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 پیش بینی ارزش افزوده اقتصادی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی

پیش بینی ارزش افزوده اقتصادی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی پیش بینی ارزش افزوده اقتصادی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی

دسته بندی	علوم انسانی
فرمت فایل	docx
حجم فایل	3793 کیلو بایت
تعداد صفحات فایل	146

پیش بینی ارزش افزوده اقتصادی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی

با فرمت ورد وقابل ویرایش

چکیده: 1

مقدمه: 2

فصل اول: کلیات تحقیق 

1-1 مقدمه 4

2-1 تاریخچه مطالعاتی. 4

3-1 بیان مساله 8

4-1 سوالات تحقیق. 9

5-1 فرضیه های پژوهش.. 10

6-1 اهداف تحقیق. 10

7-1 حدود مطالعاتی. 10

1-7-1 قلمرو موضوعی. 10

2-7-1 قلمرو زمانی. 11

3-7-1 قلمرو مکانی. 11

8-1  تعریف واژگان کلیدی و اصطلاحات.. 11

فصل دوم: مروری بر ادبیات تحقیق

1-2 مقدمه 14

2-2 بخش اول: ادبیات پژوهش.. 15

1-2-2 بررسی مفاهیم مربوط به سود 15

2-2-2 بررسی سود نقدی. 15

3-2-2 مفهوم سود در حسابداری. 16

4-2-2 مفهوم سود هر سهم 16

3-2 بررسی مفاهیم مربوط به ارزش افزوده اقتصادی. 17

1-3-2  تاریخچه ارزش افزوده 17

2-3-2 مفهوم ثروت ایجاد شده برای سهام داران. 18

4-2 شاخص های ارزیابی عملکرد 18

5-2 شاخص های مربوط به اجزای سود باقی مانده 19

6-2ارزش افزوده اقتصادی. 19

1-6-2 ارزش افزوده اقتصادی در عمل. 22

2-6-2 تکامل ارزش افزوده اقتصادی. 23

7-2 تعاریف عملیاتی ارزش افزوده اقتصادی. 24

8-2ارزش افزوده اقتصادی از دیدگاه مدیریت مالی. 25

9-2 مدل عایدیها برای محاسبه هزینه سرمایه از محل آورده سهامداران. 27

10-2 مدل تقسم سود با نرخ رشد ثابت.. 29

11-2 محاسبه هزینه ی سرمایه با استفاده از مدل CAPM.. 31

12-2 هزینه تامین منابع مالی از طریق دریافت وام 32

13-2 هزینه تامین منابع مالی از طریق صدور سهام ممتاز. 32

14-2 هزینه تامین منابع پولی از محل سود تقسیم نشده 32

15-2 تجزیه و تحلیل نسبت های مالی. 33

16-2 نسبت های سرمایه گذاری. 37

1-16-2 نسبت دارایی ثابت به ارزش ویژه 37

2-16-2 نسبت بدهی. 37

3-16-2 نسبت بدهی جاری به ارزش ویژه 38

4-16-2 نسبت پوشش بهره 38

17-2 شبکه‌های عصبی. 38

18-2  اجزای شبکه‌های عصبی مصنوعی. 41

1-18-2 عناصر پردازشگر. 41

19-2 شبکه 42

1-19-2 ساختار شبکه 43

20-2 پرسپترون چندلایه 44

21-2 پردازش اطلاعات در شبکه‌های عصبی مصنوعی. 45

22-2 الگوریتم پس‌انتشارخطا 49

23-2 بخش دوم: مروری بر پژوهشها 50

1-23-2 پژوهشهای داخلی. 50

2-23-2 پژوهشهای خارجی. 54

فصل سوم: روش‌ اجرای تحقیق 

1-3 مقدمه 56

2-3 متغیرهای تحقیق. 56

3-3 مدل تحلیلی تحقیق. 57

4-3جامعه آماری. 57

5-3 روش گردآوری اطلاعات.. 60

6-3 روایی و پایایی. 60

7-3 ابزار گردآوری اطلاعات.. 60

8-3 ارزش افزوده اقتصادی یا EVA.. 61

1-8-3 نرخ بازده کلی سرمایه 61

2-8-3 سرمایه Capital 62

3-8-3 نرخ هزینه سرمایه 62

9-3 نسبت های مالی. 65

10-3 رگرسیون. 66

11-3 شبکه عصبی. 66

12-3  روش تجزیه و تحلیل داده‌ها 67

فصل چهارم: تجزیه و تحلیل داده‌ها

1-4 مقدمه‏ 70

2-4 آماده سازی داده ها 71

3-4 محاسبه ارزش افزوده اقتصادی. 79

4-4 پیش بینی با استفاده از رگرسیون. 82

5-4 پیش بینی ارزش افزوده اقتصادی با استفاده از شبکه عصبی. 84

6-4 مقایسه پیش بینی شبکه عصبی و رگرسیون. 88

فصل پنجم: نتیجه‌گیری و پیشنهادات

1-5 مقدمه 93

2-5 نتایج فرضیات.. 93

1-2-5 بررسی فرضیه اول. 93

2-2-5 بررسی فرضیه دوم 95

3-5 نتیجه گیری کلی. 96

4-5 محدودیت های تحقیق. 97

5-5 پیشنهاد برای تحقیقات آتی. 97

پیوست ها 

خروجی ها با استفاده ازنرم افزار مطلب.. 100

منابع و ماخذ 

منابع فارسی: 126

منابع لاتین: 128

چکیده انگلیسی: 130

جدول 1-2 برخی از انواع شبکه‌های عصبی. 44

جدول 1-3 پنجاه شرکت برتر بورس بر اساس سودآوری. 59

جدول 1-3  فرمولهای نسبتهای مالی. 65

جدول 2-3 نسبت های مالی و نماد های آن. 66

جدول 1-4 نسبتهای مالی برای سالهای مختلف  شرکت باما 72

جدول 2-4 نسبتهای مالی برای سالهای مختلف شرکت چادرملو. 73

جدول 3-4 نسبتهای مالی برای سالهای مختلف شرکت اتومبیل ایران. 74

جدول 4-4  نسبتهای مالی برای سالهای مختلف شرکت ایران خدرو دیزل. 75

جدول 5-4 نسبتهای مالی برای سالهای مختلف شرکت پارس خودرو. 76

جدول 6-4 نسبتهای مالی برای سالهای مختلف شرکت سایپا آذین. 77

جدول 7-4 نسبتهای مالی برای سالهای مختلف شرکت سایپا 78

جدول 8-4 محاسبات ارزش افزوده اقتصادی برای سالهای مختلف شرکت باما 79

جدول 9-4 محاسبات ارزش افزوده اقتصادی برای سالهای مختلف شرکت چادرملو. 79

جدول 10-4 محاسبات ارزش افزوده اقتصادی برای سالهای مختلف شرکت قطعات اتومبیل ایران. 80

جدول 11-4 محاسبات ارزش افزوده اقتصادی برای سالهای مختلف شرکت ایران خودرو دیزل. 80

جدول 12-4 محاسبات ارزش افزوده اقتصادی برای سالهای مختلف شرکت پارس خودرو. 81

جدول 13-4 محاسبات ارزش افزوده اقتصادی برای سالهای مختلف شرکت سایپا آذین. 81

جدول 14-4 محاسبات ارزش افزوده اقتصادی برای سالهای مختلف شرکت سایپا 82

جدول 15-4  خروجی spss. 82

جدول 16-4 جدول  اوزان 87

جدول 17-4  مقادیر واقعی و پیش بینی شده 88

جدول 18-4 مقایسه خطای شبکه و خطای رگرسیون خطی. 90

جدول 1-5 بررسی نتایج جدول اوزان. 94

جدول 2-5 جدول خطا ها و فاصله 96

نمودار 1-2 ارزش افزوده 20

نمودار 2-2 ارزش افزوده اقتصادی. 21

نمودار 3-2 اجزای یک عنصر پردازشگر. 42

نمودار 4-2 ساختار ساده شبکه‌های عصبی مصنوعی. 43

نمودار 5-2 ساختار پرسپترون چندلایه (MLP) 45

نمودار 6-2 عملیات یک شبکه عصبی نظارتی. 48

نمودار 1-3 مدل تحلیلی تحقیق. 57

نمودار 2-3 شبکه عصبی مصنوعی. 67

نمودار 1-4 نمودار خطی رگرسیون. 84

نمودار 2-4 نمودار لونبرک- مارکو. 85

نمودار 3-4  نمودار آموزش شبکه عصبی. 86

نمودار 4-4 نمودار نمایانگر پیش بینی شبکه بر اساس داده های ورودی و مقایسه آنها با مقادیر واقعی. 87

نمودار 5-4 نمودار مقایسه ای دو پیش بینی. 91

نمودار 1-5  نمودار پیش بینی نتایج. 95

چکیده:

در این مقاله به دنبال پیش بینی و ارائه راهکاری برای یافتن ارزش افزوده اقتصادی شرکت های پذیرفته شده در بازار بورس اوراق بهادار تهران هستیم. مبنای پیش بینی های انجام شده در این پژوهش اطلاعات صورت های مالی حسابرسی شده است. داده های مورد استفاده نیز داده های بین سال های 1382 الی 1387 است. پس از انجام محاسبه های لازم با استفاده از رگرسیون به پیش بینی ارزش افزوده اقتصادی می پردازیم. همین پیش بینی را با استفاده از شبکه های عصبی مصنوعی انجام می دهیم و پیش بینی های صورت گرفته را با واقعیت مقایسه می کنیم که در پایان این پژوهش دیده می شود پیش بینی های صورت گرفته با استفاده از شبکه های عصبی مصنوعی عملکرد بهتری نسبت به رگرسون خطی دارند.

واژگان  کلیدی : شبکه عصبی، ارزش افزوده اقتصادی، نسبت های مالی

مقدمه:

با ظهور شرکت‌های بزرگ و شکل گیری مبحث عظیم جدائی مالکیت از مدیریت و ایجاد یک تضاد منافع عظیم بین مالکان و مدیران ارزیابی عملکرد شرکت‌ها و مدیران و رهبران آنها از موضوعات مورد توجه اقشار مختلف مثل اعتباردهندگان، مالکان دولت و حتی مدیران است. همچنین با توجه به جدائی مالکیت از مدیریت ایجاد ارزش و افزایش ثروت سامداران از جمله مهمترین اهداف شرکتها به شمار می‌رود. و افزایش ثروت در نتیجه علمکرد مطلوب حاصل خواهد شد. بنابراین استفاده کنندگان به دنبا شاخصی هستند تا بتوانند میزان رسیدن به مهمترین هدف شرکت را تعیین کنند. از نظر سهامداران نیز میزان افزایش ثروت چه از طریق افزایش قیمت و ارزش شرکت و چه از طریق سود نقدی حائز اهمیت است. اما آنچه که بیشتر اهمیت دارد از دید سرمایه گذاران است. زیرا این قشر حاضر نیستند که در شرکت‌های با مخاطره بالا سرمایه گذاری کنند و لذا اگر هم چنانچه این کار را انجام دهند، به ازای ریسک بیشتر، بازدهی بیشتر مورد انتظار خواهد بود. بنابراین آنها نیز بدنبال شاخصی برای ارزیابی عملکرد شرکتها هستند تا بتوانند تصمیم به سرمایه گذاری بگیرند.

دانلود مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

دسته بندی	پژوهش
فرمت فایل	doc
حجم فایل	13 کیلو بایت
تعداد صفحات فایل	20

مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

بخشهایی از متن مقاله:

از حدود 1940 بطور همزمان اما جداگانه ، از سویی نوروفیزیولوژیستها سعی میکردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سویی  ریاضیدانان تلاش می کردند تا مدل ریاضی بسازند که قابلیت  فراگیری و تجزیه تحلیل عمومی مسائل را دارا باشد. از آن زمان ، بارها این اتفاق افتاد که ریاضیدانان یافته های نوروفیزیولوژیستها را پیاده سازی کردند، بدون این که بدانند چرا، و در عمل مشاهده کردند که سیستم پیاده شده کارایی شگفت انگیز سیستم طبیعی را دارد. پس از آن توانستند منطق زیربنایی سیستم طبیعی را درک کنند. اگر چه از همان ابتدا، ریاضیدانان توانسته بودند مدل ریاضی یک سلول عصبی یا نورون را بسازند، اما تا حدود 1974 که دانش مربوط به نوع  اتصال این واحدهای شبه نورونی به یکدیگر تکامل لازم را نیافته بود. امروزه برنامه های کاربردی متعددی دردسترس هستند که با این روش کار میکنند. اگر چه کاربرد این برنامه ها بویژه برای افراد عادی کمی مشکل است، اما محققین روز به روز بیشتر و بیشتر آنها را به کار می گیرند. برای تجزیه و تحلیل یک سیستم پیچیده بوسیله روش شبکه های عصبی، نیاز به دانش زیادی درباره سیستم مورد مطالعه نمی باشد، چون عمل تجزیه و تحلیل و یادگیری در مغز شبکه اتفاق می افتد نه در مغز محقق، اما به هر حال بهره گیری از دانش کلی درباره طرز کار این شبکه ها برای کاربران آنها ضروری است، چرا که تنظیمات ساده و کلی در این برنامه ها وجود دارند که آگاهی از آنها برای ساختن یک مدل موفق ضروری است.

شبکه های عصبی مصنوعی در واقع مثلثی هستند که 3 ضلع مفهومی دارند: 1- سیستم تجزیه و تحلیل داده ها، 2- نورون یا سلول عصبی 3- شبکه یا قانون کار گروهی نورونها.  در یک تعریف کلاسیک، هایکین می گوید: شبکه عصبی عبارت است از مجموعه ای عظیم از پردازشگرهای موازی که استعداد ذاتی برای ذخیره اطلاعات تجربی و بکارگیری آن دارند و این شبکه دست کم از دو بابت شبیه مغز است: 1- مرحله ای موسوم به یادگیری دارد 2- وزن های سیناپسی جهت ذخیره دانش به کار می روند.

 وظیفه شبکه های عصبی یادگیری است. تقریبا چیزی شبیه یادگیری یک کودک خردسال. یادگیری در شبکه های عصبی رایج به شکل Supervised یا یادگیری تحت نظارت است. والدین تصاویر حیوانات مختلف را به کودک نشان می دهند و نام هرکدام رابه کودک می گویند.

...

طرز کار مدل سلول عصبی :

 مدل ریاضی یک سلول عصبی که از روی الگوی ریاضی آن ساخته شده است Perceptron نامیده می شود. خطوط ورودی (Input) سیگنالهای تحریکی یا مهاری را به جسم سلولی می آورند که همان پارامترهای تعریف کننده سیستم هستند. مثلا فرض کنیم که غلظت یک ماده  0.6 mol/lit است ، این عدد یکی از پارامترهای تعریف کننده نمونه دارویی ما است، پس این پارامتر بعنوان یک سیگنال الکتریکی با شدت 0.6 به یک کانال ورودی می رود. در ابتدای هر کانال ورودی یک ضریب عددی وجود دارد که شدت تحریک در این عدد ضرب می شوند و حاصل آن که یک Weighted Input نامیده می شود اگر مثبت باشد یک سیگنال تحریکی و اگر منفی باشد یک سیگنال مهاری بر جسم سلولی است. میزان کلیه این سیگنالهای تحریکی یا مهاری که از ورودی های مختلف به جسم سلولی می رسند با هم بصورت خطی جمع می شود (Linear Combination of Weighted Inputs). اگر این حاصل جمع از میزان آستانه یا Threshold کمتر باشد سلول عصبی خاموش می ماند، و در غیر این صورت سلول شلیک میکند (Fire) و جریان الکتریکی ثابتی در خروجی (یا خروجی ها) ایجاد می کند.

دانلود پایان نامه طراحی و شبیه سازی سیستم تشخیص تهاجم به رایانه ها به کمک شبکه های عصبی مصنوعی

پایان نامه طراحی و شبیه سازی سیستم تشخیص تهاجم به رایانه ها به کمک شبکه های عصبی مصنوعی پایان نامه طراحی و شبیه سازی سیستم تشخیص تهاجم به رایانه ها به کمک شبکه های عصبی مصنوعی

دسته بندی	برق ،الکترونیک و مخابرات
فرمت فایل	pdf
حجم فایل	789 کیلو بایت
تعداد صفحات فایل	147

پایان نامه طراحی و شبیه سازی سیستم تشخیص تهاجم به رایانه ها به کمک شبکه های عصبی مصنوعی

چکیده

در این پژوهش، چگونگی طرح و پیادهسازی سیستم تشخیص تهاجم به شبکه های رایانهای مبتنی بر ساختار شبکه های عصبی ارائه شده است. استفاده از شبکه عصبی در این سیستمها باعث بالا رفتن انعطاف پذیری سیستم میشود. از سوی دیگر، بکارگیری شبکه عصبی، سیستم را قادر به یادگیری رفتار حملات میکند، تا بتواند بدون نیاز به بهنگام سازی قادر به تشخیص حملات جدید شود. در این پژوهش از دو شبکه عصبی ایستا و پویا (Elman و MLP) استفاده و در پایان، نتایج عملکرد این دو سیستم با هم مقایسه شده است. شبکه های MLP دولایه و سه لایه به ترتیب قادر به شناسایی 90/99% و 91/41% حملات بودند. شبکه های  Elman دولایه و سه لایه نیز به ترتیب قادر به شناسایی 91/37% و 89/94% حملات بودند. 

مقدمه

شبکه های کامپیوتری علیرغم منافعی از قبیل اشتراک قدرت محاسباتی و منابع، خطراتی را نیز خصوصا در زمینه امنیت سیستم به همراه آورده اند. در طی دو دهه اخیر تلاشهای تحقیقاتی فراوانی در زمینه امنیت شبکه صورت گرفته و تکنیک های مختلفی برای ساختن شبکه های امن ارائه شدهاند. در این پایان نامه عملکرد دو شبکه عصبی تحت سرپرست MLP و Elman  در تشخیص تهاجم به شبکه های رایانه ای بررسی شده است. در فصل 1 کلیات این پژوهش شامل هدف، تحقیقات انجام شده و نحوه انجام پژوهش بررسی شده است. در فصل 2 توضیحاتی در خصوص شبکه های عصبی MLP و Elman  و نحوه آموزش این شبکه ها 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. در فصل 4 در خصوص داده های آموزش و آزمون KDD CUP 99 و همچنین نحوه پیش پردازش این داده ها، جهت تبدیل آنها به قالب مورد قبول شبکه عصبی، توضیحاتی ارائه شده است. در فصل 5 سیستم های تشخیص تهاجم مبتنی بر شبکه های عصبی ایستا و پویای MLP و Elman  توضیح داده شدهاند و سپس عملکرد این شبکه ها در تشخیص حملات و دستهبندی آنها به 5 گروه خروجی، بررسی و مقایسه شده است. در پایان فصل 6 به نتیجه گیری، بیان پیشنهادات و نیز ارائه پیوست های لازم پرداخته است. 

فصل اول

کلیات 

1-1 هدف 

با رشد تکنولوژی های مبتنی بر اینترنت، کاربرد شبکه های رایانه ای در حال افزایش است و در نتیجه تهدیدات حملات رایانه ای نیز گسترش می یابد. در برخی موارد خسارات ناشی از حملات رایانه ای برای سازمان ها به میلیونها دلار میرسد و حتی گاهی مواقع این خسارات جبران ناپذیر هستند. بنابراین، امروزه تشخیص تهاجم بیشتر از هر زمان دیگری توجه محققان را به خود جلب کرده است. سیستم تشخیص تهاجم، یک سیستم مدیریت امنیت برای شبکه ها و رایانه ها میباشد. این سیستمها به دو دسته سیستمهای تشخیص تهاجم مبتنی بر میزبان و سیستمهای تشخیص تهاجم مبتنی بر شبکه تقسیم میشوند. در این پژوهش از سیستمهای تشخیص تهاجم مبتنی بر شبکه استفاده شده است. 

براساس روش تحلیل و تشخیص نیز سیستمهای تشخیص تهاجم به دو دسته اساسی سیستمهای تشخیص سوءاستفاده و سیستمهای تشخیص ناهنجاری تقسیم میشوند. در مدل تشخیص سوءاستفاده، که مورد نظر این پژوهش میباشد، از نشانه های شناخته شدهای که در رابطه با تهاجمات یا آسیب پذیریها وجود دارد، استفاده شده و سیستم به دنبال فعالیتهایی میگردد که مشابه این نشانه ها باشند. در این مدل نیاز به بهنگامسازی مداوم نشانه ها وجود دارد. هدف در این پژوهش، بررسی برخی روشهای ممکن برای بالا بردن انعطاف پذیری سیستمهای تشخیص تهاجم میباشد تا نیاز به بهنگام سازی سیستم از بین برود و سیستم توانایی شناسایی حملات ناشناختهای که قبلا ندیده است، را داشته باشد. 

یکی از روشهای مطرح در تشخیص تهاجم، بهرهگیری از شبکههای عصبی مصنوعی است. در سالهای اخیر بسیاری از کارهای انجام شده در زمینه تشخیص تهاجم، برروی این موضوع تمرکز نموده اند. استفاده از شبکه عصبی در تشخیص تهاجم باعث بالا رفتن انعطاف پذیری میشود. از مزایای شبکه عصبی می توان به قابلیت تحلیل داده های غیرکامل شبکه و نیز قابلیت یادگیری آنها اشاره نمود. بنابراین سیستمهای تشخیص تهاجم مبتنی بر شبکه عصبی قابلیت یادگیری رفتار حملات را دارند و قادر هستند حملات جدید را بدون بهنگام

سازی سیستم تشخیص دهند. این سیستمها ابتدا براساس رفتارهای طبیعی و یا حمله و یا ترکیبی از هردوی آنها آموزش یافته، سپس جهت تشخیص تهاجم به کار برده میشوند. سیستم تشخیص تهاجم مبتنی بر شبکه عصبی طراحی شده در این پژوهش قادر به دسته بندی حملات به 5 گروه تعریف شده در خروجی میباشد، که در حقیقت همان پنج گروه موجود در مجموعه داده آموزشی مورد استفاده میباشد.

دانلود پاورپوینت بررسی شبکه های عصبی مصنوعی

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
فرمت فایل	pptx
حجم فایل	1590 کیلو بایت
تعداد صفحات فایل	85

پاورپوینت بررسی شبکه های عصبی مصنوعی

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