پاورپوینت بررسی شبکه های عصبی مصنوعی

پاورپوینت بررسی شبکه های عصبی مصنوعی در 85 اسلاید زیبا و قابل ویرایش با فرمت pptx

دسته بندی	کامپیوتر و IT
فرمت فایل	pptx
حجم فایل	1590 کیلو بایت
تعداد صفحات فایل	85

دریافت فایل

فروشنده فایل

کد کاربری 7466

تمام فایل ها

پاورپوینت شبکه های عصبی مصنوعی در 85 اسلاید زیبا و قابل ویرایش با فرمت pptx

مقدمه

شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد. lیادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده است.

شبکه عصبی چیست؟

lروشی برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد پردازشی ساخته میشود. lشبکه از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل میشود که مجموعه ورودی را به خروجی ربط میدهند.

شبکه عصبی چه قابلیتهائی دارد؟

محاسبه یک تابع معلوم

تقریب یک تابع ناشناخته

شناسائی الگو lپردازش سیگنال

یادگیری

دانلود پاورپوینت شبکه های عصبی مصنوعیپاورپوینت شبکه های عصبی مصنوعیشبکه های عصبی مصنوعیشبکه های عصبیپاورپوینت شبکه های عصبیشبکه های عصبی زیستیمبانی شبکه های عصبی مصنوعیمعرفی شبکه های عصبیشبکه عصبی چیست؟آموزش پرسپترون

پاورپوینت بررسی شبکه های عصبی

پاورپوینت بررسی شبکه های عصبی در 25 اسلاید زیبا و قابل ویرایش با فرمت pptx

دسته بندی	کامپیوتر و IT
فرمت فایل	pptx
حجم فایل	248 کیلو بایت
تعداد صفحات فایل	25

دریافت فایل

فروشنده فایل

کد کاربری 7466

تمام فایل ها

پاورپوینت شبکه های عصبی در 25 اسلاید زیبا و قابل ویرایش با فرمت pptx

مباحث :

آشنایی با شبکه های عصبی زیستی

معرفی شبکه های عصبی مصنوعی(ANNها)

مبانی شبکه های عصبی مصنوعی

توپولوژی شبکه üنرم افزارهای شبکه های عصبی

مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی

فرآیند یادگیری شبکه

تجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی

ایده ی اصلی شبکه های عصبی مصنوعی

مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر

شبکه های عصبی در مقابل کامپیوترهای معمولی

معایب شبکه های عصبی مصنوعی

کاربردهای شبکه های عصبی مصنوعی

آشنایی با شبکه های عصبی زیستی

vاین شبکه ها مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می کنند و توسط سیناپس ها(ارتباط های الکترومغناطیسی)اطلاعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. vاین شبکه ها قادر به یادگیری اند.مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند.back propagation of error)) vیادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند.

معرفی ANN ها

vیک سیستم پردازشی داده ها که از مغز انسان ایده گرفته و پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل کنند. v vدر این شبکه ها به کمک د انش برنامه نویسی ، ساختا ر داده ای طراحی می شود که می تواند هما نند نورون عمل کند.که به این ساختارداده node یا گره نیزگفته می شود.بعد باایجاد شبکه ای بین این node ها و اعمال یک الگوریتم آموزشی به آ ن، شبکه را آموزش می دهند . v vدر این حافظه یا شبکه ی عصبی node ها دارای دو حالت فعال(on یا 1) وغیرفعال( off یا 0) اند و هر یال (سیناپس یا ارتباط بین node ها)دارای یک وزن می باشد.یالهای با وزن مثبت ،موجب تحریک یا فعال کردن node غیر فعال بعدی می شوند و یالهای با وزن منفی node متصل بعدی را غیر فعال یا مهار(در صورتی که فعال بوده باشد) می کنند.

vANN ها در واقع مثلثی هستند با سه ضلع مفهومی : .Iسیستم تجزیه و تحلیل داده ها .IIنورون یا سلول عصبی .IIIقانون کار گروهی نورونها (شبکه) ● vANN ها دست کم از دو جهت شبیه مغز انسا ن اند: .Iمرحله ای موسوم به یاد گیری دارند. .IIوزن های سیناپسی جهت ذخیره ی دانش به کار می روند.

vهوش مصنوعی و مدل سا زی شناختی سعی بر این دارند که بعضی خصوصیا ت شبکه های عصبی را شبیه سازی کنند. گرچه این دو روش ها یشان شبیه هم است، اما هدف هوش مصنوعی از این کار حل مسائل شخصی و هدف مدل سا زی شناختی ،ساخت مدلهای ریا ضی سیستم های نورونی زیستی می باشد .

دانلود پاورپوینت شبکه های عصبیپاورپوینت شبکه های عصبیشبکه های عصبیشبکه های عصبی زیستیتحقیق درمورد شبکه های عصبیبررسی شبکه های عصبیمعرفی شبکه های عصبیآشنایی با شبکه های عصبیشبکه های عصبی مصنوعیپاورپوینت شبکه های عصبی مصنوعیArtificial Neural Networksمعرفی ANN هافرآیند یادگیری شبکهمبانی ANN ها

دانلود پایان نامه استفاده از شبکه های عصبی مصنوعی در بررسی پایداری لرزه ای سدهای خاکی نا همگن

پایان نامه استفاده از شبکه های عصبی مصنوعی در بررسی پایداری لرزه ای سدهای خاکی نا همگن پایان نامه استفاده از شبکه های عصبی مصنوعی در بررسی پایداری لرزه ای سدهای خاکی نا همگن

دسته بندی	عمران
فرمت فایل	doc
حجم فایل	6193 کیلو بایت
تعداد صفحات فایل	133

پایان نامه استفاده از شبکه های عصبی مصنوعی در بررسی پایداری لرزه ای سدهای خاکی نا همگن

 مقدمه 

 امروزه استفاده از شبکه های عصبی مصنوعی در انواع مسائل مهندسی روندی رو به افزایش داشته است . در این میان می توان کاربرد فراوان آن را در شاخه های مختلف مهندسی عمران نام برد.

مروری بر مقالات و تحقیقاتی که در سالهای اخیر انتشار یافته است گواهی بر این عملکرد موفق در طیف وسیعی از مسائل از جمله مباحث مربوط به پیش بینی خیز سازه ها[١٤]، تحلیل و طراحی و آنالیز دینامیکی آن ها[٢] ،تخمین مدل بارندگی_رواناب [١٨]، برآورد حداکثر عمق آب شستگی حول آب شکنها [١٩] , ارزیابی مقاومت بتن در جا[٢٠]،پیش بینی حجم ترافیک [٢١]، برنامه ریزی حمل و نقل [٢٢]، پیش بینی ظرفیت شمع ها[٣] ،نشست

فونداسیونها[٤]، سازه های حائل خاک [٥]، تزریق پی سدها[٢٣]وتحلیل شیب ها و شیروانی هاا[١٦] و[١٧]می باشد.در صورت اثبات توانایی شبکه عصبی مصنوعی در پیش بینی مقادیر ضریب اطمینان و مشخصات قوس لغزش بحرانی در بررسی پایداری سدهای خاکی ناهمگن می توان از نتایج آن در طراحی اولیه این سدها به عنوان جایگزین سایر روشها استفاده نمود. 

طبقه بندی سدهای نوع خاکی  

سدهای خاکی برحسب کمیت و کیفیت مصالح به کاربرده شده و نیز متناسب با روش ساخت طبقه بندی می شوند . از نظر مصالح مورد استفاده ،سدهای خاکی به سه گروه به شرح زیر

تقسیم می شوند :

 الف )سدهای خاکی همگن

 ب )سدهای خاکی ناهمگن ( منطقه بندی شده )

 ج )سدهای سنگریزه ای با غشای نفوذ ناپذیر یا سدهای خاکی غشایی

در این تحقیق مطالعات بر روی سدهای خاکی ناهمگن متمرکز گردیده است .

پایداری سدهای خاکی

پایداری سدهای خاکی از دو دیدگاه استاتیکی و لرزه ای مورد توجه قرار می گیرد. در بحث پایداری استاتیکی روشهای مختلفی برای تحلیل شیب ها وجود دارد که هر کدام بر پایه فرضیات اولیه ای بنا نهاده شده است .آنالیز لرزه ای سدهای خاکی نیز از دوحیث شبه استاتیکی و دینامیکی بررسی می گردد.

استفاده از شبکه عصبی مصنوعی در بررسی پایداری سدهای خاکی ناهمگن

دراین پایان نامه سعی شده است تا از روش شبکه عصبی مصنوعی به عنوان روشی جایگزین سایر روشها مانند روشهای عددی برای تحلیل پایداری سدهای خاکی ناهمگن استفاده شود.

بدین گونه که ابتدا با استفاده ازروشهای تعادل حدی پایداری شیب و سپس با روش شبه استاتیکی پایداری لرزه ای سد خاکی ناهمگن تحلیل می گردد.آنگاه نتایج حاصله به صورت داده های اولیه در اختیار شبکه عصبی مصنوعی قرار داده میشود. شبکه با استفاده از این نتایج تربیت شده و از این پس میتواند به عنوان جایگزینی برای روشهای فوق باشد . 

فهرست مطالب

عنوان                                                                                          صفحه 

چکیده

مقدمه

فصل اول :

١-١-پیشگفتار.................................................................................١

١-٢-طبقه بندی سدهای نوع خاکی ..........................................................٢

١-٣-پایداری سدهای

خاکی ...........................................................................................٢

١-٣-١-استفاده از شبکه عصبی مصنوعی در بررسی پایداری سدهای خاکی ناهمگن ..٢

١-٤-معرفی شبکه های عصبی مصنوعی ...................................................٣

١-٥-تفاوت شبکه های عصبی با روش های محاسباتی معمول ...........................٤

١-٦-کاربردهای شبکه های عصبی در پایداری شیب و سدهای خاکی ....................٤

١-٧- شرح روش تحقیق .......... ...........................................................٦

فصل دوم : مقدمه ای بر شبکه های عصبی مصنوعی

٢-١- شبکه عصبی

چیست ...........................................................................................٧

٢-٢- مزایای شبکه های عصبی .............................................................٨

٢-٣- مغز انسان ..............................................................................٩

٢-٤ - هوش مصنوعی وشبکه های عصبی ................................................١١

٢-٥- مدلهای یک نرون .....................................................................١٢

٢-٦- اقسام توابع تحریک ....................................................................١٦

٢-٧- معماری های شبکه ....................................................................٢١

٢- ٨ - فرآیند یادگیری ........................................................................٢٦

٢-٨-١- یادگیری همراه با معلم ..............................................................٢٧

٢-٨-٢- یادگیری بدون معلم ................................... ..............................٢٨

٢-٩- پرسپترون چند لایه .....................................................................٢٩

٢-٩-١- پاره ای از مقدمات و پیش فرضها.................................................٣١

٢-٩-٢- الگوریتم پس انتشار ................................................................٣٣

٢-١٠- نرخ یادگیری ..........................................................................٤٢

٢-١١- معیار توقف ..........................................................................٤٣

٢-١٢- تعمیم پذیری ..........................................................................٤٤

٢-١٢-١-توقف زودهنگام ....................................................................٤٦

٢-١٢-٢- نحوه تقسیم بندی داده ها  در روش Cross validation....................٤٨

٢-١٣- الگوریتمهای مختلف یادگیری در پرسپترونهای چند لایه ........................٤٨

٢-١٤- تعداد زوجهای آموزشی ..............................................................٥٠

فصل سوم : ارائه معماری های مختلف برای شبکه و برگزیدن بهترین شبکه

٣-١-پیشگفتار..................................................................................٥٢

٣-٢-معرفی نرم افزار geo-slope.......................................................٥٢

٣-٣-بانک اطلاعاتی ..........................................................................٥٣

٣-٣-١-انتخاب بازه های پارامترهای ورودی .............................................٥٤

٣-٣-١-١-ارتفاع سد ..........................................................................٥٤

٣-٣-١-٢-عرض تاج سد............................................................٥٥

٣-٣-١-٣-شیب بدنه ..................................................................٥٧

 ٣-٣-١-٤-ضریب زلزله ............................................................٥٩

٣-٣-١-٥-عمق آزاد.................................................................٥٩

٣-٣-١-٦-تعیین ابعاد و شکل هسته در مدل .......................................٦١

٣-٣-١-٧-پارامترهای مقاومتی مصالح تشکیل دهنده لایه های سد ناهمگن

 ٦٣.......................................................... ............................

٣-٣-١-٧-١-مصالح هسته .........................................................٦٣

٣-٣-١-٧-٢-مصالح پوسته ........................................................٦٧

٣-٣-١-٧-٣-مصالح زهکش ........................................................٦٧

٣-٤-تقسیم بندی داده ها..............................................................٦٨

٣-٥- معرفی الگوریتم به کار رفته برای آموزش شبکه ها.......................٦٨

٣-٦-شاخصهای ارزیابی مدل ......................... ............................٧٠

٣-٦-١-معیارهای ارزیابی محلی ...................................................٧٠

٣-٦-٢-معیار ارزیابی بر اساس رفتار..............................................٧٣

٣-٧-معرفی مدلها ...................................................................٧٥

٣-٨-تحلیل حساسیت و بررسی نتایج ..............................................٨٥

٣-٨-١-تحلیل حساسیت ..............................................................٨٥

٣-٨-٢-تحلیل براساس بزرگای وزنهای شبکه .....................................٨٦ 

فصل چهارم : نتیجه گیری

٤-١- خلاصه تحقیق .................................. .............................٩٢

٤-٢-نتیجه گیری ............................................. ......................٩٣

پیوست ها

پیوست ١..............................................................................٩٥

پیوست ٢.............................................................................١١٤

منابع و ماخذ

فهرست منابع انگلیسی ...............................................................١٢٩

فهرست منابع

فارسی ................................................................................١٣٠ 

فهرست شکل ها

عنوان                                                                                                     صفحه 

٢-١- شکل :مراحل مختلف سیستم عصبی ......................................................٩

٢-٢- شکل : نمایش یک نرون ..................................................................١١

٢-٣- شکل : نمایشی ازسه عنصر کلیدی هوش مصنوعی ...................................١٢

٢-٤- شکل : مدل غیر خطی نرون .............................................................١٤

٢-٥- شکل : اثر بایاس در نمودار  UK و VK................................................١٥

٢-٦- شکل : ارائه دیگری از مدل غیر خطی نرون ..........................................١٧

٢-٧- شکل : تابع تحریک آستانه ای تکه ای – خطی وسیگموئید............................١٩

٢-٨- شکل : شبکه پیش خور با لایه ساده ای از نرونها......................................٢٢

٢-٩- شکل : شبکه عصبی کاملاً متصل پیش خور ...........................................٢٤

٢-١٠-شکل : شبکه بازگشتی بدون نرونهای لایه پنهان وبدون حافظه حلقه «خود- پس خور

 ٢٥...................................................................................................«

٢-١١-شکل : شبکه بازگشتی با نرونهای پنهان .................................................٢٦

٢-١٢-شکل : دیاگرام مربوط به یادگیری با معلم ...............................................٢٧

٢-١٣-شکل : گراف معماری پرسپترون چند لایه به همراه دو لایه پنهان ....................٣١

٢-١٤-شکل : توصیف جهت های دو جریان سیگنال بنیادی در یک پرسپترون چند لایه ...٣٢

٢-١٥-شکل : گراف سیگنال – جریان با جزئیات نرون خروجی j   .........................٣٥

٢-١٦-شکل : گراف سیگنال _ جریان با تاکید بر جزئیات نرون خروجی k.................٤٠

٢-١٧-شکل : گراف سیگنال جریان بخشی از سیستم متعلق به پس انتشار سیگنالهای خطا..٤١

٢-١٨-شکل : گراف سیگنال جریان که نشان دهنده اثر ثابت مومنتوم α می باشد...........٤٢

٢-١٩-شکل : تعمیم پذیری خوب و تعمیم پذیری ضعیف ........................................٤٦

٢-٢٠-شکل : خطای دو مجموعه آموزشی و ارزیابی بر حسب تعداد اپوک ..................٤٧

٢-٢١-شکل : نمایی از یک شبکه سه لایه ........................................................٥١

٣-١- شکل : سطح لغزش در بالادست ............................................................٥٣

٣-٢- شکل : نمودار عرض تاج بر حسب ارتفاع ................................................٥٦

٣-٣- شکل : حل گرافیکی عمق آزاد.............................................................٦٠

٣-٤- شکل : تغییرات حداقل و حداکثر ضخامت هسته بر اساس توصیه سازمان عمران

آمریکا........ ............................................. ........................................٦٣

٣-٥- شکل : همبستگی بین متغیرها...............................................................٧٢

٣-٦- شکل : پیش بینی رفتار.......................................................................٧٤

 ٣-٧- شکل : نمودار خطا های سه دسته در مدل انتخابی ضریب اطمینان بالادست ..........٧٩

٣-٨- شکل : نمودار خط رگرسیون مجموعه آموزشی شبکه ضریب اطمینان بالادست ......٨٠

٣-٩- شکل : نمودار خط رگرسیون مجموعه آزمایشی شبکه ضریب اطمینان بالادست .......٨١

٣-١٠- شکل : نمودار خط رگرسیون مجموعه ارزیابی شبکه ضریب اطمینان بالادست ......٨١

٣-١١- شکل : نمودار خطا های سه دسته در مدل انتخابی شعاع دایره لغزش بالادست .......٨٢

٣-١٢- شکل : نمودار خطا های سه دسته در مدل انتخابی ضریب اطمینان پایین دست .......٨٤

٣-١٣- شکل : نمودار خطا های سه دسته در مدل انتخابی شعاع دایره لغزش پایین دست .....٨٤

٣-١٤- شکل : روشهای موجود برای تفسیر عملکرد شبکه های عصبی ........................٨٦

٣-١٥- شکل : آنالیز حساسیت پارامتر های ورودی ..............................................٩١ 

دانلود مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

دسته بندی	پژوهش
فرمت فایل	doc
حجم فایل	13 کیلو بایت
تعداد صفحات فایل	20

مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

بخشهایی از متن مقاله:

از حدود 1940 بطور همزمان اما جداگانه ، از سویی نوروفیزیولوژیستها سعی میکردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سویی  ریاضیدانان تلاش می کردند تا مدل ریاضی بسازند که قابلیت  فراگیری و تجزیه تحلیل عمومی مسائل را دارا باشد. از آن زمان ، بارها این اتفاق افتاد که ریاضیدانان یافته های نوروفیزیولوژیستها را پیاده سازی کردند، بدون این که بدانند چرا، و در عمل مشاهده کردند که سیستم پیاده شده کارایی شگفت انگیز سیستم طبیعی را دارد. پس از آن توانستند منطق زیربنایی سیستم طبیعی را درک کنند. اگر چه از همان ابتدا، ریاضیدانان توانسته بودند مدل ریاضی یک سلول عصبی یا نورون را بسازند، اما تا حدود 1974 که دانش مربوط به نوع  اتصال این واحدهای شبه نورونی به یکدیگر تکامل لازم را نیافته بود. امروزه برنامه های کاربردی متعددی دردسترس هستند که با این روش کار میکنند. اگر چه کاربرد این برنامه ها بویژه برای افراد عادی کمی مشکل است، اما محققین روز به روز بیشتر و بیشتر آنها را به کار می گیرند. برای تجزیه و تحلیل یک سیستم پیچیده بوسیله روش شبکه های عصبی، نیاز به دانش زیادی درباره سیستم مورد مطالعه نمی باشد، چون عمل تجزیه و تحلیل و یادگیری در مغز شبکه اتفاق می افتد نه در مغز محقق، اما به هر حال بهره گیری از دانش کلی درباره طرز کار این شبکه ها برای کاربران آنها ضروری است، چرا که تنظیمات ساده و کلی در این برنامه ها وجود دارند که آگاهی از آنها برای ساختن یک مدل موفق ضروری است.

شبکه های عصبی مصنوعی در واقع مثلثی هستند که 3 ضلع مفهومی دارند: 1- سیستم تجزیه و تحلیل داده ها، 2- نورون یا سلول عصبی 3- شبکه یا قانون کار گروهی نورونها.  در یک تعریف کلاسیک، هایکین می گوید: شبکه عصبی عبارت است از مجموعه ای عظیم از پردازشگرهای موازی که استعداد ذاتی برای ذخیره اطلاعات تجربی و بکارگیری آن دارند و این شبکه دست کم از دو بابت شبیه مغز است: 1- مرحله ای موسوم به یادگیری دارد 2- وزن های سیناپسی جهت ذخیره دانش به کار می روند.

 وظیفه شبکه های عصبی یادگیری است. تقریبا چیزی شبیه یادگیری یک کودک خردسال. یادگیری در شبکه های عصبی رایج به شکل Supervised یا یادگیری تحت نظارت است. والدین تصاویر حیوانات مختلف را به کودک نشان می دهند و نام هرکدام رابه کودک می گویند.

...

طرز کار مدل سلول عصبی :

 مدل ریاضی یک سلول عصبی که از روی الگوی ریاضی آن ساخته شده است Perceptron نامیده می شود. خطوط ورودی (Input) سیگنالهای تحریکی یا مهاری را به جسم سلولی می آورند که همان پارامترهای تعریف کننده سیستم هستند. مثلا فرض کنیم که غلظت یک ماده  0.6 mol/lit است ، این عدد یکی از پارامترهای تعریف کننده نمونه دارویی ما است، پس این پارامتر بعنوان یک سیگنال الکتریکی با شدت 0.6 به یک کانال ورودی می رود. در ابتدای هر کانال ورودی یک ضریب عددی وجود دارد که شدت تحریک در این عدد ضرب می شوند و حاصل آن که یک Weighted Input نامیده می شود اگر مثبت باشد یک سیگنال تحریکی و اگر منفی باشد یک سیگنال مهاری بر جسم سلولی است. میزان کلیه این سیگنالهای تحریکی یا مهاری که از ورودی های مختلف به جسم سلولی می رسند با هم بصورت خطی جمع می شود (Linear Combination of Weighted Inputs). اگر این حاصل جمع از میزان آستانه یا Threshold کمتر باشد سلول عصبی خاموش می ماند، و در غیر این صورت سلول شلیک میکند (Fire) و جریان الکتریکی ثابتی در خروجی (یا خروجی ها) ایجاد می کند.