دانلود سمینار برق تشخیص تهاجم در شبکه های کامپیوتری با استفاده از شبکه عصبی

سمینار برق تشخیص تهاجم در شبکه های کامپیوتری با استفاده از شبکه عصبی سمینار برق تشخیص تهاجم در شبکه های کامپیوتری با استفاده از شبکه عصبی

دسته بندی	سمینار برق
فرمت فایل	pdf
حجم فایل	876 کیلو بایت
تعداد صفحات فایل	121

سمینار برق تشخیص تهاجم در شبکه های کامپیوتری با استفاده از شبکه عصبی

لطفا از این پروژه در راستای تکمیل تحقیقات خود و در صورت کپی برداری با ذکر منبع استفاده نمایید.

چکیده

در این پژوهش، سیستمهای تشخیص تهاجم به شبکههای رایانهای مبتنی بر ساختار شبکه های عصبی مورد بررسی و تحلیل قرار گرفتهاند. استفاده از شبکة عصبی در این سیستمها باعث بالا رفتن انعطاف پذیری سیستم میشود. از سوی دیگر،بکارگیری شبکة عصبی، سیستم را قادر به یادگیری رفتار حملات میکند، تا بتواند بدون نیاز به بهنگام سازی قادر به تشخیص حملات جدید شود. در این سمینار، عملکرد شبکه های عصبی MLP، SOM و ART در سیستمهای تشخیص تهاجم بررسی شده است. 

مقدمه

شبکه های کامپیوتری علیرغم منافعی از قبیل اشتراک قدرت محاسباتی و منابع، خطراتی را نیز خصوصا در زمینه امنیت سیستم به همراه آوردهاند. در طی دو دهه اخیر تلاشهای تحقیقاتی فراوانی در زمینة امنیت شبکه صورت گرفته و تکنیکهای مختلفی برای ساختن شبکههای امن ارائه شده اند. در این سمینار عملکرد شبکه های تحت سرپرست MLP و بدون سرپرست SOM و ART  در تشخیص تهاجم به شبکههای رایانهای بررسی شده است. در فصل 1 کلیات این پژوهش شامل هدف، تحقیقات انجام شده و نحوه انجام پژوهش بررسی شده است. فصل 2 توضیحاتی در خصوص آشنایی با شبکههای عصبی ارائه شده است. در فصل 3 سیستمهای تشخیص تهاجم به همراه انواع و نحوه کار آنها بررسی شده است. همچنین در مورد برخی انواع حملات قابل تشخیص توسط این سیستمها نیز توضیحاتی ارائه شده است. فصل 4 به بررسی مطالعات انجام شده در خصوص به کارگیری روشهای عصبی MLP، SOM و ART در تشخیص تهاجم پرداخته است. در پایان فصل 5 نیز شامل نتیجه گیری و بیان پیشنهادات لازم می باشد.

دانلود سمینار برق تشخیص اثر انگشت توسط شبکه عصبی

سمینار برق تشخیص اثر انگشت توسط شبکه عصبی سمینار برق تشخیص اثر انگشت توسط شبکه عصبی

دسته بندی	سمینار برق
فرمت فایل	pdf
حجم فایل	1038 کیلو بایت
تعداد صفحات فایل	76

سمینار برق تشخیص اثر انگشت توسط شبکه عصبی

لطفا از این پروژه در راستای تکمیل تحقیقات خود و در صورت کپی برداری با ذکر منبع استفاده نمایید.

چکیده:

برای اینکه تشخیص اثر انگشت به صورت کامل و درست صورت گیرد موارد زیادی را می توان در نظر گرفت که در نهایت باعث رسیدن به جواب مطلوب گردد. در فصل اول سعی بر آن شده تا کلیات و تاریخچه ای از اثرانگشت بیان شود. چرا که شناخت هرچه بیشتر یک پدیده باعث راحتی در کار با آن پدیده می گردد.

در فصل دوم کلیاتی از شبکه عصبی آنالیز موجک و الگوریتم SVM آورده شده است. این کلیات در فصل های بعدی کاربرد زیادی دارند. در فصل سوم به حافظه های انجمنی و نحوه برخورد آنها با یک الگو را بیان می کنیم. در فصل های بعد روش های مختلف پردازش و پیش پردازش برای بالا بردن کیفیت این سازوکار آورده خواهد شد. در نهایت نتایج آزمایش شده از این علمکردها باهم مقایسه می گردند.

مقدمه:

شبکه های عصبی مصنوعی که در واقع الگو برداری شده از شبکه های عصبی طبیعی هستند کاربردهای زیادی در حل مسائل گوناگون دارند. در این سمینار سعی بر آن است تا بتوان از قابلیت های بالای این شبکه ها در شناخت یکی از موارد زیست سنجی انسان یعنی اثرانگشت استفاده کرد.

بررسی این موضوع از این جهت صورت گرفته که امروزه تشخیص اثر انگشت به یک امر ضروری تبدیل شده است. باید اضافه نمود که استفاده از شبکه عصبی می تواند از چند دیدگاه جالب باشد. اول اینکه شناخت اثر انگشت در نگاه کلی یک پردازش تصویر و یک شناخت الگو است که توسط شبکه عصبی انجام می شود دوم قابلیت تعمیم این شبکه هاست که کمک می کنند تا در شرایط سخت هم خروجی قابل قبولی داشته باشیم.

بنابراین برای تشخیص اثر انگشت باید از روش های مختلفی برای کمک به شبکه عصبی استفاده کنیم.

فصل اول:

کلیات اثر انگشت

1-1) هدف

با توجه به اینکه در بسیاری از کارهای امروزی نظیر بانکداری الکترونیک، کارت های اعتباری، کارت های هوشمند و بسیاری از کارها که اطلاعات باید به صورت الکترونیکی ذخیره شوند، نقش سیستم هایی که توانایی تشخیص خودکار مشخصات افراد را دارند بسیار مهم است. در این بین نقش اثر انگشت بسیار تا بسیار مهم است.

با توجه به اینکه برای پیاده سازی این موارد شرایط بسیار خوبی مانند حسگرهای کوچک و ارزان قیمت وجود دارد بررسی و تحقق اهداف در این زمینه بسیار آسان تر گردیده است. در این فصل به بررسی کلیاتی از اثر انگشت می پردازیم که در فصل های بعد لازم می باشند.

1-2) تاریخچه

اولین نشانه های بیان شده در مورد اثر انگشت مربوط می شود به 5000 سال پیش در نزدیکی بین النهرین. اما اولین بار در کشور چین از اثر انگشت در کارهای دفتری، خرید، قراردادها، وام ها و بدهی ها استفاده گردید. قدیمی ترین اثر یافت شده در این زمینه مربوط به 300 سال پیش است.

دانلود سمینار برق آشکارسازی و تشخیص صرع موجود در سیگنال EEG به کمک شبکه عصبی

سمینار برق آشکارسازی و تشخیص صرع موجود در سیگنال EEG به کمک شبکه عصبی سمینار برق آشکارسازی و تشخیص صرع موجود در سیگنال EEG به کمک شبکه عصبی

دسته بندی	سمینار برق
فرمت فایل	pdf
حجم فایل	1355 کیلو بایت
تعداد صفحات فایل	59

سمینار برق آشکارسازی و تشخیص صرع موجود در سیگنال EEG به کمک شبکه عصبی 

لطفا از این پروژه در راستای تکمیل تحقیقات خود و در صورت کپی برداری با ذکر منبع استفاده نمایید.

چکیده 

الکتروانسفالوگرام (EEG) که برای نمایش فعالیت الکتریکی مغز استفاده می شود، ابزار کلینیکی مناسبی برای تشخیص بی نظمی های مربوط به صرع است. آشکارسازی spikeهای صرعی نقش بسیار مهمی در تشخیص صرع ایفا می کند. در این پروژه، طراحی و پیاده سازی سیستم تشخیص spikeهای صرعی با استفاده از روش ترکیبی تبدیل موجک گسسته و شبکه عصبی Fuzzy ARTMAP ارائه شده است. در این پژوهش، از تبدیل موجک برای استخراج ویژگی سیگنال EEG استفاده شده است و توانایی این ویژگی ها در طبقه بندی رخدادهای موجود در سیگنال EEG بررسی شده است. کار طبقه بندی با استفاده از شبکه عصبی Fuzzy ARTMAP انجام شده است. دلیل استفاده از شبکه Fuzzy ARTMAP، عدم فراموشی و یادگیری سریع و عملکرد مناسب این شبکه در مسائل طبقه بندی می باشد. عملکرد سیستم طبقه بندی کننده ارائه شده در این پروژه با استفاده از سه معیار حساسیت، قابلیت تفکیک و گزینش پذیری ارزیابی می شود. 

مقدمه 

علیرغم اینکه 40 سال از فعالیت و بررسی در زمینه فیزیولوژی صرع می گذرد، هنوز آشکارسازی و پیشگویی آن در حال بررسی است ولی نشان داده شده است که آشکارسازی تخلیه های نرونی صرعی یعنی spike ها و امواج تیز در سیگنال EEG گامی مهم در تشخیص و درمان بیماری صرع است. در زمینه پردازش سیگنال های حیاتی مانند سیگنال EEG، برای آشکارسازی و طبقه بندی یک پدیده حیاتی مانند spike صرعی، روش متداول استخراج ویژگی های مناسب از سیگنال حرارتی و اعمال یک روش طبقه بندی بر روی ویژگی های استخراج شده است. در این پروژه، برای استخراج ویژگی های spike های صرعی از تبدیل موجک و یکسری تحلیل های زمانی و فرکانسی و برای طبقه بندی الگوهای موجود در EEG از شبکه عصبی Fuzzy ARTMAP استفاده شده است. تبدیل فوریه و سایر روش های تحلیل زمان – فرکانس مانند تبدیل فوریه کوتاه مدت برای وقایع تدریجی و آهسته پاسخ خوبی نشان می دهند اما برای وقایع سریع و تیز خوب عمل نمی کنند. وقتی که هر دو نوع نوسان در سیگنال موجود باشد، تبدیل موجک به خوبی می تواند هر دو نوع نوسان را نشان دهد. با تحقیقاتی که در زمینه تشخیص صدای قلب، تحلیل ECG و EEG به عمل آمده است، تبدیل موجک توانایی خود را برای پردازش به خوبی نشان داده است. 

در فصل اول به معرفی سیگنال EEG و ویژگی های ظاهری، نحوه ضبط و اندازه گیری سیگنال EEG، فرکانس های سیگنال EEG، نرخ نمونه برداری و برخی اغتشاشات و آشفتگی ها در ثبت سیگنال EEG پرداخته می شود. در فصل دوم روش های مختلف آشکارسازی spikeهای صرعی مورد بررسی قرار گرفته است و نتایج برخی کارهای انجام گرفته روی EEG گردآوری شده است. فصل سوم به معرفی تبدیل موجک به عنوان روشی برای استخراج ویژگی پرداخته شده است. با مطالعه این فصل می توان مقایسه ای بین تبدیل فوریه و تبدیل موجک انجام داد، همچنین می توان مفهوم تبدیل موجک پیوسته و گسسته را دریافت. در انتهای این فصل نیز، چند موجک معرفی شده اند. در فصل چهارم توضیحاتی در خصوص شبکه های عصبی MLP و ARTMAP و Fuzzy و نحوه آموزش این شبکه ها ارائه شده است. در فصل پنجم در خصوص داده های آموزش و آزمون، استخراج ویژگی و نحوه پیش پردازش این داده ها و روش پیاده سازی سیستم آشکارسازی spike های صرعی توضیح داده شده است. فصل ششم در برگیرنده نتایج حاصل از این پروژه و مقایسه بین عملکرد شبکه های MLP و ARTMAP و Fuzzy می باشد و در انتهای فصل نیز پیشنهادات ارائه شده است.

دانلود سمینار برق مسیریابی بسته ها در شبکه های کامپیوتری به کمک شبکه عصبی

سمینار برق مسیریابی بسته ها در شبکه های کامپیوتری به کمک شبکه عصبی سمینار برق مسیریابی بسته ها در شبکه های کامپیوتری به کمک شبکه عصبی

دسته بندی	سمینار برق
فرمت فایل	pdf
حجم فایل	953 کیلو بایت
تعداد صفحات فایل	93

سمینار برق مسیریابی بسته ها در شبکه های کامپیوتری به کمک شبکه عصبی

چکیده 

تاکنون کاربردهای فراوانی برای شبکه های عصبی مصنوعی ارائه شده است. شبکه های عصبی مصنوعی، اطلاعات را به روشی مشابه با کاری که مغز انسان انجام میدهد، پردازش میکنند. آنها از تعداد زیادی از عناصر پردازشی که فوق العاده بهم پیوسته اند، تشکیل شده اند که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند. امتیاز شبکه عصبی این است که خودش کشف میکند که چگونه مسئله را حل کند.

نتایج مثبتی که استفاده از شبکه های عصبی در حل مسائل بهینه سازی در پی داشته است، راه را برای استفاده از آنها در مسیریابی شبکه های کامپیوتری گشوده است. این امر در شبکه های متداول با استفاده از شبکه ی هاپفیلد و در شبکه های بسته شناختی با استفاده از شبکه عصبی رندم صورت می گیرد. علاوه بر بکارگیری مستقیم شبک ههای عصبی بعنوان الگوریتم مسیریاب، شبکه های عصبی همچنین بصورت غیر مستقیم به الگوریتم های مسیریابی کمک میکنند. آنها با تحلیل و پیش بینی شرایط شبکه، ورودی الگوریتم مسیریابی، که می تواند هرکدام از الگوریتم های مسیریابی متداول باشد، را فراهم می کند. در این سمینار، هر دو کاربرد شبکه های عصبی در امر مسیریابی بررسی و نتایج استفاده از آن و نیز پارامترهای موثر در عملکرد و بازدهی انها مورد بررسی قرار گرفته است. 

مقدمه 

شبکه های عصبی نسبت به کامپیوترهای معمولی مسیر متفاوتی را برای حل مسئله طی میکنند. کامپیوترهای معمولی یک مسیر الگوریتمی را استفاده میکنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی میگیرد. بدون شناساندن قدم های مخصوصی که نیاز به طی کردن آنها دارد، کامپیوتر قادر به حل مسئله نیست. شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام میدهد، پردازش میکنند. آنها از تعداد زیادی از سلول عصبی که فوق العاده بهم پیوسته اند تشکیل شده اند که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند. شبکه های عصبی با مثال کار می کنند. مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف میشود و یا حتی بدتر از این، شبکه ممکن است نادرست کار کند. 

شبکه های عصبی و کامپیوترهای معمولی با هم در حال رقابت نیستند، بلکه کامل کننده یکدیگرند. وظایفی وجود دارد که بیشتر مناسب روش های الگوریتمی هستند، نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند. حتی فراتر از این، مسائلی وجود دارد که نیازمند به سیستمی است که از ترکیب هر دو روش بدست می آید، به این قصد که بیشترین کارایی بدست آید.

با گسترش شبکه ها، پژوهش ها بر روی روش های مسیریابی سریع، مطمئن و ساده که کمترین بار سیگنالینگی را به شبکه تحمیل کنند، شدت گرفته است. شبکه های عصبی با قابلیت هایی که دارند، توجه بسیاری از پژوهشگران در این عرصه را به خود جلب نموده است. نتیجه این تحقیقات، ارائه روش هایی است که در آنها شبکه عصبی یا بعنوان موتور اصلی در الگوریتم مسیریابی، تصمی مگیرنده است و یا بعنوان ابزار کمکی اطلاعات لازم را برای الگوریتم اصلی فراهم می کند.

دانلود پایان نامه شناسایی فرورزونانس در شبکه های توزیع انرژی الکتربکی توسط تبدیل موجک

پایان نامه شناسایی فرورزونانس در شبکه های توزیع انرژی الکتربکی توسط تبدیل موجک پایان نامه شناسایی فرورزونانس در شبکه های توزیع انرژی الکتربکی توسط تبدیل موجک

دسته بندی	برق ،الکترونیک و مخابرات
فرمت فایل	pdf
حجم فایل	1453 کیلو بایت
تعداد صفحات فایل	120

پایان نامه شناسایی فرورزونانس در شبکه های توزیع انرژی الکتربکی توسط تبدیل موجک

چکیده 

یکی از عوامل سوختن و خرابی ترانسفورماتورها در سیستم های قدرت، وقوع پدیده فرورزونانس است. با توجه به اثرات مخرب این پدیده، تشخیص آن از سایر پدیده های گذرا از اهمیت ویژه ای برخوردار است که در این پایان نامه کارکرد دو شبکه عصبی ی ادگیری کوانتیزه کننده برداری (LVQ) و شبکه عصبی رقابتی در دسته بندی دو دسته سیگنال که دسته اول شامل انواع فرورزونانس و دس ته دوم شامل انواع کلیدزنی خازنی، کلیدزنی بار، کلیدزنی ترانسفورماتور می باشد، با استفاده از ویژگیهای استخراج شده توسط تبدیل موجک خانواده Daubechies تا شش سطح مورد بررسی قرار گرفته است. نقش شبکه های عصبی مذکور بعنوان طبقه بندی کننده، جدا سازی پدیده فرورزو نانس از سایر پدیده های گذر ا است. سیگنالهای مذکور با شبیه سازی توسط نرم افزار EMTP بر روی یک فیدر توزیع واقعی بدست آمده اند. برای استخراج ویژگیها، کلیه موجکهای موجود در جعبه ابزار Wavelet نرم افزار MATLAB بررسی شده است که تبدیل موجک خانواده Daubechies بعنوان مناسبترین موجک تشخیص داده شد. به منظور استخراج هرچه بهتر ویژگیها سیگنالها، الگوها نرمالیزه (مقیاس بندی) شده اند سپس انرژی شش سیگنال جزئیات حاصل از اعمال تبدیل موجک به عنوان ویژگیهای استخراج شده از الگوها، برای آموزش و امتحان دو شبکه عصبی مذکور بکار رفته است. به کمک این الگوریتم تفسیر برخی از رخدادها که احتمال بروز پدیده فرورزونانس در آنها وجود دارد قابل انجام بوده، همچنین میتوان نسبت به ساخت رله هایی برای مقابله با پدیده فرورزونانس کمک نماید. عناوین روشهای ارایه شده در این پایان نامه به شرح زیر می باشند: 

1) شناسایی فرورزونانس با استفاده از تبدیل موجک و شبکه عصبی LVQ 

2) شناسایی فرورزونانس با استفاده از تبدیل موجک و شبکه عصبی رقابتی 

نتایج حاصل از این روشها بیانگر موفقیت بسیار هر دو روش در شناسایی فرورزونانس از سایر پدیده های گذرا می باشد. 

فصل اول 

مقدمه 

امروزه انرژی الکتریکی نقش عمده ای در زمینه های مختلف جوامع بشری ایفا می کند و جزء لاینفک زندگی است. بدیهی است که مانند سایر خدمات اندیسها و معیارهایی جهت ارزیابی کیفیت برق تولید شده مورد توجه قرار گیرد. اما ارزیابی میزان کیفیت برق از دید افراد مختلف و در سطوح مختلف سیستم قدرت بکلی متفاوت است. به عنوان مثال شرکتهای توزیع، کیفیت برق

مناسب را به قابلیت اطمینان سیستم برق رسانی نسبت می دهند و با ارائه آمار و ارقام قابلیت اطمینان یک فیدر را مثلا ٩٩% ارزیابی می کنند سازندگان تجهیزات الکتریکی برق با کیفیت را ولتاژی می دانند که در آن تجهیزات الکتریکی به درستی و با راندمان مطلوب کار می کنند و بنابراین از دید سازندگان آن تج هیزات، مشخصات مطلوب ولتاژ شبکه بکلی متفاوت خواهد بود. اما آنچه که مسلم است آنست که موضوع کیفیت برق، نهایتًا به مشترکین و مصرف کنندگان مربوط میشود و بنابراین، تعریف مصرف کنندگان اهمیت بیشتری دارد. 

بروز هر گونه اشکال یا اغتشاش در ولتاژ، جریان یا فرکانس س یستم قدرت که باعث خرابی یا عدم عملکرد صحیح تجهیزات الکتریکی مشترکین گردد به عنوان یک مشکل در کیفیت برق، تلقی می گردد. 

واضح است که این تعریف نیز از دید مشترکین مختلف، معانی متفاوتی خواهد داشت. برای مشترکی که از برق برای گرم کردن بخاری استفاده می کند، وجود هارمونیک ها در ولتاژ یا انحراف فرکانس از مقدار نامی هیچ اهمیتی ندارد، در حالی که تغییر اندکی در فرکانس شبکه، برای مشترکی که فرکانس برق شهر را به عنوان مبنای زمان بندی تجهیزات کنترلی یک سیستم به کار گرفته است، می تواند به طور کلی مخرب باشد. 

یکی از مواردی که بعنوان یک مشکل در کیفیت برق تلقی می گردد، پدیده فرورزونانس است. در اثر وقوع این پدیده و اضافه ولتاژ و جریان ناشی از آن، موجب داغ شدن و خرابی ترانسفورماتورهای اندازه گیری و ترانسفورماتور های قدرت می گردد که میتوانند بر حسب شرایط اولیه، ولتاژ و فرکانس تحریک و مقادیر مختلف پارامترهای مدار (کاپاسیتانس و شکل منحنی مغناطیسی)، مقادیر متفاوتی پیدا کنند، بنابراین بایستی محدودیت هایی بر پارامترهای سیستم اعمال کرد تا از وقوع چنین پدیده ناخواسته جلوگیری نمود. 

با توجه به اهمیت شناسایی پدیده فرورزونانس از سایر حالتهای گذرا دراین پایان نامه تلاش شد تا سیستمی هوشمند جهت تشخیص این پدیده از سایر حالتهای گذرای کلید زنی ارائه گردد. در طراحی این سیستم هوشمند اولا از جدیدترین روش های تجزیه و تحلیل و پردازش سیگنال های الکتریکی برای پردازش داده ها استفاده گردید. ثانیًا از طبق هبندی کننده های پیشرفته با توانایی بالا در دسته بندی داده ها بهره گرفته شد. به منظور مقایسه نتایج حاصل از فرورزونانس با سایر سیگنالهای گذرای شبکه توزیع، تعدادی از حالتهای گذرا نظیر کلیدزنی بار، کلیدزنی خازنی و کلید زنی ترانسفورماتور توسط نرم افزار EMTP بر روی یک فیدر توزیع واقعی شبیه سازی شد. در فصل دوم به مروری بر کارهای انجام شده در زمینه پردازش سیگنال در سیستمهای قدرت پرداخته، در فصل سوم به معرفی پدیده فرورزونانس خواهیم پرداخت. در فصل چهارم مبانی علمی روشهای پیشنهادی، در فصل پنجم نحوه جمع آوری اطلاعات و سیگنالها بررسی می شود و درفصل ششم نحوه پیاده سازی روشهای پیشنهادی بررسی می شود و نهایتا نتیجه گیری و پیشنهادات پایان بخش مطالب خواهند بود.

تشخیص الگوی صدا با استفاده از شبکه عصبی (نسخه آپدیت شده + 53 صفحه مقاله انگلیسی) مقاله ارشد هوش مصنوعی تشخیص الگوی صدا با استفاده از شبکه عصبی (نسخه آپدیت شده 53 صفحه مقاله انگلیسی) فایلینا

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	607 کیلو بایت
تعداد صفحات فایل	13

تشخیص الگوی صدا با استفاده از شبکه عصبی (نسخه آپدیت شده + 53 صفحه مقاله انگلیسی)

 

 

 

 

 

 

چکیده:

 

در حال حاظر تحقیقات زیادی در گرایش های پردازش تصویر و پردازش صوت در سطح دنیا در حال انجام است که عموما از روشهای هوش مصنوعی و الگوریتم های مختلف پردازش، نظیر DSP ،الگوریتم ژنتیک،شبکه عصبی و... استفاده میکنند.هدف این تحقیق ایجاد روشی هوشمند جهت افزودن قابلیت تشخیص کلمات برای کامپیوتر، مبتنی بر تکنیک شبکه عصبی میباشد.این روش از راه آموزش دادن شبکه ای مناسب، قادر است سیگنالهای صوتی مختلف را تفکیک و دسته بندی نماید و در نهایت مفاهیمی را که کاربر برای هر گروه از اصوات مشخص مینماید به طور محدود بیاموزد.در این تحقیق، شبکه با سیگنالهای صوتی اعداد صفر تا نه، به زبان فارسی آموزش داده شده وهدف شبکه بعد از آموزش، تفکیک سیگنالهای ورودی و یافتن عدد متناظر با سیگنال ورودی میباشد.

 

 

 

 

 

 

کلیدواژه ها:

شبکه عصبی

تشخیص صدا

پردازش صوت

سیستمهای هوشمند

 

 

 

 

 

 

1) مقدمه:

 

در زمینه تشخیص الگوی صوت توسط شبکه عصبی تا کنون در ایران کار زیادی صورت نگرفته و مقاله های محدودی که وجود دارد بیشتر به این موضوع از دید عمومی و معرفی تکنیک پرداخته شده است. نتایج این تحقیق کاملا عملی و حاصل کار،یک نرم افزار به زبان برنامه نویسی مطلب میباشد ونتایج بصورت نمودار ها و جداول در پایان ارائه شده.در مقاله های خارجی از روشهای مختلف شبکه عصبی استفاده شده و عموما نمونه های صوت را بدون تغییر به عنوان دیتای ورودی به شبکه در نظر گرفته اند و این موضوع باعث حجیم شدن شبکه ،طولانی شدن مراحل آموزش شبکه، وابستگی شدید نتایج به دامنه سیگنال وحساسیت زیاد نتایج به نویز میباشد.

 

 

 

روش ارائه شده در این مقاله بواسطه وجود یک مرحله اصلاح وتغییر دیتا، مقداری از مشکلات بالا کاسته ولی نقاط ضعفی هم دارد. از جمله وابستگی زیاد شبکه به تن صدا ودیتایی که شبکه توسط آن آموزش می بیند. بنا بر این برای عمومیت پیدا کردن عملکرد شبکه نیاز به دیتای فراوان ازافراد مختلف،لهجه ها و گویش های متفاوت دارد.

 

 

 

2) روش استفاده شده برای تشخیص:به طور کلی میتوان مراحل انجام این پروژه از ابتدا تا پایان را به قسمتهای زیر تقسیم بندی نمود 

-1تهیه دیتا

-2اصلاح دیتای خام جهت ارائه به شبکه

-3ایجاد یک شبکه مناسب

-4آموزش شبکه

 

 

تمامی مراحل فوق به کمک جعبه ابزار ها و دستورات مختلف نرم افزار مطلب قابل اجرا است .

 

در مرحله اول که تهیه دیتا میباشد از جعبه ابزارData Acquisition Toolbox استفاده شده مراحل مختلف استفاده از این جعبه ابزار بطور کامل در help مطلب به همراه مثال آموزش داده شده .که بطور خلاصه شامل مراحل زیر است.

• تعریف یک ورودی آنالوگ

• مشخص نمودن مرجع دریافت ورودی (کارت صوتی تحت اختیار سیستم عامل و یا ...)

• تعریف کانال یا کانالهای ورودی(سخت افزار مرجع ممکن است چندین ورودی داشته باشد)

• تعیین فرکانس نمونه برداری.

• تعیین ورودی پیش فرض جهت نمونه برداری از بین کانالهای تعریف شده.

• مشخص نمودن نحوه شروع نمونه برداری (یک تحریک سخت افزاری یا یک دستور شروع نرم افزاری) که ما بنا بر ملاحظات کار خود حالت سخت افزاری را انتخاب میکنیم.

• دستور شروع نمونه برداری شامل یک حلقه هزارتایی جهت برداشت هزار سیگنال از اعداد0الی9

 

 

 

 

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ هدف از این مقاله تشخیص کاراکتر با استفاده از شبکه عصبی LVQ می باشد

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	375 کیلو بایت
تعداد صفحات فایل	13

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

 

 

چکیده

Learning Vector Quantization یا LVQ یک روش کلاس بندی الگو است که هر کدام از خروجی ها نمایش دهنده یک کلاس می باشند و هر کدام توسط بردار وزن آن کلاس مشخص می شود . بردار وزن هر کدام از کلاسها توسط یکی مجموعه های آموزشی مقدار دهی اولیه شده و سپس توسط الگوریتم های یادگیری (با نظارت) بهینه می شود.  بعد از یادگیری ، شبکه LVQ ورودی را به کلاسی که برداری با نزدیک ترین فاصله به آن باشد ، نسبت می دهد . 

 

شبیه سازی فعالیت های انسان توسط ماشین ها یکی از زمینه های تحقیقاتی از زمان اختراع کامپیوترهای دیجیتال بوده است . در برخی زمینه ها که نوع خاصی از هوشمندی را نیاز داشته ؛ مانند بازی شطرنج ؛ پیشرفت های خوبی صورت گرفته است اما در مسائلی مانند بینایی ماشین حتی قدرتمندترین کامپیوترها نیز به راحتی از انسان شکست می خورند . شبیه سازی خواندن انسان نیز یکی از بخشهای جذابی است که طی سه دهه گذشته موضوع تحقیقات بسیاری از دانشمندان بوده و هنوز تا تکامل آن راه بسیاری در پیش است .

 

 

کلمات کلیدی:

شبکه عصبی

تشخیص کاراکتر

شبکه عصبی LVQ

ساختار شبکه های LVQ

شبکه های عصبی با الگوی یادگیری نظارت شده

 

 

 

مقدمه:

شبیه سازی خواندن و تشخیص متن توسط ماشین به 2 گروه کلی تقسیم می شود 

1.    جمع آوری اطلاعات برای تشخیص :

الف.    Offline : 

شامل تصاویری است که از نوشته ها تهیه می شود . مانند عکس توسط دوربین دیجیتالی ، اسکن نامه ها و صفحه های کتاب و از این دست تصاویر .

ب.    Online : 

در این مدل تشخیص متن ، همزمان با نوشتن آن ، متن ِ نوشته شده تشخیص داده شده و تبدیل به کاراکترهای آن می شود . مانند تشخیص دست خط در handled ها و یا در TabletPC ها .

 

2.    نوع متن

الف.    دست نویس

ب.    متن تایپ شده که توسط ماشین چاپ شده است ، مانند کتابها ، مجلات و ...

 

 

 

 

عملیات تشخیص متن عموما ً شامل مراحل زیر است :

1.    پیش پردازش : شامل روش های مختلف پردازش تصویر است که تصویری بدون نویز و مناسب برای قطعه بندی را آماده می کند .

 

2.    قطعه بندی : مهمترین و مشکلترین کاری که برای تشخیص متن باید انجام شود  قطعه بندی تصویر به قطعاتی است که توسط قسمت تشخیص متن باید به کاراکتر یا کلمه تفسیر شود . قطعه بندی اشتباه تصویر منجر به تفسیری اشتباه از کاراکتر نقاشی شده در آن می شود . انواع قطعه بندی به شرح زیر است :

الف.    External Segmentation : هدف در این نوع قطعه بندی جدا کردن اجزای کلی متن مانند پاراگراف و سطرها می باشد . امکان برچسب زنی بر روی اجزای صفحه ، مانند عنوان یا چکیده نیز در این نوع قطعه بندی می تواند وجود داشته باشد .

ب.    Internal Segmentation : برای جدا کردن کاراکترها از یکدیگر استفاده می شود .

یک.    Implicit segmentation : تشخیص کاراکترها با توجه به معانی که از قطعات جدا شده قابل تفسیر است صورت می گیرد .

دو.    Explicit Segmentation : جدا کردن کاراکترها با توجه مشخصه هایی که برای آنها قابل تصور است . مثلا ً horizontal projection که از روی قله ها یا دره ها در هیستوگرام افقی یا عمودی سطر، کلمه یا حرف را پیدا می کند .

 

 

3.    آموزش و تشخیص کاراکترها : بعد از قطعه بندی ، تصویر قطعه قطعه شده می بایست توسط الگوریتمی به متن تفسیر شود . روشهای مختلفی برای این کار وجود دارد که هر کدام از آنها را می توان با دو دیدگاه اجرایی کرد.  در دیدگاه اول قطعات تصویر حاوی "کلمه" های متن اصلی هستند و الگوریتم باید کلمه ها را تشخیص دهد . در این دیدگاه دایره لغات کم خواهد بود ولی مشکل قطعه قطعه کردن تصویر کمتر است . برای تفسیر دست خط با توجه به تعدد روش نوشتن یک کلمه ، نرخ تفسیر کمتری از متن تایپی دارد . روش دوم روشهای analytic است که از پایین به بالا عمل کرده و سعی می کند کاراکترها را شناسایی کرده و با ترکیب آنها لغت ها را بسازد . در عمل از ترکیب روشهای زیر استفاده می شود :

الف.    Template Matching : تعدادی template از کاراکترها یا کلمات از قبل حاضر شده است . عکسهای قطعه قطعه شده با این template ها مقایسه می شود و با توجه به شباهت برنده انتخاب می شود . 

 

 

ب.    روشهای آماری : با استفاده از برخی مشخصه های آماری و توابع تصمیم گیری آماری کار تشخیص نوع هر کدام از تصاویر قطعه قطعه شده را انجام می دهد . روشهای non-paramteric ، parametric ، cluster analysis و hidden markov modeling از انواع این روش است . 

پ.    روشهای ساختاری : با توجه به تعدادی الگوی پایه که از قبل تعریف شده است و میزان استفاده هر کدام از تصاویر از این الگوهای پایه عملیات تشخیص انجام می شود . Grammatical methods و  graphical methods از انواع این روشها می باشد .

ت.    شبکه های عصبی : با توجه به خاصیت شبکه های عصبی که قابلیت تطبیق پذیری با اطلاعات جدید و مختلف را در حد بالایی دارند ، از آنها برای تشخیص استفاده می شود .

 

4.    پس پردازش : بعد از بدست آوردن متن از تصویر می توان آنها را با توجه به اطلاعاتی که درباره آن عکس داریم تصحیح کرد. مثلا ً با توجه به موضوع متن ، لغت هایی که احتمالا ً اشتباهی جزو متن تشخیص داده شده را حذف یا تصحیح کرد . استفاده از لغت نامه نیز یکی از ابزارهایی است که در این مرحله قابل استفاده می باشد .

 

در ادامه خلاصه ای از تئوری شبکه عصبی LVQ و مباحث مربوطه به قطعه بندی شامل بهبود تصویر و روش projection افقی و عمودی شرح داده شده است . پس از آن روش پیاده سازی و نمونه اجرایی در حالت تک کاراکتر و تصویر اسکن شده آمده است . 

 

 

 

 

 

 

 

فهرست

مقدمه 1

شبیه سازی خواندن و تشخیص متن توسط ماشین به 2 گروه کلی تقسیم می شود 1

1.    جمع آوری اطلاعات برای تشخیص : 1

الف.    Offline : 1

ب.    Online : 1

2.    نوع متن 2

الف.    دست نویس 2

ب.    متن تایپ شده که توسط ماشین چاپ شده است ، مانند کتابها ، مجلات و ... 2

عملیات تشخیص متن عموما ً شامل مراحل زیر است : 2

شبکه عصبی LVQ 3

ساختار شبکه های LVQمانند شکل زیر است : 3

در الگوریتم یادگیری LVQ از عبارتهای زیر استفاده شده است : 4

بهبود تصاویر 5

Adaptive Median Filter 5

Spatial Smoothing 6

Thresholding 6

Projection افقی و عمودی6

حذف نقاط تنها 7

پیاده سازی و اجرا 8

آزمایش یک کاراکتر 9

آزمایش تصویر اسکن شده 9

منابع 13

 

دانلود کاربردهای شبکه عصبی در OCR (نسخه آپدیت شده + فایل ارائه )

کاربردهای شبکه عصبی در OCR (نسخه آپدیت شده + فایل ارائه ) این گزارش به بررسی کاربردهای شبکه های عصبی مصنوعی در بازشناسی شناسه های دستنویس اختصاص دارد

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	599 کیلو بایت
تعداد صفحات فایل	15

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

کاربردهای شبکه عصبی در OCR

(نسخه آپدیت شده + فایل ارائه )

 

 

چکیده

این گزارش به بررسی کاربردهای شبکه های عصبی مصنوعی در بازشناسی شناسه های دستنویس اختصاص دارد. این کاربردها را میتوان به سه دسته تقسیم کرد: کاربرد در پیش پردازش، کاربرد در بخش بندی و کاربرد در دسته بندی. بعضی از کاربردهای پیش پردازشی مربوط به یادگیری فیلترهای مناسب برای بهبود تصویر، تعیین زاویه چرخش شناسه یا سند حاوی شناسه ها برای اصلاح آن و خوشه بندی پیکسل های مربوط به شناسه، برای باریک سازی آن است. در بخش بندی، از شبکه عصبی برای تعیین تعداد شناسه های موجود در تصویر ورودی و جداسازی آنها از هم استفاده می شود. در مهم ترین کاربرد یعنی دسته بندی، از شبکة عصبی برای تعیین دستة مربوط به الگوها استفاده می شود. علاوه بر استفاده از شبکه های عصبی جهت دسته بندی به صورت منفرد، از آنها به صورت ترکیبی نیز استفاده می شود. بعضی روش ها، شبکة عصبی را برای ترکیب خروجی بدست آمده از دسته بندهای منفرد به کار گرفته اند.

 

 

 

واژه های کلیدی:

پیش پردازش

شبکه عصبی

تشخیص نوری کاراکتر

بازشناسی شناسه های دستنویس

 

 

 مقدمه

یکی از مسائل مهم در حوزة شناسایی الگو، بازشناسی شناسه‎های دست‎نویس است که تا کنون تحقیقات وسیعی روی آن به انجام رسیده و هنوز از بعضی جهات به عنوان یکی از مسائل باز مطرح است. توسعه روش‎های کارآمد جهت بازشناسی شناسه‎های دست‎نویس می‎تواند در شناسایی خودکار حروف و اعداد درج شده در فرم‎ها، مبالغ چک‎ها و بسیاری کاربردهای دیگر راهگشا باشد. بزرگ‎ترین چالش در این حوزه، تنوع شیوه‎های رسم شناسه‎ها است.یکی از اولین مسائلی که شبکه‎های عصبی به عنوان گزینه‎ای برای حل آن مطرح شد، بازشناسی شناسه‎ها بود. امروزه، شبکه‎های عصبی مصنوعی به صورت گسترده در بازشناسی و تحلیل اسناد به کار می‎رود. 

 

بیشتر این تلاش‎ها به بازشناسی شناسه‎های مجزای دست‎نویس و چاپی اختصاص داشته، که اغلب با موفقیت همراه بوده است. تنوع شبکه‎های عصبی مورد استفاده در این حوزه قابل توجه است. از آن جمله می‎توان به پرسپترون چند لایه (MLP)، ماشین بردار پشتیبان (SVM)، شبکه‎های خود سازمانده (SOM)، شبکه‎های انجمنی و انواع دیگر اشاره کرد.این گزارش، به بررسی کاربرد‎های شبکه‎های عصبی در مراحل مختلف سیستم‎ها بازشناسی شناسه‎های دست‎نویس اختصاص دارد. پس از مقدمه و در بخش دوم، به کاربرد‎های شبکه‎های عصبی در پیش‎پردازش تصاویر ورودی پرداخته می‎شود. در بخش سوم، موارد استفاده از شبکه‎های عصبی در بخش‎بندی مورد بررسی قرار می‎گیرد. در بخش چهارم، کاربردهای شبکة عصبی در دسته‎بندی مورد توجه قرار می‎گیرد. در بخش پنجم نیز، جمع‎بندی و پیشنهادات ارائه شده است.

 

 

 

 

فهرست مطالب

چکیده 1

واژه های کلیدی 1

 مقدمه 1

2- پیش‎پردازش 2

2-1- بهبود تصویر 2

شکل 1-1) بهبود تصویر با استفاده از شبکة عصبی 3

2-2- اصلاح چرخش 4

2-3- باریک‎سازی 4

3- بخش بندی 4

4- دسته‎بندی 6

4-1- بازنمایی الگو و رمزگذاری 7

4-3- رمزگذاری ویژگی‎های ساختاری 9

4-4- ساختارهای ترکیبی 10

5- جمع‎بندی و پیشنهادها 12

مراجع 14

 

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

چکیده

Learning Vector Quantization یا LVQ یک روش کلاس بندی الگو است که هر کدام از خروجی ها نمایش دهنده یک کلاس می باشند و هر کدام توسط بردار وزن آن کلاس مشخص می شود . بردار وزن هر کدام از کلاسها توسط یکی مجموعه های آموزشی مقدار دهی اولیه شده و سپس توسط الگوریتم های یادگیری (با نظارت) بهینه می شود.  بعد از یادگیری ، شبکه LVQ ورودی را به کلاسی که برداری با نزدیک ترین فاصله به آن باشد ، نسبت می دهد .