بررسی و معرفی شبکه های عصبی مصنوعی

عنوان کامل: بررسی و معرفی شبکه های عصبی مصنوعی
دسته: فناوری اطلاعات و کامپیوتر
فرمت فایل: WORD (قابل ویرایش)
تعداد صفحات پروژه: ۱۲۱
چکیده ای از مقدمه آغازین ” پایان نامه بررسی و معرفی شبکه های عصبی مصنوعی” بدین شرح است:

.
هوش محاسباتی یا (Computational-Intelligence) CI به معنای استخراج هوش، دانش، الگوریتم یا نگاشت از دل محاسبات عددی براساس ارائه به روز داده‌های عددی است. سیستم‌هایCI در اصل سیستم‌های دینامیکی مدل آزاد (Model-free) را برای تقریب توابع و نگاشتها ارائه می‌کند. در کنار این ویژگی بسیار مهم باید از ویژگی مهم دیگری در ارتباط با خصوصیات محاسباتی سیستم‌های CI نام برد، که در آن دقت، وجه‌المصالحه مقاوم بودن، منعطف‌بودن و سهولت پیاده‌سازی قرار می‌گیرد.
مولفه‌های مهم و اساسی CI ، شبکه‌های عصبی )محاسبات نورونی(، منطق فازی) محاسبات تقریبی( و الگوریتم ژنتیک) محاسبات ژنتیکی(است، که هر یک به نوعی مغز را الگو قرار داده‌اند. شبکه‌های عصبی ارتباطات سیناپسی و ساختار نورونی، منطق فازی استنتاجات تقریبی و محاسبات ژنتیکی محاسبات موتاسیونی مغز را مدل می‌کنند. ‍‍‌
هوش مصنوعی:
در شبکه ارتباطی مغز انسانها سیگنالهای ارتباطی به صورت پالسهای الکتریکی هستند.جزء اصلی مغز نرون است که از یک ساختمان سلولی و مجموعه ای از شیارها و خطوط تشکیل شده و شیارها محل ورود اطلاعات به نرون هستند وخطوط محل خروج اطلاعات از نرون اند . نقطه اتصال یک نرون به نرون دیگر را سیناپس می نامند که مانند دروازه یا کلید عمل می کنند. اگر واکنشهایی که میلیونها نرون مختلف به پالسهای متفاوت نشان میدهند با یکدیگر هماهنگ باشند ممکن است پدیده های مهمی در مغز رخ دهد.
آن دسته از پژوهشگران هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند گونه ای از مدارهای الکتریکی را طراحی کرده اند که تا حدی شبکه مغز را شبیه سازی میکند در این روش هر گره (نرون)به تنهایی یک پردازنده است ولی رایانه های معمولی حداکثر چند cpuدارند هدف عمده کامپیوتر شبکه عصبی این است که مکانیسمی طراحی کند که همانند مغز انسان بازخورد مثبت یاد بگیرد پاسخهای درست و نادرست کدامند.

برای مشاهده فهرست مقاله یا پایان نامه و دانلود به ادامه مطلب مراجعه کنید

بخشی از فهرست مقاله:

مقدمه
هوش مصنوعی
به سوی آینده
تاریخچه
تعریف
تاریخچه و تعاریف سیستم‌های خبره
بعضی از تعاریف سیستم های خبره
تاریخچه سیستم های خبره
الگوریتم ژنتیک
تابع سازگاری(FitnessFunction)
Mutation(جهش ژنتیکی)
مقدمه ای بر سیستم های فازی وکنترل فازی
سیستم‌های فازی چگونه سیستم‌هایی هستند؟
سیستم‌های فازی کجا و چگونه استفاده می‌شوند؟
زمینه‌های تحقیق عمده در تئوری فازی
تاریخچه مختصری از تئوری و کاربردهای فازی
فصل دوم

شبکه های عصبی
مقدمه
ساختار مغز
ساختار نرون
چگونه مغز انسان می آموزد ؟
معنای شبکه های عصبی
قوانین هب
از سلول های عصبی انسانی تا سلول های عصبی مصنوعی
رویای جایگزینی ویژگی های مغز در یک سیستم مصنوعی چقدر ممکن گردیده؟
تاریخچه شبکه‌های عصبی
چرا از شبکه های عصبی استفاده می کنیم؟
شبکه های عصبی در مقابل کامپیوتر های معمولی
مزایا و محدودیت های شبکه عصبی
چه کسانی به شبکه عصبی علاقه‌مند هستند؟
نرم‏افزارها و سخت افزارهای شبکه‏ های عصبی
کاربرد شبکه های عصبی
یکپارچگی منطق فازی و شبکه های عصبی
مدل ریاضی یک نرون

یک نرون ساده

قوانین برانگیختگی

یک نرون پیچیده تر

ساختار شبکه های عصبی

مراحل طراحی شبکه

اهداف شبکه های عصبی

تقسیم بندی شبکه های عصبی

انواع یادگیری برای شبکه های عصبی

توپولوژی شبکه های عصبی

شبکه‏های پیش‏خور (Feed Forward)

شبکه‏ های برگشتی(Recurrent)

پرسپترون چند لایه

Perceptronهای ساده

قدرت Perceptron

دنباله‌های Perceptron

آموزش پر سپترون

الگوریتم یادگیری پرسپترون

قانون پرسپترون

قانون دلتا

روشهای دیگر

شبکه های هاپفید

شبکه‌های دارای پس‌خور

شبکه عصبی ترکیبی المن- جردن

پس انتشار خطا

چند بررسی از کاربرد های شبکه های عصبی

فصل سوم

نتیجه گیری

منابع ومأخذ