تحقیق در مورد شبکه عصبی

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 12

توصیف

در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعه‌ای از نورون‌های به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شده‌است. هر نورون می‌تواند به تعداد بسیار زیادی از نورون‌ها وصل باشد و تعداد کل نورون‌ها و اتصالات بین آن‌ها می‌تواند بسیار زیاد باشد. اتصالات، که به آن‌ها سیناپس گفته می‌شود، معمولاً از آکسون‌ها و دندریت‌ها تشکلیل شده‌اند.

هوش مصنوعی و مدل سازی شناختی سعی بر این دارند که بعضی از خصوصیات شبکه‌های عصبی را شبیه سازی کنند. این دو اگرچه در روش‌هاشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف مدل سازی شناختی ساخت مدل‌های ریاضی سامانه‌های نورونی زیستی است.

شبکه‌های عصبی زیستی

شبکه‌های عصبی زیستی مجموعه‌ای بسیار عظیم از پردازشگرهای موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می‌کنند و توسط سیناپس‌ها (ارتباط‌های الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری اند. مثلا با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سامانه می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سامانه‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های تازه سامانه پاسخ درستی تولید کند.

معرفی شبکه عصبی مصنوعی شبکه عصبی مصنوعی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهدهٔ پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده گره گفته می‌شود. بعد باایجاد شبکه‌ای بین این گره‌ها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. در این حافظه یا شبکهٔ عصبی گره‌ها دارای دو حالت فعال (روشن یا 1) و غیرفعال (خاموش یا 0) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن می‌باشد. یال‌های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال‌های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می‌کنند.

تاریخچه شبکه‌های عصبی مصنوعی

از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود. نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سامانه دیگر مدل خطی تطبیقی نورون می‌باشد که در سال 1960 توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت. در سال 1969 میسکی و پاپرت کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید

اسلایدهای ارائه درس هوش مصنوعی مقطع ارشد رشته مدیریت فناوری اطلاعات

مجموعه اسلایدهای ارائه درس هوش مصنوعی مقطع ارشد رشته مدیریت فناوری اطلاعات شامل اسلایدهای انگلیسی و جزوه فارسی شامل سرفصل های شبکه های عصبی ، استنتاج فازی ،سیستم فازی ،سیستم خبره و . . . ارائه شده در دانشگاه فردوسی مشهد

مقاله ارائه روشی هوشمند جهت افزودن قابلیت تشخیص کلمات برای کامپیوتر مبتنی بر تکنیک شبکه عصبی

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 19 صفحه

چکیده:
در حال حاظر تحقیقات زیادی در گرایش های پردازش تصویر و پردازش صوت در سطح دنیا در حال انجام است که عموما از روشهای هوش مصنوعی و الگوریتم های مختلف پردازش، نظیر DSP ،الگوریتم ژنتیک،شبکه عصبی و... استفاده میکنند.هدف این تحقیق ایجاد روشی هوشمند جهت افزودن قابلیت تشخیص کلمات برای کامپیوتر، مبتنی بر تکنیک شبکه عصبی میباشد.این روش از راه آموزش دادن شبکه ای مناسب، قادر است سیگنالهای صوتی مختلف را تفکیک و دسته بندی نماید و در نهایت مفاهیمی را که کاربر برای هر گروه از اصوات مشخص مینماید به طور محدود بیاموزد.در این تحقیق، شبکه با سیگنالهای صوتی اعداد صفر تا نه، به زبان فارسی آموزش داده شده وهدف شبکه بعد از آموزش، تفکیک سیگنالهای ورودی و یافتن عدد متناظر با سیگنال ورودی میباشد.

1) مقدمه:
در زمینه تشخیص الگوی صوت توسط شبکه عصبی تا کنون در ایران کار زیادی صورت نگرفته و مقاله های محدودی که وجود دارد بیشتر به این موضوع از دید عمومی و معرفی تکنیک پرداخته شده است. نتایج این تحقیق کاملا عملی و حاصل کار،یک نرم افزار به زبان برنامه نویسی مطلب میباشد ونتایج بصورت نمودار ها و جداول در پایان ارائه شده.در مقاله های خارجی از روشهای مختلف شبکه عصبی استفاده شده و عموما نمونه های صوت را بدون تغییر به عنوان دیتای ورودی به شبکه در نظر گرفته اند و این موضوع باعث حجیم شدن شبکه ،طولانی شدن مراحل آموزش شبکه، وابستگی شدید نتایج به دامنه سیگنال وحساسیت زیاد نتایج به نویز میباشد.
روش ارائه شده در این مقاله بواسطه وجود یک مرحله اصلاح وتغییر دیتا، مقداری از مشکلات بالا کاسته ولی نقاط ضعفی هم دارد. از جمله وابستگی زیاد شبکه به تن صدا ودیتایی که شبکه توسط آن آموزش می بیند. بنا بر این برای عمومیت پیدا کردن عملکرد شبکه نیاز به دیتای فراوان ازافراد مختلف،لهجه ها و گویش های متفاوت دارد.

2) روش استفاده شده برای تشخیص:به طور کلی میتوان مراحل انجام این پروژه از ابتدا تا پایان را به قسمتهای زیر تقسیم بندی نمود
-1تهیه دیتا
-2اصلاح دیتای خام جهت ارائه به شبکه
-3ایجاد یک شبکه مناسب
-4آموزش شبکه
تمامی مراحل فوق به کمک جعبه ابزار ها و دستورات مختلف نرم افزار مطلب قابل اجرا است .

در مرحله اول که تهیه دیتا میباشد از جعبه ابزارData Acquisition Toolbox استفاده شده مراحل مختلف استفاده از این جعبه ابزار بطور کامل در help مطلب به همراه مثال آموزش داده شده .که بطور خلاصه شامل مراحل زیر است.
• تعریف یک ورودی آنالوگ
• مشخص نمودن مرجع دریافت ورودی (کارت صوتی تحت اختیار سیستم عامل و یا ...)
• تعریف کانال یا کانالهای ورودی(سخت افزار مرجع ممکن است چندین ورودی داشته باشد)
• تعیین فرکانس نمونه برداری.
• تعیین ورودی پیش فرض جهت نمونه برداری از بین کانالهای تعریف شده.
• مشخص نمودن نحوه شروع نمونه برداری (یک تحریک سخت افزاری یا یک دستور شروع نرم افزاری) که ما بنا بر ملاحظات کار خود حالت سخت افزاری را انتخاب میکنیم.
• دستور شروع نمونه برداری شامل یک حلقه هزارتایی جهت برداشت هزار سیگنال از اعداد0الی9

تحقیق در مورد شبکه عصبی

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه39

فهرست مطالب

مقدمه

مدل نرون تک ورودی

شبکه همینگ (Heming)

شبکه هاپفیلد (Hapfield)

یادگیری شبکه

مفهوم فازی

 تعاریف اولیه

انواع مجموعه های فازی و درجه فازی بودن مجموعه

اپراتورهای مجموعه فازی:

مفهوم شناسایی الگو

ساختار و توپولوژی شبکه

طراحی شبکه

خروجی شبکه

 مجموعه های فازی در شبکه

تابع عضویت در hyperboxها

در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی در پردازش اطلاعات برای مسائلی که راه حلی برای آنها موجود نیست بوده ایم. با توجه به این حقیقت توجه زیادی به توسعه تئوریک سیستمهای دینامیکی هوشمند مدل- آزاد بر اساس داده های تجربی وجود دارد. شبکه های عصبی مصنوعی جزء آن دسته از سیستم های دینامیکی قرار دارند که با پردازش بر روی داده های تجربی دانش در ورای داده ها را به ساختار شبکه منتقل می کند. پیاده سازی ویژگیهای مغز در یک سیستم مصنوعی همیشه مورد توجه مطلوب بوده است کافی نبودن دانش موجود خود سبب انگیزش و پژوهش های بیشتر در این زمینه بوده و خواهد بود.

مبحث Pattern Fecognation شناسایی الگو را می توان به سه صورت زیر ارائه کرد:

آماری Statisticalفازی Fuzzyشبکه های عصبی Neural Network

در روش آماری درصد خطا بالا می باشد به همین دلیل در پروژه فوق از دو روش Fuzzy و Neural  Network استفاده شده که شبکه طراحی شده به Fuzzy Min- Max Classification Neural Network معروف می باشد که در آن درصد خطا بسیار پائین می باشد.

بدلیل اینکه ابتدا الگوهای ورودی با استفاده از مجموعه های فازی در گروههای خود تنظیم می شوند و سپس با استفاده از شبکه عصبی خرجی مطلوب را بدست می دهد.

انگیزه های بیولوژیکی شبکه های عصبی

مغز به عنوان یک سیستم پردازش اطلاعاتی با ساختار موازی از 100 تریلیون و نرون به هم مرتبط با تعداد کل  ارتباط تشکیل شده است نرونها ساده ترین واحد ساختار سیستم های عصبی هستند. بافتهایی که عصب نامیده می شوند اجتماعی از نرونها می باشند. این نرونها اطلاعات و پیامها را از یک قسمت بدن به قسمت دیگر منتقل می کنند پیامها از نوع ایمپالسهای الکتروشیمیایی هستند.

بیشترین تعداد نرونها در مغز و مابقی در نخاع و سیستم های عصبی جانبی تمرکز یافته اند گرچه همگی نرونها کارک

مقاله تخمین مدت زمان خشک‌ شدن مواد غذایی با استفاده از بینایی کامپیوتر و شبکه عصبی

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 16 صفحه

 چکیده

بینایی کامپیوتر یکی از پرکابردترین فن آوری‌های مورد استفاده در صنایع غذایی و کشاورزی نوین است. بیشترین کاربرد بینایی کامپیوتر در آزمایشگاه‌های کنترل کیفیت می‌باشد. در مقاله حاضر سیستمی مبتنی بر بینایی کامپیوتر و شبکه عصبی برای تخمین مدت زمان خشک‌شدن مواد غذایی ارائه شده است. آزمایش­­ها بر روی فرایند خشک‌شدن کدوحلوایی اسمزی با استفاده از جریان هوای گرم انجام گرفته است. در این آزمایش، تصویری از یک قطعه کدوحلوایی تهیه شده و به سیستم داده می‌شود. سپس با استفاده از الگوریتم‌های پردازش تصویر محل کدوحلوایی در تصویر تعیین شده و تعدادی از ویژگی‌های آن شامل مساحت، همگنی، کنتراست و آنتروپی تصویر استخراج می‌شود. ویژگی‌های استخراج شده به یک شبکه عصبی پرسپترون چند لایه داده شده تا مدت زمان قرار گرفتن قطعه کدوحلوایی در فرایند خشک‌شدن را تعیین کند. نتایج آزمایش­ها نشان می‌دهد خطای تخمین مدت زمان خشک‌شدن کدوحلوایی حدود 1 ساعت است. این نتایج برای چنین سیستمی بسیار خوب به نظر می‌رسد.

1- مقدمه

امروزه افزایش جمعیت و محدودیت منابع طبیعی باعث ایجاد یک مشکل جهانی به نام بحران غذا شده است. تولید و فراوری محصولات کشاورزی با روش‌های سنتی بازدهی کمی دارد و مقرون به صرفه نیست. بنابراین مکانیزاسیون سیستم‌های کشاورزی و استفاده از فناوری‌های نوین در تولید و فراوری مواد غذایی امری اجتناب ناپذیر است. بینایی کامپیوتر[1] (بینایی ماشین) یکی از شاخه‌های بسیار مهم از هوش مصنوعی می‌باشد که کاربرد‌های فراوانی در صنایع غذایی، خصوصا در آزمایشگاه‌های کنترل کیفیت دارد. سیستم‌های کنترل کیفیت مبتنی بر بینایی کامپیوتر در شیلات، کشتارگاه‌های دام و طیور، محصولات باغی و صنایع لبنی و ... مورد استفاده قرار می‌گیرد [1].

به طور کلی یک سیستم بینایی کامپیوتر شامل بخش تجهیزات اخذ تصویر و نرم‌افزار پردازش تصویر می‌باشد. تجهیزات اخذ تصویر شامل سیستم نورپردازی، دوربین و در صورت لزوم کارت اخذ تصویر است. مرحله اخذ تصویر در سیستم بینایی کامپیوتر نقش بسیار موثری در کارایی کل سیستم دارد. انتخاب روش نورپردازی، چینش سیستم نورپردازی و نوع دوربین و تنظیمات آن، کیفیت تصویر را تحت تاثیر قرار می‌دهد. پس از دریافت تصویر، الگوریتم‌های پردازش تصویر بر روی تصویر ورودی اعمال شده تا اطلاعات لازم از آن استخراج شود. بخش نرم‌افزاری سیستم‌های بینایی کامپیوتر می‌تواند علاوه بر الگوریتم‌های پردازش تصویر، از سایر ابزارهای هوش‌مصنوعی مانند شبکه‌های عصبی نیز برای هوشمند کردن و انجام خودکار عملیات استفاده نمایند.

یکی از مهمترین کاربرد‌های سیستم بینایی کامپیوتر در بررسی تغییرات رنگ و پارامترهای تصویری مواد غذایی در طول فرایند خشک کردن آنها است. فرناندز[2] و همکارانش کاربرد بینایی کامپیوتر در خشک کردن حلقه‌های سیب را مورد مطالعه قرار داده‌اند [2]. کروکیدا[3] و همکارانش سینتیک تغییرات رنگ در مدت زمان خشک شدن، تاثیر نوع عملیات پیش‌فراوری (مثل قرار دادن در محلول قندی) و روش خشک کردن بر رنگ محصول نهایی را مورد مطالعه و بررسی قرار داده‌اند [3,4,5]. شفافی زنوزی و همکارانش با استفاده از روش‌های پردازش تصویر، به بررسی تغییرات رنگ، کنتراست و انرژی تصویر در طول فرایند خشک‌کردن کدوحلوایی پرداخته‌اند [6]. هدف از انجام این مطالعات، ارائه یک مدل مناسب برای توصیف فرایند خشک کردن مواد غذایی است.

در مقاله حاضر، هدف ارائه یک سیستم مبتنی بر بینایی کامپیوتر برای تخمین مدت زمان خشک کردن مواد غذایی (مطالعه موردی برای کدوحلوایی) است. در آزمایشات انجام شده، تصاویری از روند خشک شدن کدوحلوایی اسمزی با استفاده از جریان هوای گرم تهیه شده و مورد تحلیل و بررسی قرار می‌گیرد. در این تحلیل ابتدا با استفاده از الگوریتم‌های پردازش تصویر، تعدادی از ویژگی‌های تصویر کدوحلوایی استخراج شده و سپس با استفاده از یک شبکه عصبی پرسپترون چند لایه[4] (MLP) مورد پردازش قرار می‌گیرد. در این سیستم شبکه عصبی مدت قرار گرفتن کدوحلوایی در برابر جریان هوای گرم را تخمین می‌زند