فایل ورد کامل پروژه بررسی کاربرد شبکه های عصبی مصنوعی – ۷۸ صفحه ۸۵ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل پروژه بررسی کاربرد شبکه های عصبی مصنوعی – ۷۸ صفحه ۸۵ صفحه در word دارای ۸۵ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل پروژه بررسی کاربرد شبکه های عصبی مصنوعی – ۷۸ صفحه ۸۵ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل پروژه بررسی کاربرد شبکه های عصبی مصنوعی – ۷۸ صفحه ۸۵ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

---

بخشی از متن فایل ورد کامل پروژه بررسی کاربرد شبکه های عصبی مصنوعی – ۷۸ صفحه ۸۵ صفحه در word :

بخشی از متن پروژه بررسی کاربرد شبکه های عصبی مصنوعی:

ابتدا به تعریف وکاربرد های شبکه ی عصبی سپس به استفاده از الگوریتم های شبکه وبعد یک بررسی اجمالی روی انواع شبکه های عصبی انجام شده است و نوع پرسپترون به دلیل کاربرد فراوان بیشتر شرح داده شده است. در ادامه بحث به مقایسه این شبکه با مغز انسان وتفاوت این شبکه با شبکه های معمولی کامپیوتر وچگونگی یادگیری این نوع شبکه, وکاربرد های ان در کارها وصنعت های مختلف وروش ومقایسه ان با نرون ها و پیاده سازی الکترونیکی ان عملیات شبکه و همچنین به آموزش این نوع شبکه پرداخته شده است همچنین الگوریتم های مربوط به هر نوع شبکه عصبی توضیح داده شده است ومشکلات انها راه حل های این نوع مشکلات و کاربرد این نوع شبکه ها این تحقیق صرفا گرداوری است تا پس از تکمیل ترشدن اطلاعات شاید افقی جدید حاصل شود.سپس در باره یادگیری ماشین و نیز یادگیری انسان مطالبی مبسوط آورده شده است و در پایان با مقایسه یافته ها با برخی یافته های پزشکی چند قیاس انجام گردیده.در پایان خلاصه ای از مبحث پردازش تصویر که شبکه های عصبی در آن کاربرد ویژه ای دارندآمده است. وهمچنین نمونه از برنامه نویسی این نوع شبکه در زبان c# و همچنین کار با ان در نرم افزارjoon editor علاوه بر صورت های ریاضی ، الگوریتم های اصلی شیوه های شبکه های عصبی ارائه شذه است این الگوریتم ها گام های مرحله به مرحله هر شیوه رابیان می کند و با تبدیل ان ها به برنامه های کامپیوتری می توان مطالب زیادی رادر مورد شبکه های عصبی آموخت زیرا هیچ چیز بهتر از تمرین عملی نمی تواند انسان را به کنه مطالب رهنمون کند این اگوریتم ها حتی برای افرادی که کامپیوتر ندارند مفید است زیرا مرحل عمل به وضوح وگام به گام نشان داده شد.

شبکه عصبی چیست ؟

شبکه‌های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغزانسان نامیدمکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل‌های الکترونیکی شبکه‌های عصبی طبیعی نیز براساس همین الگو بنا شده‌اند و روش برخورد چنین مدل‌هایی با مسائل، با روش‌ها محاسباتی که به‌طور معمول توسط سیستم‌های کامپیوتری در پیش گرفته شده‌اند، تفاوت دارد. می‌دانیم که حتی ساده‌تری مغز‌ های جانوری هم قادربه حل مسائلی هستندکه اگرنگوییم که کامپیوترهای امروزی ازحل آنها عاجز هستند، حداقل در حل آنها دچار مشکل می‌شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه‌ای از مواردی هستندکه روش‌های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی‌رسند. درحالی‌که مغز ساده‌ترین جانوران به‌راحتی از عهده چنین مسائلی برمی‌آید. تصورعموم کارشناسان IT برآن است که مدل‌های جدید محاسباتی که بر اساس شبکه‌های عصبی بنا می‌شوند، جهش بعدی صنعت IT را شکل می‌دهند. تحقیقات دراین زمینه نشان داده است که مغز، اطلاعات راهمانند الگو‌ها (pattern) ذخیره می‌کند. فرآیند ذخیره‌سازی اطلاعات به‌صورت الگووتجزیه و تحلیل آن الگو‌، اساس روش نوین محاسباتی راتشکیل می هیچ وجه ازروش‌های برنامه‌نویسی سنتی استفاده این حوزه ازدانش محاسباتی computation دهند. نمی‌کند و به‌جای آن از شبکه‌های بزرگی که به‌صورت موازی آرایش شده‌اند و تعلیم یافته‌اند، بهره می ‌.یک ایده ای است برای پردازش شبکه عصبی مصنوعی Artificial Neural Network (ANN)) جوید اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغزبه پردازش اطلاعات می پردازد . عنصر کلیدی این ایده، ساختارجدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته برای حل یک مسأله با هم هماهنگ عمل(neurons) تشکیل شده کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه ای مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.

فایل ورد کامل پروژه بررسی کاربرد شبکه های عصبی مصنوعی – ۷۸ صفحه ۸۵ صفحه در word
فهرست مطالب پروژه بررسی کاربرد شبکه های عصبی مصنوعی:

چکیده

شبکه ی عصبی چیست؟

سابقه ی تاریخی

انسان وسلول های عصبی و مصنوعی

شباهت با مغز

چگونگی یادگیری یک شبکه

کاربرد های شبکه عصبی

روش کار نرون ها

مدل ریاضی

پیاده سازی الکترونیکی نرون های مصنوعی

عملیات شبکه عصبی

آموزش شبکه عصبی

آموزش تطبیقی

الگوریتم ژنتیک

الگوریتم مورچگان

انواع شبکه های عصبی

یادگیری پرسپترون

از سلول های عصبی تا سلول های انسان

شبکه ی عصبی در مقابل کامپیوتر های معمول

چرا از شبکه مصنوعی استفاده می کنیم

مزیت های دیگر آن

مسائل مناسب برای یادگیری شبکه

الگوریتم های یادگیری

مشکلات روش gradientdesce

الگوریتم back propagation

قدرت نمایش توابع

قدرت تعمیم over fitting

نگاهی به نظریه های یادگیری از دیدگاه روانشناسی

مدل های یادگیری ماشین

تشکیل شبکه ی عصبی

اموزش شبکه

چگونه یک شبکه عصبی بسازیم

فصل دوم

نگاهی به نظریه های یادگیری از دیدگاه علوم کامیوتر

منابع

فایل ورد کامل پروژه بررسی کاربرد شبکه های عصبی مصنوعی – ۷۸ صفحه ۸۵ صفحه در word
فهرست اشکال:

شکل ۱ – خروجی یک شبکه فرضی ساده

شکل ۲ – تابع برنامه اجرایی

شکل ۳- مقدار ورودی ورژن دار

شکل ۴- مقدار اولیه پیوند

شکل ۵- تابع انتقال عبور

شکل ۶- تابع learn

شکل ۷- سا ختار یک نرون

شکل ۸- مدل ریاضی

شکل ۹ -تابع خروجی بخش a

شکل ۱۰- نمای جزئی ازیک نرون

شکل ۱۱- تابع سینوسی، تانژانت هذلول

شکل ۱۲- تابع انتقال از نوع sigmoid

شکل ۱۳ -ساختار لایه ای یک شبکه

شکل ۱۴- نمایش شبکه عصبی با ارتباط بازخوردی

شکل ۱۵- روال ناارضای همگرایی در الگوریتم ژنتیک

شکل ۱۶- مسیریاب های نرم افزاری الگوریتم مورچگان

شکل ۱۸- چگونگی ردوبدل اطلاعات در دوسیستم

شکل ۱۹- تست ترافیک الگوریتم مورچگان

شکل ۲۰- تست انطباق الگوریتم

شکل۲۱ -فضای وزنی الگوریتم gradient

شکل ۲۲ -همگرایی در الگوریتم gradient

شکل۲۳ – الگوریتم backpropaging

شکل ۲۴- افزودن متمم با استفاده از الگوریتم bp

شکل ۲۵- نمودار خطا الگوریتم bp

شکل ۲۶- قدرت تعمیم

شکل۲۷- الگوی خبرپردازی یادگیری (بایلرواسنومن،۱۹۹۳)

شکل ۲۸- محیط کار نرم افزار editor

شکل ۲۹ -ایجاد لایه ی FileInput

شکل ۳۰ -ایجاد یک لایه ی خطی

شکل ۳۱- ایجاد لایه WinnerTakeAll

شکل ۳۲- لایه نرون ها

شکل ۳۴ -ایجاد یک اینترفیس

شکل ۳۵- ایجاد یک کلاس

شکل ۳۶- ایجاد تمام اینترفیس ها

شکل ۳۷- ساختار اصلی یک کلاس

شکل ۳۸- متذ ها

شکل ۳۹- کلاس لایه شبکه

شکل ۴۰- فرستادن پالس

شکل ۴۱ -کلاس neuralnet

شکل ۴۲- نمای کلی از عملکرد سیستم

شکل ۱- رابطه عامل هوشمند با محیط

شکل ۲- رابطه عامل با محیط

شکل ۳- روبات مسئله را حل کرده

شکل ۴- ربات یادگیرنده

شکل ۵ -نمودار یادگیری برای روبات

شکل ۶ – یک اتوماتای یادگیر ساده

شکل ۸ – مثال CBR

شکل ۹ – مثال Decision Tree

شکل۱۰- یک مدل کنترل کننده عاطفی

شکل ۱۱ – یک کنترل کننده عاطفی

شکل ۱۲- مدل یک نرون عصبی

---