دانلود رایگان فایل آموزشی شبکه عصبی
بر روی لینک های زیر کلیک نمایید
دانلود رایگان فایل آموزشی شبکه عصبی - Associative Learning
دانلود رایگان فایل آموزشی شبکه عصبی - Backpropagation
دانلود رایگان فایل آموزشی شبکه عصبی Performance Optimization
دانلود رایگان فایل آموزشی شبکه عصبی Variations on Backpropagation
دانلود رایگان فایل آموزشی شبکه عصبی Supervised Hebbian Learning
دانلود رایگان فایل آموزشی شبکه عصبی Signal and Weight Vector Spaces
دانلود رایگان فایل آموزشی شبکه عصبی Recurrent Networks
دانلود رایگان فایل آموزشی شبکه عصبی Radial Basis Function RBF
دانلود رایگان فایل آموزشی شبکه عصبی Performance Surface
دانلود رایگان فایل آموزشی شبکه عصبی Perceptron Learning Rule
دانلود رایگان فایل آموزشی شبکه عصبی - Dynamic Neural Networks
دانلود رایگان فایل آموزشی شبکه عصبی
بر روی لینک های زیر کلیک نمایید
- دانلود رایگان فیلم های آموزشی الگوریتم های بهینه سازی ، شبکه عصبی ، منطق فازی و ...
- انجام پروژه های برنامه نویسی MATLAB
- تدریس خصوصی ، دوره های آموزشی الگوریتم های بهینه سازی ، شبکه عصبی ، منطق فازی و ...
- دانلود رایگان فایل های آموزشی
توصیف
شبکههای عصبی زیستی
معرفی شبکه عصبی مصنوعی
تاریخچه شبکههای عصبی مصنوعی
چرا از شبکههای عصبی استفاده میکنیم
- یادگیری تطبیقی: توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
- خود سازماندهی: یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه دادههایی که در طول آموزش دریافت کرده را انجام دهد. نورونها با قاعدهٔ یادگیری سازگار شده و پاسخ به ورودی تغییر مییابد.
- عملگرهای بیدرنگ: محاسبات در شبکه عصبی مصنوعی میتواند به صورت موازی و به وسیله سختافزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیتهای شبکه عصبی مصنوعی است انجام شود.
- تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش مییابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ میشود.
- دسته بندی: شبکههای عصبی قادر به دسته بندی ورودیها بر ای دریافت خروجی مناسب میباشند.
- تعمیم دهی: این خاصیت شبکه را قادر میسازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموختهها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیتها و روابط را به خاطر بسپارد.
- پایداری-انعطاف پذیری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی میتواند موارد جدید را بپذیرد.
شبکههای عصبی در مقایسه با کامپیوترهای سنتی
یک شبکه عصبی به طور کلی با یک کامپیوتر سنتی در موارد زیر تفاوت دارد:
- شبکههای عصبی دستورات را به صورت سری اجرا نکرده، شامل حافظهای برای نگهداری داده و دستورالعمل نیستند.
- به مجموعهای از ورودیها به صورت موازی پاسخ میدهند.
- بیشتر با تبدیلات و نگاشتها سروکار دارند تا الگوریتمها و روشها.
- شامل ابزار محاسباتی پیچیده نبوده، از تعداد زیادی ابزارساده که اغلب کمی بیشتر از یک جمع وزن دار را انجام میدهند تشکیل شدهاند.
نورون مصنوعی
از نورونهای انسان تا نورون مصنوعی
ساختار شبکههای عصبی
- لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شدهاست.
- لایههای پنهان: عملکرد این لایهها به وسیله ورودیها و وزن ارتباط بین آنها و لایههای پنهان تعیین میشود. وزنهای بین واحدهای ورودی و پنهان تعیین میکند که چه وقت یک واحد پنهان باید فعال شود.
- لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی میباشد.
- پسرو: دادهها از گرههای لایه بالا به گرههای لایه پایین بازخورانده میشوند.
- جانبی: خروجی گرههای هر لایه به عنوان ورودی گرههای همان لایه استفاده میشوند.
تقسیم بندی شبکههای عصبی
بر مبنای روش آموزش به چهار دسته تقسیم میشوند:
- وزن ثابت: آموزشی در کار نیست و مقادیر وزنها به هنگام نمیشود. کاربرد: بهینه سازی اطلاعات (کاهش حجم، تفکیک پذیری و فشرده سازی) و حافظههای تناظری
- آموزش بدون سرپرست: وزنها فقط بر اساس ورودیها اصلاح میشوند و خروجی مطلوب وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزنها اصلاح شود. وزنها فقط بر اساس اطلاعات الگوهای ورودی به هنگام میشوند. هدف استخراج مشخصههای الگوهای ورودی بر اساس راهبرد خوشه یابی و یا دستهبندی و تشخیص شباهتها (تشکیل گروههایی با الگوی مشابه) میباشد، بدون اینکه خروجی یا کلاسهای متناظر با الگوهای ورودی از قبل مشخص باشد. این یاد گیری معمولاً بر پایه شیوه برترین هم خوانی انجام میگیرد. شبکه بدون سرپرست وزنهای خود را بر پایه خروجی حاصل شده از ورودی تغییر میدهد تا در برخورد بعدی پاسخ مناسبی را برای این ورودی داشته باشد. در نتیجه شبکه یاد میگیرد چگونه به ورودی پاسخ بدهد. اصولا هدف این است که با تکنیک نورون غالب نورونی که بیشترین تحریک آغازین را دارد برگزیده شود. بنابر این در شبکههای بدون سرپرست یافتن نورون غالب یکی از مهمترین کارها است.
- آموزش با سرپرست: به ازای هر دسته از الگوهای ورودی خروجیهای متناظر نیز به شبکه نشان داده میشود و تغییر وزنها تا موقعی صورت میگیرد که اختلاف خروجی شبکه به ازای الگوهای آموزشی از خروجیهای مطلوب در حد خطای قابل قبولی باشد. در این روشها یا از خروجیها به وزنها ارتباط وجود دارد یا خطا به صورت پس انتشار از لایه خروجی به ورودی توزیع شدهاست و وزنها اصلاح میشوند. هدف طرح شبکهای است که ابتدا با استفاده از دادههای آموزشی موجود، آموزش ببیند و سپس با ارائه بردار ورودی به شبکه که ممکن است شبکه آن را قبلا فراگرفته یا نگرفته باشد کلاس آن را تشخیص دهد. چنین شبکهای به طور گسترده برای کارهای تشخیص الگو به کار گرفته میشود.
- آموزش تقویتی: کیفیت عملکرد سامانه به صورت گام به گام نسبت به زمان بهبود مییابد. الگوهای آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی از خوب و یا بد بودن رفتار سامانه بدست میآید (حالتی بین یادگیری با سرپرست و بدون سرپرست).
کاربرد شبکههای عصبی
معایب شبکههای عصبی
- قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.
- در مورد مسائل مدل سازی، صرفاً نمیتوان با استفاده از شبکه عصبی به فیزیک مساله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرآیند معمولاً غیر ممکن است.
- دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.
- آموزش شبکه ممکن است مشکل ویا حتی غیر ممکن باشد.
- پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکان پذیر نیست.
. سفارش انجام پروژه متلب|پایان نامه ارشد و دکتری|دانلود رایگان فیلم کد متلب انجام پروژه های دانشجویی شبکه عصبی داده کاوی شبیه سازی کامپیوتری توالی عملیات و زمان بندی مدل سازی انجام پروپزال پایان نامه ارشد دکتری مهندسی صنایع مدیریت مهندسی برق و...
انجام پروژه متلب انجام پروژه matlab سفارش پروژه های دانشجویی برنامه نویسی کدنویسی مهندسی صنایع برق الکترونیک
- انجام پروپزال پایان نامه ارشد دکتری [0]
- انجام پروژه های دانشجویی شبکه عصبی داده کاوی شبیه سازی کامپیوتری توالی عملیات و زمان بندی مدل سازی [1]
آموزش جامع متلب
دانلود رایگان فیلم های آموزشی
- فیلم آموزشی جامع برنامه نویسی متلب [1]
- داده کاوی [1]
- Simulink سیمولینک [1]
- image processing پردازش تصویر [1]
- الگوریتم ژنتیک [2]
- الگوریتم جستجوی ممنوعه [2]
- الگوریتم شبیه سازی تبرید [2]
- الگوریتم زنبور [2]
- الگوریتم مورچگان [2]
- الگوریتم اجتماع ذرات [1]
دانلود رایگان فایل های آموزشی
- الگوریتم های بهینه سازی [9]
- شبکه عصبی [15]
- منطق فازی [0]
- رشته هوش مصنوعی [0]
- رشته مهندسی صنایع [5]
- مهندسی مکانیک [1]
دانلود رایگان کد های آماده متلب
- دانلود رایگان کد های آماده متلب [31]
- Data mining داده کاوی [1]
- کد های متلب تمام الگوریتم های بهینه سازی [4]