فایل ورد کامل پیشینه تحقیق ابزارهای هوش مصنوعی استفاده شده در شبیه سازی ها ۴۰ 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 پیشینه تحقیق ابزارهای هوش مصنوعی استفاده شده در شبیه سازی ها ۴۰ صفحه در word دارای ۴۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل پیشینه تحقیق ابزارهای هوش مصنوعی استفاده شده در شبیه سازی ها ۴۰ 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 پیشینه تحقیق ابزارهای هوش مصنوعی استفاده شده در شبیه سازی ها ۴۰ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل پیشینه تحقیق ابزارهای هوش مصنوعی استفاده شده در شبیه سازی ها ۴۰ صفحه در word :

بخشی از فهرست مطالب فایل ورد کامل پیشینه تحقیق ابزارهای هوش مصنوعی استفاده شده در شبیه سازی ها ۴۰ صفحه در word

۱-۱-مقدمه
۱-۲-جمع‌آوری داده‌ها
۱-۳-پیش‌پردازش داده‌ها
۱-۳-۱-انتخاب و کاهش ویژگی‌ها با استفاده از PCA
۱-۴-الگوریتم‌های کلاسه‌بندی مورد استفاده
۱-۴-۱-شبکه عصبی پرسپترون چند لایه(MLP)
۱-۴-۲-شبکه عصبی شعاع مبنا
۱-۴-۳-بردار ماشین تکیهگاه(SVM)
۱-۵-ارزیابی روش‌های کلاسه‌بندی
۱-۶-فهرست منابع

بخشی از منابع و مراجع فایل ورد کامل پیشینه تحقیق ابزارهای هوش مصنوعی استفاده شده در شبیه سازی ها ۴۰ صفحه در word

ک. حسامپور،”انتخاب هوشمند ویژگیها و جداکنندههای بهینه برای تشخیص اتوماتیک مدولاسیون سیگنال”،دانشگاه یزد،

م. ب. منهاج، مبانی شبکه های عصبی، ویرایش هفتم، دانشگاه صنعتی امیرکبیر، ۱۳۸۹، ۷۱۵ صفحه

B. E. Boser, I. M. Guyon, and V. N. Vapnik, “A training algorithm for optimal margin classifiers,” in Proceedings of the fifth annual workshop on Computational learning theory – COLT  ’۹۲, ۱۹۹۲, pp. 144–۱۵۲

M. Cherniakov, R. S. A. R. Abdullah, P. Jancovic, M. Salous, and V. Chapursky, “Automatic ground target classification using forward scattering radar,” Radar, Sonar and Navigation, IEE Proceedings, vol. 153, no. 5, pp. 427–۴۳۷, Oct

C. L. Davies and P. Hollands, “Automatic processing for ESM,” IEE Proceedings F Communications, Radar and Signal Processing, vol. 129, no. 3, p. 164, Jun

J. Dudczyk, A. Kawalec, and J. Cyrek, “Applying the distance and similarity functions to radar signals identification,” in 2008 International Radar Symposium, 2008, pp. 1–۴

P. M. Grant and J. H. Collins, “Introduction to electronic warfare,” IEE Proceedings F Communications, Radar and Signal Processing, vol. 129, no. 3, p. 113, Jun

J. Han, M. Kamber, and J. Pei, Data Mining Concepts And Techniques, Third Edit. Morgan Kaufmann Publisher, 2012, p

E.J. Hartman, J.D. Keeler, J.M Kowalski, “Layered neural networks with Gaussian hidden units as universal approximations,” Neural computation, 1990. 2(2): p. 210-

K. Pearson, “On lines and planes of closest fit to systems of points in space,” The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 1901. 2(11): p. 559-

۱-۱- مقدمه

هدف کلاسه‌بندی داده‌ها، سازمان‌دهی و تخصیص داده‌ها به کلاس‌های مجزا می‌باشد. در این فرآیند بر اساس داده‌های توزیع شده، مدل اولیه‌ای ایجاد می‌گردد. سپس این مدل برای کلاسه‌بندی داده‌های جدید مورد استفاده قرار می‌گیرد، به‌این‌ترتیب با به‌کارگیری مدل به‌دست‌آمده، تعلق داده‌های جدید به کلاس معین قابل پیشگویی می‌باشد

در فرآیند کلاسه‌بندی، اشیا موجود به کلاس‌های مجزا با مشخصه‌های تفکیک‌شده (ظروف جداگانه) طبقه‌بندی و به‌صورت یک مدل معرفی می‌گردند. سپس با در نظر گرفتن ویژگی‌های هر طبقه، شی‌ء‌ جدید به آن‌ها تخصیص یافته، برچسب و نوع آن پیشگویی می‌گردد

در کلاسه‌بندی، مدل ایجادشده بر پایه‌ی یکسری داده‌های آموزشی، (اشیا داده‌هایی که برچسب کلاس آن‌ها مشخص و شناخته شده است) حاصل می‌آید. مدل به‌دست‌آمده در اشکال گوناگون مانند درخت‌های تصمیم، فرمول‌های ریاضی و شبکه‌های عصبی قابل نمایش می‌باشد

الگوی عمومی‌ برای الگوریتم‌های آموزش از طریق مثال با فرآیند کلاسه‌بندی به چهار مرحله تقسیم می‌‌شوند

جمع‌آوری داده‌ها

پیش‌پردازش داده‌ها

اعمال الگوریتم‌های کلاسه‌بندی

ارزیابی الگوریتم‌های اعمال شده

در ادامه توضیحات مربوط به هر یک از مراحل یاد شده آورده شده است

۱-۲- جمع‌آوری داده‌ها

در این مرحله داده‌های مرتبط از پایگاه داده سیستم‌های مختلف جمع‌آوری شده که در این فاز اطلاعات ۱۷ رادار، پس از تائید کارشناسان مربوطه مورد استفاده قرار گرفت و مطابق جدول زیر می‌باشد

۱-۱- پیش‌پردازش داده‌ها

با توجه به این‌که اطلاعات رسیده مورد بررسی و تائید افراد خبره در این حوزه رسیده بود بنابراین با مشکلاتی همچون missing value، duplicate value و ; روبرو نبودیم و تنها چالش موجود بر سر راه این بود که با توجه به این که مثلاً فرمت رادارها به‌صورت جدول ۳-۱ است

جدول ۳-۲- دو رادار نمونه

Frequency

(Freq)

Pulse Width

(PW)

Pulse Repetition Interval

(PRI)

Radar Name

(Label)

۲۰۰۰~

۰۱~۰

۲~

R

۹۳۴۰~

۲~

۱۳۳~

R

یعنی مقادیر فیلدهای Freq، PW و PRI به‌صورت بازه ذکرشده‌اند و اطلاعاتی از مقادیر دقیق آن‌ها و یا توزیع داده‌ها در دست نیست که بتوان میانگین، انحراف معیار و ; آن را حساب کرد، بنابراین با نظارت کارشناسان مربوطه به استفاده از ۳ حلقه for تودرتو به شکل زیر، بازه‌ها به مقادیر گسسته شکسته شده و به عنوان ورودی الگوریتم‌های کلاسه‌بندی به کار گرفته می‌شوند

در کد بالا مقادیر STEP_FREQ، STEP_PW و STEP_PRI بر اساس نظر کارشناسان خبره رادار تعیین و به کار گرفته شده است. به‌عنوان‌مثال در جدول ۱ مقادیر STEP_FREQ برای هر دو مورد برابر با ۱ قرار داده می‌شود ولی مقدار STEP_PW برای مورد اول برابر ۰۱ و برای مورد دوم برابر ۱ قرار داده می‌شود و به همین ترتیب برای سایر نمونه‌ها نیز این مقادیر تعیین می‌شوند. که با توجه به تعداد رادارها(۱۷ مورد) تعداد نمونه‌های آموزش تولید شده برابر با ۴۳۱۶۶۵ مورد شد که در یک csv فایل ذخیره گشته و به عنوان Training Set به الگوریتم‌های مدنظر داده‌شده است

۱-۱-۱- انتخاب و کاهش ویژگی‌ها با استفاده از PCA[1]

در این قسمت روش انتخاب ویژگی­ها با استفاده از PCA را مرور می‌کنیم. PCA از روش­های کلاسیک در آنالیز آماری داده، استخراج ویژگی و فشرده­سازی داده محسوب می‌شود که به لحاظ تاریخی به کارهای اولیه Pearson در حدود سال‌های ۱۹۰۰ بازمی‌گردد [۱۵]

یکی از متداول­ترین کاربردهای PCA، کاهش افزونگی یک مجموعه داده می‌باشد. طبیعتاً وقتی سخن از کاهش افزونگی می‌شود، نیازمند معیاری برای سنجش آن هستیم. معیار سنجش افزونگی در PCA وجود همبستگی بین مجموعه داده­ها یا بردار مشاهدات است؛ لذا تنها مبتنی بر ممانهای مراتب اول و دوم می‌باشد. PCA با یک بردار از مشاهدات شروع می‌کند. اگر بردار N بعدی X از مشاهدات در اختیار باشد و هدف، رسیدن به برداری M بعدی(M<N) باشد، که افزونگی ناشی از همبستگی بین المان­های آن حذف شده است، این عمل با یافتن یک تبدیل به دستگاهی جدید صورت می‌گیرد که تبدیل یافته X در این مختصات دارای المان­های ناهمبسته است. نخستین مرحله PCA صفر کردن میانگین X طبق رابطه (۳-۱)

[۱] Principle Component Analysis