال در هدفون |
16 |
|
1-6) نتیجه گیری |
17 |
|
فصل دوم: اصول فیلترهای وفقی |
18 |
|
2-1) مقدمه |
19 |
|
2-2) فیلتر وفقی |
20 |
|
2-2-1) محیط های کاربردی فیلترهای وفقی |
22 |
|
2-3) الگوریتم های وفقی |
25 |
|
2-4) روش تحلیلی |
25 |
|
2-4-1) تابع عملکرد سیستم وفقی |
26 |
|
2-4-2) گرادیان یا مقادیر بهینه بردار وزن |
28 |
|
2-4-3) مفهوم بردارها و مقادیر مشخصه R روی سطح عملکرد خطا |
30 |
|
2-4-4) شرط همگرا شدن به٭ W |
32 |
|
2-5) روش جستجو |
32 |
|
2-5-1) الگوریتم جستجوی گردایان |
32 |
|
2-5-2) پایداری و نرخ همگرایی الگوریتم |
35 |
|
2-5-3) منحنی یادگیری |
36 |
|
2-6) MSE اضافی |
36 |
|
2-7) عدم تنظیم |
37 |
|
2-8) ثابت زمانی |
37 |
|
2-9) الگوریتم LMS |
38 |
|
2-9-1) همگرایی الگوریتم LMS |
39 |
|
2-10) الگوریتم های LMS اصلاح شده |
40 |
|
2-10-1) الگوریتم LMS نرمالیزه شده (NLMS) |
41 |
|
2-10-2) الگوریتم های وو LMS علامتدار وو (SLMS) |
41 |
|
2-11) نتیجه گیری |
43 |
|
فصل سوم: اصول کنترل فعال نویز |
44 |
|
3-1) مقدمه |
45 |
|
3-2) انواع سیستم های کنترل نویز آکوستیکی |
45 |
|
3-3) معرفی سیستم حذف فعال نویز تک کاناله |
47 |
|
3-4) کنترل فعال نویز به روش پیشخور |
48 |
|
3-4-1) سیستم ANC پیشخور باند پهن تک کاناله |
49 |
|
3-4-2) سیستم ANC پیشخور باند باریک تک کاناله |
50 |
|
3-5) سیستم های ANC پسخوردار تک کاناله |
51 |
|
3-6) سیستم های ANC چند کاناله |
52 |
|
3-7) الگوریتم هایی برای سیستم های ANC پسخوردار باند پهن |
53 |
|
3-7-1) اثرات مسیر ثانویه |
54 |
|
3-7-2) الگوریتم FXLMS |
57 |
|
3-7-3) اثرات فیدبک آکوستیکی |
61 |
|
3-7-4) الگوریتم Filtered- URLMS |
66 |
|
3-8) الگوریتم های سیستم ANC پسخوردار تک کاناله |
69 |
|
3-9) نکاتی درباره ی طراحی سیستم های ANC تک کاناله |
70 |
|
3-9-1) نرخ نمونه برداری و درجه ی فیلتر |
72 |
|
3-9-2) علیت سیستم |
73 |
|
3-10) نتیجه گیری |
74 |
|
فصل چهارم: شبیه سازی سیستم ANC تک کاناله |
75 |
|
4-1) مقدمه |
76 |
|
4-2) اجرای الگوریتم FXLMS |
76 |
|
4-2-1) حذف نویز باند باریک فرکانس ثابت |
76 |
|
4-2-2) حذف نویز باند باریک فرکانس متغیر |
81 |
|
4-3) اجرای الگوریتم FBFXLMS |
83 |
|
4-4) نتیجه گیری |
85 |
|
فصل پنجم: کنترل غیرخطی نویز آکوستیکی در یک ماجرا |
86 |
|
5-1) مقدمه |
87 |
|
5-2) شبکه عصبی RBF |
88 |
|
5-2-1) الگوریتم آموزشی در شبکه ی عصبی RBF |
90 |
|
5-2-2) شبکه عصبی GRBF |
93 |
|
5-3) شبکه ی TDNGRBF |
94 |
|
5-4) استفاده از شبکه ی TDNGRBF در حذف فعال نویز |
95 |
|
5-5) نتیجه گیری |
98 |
|
فصل ششم: نتیجه گیری و پیشنهادات |
99 |
|
6-1) نتیجه گیری |
100 |
|
6-2) پیشنهادات |
101 |
|
مراجع |
I |
دانلود شبکه های عصبی
| دسته بندی | کامپیوتر و IT |
| فرمت فایل | doc |
| حجم فایل | 701 کیلو بایت |
| تعداد صفحات فایل | 79 |
این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت می پردازیم.
فهرست مطالب
| فهرست |
صفحه |
|
مقدمه |
1 |
|
فصل اول: |
2 |
|
سابقه تاریخی |
2 |
|
استفاده های شبکه عصبی |
3 |
|
مزیتهای شبکه عصبی |
3 |
|
شبکه های عصبی در مقابل کامپیوتر های معمولی |
4 |
|
شباهت های انسان و سلول های عصبی مصنوعی |
5 |
|
چگونه مغز انسان می آموزد |
5 |
|
انواع یادگیری برای شبکه های عصبی |
6 |
|
هوش جمعی |
12 |
|
فصل دوم: |
15 |
|
معرفی |
15 |
|
نورون با خاصیت آشوبگونه |
16 |
|
شکل شبکه |
17 |
|
قانون آموزش شبکه |
18 |
|
مدلسازی ژنراتور سنکرون دریایی |
21 |
|
نتایج فصل |
26 |
|
فصل سوم : |
27 |
|
معرفی |
27 |
|
منحنی طول - کشش |
28 |
|
فهرست |
صفحه |
|
شبکه های عصبی |
29 |
|
نتایج تجربی |
29 |
|
نتیجه فصل |
33 |
|
فصل چهارم: |
34 |
|
معرفی |
34 |
|
نمادها و مقدمات |
35 |
|
نتایج مهم |
40 |
|
شرح مثال |
47 |
|
نتیجه فصل |
51 |
|
فصل پنجم: |
53 |
|
معرفی |
53 |
|
شبکه های feedforward رگولاریزاسیون |
54 |
|
طراحی شبیه سازی |
55 |
|
شبیه سازی ها |
57 |
|
نتیجه فصل |
59 |
|
فصل ششم : |
60 |
|
فناوری شبکه عصبی |
62 |
|
فناوری الگوریتم ژنتیک |
65 |
|
بازاریابی |
66 |
|
بانکداری و حوزه های مالی |
68 |
|
منابع |
73 |