شبکه های عصبی دارای فیدبک feedback
|
||||||||||||||
فهرست مطالب : مقدمه فصل اول- شبکه های عصبی ۱-۱ یک شبکه عصبی مصنوعی چیست؟ ۱-۲ چرا از شبکه های عصبی استفاده می کنیم ؟ ۱-۳ مزیتهای دیگر شبکه های عصبی ۱-۴ شبکه های عصبی در مقابل کامپیوتر های معمولی ۱-۵ انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها ۱-۵-۱ چگونه مغز انسان می آموزد ؟ ۱-۵-۲ از سلول های عصبی انسانی تا سلول های عصبی مصنوعی ۱-۶ انواع یادگیری برای شبکه های عصبی ۱-۶-۱ .یادگیری با ناظر ۱-۶-۲ .یادگیری تشدیدی ۱-۶-۳ . یادگیری بدون ناظر ۱-۷ زمینهای در مورد perceptron ۱-۸ قضیه بنیادی دنبالهها ۱-۹ هوش جمعی ۱-۱۰ (Particle Swarm Optimitation(PSO
فصل دوم- یک شبکه عصبی جدید و کاربرد آن ۲-۱ یک شبکه عصبی جدید و کاربرد آن ۲-۱-۱ معرفی ۲-۱-۲ – نورون با خاصیت آشوبگونه ۲-۱-۳ – شکل شبکه ۲-۱-۴-قانون آموزش شبکه ۲-۲- مدلسازی ژنراتور سنکرون دریایی ۲-۲-۱ روش مدلسازی دینامیک ۲-۲-۲ نتایج مدلسازی ۲-۳ نتیجه فصل
فصل سوم – آنالیز شبکه های عصبی دارای فیدبک ۳-۱) معرفی ۳-۲- منحنی طول – کشش ۳-۳- شبکه های عصبی فیدبک ۳-۳-۱ ساختار برگشتی ۳-۳-۲ مقایسه با مدل های دیگر ۳-۴ نتایج تجربی ۳-۴-۱ نمودار دوشاخه شدن ۳-۴-۲ حساسیت به شرط اولیه ۳-۴-۲ تغییرات طیف ۳-۵ – نتیجه فصل
فصل چهارم- هماهنگ سازی نمایی شبکه های عصبی دارای فیدبک با اغتشاش تصادفی ۴-۱- معرفی ۴-۲- نمادها و مقدمات ۴-۳- نتایج مهم ۴-۴ اثبات تئوری ۱ ۴-۶- نتیجه
فصل پنجم -شناسایی شبکه های عصبی فیدبک آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون ۵-۱- معرفی ۵-۲- شبکه های feedforward رگولاریزاسیون ۵-۳- طراحی شبیه سازی ۵-۳-۱ سیستم آشوبگونه مورد بررسی ۵-۳-۳ روش های ارزیابی شبکه آموزش یافته ۵-۴- شبیه سازی ها ۵-۵- نتیجه
فصل ششم – شبکه های عصبی و الگوریتم های ژنتیک در تجارت ۶-۱ فناوری شبکه عصبی ۶-۲ حوزه های کاربردی شبکه های عصبی ۶-۳ فناوری الگوریتم ژنتیک ۶-۳-۱- مقداری درس بیولوژی ۶-۴- الگوریتم ژنتیک در دنیای کامپیوتر ۶-۵- نکات مهم در الگوریتم های ژنتیک ۶-۶- نتیجه گیری ۶-۷ سیستم خبره ۶-۷-۱ سیستم خبره چیست؟ ۶-۸ ساختار یک سیستم خبره ۶-۹ استفاده از منطق فازی ۶-۱۰ مزایا و محدودیتهای سیستمهای خبره ۶-۱۱ کاربرد سیستمهای خبره ۶-۱۲ چند سیستم خبره مشهور ۶-۱۳ مروری بر کاربردهای تجاری ۶-۱۴ بازاریابی ۶-۱۵ بانکداری و حوزه های مالی ۶-۱۶ سایر حوزه های تجاری ۶-۱۷ مزایای استفاده از این فناوریهای هوش مصنوعی ۶-۱۸ نتایج منابع و ماخذ
چکیده : شبکههای عصبی را میتوان با اغماض زیاد، مدلهای الکترونیکی از ساختار عصبی مغز انسان نامید. مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدلهای الکترونیکی شبکههای عصبی طبیعی نیز بر اساس همین الگو بنا شدهاند و روش برخورد چنین مدلهایی با مسائل، با روشهای محاسباتی که بهطور معمول توسط سیستمهای کامپیوتری در پیش گرفته شدهاند، تفاوت دارد. میدانیم که حتی سادهترین مغزهای جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل میشوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونهای از مواردی هستند که روشهای معمول محاسباتی برای حل آنها به نتیجه مطلوب نمیرسند. درحالیکه مغز سادهترین جانوران بهراحتی از عهده چنین مسائلی بر میآید. تصور عموم کارشناسان IT کلمات کلیدی: شبکه عصبی- Neural Networks-شبکه عصبی فیدبک-کاربرد شبکه های عصبی- شبکه های عصبی feedforward-شبکه های عصبی در تجارت- شبکه های آشوبگونه-مدل شبکه عصبی- Neural
مقدمه
شبکه های عصبی ۱-۱ یک شبکه عصبی مصنوعی چیست؟ سابقه تاریخی در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky و Papert شناسانده شد. Minsky و Papert ،کتابی را در سال ۱۹۶۹ منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد . ۱-۲ چرا از شبکه های عصبی استفاده می کنیم ؟ ۱-۳ مزیتهای دیگر شبکه های عصبی ۱-۴ شبکه های عصبی در مقابل کامپیوتر های معمولی شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق میکنند. ۱-۵ انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها ۱-۵-۱ چگونه مغز انسان می آموزد ؟ ۱-۵-۲ از سلول های عصبی انسانی تا سلول های عصبی مصنوعی ما این شبکه های عصبی را با تلاش اولیه در جهت یافتن خصوصیات اساسی سلول های عصبی و اتصالات آنها ، هدایت می کنیم. سپس بطور معمول یک کامپیوتر را برای شبیه سازی این خصوصیات برنامه ریزی می کنیم .اگر چه بدلیل اینکه دانش ما از سلول های عصبی ناقص است و قدرت محاسبات ما محدود است ، مدل های ما لزوما آرمان های خام و ناقصی از شبکه های واقعی سلول های عصبی است . ۱-۶ انواع یادگیری برای شبکه های عصبی ۱-۶-۱ .یادگیری با ناظر در یادگیری با ناظر به قانون یاد گیری مجموعه ای از زوجهای داده ها به نام داده های یادگیری (Pi,Ti)={1…۱} می دهند که در آن Pi ورودی به شبکه و Ti خروجی مطلوب شبکه برای ورودی Pi است. پس از اعمال ورودی Pi به شبکه عصبی در خروجی شبکه ai با Ti مقایسه شده و سپس خطای یادگیری محاسبه و از آن در جهت تنظیم پارامترهای شبکه استفاده می شود به گونه ای که اگر دفعه بعد به شبکه همان ورودی Pi اعمال شود خروجی شبکه به Ti نزدیکتر می گردد با توجه به این نکته که معلم سیستمی است که بر محیط وقوف دارد ( مثلا می داند که برای ورودی Pi خروجی مطلوب Ti است ).توجه داریم که محیط برای شبکه عصبی مجهول است . در لحظه k بردار ورودی Pi(k) با تابع توضیع احتمال معینی که برای شبکه عصبی نا معلوماست انتخاب و بطور همزمان به شبکه عصبی و معلم اعمال می شود . جواب مطلوب Ti(k) نیز توسط معلم به شبکه عصبی داده می شود . در حقیقت پاسخ مطلوب پاسخ بهینه ای است که شبکه عصبی برای ورودی مفروض باید به آن برسد . پارامترهای شبکه عصبی توسط دو سیگنال ورودی و خطا تنظیم می شود.به این صورت که پس از چند تکرار الگوریتم یادگیری که عموما توسط معادله تفاضلی بیان می شودبه پارامترهایی در فضای پارامترهای شبکه همگرا می شوند که برای آنها خطای یادگیری بسیار کوچک است و عملا شبکه عصبی شبکه عصبی معادل معلم می شود . یا به عبارتی دیگر اطلاعات مربوط به محیط (نگاشت بین TiوPi )که برای معلم روشن است به شبکه عصبی منتقل می شود و پس از این مرحله عملا می توان بجای معلم از شبکه عصبی استفاده کرد تا یادگیری تکمیل شود . ۱-۶-۲ .یادگیری تشدیدی: یک اشکال یادگیری با ناظر این است که شبکه عصبی ممکن است بدون معلم نتواند مواضع جدیدی را که توسط مجموعه داده های جدید تجربی پوشانده نشده است یاد بگیرد . یادگیری از نوع تشدیدی این محدودیت را برطرف می کند . این نوع یادگیری بطور on-line صورت می گیرد در حالی که یادگیری با ناظر را به دو صورت on-line & off-line می توان انجام داد. در حالت off-line می توان از یک سیستم محاسب با در اختیار داشتن داده های یادگیری استفاده کرد و طراحی شبکه عصبی را به پایان رساند . پس از مرحله طراحی و یادگیری شبکه عصبی به عنوان یک سیستم استاتیکی عمل می کند . اما در یادگیری on-line شبکه عصبی همراه با خود سیستم یادگیر در حال انجام کار است و از این رو مثل یک سیستم دینامیکی عمل می کند . یادگیری از نوع تشدیدی یک یادگیری on-line از یک نگاشت ورودی-خروجی است . این کار از طریق یک پروسه سعی و خطا به صورتی انجام می پذیرد که یک شاخص اجرایی موسوم به سیگنال تشدید ماکزیمم شود و بنابر این الگوریتم نوعی از یادگیری با ناظر است که در آن به جای فراهم نمودن جواب واقعی ، به شبکه عددی که نشانگر میزان عملکرد شبکه است ارایه می شود. این بدین معنی است که اگر شبکه عصبی پارامترهایش را به گونه ای تغییر داد که منجر به یک حالت مساعد شد آنگاه تمایل سیستم یادگیر جهت تولید آن عمل خاص تقویت یا تشدید می شود . در غیر این صورت تمایل شبکه عصبی جهت تولید آن عمل خاص تضعیف می شود . یادگیری تقویتی مثل یادگیری با ناظر نیست و این الگوریتم بیشتر برای سیستمهای کنترلی کاربرد دارد . ۱-۶-۳ . یادگیری بدون ناظر در یادگیری بدون ناظر یا یادگیری خود سامانده پارامترهای شبکه عصبی تنها توسط پاسخ سیستم اصلاح و تنظیم می شوند . به عبارتی تنها اطلاعات دریافتی از محیط به شبکه را برداغرهای ورودی تشکیل می دهند. و در مقایسه با مورد بالا (یادگیری با ناظر) بردار جواب مطلوب به شبکه اعمال نمی شود . به عبارتی به شبکه عصبی هیچ نمونه ای از تابعی که قرار است بیاموزد داده نمی شود . در عمل می بینیم که یادگیری با ناظر در مورد شبکه هایی که از تعداد زیادی لایه های نرونی تشکیل شده باشند بسیار کند عمل می کند و در این گونه موارد تلفیق یادگیری با ناظر و بدون ناظر پیشنهاد می گردد . فایل کامل این تحقیق ۹۰ صفحه بصورت ورد WORD می باشد.
|
توجه مهم :
*دوست عزیز در صورت نداشتن رمز پویا یا قطع بودن درگاه بانکی ، لطفا نام پروژه درخواستی خود را جهت هماهنگی برای دریافت شماره کارت واریزی و دریافت لینک دانلود، به واتساپ پشتیبانی سایت ۰۹۳۹۲۷۶۱۶۳۰ ارسال کنید *(از ساعت ۸ الی ۲۳)
دیدگاهتان را بنویسید