پاورپوینت بررسی شبکه های عصبی مصنوعی

پاورپوینت بررسی شبکه های عصبی مصنوعی در 85 اسلاید زیبا و قابل ویرایش با فرمت pptx

دسته بندی	کامپیوتر و IT
فرمت فایل	pptx
حجم فایل	1590 کیلو بایت
تعداد صفحات فایل	85

دریافت فایل

فروشنده فایل

کد کاربری 7466

تمام فایل ها

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 شبکه های عصبی مصنوعیپاورپوینت شبکه های عصبی مصنوعیشبکه های عصبی مصنوعیشبکه های عصبیپاورپوینت شبکه های عصبیشبکه های عصبی زیستیمبانی شبکه های عصبی مصنوعیمعرفی شبکه های عصبیشبکه عصبی چیست؟آموزش پرسپترون

پاورپوینت بررسی شبکه های عصبی

پاورپوینت بررسی شبکه های عصبی در 25 اسلاید زیبا و قابل ویرایش با فرمت pptx

دسته بندی	کامپیوتر و IT
فرمت فایل	pptx
حجم فایل	248 کیلو بایت
تعداد صفحات فایل	25

دریافت فایل

فروشنده فایل

کد کاربری 7466

تمام فایل ها

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 پاورپوینت شبکه های عصبیپاورپوینت شبکه های عصبیشبکه های عصبیشبکه های عصبی زیستیتحقیق درمورد شبکه های عصبیبررسی شبکه های عصبیمعرفی شبکه های عصبیآشنایی با شبکه های عصبیشبکه های عصبی مصنوعیپاورپوینت شبکه های عصبی مصنوعیArtificial Neural Networksمعرفی ANN هافرآیند یادگیری شبکهمبانی ANN ها

دانلود پایان نامه کنترل میکروتوربین با استفاده از شبکه های عصبی

پایان نامه کنترل میکروتوربین با استفاده از شبکه های عصبی پایان نامه کنترل میکروتوربین با استفاده از شبکه های عصبی

دسته بندی	برق ،الکترونیک و مخابرات
فرمت فایل	pdf
حجم فایل	1772 کیلو بایت
تعداد صفحات فایل	140

پایان نامه کنترل میکروتوربین با استفاده از شبکه های عصبی

چکیده

میکروتوربین ها (MT) به عنوان یک منبع تولید انرژی در سیستم های DG، کاربردهای فراوانی پیدا کرده و روز به روز نیاز کاربران به آنها بیشتر میشود. میکروتوربین ها، نمونه کوچکی از توربین های گازی میباشد، که به علت حجم کم، تعداد کم قطعات متحرک، اندازه کوچک، وزن سبک، بازدهی خوب در تولید همزمان، آلایندگی کم، استفاده از سوختهای زاید، فواصل طولانی تعمیرات و عمل در فشارهای کم گاز، در کانون توجه تولیدکنندگان و مصرف کنندگان انرژی الکتریکی قرار گرفته است. این پایان نامه کنترل یک میکروتوربین را با استفاده از کنترل کننده های PI و شبکه عصبی معرفی میکند. میکروتوربین سه حلقه کنترلی دارد، این سه حلقه، دما، توان و سرعت میباشند. به علاوه میکروتوربین، به یک مولد سنکرون (SG) که شامل یک حلقه کنترل ولتاژ میباشد، متصل است. در این پایان نامه یک کنترل کننده شبکه عصبی با چهار ورودی و چهار خروجی به جای چهار حلقه کنترل کننده PI برای کنترل میکروتوربین و ژنراتور سنکرون استفاده شده است. میکروتوربین ها به دو دسته میکروتوربین های

تک محور یا سرعت بالا و میکروتوربین های دومحور یا سرعت پایین تقسیم میشوند. از یک مدل میکروتوربین دومحوره برای شبیه سازی، استفاده شده است. در میکروتوربین های دومحور، محور توربین توسط یک چرخدنده به ژنراتور متصل میباشد. چرخدنده برای کاهش سرعت تا 3600rpm مورد استفاده قرار میگیرد و با استفاده از یک ژنراتور سنکرون 2 قطبی، فرکانس ولتاژ تولیدی 60Hz خواهد شد و هیچ نیازی به تجهیزات الکترونیکی برای کاهش فرکانس لازم نمیباشد. 

در این پایان نامه جهت شبیه سازی از مدلهای موجود در جعبه ابزار Simulink نرم افزار MATLAB استفاده شده است همچنین برنامه تولید و آموزش شبکه عصبی در محیط نرم افزار MATLAB  نوشته شده است. با استفاده از روشهای بهبود عملکرد شبکه عصبی و بهبود آموزش آن، نتایج کنترل کننده شبکه عصبی بهبود یافته است. سه شاخص اندازه گیری خطا، که عبارت از خطای میانگین مطلق (AME)، خطای مربع میانگین ریشه ها (RMSE) و خطای انحراف استاندارد (SDE) می باشند، برای مقایسه عملکرد میکروتوربین با کنترل کننده های شبکه عصبی و PI استفاده شده است. با توجه به نتایج بدست آمده، کنترل میکروتوربین با کنترل کننده شبکه عصبی در مقایسه با کنترل کننده PI عملکرد بهتری را نشان میدهد. 

مقدمه: 

استفاده از مولدهای کوچک برای تولید برق بعد از ایجاد نیروگاه های بزرگ رنگ باخت، اما با پیشرفت تکنولوژیهای تولید برق در مقیاس کوچک و ایجاد تجدید ساختار در صنعت برق و مسائل زیست محیطی، باعث مطرح شدن مجدد این مولدها در صنعت تولید برق شده است. عموماً DG یا تولید پراکنده عبارتست از تولید برق در محل مصرف اما در بعضی مواقع به تکنولوژی هایی گفته میشود که از منابع تجدیدپذیر برای تولید برق استفاده میکنند. چیزی که عموماً مورد قبول است، این است که این مولدها صرف نظر از نحوه تولید توان آنها، نسبتاً کوچک میباشد و مستقیماً به شبکه توزیع وصل میشوند. بالا رفتن هزینه های انتقال و توزیع، به مولدهای تولید پراکنده این امکان را میدهد که برق تولیدی خود را به قیمتی ارزانتر در اختیار مصرفکنندگان قرار دهد. علاوه بر این تولید پراکنده امکان استفاده از منابع پاک برای تولید برق را میدهد. 

تولید پراکنده یکی از سیستم های متناوب تولید نیروی الکتریکی میباشد. نیاز به تولید پراکنده با توجه به محدودیت کیفیت توان و نیازمندیهای سیستم از لحاظ قابلیت اطمینان بسیار مورد توجه قرار گرفته است. در سیستم تولید پراکنده، منابع انرژی متناوب با مقیاس کوچک یا تجدیدپذیر در مجاورت مرکز بار قرار داده میشوند. اخیراً تکنولوژی های زیادی در زمینه تولید پراکنده در حال بررسی میباشد. این تکنولوژیها شامل پیلهای خورشیدی، توربینهای بادی، پیلهای سوختی و توربینهای گازی کوچک یا میکروتوربین (MT) است. 

میکروتوربین یکی از منابع انرژی است که توسط ژنراتورهای الکتریکی با سرعت بالا، میتواند توانی در بازه 10MW – 30kW را برای کاربران سیستمهای تولید پراکنده تامین نماید. این واحدها بسیار ساده و کوچک بوده و نصب راحت و هزینه بهره برداری پایینی دارند. همچنین هزینه نگهداری این واحدها به علت داشتن فقط یک قطعه متحرک، بسیار پایین میباشد. 

پیشرفت تکنولوژی توربوشارژرها، توربینهای گازی و سیستمهای جانبی سبب توسعه کاربرد میکروتوربینها گشته است. میکروتوربینها توربینهای گازی کوچک و سادهای هستند و قسمتهای اصلی آن کمپرسور، محفظه احتراق و توربین میباشد. هوای فشرده خروجی کمپرسور بهنگام اختلاط با سوخت موجود، مخلوط قابل احتراقی ایجاد میکند. سوختن این مخلوط در محفظه احتراق باعث ایجاد جریان گاز گرم محرک توربین میگردد. میکروتوربینها به دو دسته میکروتوربینهای تک محور یا سرعت

بالا و میکروتوربینهای دو محور یا سرعت پایین تقسیم میشوند. ساختار میکروتوربین های تک محور صورتی است که کمپرسور، توربین، ژنراتور بر روی یک محور نصب شدهاند. در میکروتوربینهای دو محور، محور توربین توسط یک چرخدنده به ژنراتور متصل میباشد. میکروتوربین متصل شده به ژنراتور سنکرون، چهار حلقه کنترلی توان، دما، سرعت و ولتاژ میباشد. خروجی سه حلقه اول به منظور تعیین نوع کنترل سیستم سوخت رسانی وارد بلوکی بنام درگاه کمترین مقدار میگردد. حلقه ولتاژ جهت پایدارسازی ولتاژ سیستم در طول تغییر بار بکار گرفته میشود. در این پایان نامه اختلاف بین دو کنترل کننده در یک میکروتوربین 250kW مدل میکروتوربین در مرجع توضیح داده شده است. کنترل کننده اول شبکه عصبی (NN) و کنترل کننده دوم PI میباشد. مشخصه اصلی کنترل کننده های شبکه عصبی حساسیت کم آنها نسبت به نویز و نیاز به اطلاعات اولیه کم است که علت انتخاب این روش برای کنترل سیستم میکروتوربین میباشد. همچنین کنترل کننده های شبکه عصبی دارای سرعت و قابلیت اطمینان بالا بوده و برای کنترل فرآیندهایی که بصورت بلادرنگ کنترل میشوند، از جمله میکروتوربین ها، کاربرد دارد.

در فصل اول پس از آشنایی با کلیات تولید پراکنده و همچنین مزایا و معایب آن، به بررسی میکروتوربینها و کاربرد آنها میپردازیم. همچنین در این فصل پیشینه تحقیقاتی کنترل میکروتوربین، روش کار و شیوه ابداعی به صورت اجمالی بررسی میشوند. 

جهت کنترل یک واحد میکروتوربین گازی باید عملکرد توربین گازی، گاورنر و سیستم تحریک آن، مورد بررسی قرار گیرد. در نتیجه در فصل 2 توربین گازی و گاورنر و سیستم تحریک تشریح و مدل سازی میشود. در این فصل همچنین مدل میکروتوربین که در شبیه سازی های فصل 3 استفاده شده، بررسی میشود. با توجه به اینکه از شبکه عصبی به عنوان کنترل کننده اصلی میکروتوربین در این پایان نامه استفاده شده است به همین منظور شبکه عصبی و کاربرد آن به صورت کلی بحث میشود، در ادامه راهکارهایی جهت بهبود عملکرد شبکه عصبی مطرح میشود. 

شبیه سازی مدل ارائه شده در فصل 3 انجام میشود همچنین طراحی و تولید شبکه عصبی و آموزش آن در این فصل مورد بررسی قرار میگیرد. راهکارهای بهبود عملکرد شبکه نیز در این فصل اعمال میشود. 

نتایج شبیه سازی و مقایسه سه شاخص اندازه گیری خطا در فصل 4 مطرح میشود. 

و در پایان با توجه به نتایجی که در فصل 4 آمده است به نتیجه گیری در مورد این پایان نامه و ارائه پیشنهاداتی خواهیم پرداخت. 

اطلاعات لازم جهت تولید و آموزش شبکه عصبی و همچنین نمای کلی از شبیه سازی های انجام شده در پیوست آمده است.

دانلود پایان نامه شناسایی مکان منابع هارمونیک زا در شبکه قدرت از دیدگاه یک یا چند نقطه بااستفاده از شبکه های عصبی

پایان نامه شناسایی مکان منابع هارمونیک زا در شبکه قدرت از دیدگاه یک یا چند نقطه بااستفاده از شبکه های عصبی پایان نامه شناسایی مکان منابع هارمونیک زا در شبکه قدرت از دیدگاه یک یا چند نقطه بااستفاده از شبکه های عصبی

دسته بندی	برق ،الکترونیک و مخابرات
فرمت فایل	pdf
حجم فایل	3771 کیلو بایت
تعداد صفحات فایل	114

پایان نامه شناسایی مکان منابع هارمونیک زا در شبکه قدرت از دیدگاه یک یا چند نقطه بااستفاده از شبکه های عصبی

چکیده 

در این پروژه روشی کاربردی و عملی برای مکان یابی منابع هارمونیکی در شبکه برق با استفاده از شبکه های عصبی BPN با لایه خروجی سیگموئید و الگوریتم آموزشی لونبرگ ارائه شده است. در این پروژه شبکه عصبی RBF نیز مورد بررسی قرار گرفته است. مقایسه نتایج نشان می دهد که BPN پاسخ مناسب تری می دهد و دلایل نیز ذکر شده است. برای انتخاب بهینه تعداد و مکان اندازه گیرهای هارمونیکی از روش مسیریابی هارمونیکی یا خط بهینه متاثر از منابع هارمونیکی و همچنین ارزیابی توپولوژی سیستم استفاده شده است. مراحل به کارگیری این روش به صورت کامل در پروژه آمده است. برای بهبود نتایج شبکه عصبی، قضیه جمع آثار و هم آثاری در مورد منابع هارمونیکی به کار گرفته شده است. در مجموع استفاده از تکنیک های نامبرده باعث شده است که با کمترین تعداد اندازه گیرهای هارمونیکی و نمونه های ورودی نتایج رضایت بخشی حاصل شود. این در حالی است که در هنگام اعمال شبکه عصبی برای مکان یابی منابع هارمونیکی هیچ اطلاعی از وجود منابع هارمونیکی در باس و همچنین نوع منابع هارمونیکی در اختیار نیست که نوآوری عمده این پروژه می باشد. استفاده از روش تخمین حالت و روش های بهینه سازی مانند الگوریتم ژنتیک که برای مکان یابی اندازه گیر مورد استفاده قرار می گیرد مورد تایید می باشد ولی این روش ها پیچیده و زمان گیر هستند. روش ارائه شده ساده و در عین حال بسیار دقیق است. مزیت دیگر این پروژه انتخاب مناسب پارامترهای ورودی شبکه عصبی است به طوری که تغییرات میزان بار و منابع هارمونیکی تاثیر چندانی در نتایج ندارد. در این پروژه آموزش شبکه های عصبی فقط در نقاط اندازه گیری صورت می گیرد و اندازه گیرها به صورت مستقل عمل می کنند. به عبارت دیگر مبادله اطلاعات مابین اندازه گیرها صورت نمی گیرد. آنالیز هارمونیک در نقاط اندازه گیری با استفاده از روش فوریه سریع FFT انجام شده است که پاسخ مناسبی دارد. روش ارائه شده بر روی شبکه IEEE 14 BUS که دارای 7 باس بار و 5 باس تولید می باشد، آزمایش شده است. 

مقدمه 

در سال های اخیر، تکنولوژی پیشرفته باعث ورود تجهیزات الکترونیک قدرت به صنعت شده است که این تجهیزات و یا بارهای غیرخطی، جریان های هارمونیکی به شبکه تزریق می کنند. این هارمونیک ها کیفیت توان شبکه را مخدوش می کنند. با توجه به رشد روزافزون این تجهیزات در صنایع مختلف همچون راه آهن، نفت، گاز، ذوب فلزات، اتوماسیون و غیره برای تضمین کیفیت توان، آشکارسازی منابع هارمونیکی موجود در شبکه برق امری لازم می باشد. بعضی از این منابع هارمونیکی مربوط به خود شبکه می باشد و معمولا به صورت گذرا در شبکه دیده می شوند که جزو منابع هارمونیکی عمده محسوب نمی شوند و در شبکه نیز مشخص می باشند. اگر از دید شبکه بارهای هارمونیکی عمده را مورد ارزیابی قرار دهیم، تجهیزات الکترونیک قدرت مورد توجه قرار می گیرد که دارای مبدل ها ac/dc در قسمت ورودی می باشند. خوشبختانه منابع هارمونیکی جریان تقریبا در سیستم قدرت شناسایی شده اند و می توان از روی الگوهای اختلال جریان، نوع منابع هارمونیکی را شناسایی نمود. در این پروژه مبدل های ac/dc مورد ارزیابی قرار گرفته است و هدف این پروژه شناسایی این منابع در شبکه قدرت می باشد. در این پروژه این منابه به دو صورت مبدل 6 پالس و 12 پالس در نظر گرفته شده است. 

نظارت بر ولتاژ فیدرهای مختلف شبکه توزیع به عنوان یکی از نیازهای اساسی در شبکه برق احساس می شود. از طرف دیگر نظارت مستقیم بر تمام فیدرها به صورت مستقل از نظر اقتصادی قابل توجیه نمی باشد. اگر اندازه گیرهای کیفیت توان کافی در شبکه وجود داشته باشد، به آسانی می توان مکان منابع هارمونیکی را شناسایی کرد. با وجود این، مکان اندازه گیرها و همچنین هزینه این اندازه گیرها مورد بحث می باشد. به همین خاطر ما باید از روش هایی استفاده نماییم که تعداد اندازه گیرها به حداقل برسد. در اکثر این روش ها از الگوریتم های هوشمندی همچون شبکه عصبی، الگوریتم ژنتیک و تخمین حالت استفاده شده است. در این پروژه برای مکان یابی اندازه گیرها از روش خط بهینه متاثر از جریان هارمونیکی و تحلیل توپولوژی سیستم استفاده شده است. برای شناسایی منابع پس از تعیین مکان اندازه گیرها، از شبکه های عصبی با لایه خروجی سیگموئید استفاده شده است. در مکان یابی اندازه گیرها ابتدا توپولوژی سیستم مورد بررسی قرار گرفته است و سپس پارامتری که بیانگر مجموع دامنه هارمونیک های جریان اصلی می باشد، برای تعیین مکان اندازه گیر استفاده شده است. برای آموزش شبکه های عصبی الگوریتم های زیادی وجود دارد که همگی بر پایه گرادیان نزولی و قانون پس انتشار می باشد. در این پروژه از الگوریتم لونبرگ برای آموزش شبکه استفاده شده است که این الگوریتم دارای سرعت زیادی در آموزش می باشد و نتیجه خوبی می دهد. محققان زیادی برای جایابی منابع هارمونیکی از شبکه های عصبی استفاده نموده اند. کاربرد شبکه های عصبی پس انتشار چند لایه در سیستم های قدرت به صورت گسترده پذیرفته شده است. در هنگام شبیه سازی فرض بر این است که هیچ اطلاعی از وضعیت باری شبکه نداریم و برای شناسایی منابع هارمونیک زا هر اندازه گیر به صورت مستقل عمل می نماید و در واقع نیازی به تبادل اطلاعات مابین اندازه گیرها نمی باشد و هزینه تبادل اطلاعات حذف می گردد. در بعضی شبکه ها شاید اصلا امکان تبادل اطلاعات وجود نداشته باشد. 

در این پروژه، فعالیت های انجام شده در زمینه مکان یابی منابع هارمونیک زا مورد بحث قرار گرفته است و با روش پیشنهادی این پروژه مقایسه شده است. منابع هارمونیکی عمده در شبکه قدرت به صورت مفصل معرفی شده است. با توجه به بررسی ها، منابع الکترونیک قدرت جهت شناسایی انتخاب شده اند. با توجه به اینکه از شبکه های عصبی برای شبیه سازی استفاده شده است، این شبکه به صورت مقدماتی معرفی شده و ساختارهای مختلف آن بحث شده است. در پایان، در فصل شبیه سازی، شبکه عصبی RBF با BPN مقایسه شده است. نتایج نشان می دهد که شبکه BPN پاسخ قابل قبول تری ارائه می دهد. همچنین خود شبکه BPN نیز مورد بحث قرار گرفته است و ساختارهای مختلف آن شبیه سازی شده است و نتایج ارائه شده است. سیستم قدرت مورد بحث در شبیه سازی، شبکه IEEE 14-bus می باشد. و نرم افزار Matlab جهت شبیه سازی استفاده شده است.

دانلود پاورپوینت بررسی شبکه های عصبی

پاورپوینت بررسی شبکه های عصبی پاورپوینت بررسی شبکه های عصبی در 25 اسلاید زیبا و قابل ویرایش با فرمت pptx

دسته بندی	کامپیوتر
فرمت فایل	pptx
حجم فایل	248 کیلو بایت
تعداد صفحات فایل	25

پاورپوینت بررسی شبکه های عصبی

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 پاورپوینت و ارائه کامل استفاده از شبکه های عصبی در شناسایی سیستم های غیر خطی

پاورپوینت و ارائه کامل استفاده از شبکه های عصبی در شناسایی سیستم های غیر خطی در دهه های گذشته بیشتر پیشرفتها در حوزه شناسایی سیستمهای خطی و تغییر ناپذیر با زمان بوده استاما ما در این سمینار برای شناسایی سیستمهای غیر خطی از شبکه های عصبی استفاده خواهیم کرد

دسته بندی	هوش مصنوعی
فرمت فایل	ppt
حجم فایل	2585 کیلو بایت
تعداد صفحات فایل	34

پاورپوینت و ارائه کامل استفاده از شبکه های عصبی در شناسایی سیستم های غیر خطی

 

مقدمه

در دهه های گذشته بیشتر پیشرفتها در حوزه شناسایی سیستمهای خطی و تغییر ناپذیر با زمان بوده است.اما ما در این سمینار برای شناسایی سیستمهای غیر خطی از شبکه های عصبی استفاده خواهیم کرد

 

 

کلمات کلیدی:

مدلسازی

شبکه های عصبی

شناسایی سیستم های غیر خطی

 

 

 

فهرست مطالب

.مبانی واصول تئوریک کاربرد شبکه های عصبی در شناسایی سیستمها

آشنایی با نورون عصبی و مدل ریاضی آن

شبکه های پرسپترون چند لایه و بازگشتی

شباهت شبکه عصبی و سیستم غیر خطی

کمینه خطا در  شبکه عصبی و شناسایی سیستم 

روش های تشخیص انسداد شریان های کرونری 

استفاده از پردازش دیجیتالی صدلی قلب

.مقایسه مدل های رگرسیون کاکس و شبکه عصبی  در پیش بینی بقای بیماران مبتلا به سرطان معده

.تشخیص بیماری دیابت به کمک شبکه های عصبی

.تشخیص تسلب شریان های کرونری با پردازش دیجیتالی صدای قلب

نتیجه گیری

 

مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation

مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation مقاله رشته هوش مصنوعی با عنوان شبکه های CascadeCorrelation

دسته بندی	دکترا
فرمت فایل	doc
حجم فایل	44 کیلو بایت
تعداد صفحات فایل	7

مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation

مقدمه

در شبکه های عصبی کلاسیک معماری شبکه باید قبل از شروع کار مشخص شود به این معنی که باید تعداد لایه های مخفی و نرونهای هر لایه مشخص شوند ، تشخیص دقیق معماری بهینه در اکثر موارد با پیچیدگی همراه است و معمولا" از سعی و خطا برای پیدا کردن معماری مناسب استفاده میشود. از طرف دیگر آموزش بر روی شبکه بدست آمده بر روی تمامی شبکه همراه با هم صورت میگیرد. آموزش همه نرون ها با یکدیگر این مشکل را دارد که طی فرآیند آموزش در هر مرحله تمامی ضرایب در جهتی تغییر میکنند که خطای کنونی را کاهش دهد و در مراحل مختلف هر بار بزرگترین منبع خطا دنبال میشود و در مراحل بعدی منبع ( یا منابع ) دیگری که در مرحله کنونی خطای بزرگتری دارند دنبال میشود. این باعث میشود که شبکه بین منابع مختلف خطا تا حدی رفت و برگشت داشته باشد.

شبکه عصبی Cascade-Correlation رویکرد متفاوتی را در نظر میگیرند. در این شبکه ها اولا" معماری شبکه با اضافه کردن نرون های جدید بسته به نیاز تعیین میشود و ثانیا" بجای آموزش تمام شبکه در هر مرحله ، در هر مرحله تنها بخشی از شبکه را آموزش میدهد. به این شکل علاوه بر تعیین خودکار معماری ، از رفت و برگشت بین منابع خطا نیز جلوگیری شده و بازدهی افزایش می یابد.

کلمات کلیدی:

شبکه های عصبی

شبکه های Cascade-Correlation

الگوریتم

نرون 

فهرست مطالب

مقدمه 1

معماری شبکه 1

الگوریتم 2

افزودن نرون جدید 2

الگوریتم : 3

انواع شبکه های Cascade-Correlation 3

شبکه های Pruned-Cascade-Correlation 3

شبکه های Recurrent-Cascade-Correlation 4

شبکه های Genetic-Cascade-Correlation 4

نتیجه گیری 5

مراجع 6

 

شناسایی کاراکترهای دستنویس، برپایه شبکه LVQ دانلود سمینار کارشناسی ارشد مهندسی نرم افزار با عنوان شناسایی کاراکترهای دستنویس، برپایه شبکه LVQ

دسته بندی	مهندسی نرم افزار
فرمت فایل	doc
حجم فایل	66 کیلو بایت
تعداد صفحات فایل	40

دانلود سمینار کارشناسی ارشد مهندسی نرم افزار

شناسایی کاراکترهای دستنویس، برپایه شبکه LVQ

(نسخه آپدیت شده + پاور پوینت )

 

پروژه درس شبکه های عصبی

 

چکیده:

در این گزارش، شناسایی کاراکتر های دستنویس (حروف کوچک انگلیسی) مورد بررسی قرار می گیرد. به این منظور ابتدا این کاراکترها کد شده و سپس کد حاصل که در قالب ده فریم می باشد، بطور همزمان به ده شبکه LVQ اعمال می شود. هر شبکه کد ورودی را خوشه بندی می کند و در نهایت خروجی ده شبکه که ده خوشه بندی مختلف برای فرمها ارائه می کنند با هم and شده و کاراکتر ورودی به این ترتیب شناسایی می شود. به منظور بررسی دقیق تر این مراحل، گزارش ارائه شده دارای چهار بخش دیگر است که بخش اول، نحوه کدینگ را شرح داده و در بخش دوم، شبکه عصبی طراحی شده و خروجی آن مورد بررسی قرار می گیرد. در بخش بعد نتایج بررسی شده و نهایتا خلاصه کار مورد بررسی قرار می گیرد.

 

 

 

کلمات کلیدی:

شبکه LVQ

شبکه های عصبی

تشخیص کاراکترهای دستنویس

 

 

نحوه کد کردن کاراکتر ورودی

برای شناسایی کاراکتر مورد نظر، ابتدا باید کاراکترها کد شوند. نحوه کد کردن به این شکل است که نواحی کاراکتر مورد نظر به ده ناحیه مربعی (فریم) تقسیم شده و سپس هر ناحیه بطور جدا کد شده و کد حاصل به عنوان ورودی به شبکه LVQ اعمال می شود. در واقع هر فریم به یک LVQ اعمال می شود.هر فریم 12 بیت دارد که از چپ به راست به صورت زیر تعریف می شوند:

 

.

.

.