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
بازدید ها	0
فرمت فایل	pptx
حجم فایل	248 کیلو بایت
تعداد صفحات فایل	25

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

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
بازدید ها	0
فرمت فایل	pptx
حجم فایل	1590 کیلو بایت
تعداد صفحات فایل	85

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

ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر

تاکنون برای حذف نویزهای آکوستیکی از روش های فعال1 و غیر فعال2استفاده شده است برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر 500 هرتز)، حذف و یا کاهش داد

دسته بندی	برق
بازدید ها	19
فرمت فایل	doc
حجم فایل	7415 کیلو بایت
تعداد صفحات فایل	110

فروشنده فایل

کد کاربری 1024

تمام فایل ها

ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر

چکیده

تاکنون برای حذف نویزهای آکوستیکی از روش های فعال[1] و غیر فعال[2]استفاده شده است. برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر 500 هرتز)، حذف و یا کاهش داد. در روش فعال از سیستمی استفاده می شود که شامل یک فیلتر وفقی است. به دلیل ردیابی خوب فیلتر [3]LMS در محیط نویزی، الگوریتم FXLMS[4] بعنوان روشی پایه ارائه شده است. اشکال الگوریتم مذکور این است که در مسائل کنترل خطی استفاده می شود. یعنی اگر فرکانس نویز متغیر باشد و یا سیستم کنترلی بصورت غیرخطی کار کند، الگوریتم فوق به خوبی کار نکرده و یا واگرا می شود.

بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم که قابلیت حذف نویز، با فرکانس متغیر، در یک مجرا و در کوتاه‌ترین زمان ممکن را دارد. برای دستیابی به آن می توان از یک گام حرکت وفقی بهینه () در الگوریتم FXLMS استفاده کرد. به این منظور محدوده ی گام حرکت بهینه در فرکانس های 200 تا 500 هرتز را در داخل یک مجرا محاسبه کرده تا گام حرکت بهینه بر حسب فرکانس ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی بوسیله ی الگوریتم MUSIC[5] ، را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در کوتاه‌ترین زمان، ممکن شود. در نهایت خواهیم دید که الگوریتم FXLMS معمولی با گام ثابت با تغییر فرکانس واگرا شده حال آنکه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فرکانس متغیر را فراهم می آورد.

همچنین‌به دلیل‌ماهیت غیرخطی سیستم‌های‌ANC ، به ارائه‌ی نوعی شبکه‌ی عصبی‌ RBF TDNGRBF ) [6] ( می‌پردازیم که توانایی مدل کردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریک فرکانس متغیر در یک مجرا استفاده کرده و نتایج آن را با الگوریتم FXLMS مقایسه می کنیم. خواهیم دید که روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (3 برابر) و خطای کمتری (30% کاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یک شبکه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبکه ی GRBF (با ترکیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امکان پذیر می شود. ضرایب بکار رفته در ترکیب خطی با استفاده از الگوریتم [7]NLMS بهینه می شوند.

---

[1] -Active

[2] -passive

[3] -Least mean square

4- Filter- x LMS

5 -Multiple signal classification

6 -Time Delay N- Generalized Radial Basis Function

[7] -Normalized LMS

فهرست مطالب

عنوان	صفحه
چکیده فصل صفر: مقدمه	1 2
فصل اول: مقدمه ای بر کنترل نویز آکوستیکی	7
1-1) مقدمه	8
1-2) علل نیاز به کنترل نویزهای صوتی (فعال و غیر فعال)	9
1-2-1) بیماری های جسمی	9
1-2-2) بیماری های روانی	9
1-2-3) راندمان و کارایی افراد	9
1-2-4) فرسودگی	9
1-2-5) آسایش و راحتی	9
1-2-6 جنبه های اقتصادی	10
1-3) نقاط ضعف کنترل نویز به روش غیرفعال	10
1-3-1) کارایی کم در فرکانس های پایین	10
1-3-2) حجم زیاد عایق های صوتی	10
1-3-3) گران بودن عایق های صوتی	10
1-3-4) محدودیت های اجرایی	10
1-3-5) محدودیت های مکانیکی	10
1-4) نقاط قوت کنترل نویز به روش فعال	11
1-4-1) قابلیت حذف نویز در یک گسترده ی فرکانسی وسیع	11
1-4-2) قابلیت خود تنظیمی سیستم	11
1-5) کاربرد ANC در گوشی فعال	11
1-5-1) تضعیف صدا به روش غیر فعال در هدفون	12
1-5-2) تضعیف صدا به روش آنالوگ در هدفون	13
1-5-3) تضعیف صوت به روش دیجیتال در هدفون	15
1-5-4) تضعیف صوت به وسیله ی ترکیب سیستم های آنالوگ و دیجیتال در هدفون	16
1-6) نتیجه گیری	17
فصل دوم: اصول فیلترهای وفقی	18
2-1) مقدمه	19
2-2) فیلتر وفقی	20
2-2-1) محیط های کاربردی فیلترهای وفقی	22
2-3) الگوریتم های وفقی	25
2-4) روش تحلیلی	25
2-4-1) تابع عملکرد سیستم وفقی	26
2-4-2) گرادیان یا مقادیر بهینه بردار وزن	28
2-4-3) مفهوم بردارها و مقادیر مشخصه R روی سطح عملکرد خطا	30
2-4-4) شرط همگرا شدن به٭ W	32
2-5) روش جستجو	32
2-5-1) الگوریتم جستجوی گردایان	32
2-5-2) پایداری و نرخ همگرایی الگوریتم	35
2-5-3) منحنی یادگیری	36
2-6) MSE اضافی	36
2-7) عدم تنظیم	37
2-8) ثابت زمانی	37
2-9) الگوریتم LMS	38
2-9-1) همگرایی الگوریتم LMS	39
2-10) الگوریتم های LMS اصلاح شده	40
2-10-1) الگوریتم LMS نرمالیزه شده (NLMS)	41
2-10-2) الگوریتم های وو LMS علامتدار وو (SLMS)	41
2-11) نتیجه گیری	43
فصل سوم: اصول کنترل فعال نویز	44
3-1) مقدمه	45
3-2) انواع سیستم های کنترل نویز آکوستیکی	45
3-3) معرفی سیستم حذف فعال نویز تک کاناله	47
3-4) کنترل فعال نویز به روش پیشخور	48
3-4-1) سیستم ANC پیشخور باند پهن تک کاناله	49
3-4-2) سیستم ANC پیشخور باند باریک تک کاناله	50
3-5) سیستم های ANC پسخوردار تک کاناله	51
3-6) سیستم های ANC چند کاناله	52
3-7) الگوریتم هایی برای سیستم های ANC پسخوردار باند پهن	53
3-7-1) اثرات مسیر ثانویه	54
3-7-2) الگوریتم FXLMS	57
3-7-3) اثرات فیدبک آکوستیکی	61
3-7-4) الگوریتم Filtered- URLMS	66
3-8) الگوریتم های سیستم ANC پسخوردار تک کاناله	69
3-9) نکاتی درباره ی طراحی سیستم های ANC تک کاناله	70
3-9-1) نرخ نمونه برداری و درجه ی فیلتر	72
3-9-2) علیت سیستم	73
3-10) نتیجه گیری	74
فصل چهارم: شبیه سازی سیستم ANC تک کاناله	75
4-1) مقدمه	76
4-2) اجرای الگوریتم FXLMS	76
4-2-1) حذف نویز باند باریک فرکانس ثابت	76
4-2-2) حذف نویز باند باریک فرکانس متغیر	81
4-3) اجرای الگوریتم FBFXLMS	83
4-4) نتیجه گیری	85
فصل پنجم: کنترل غیرخطی نویز آکوستیکی در یک ماجرا	86
5-1) مقدمه	87
5-2) شبکه عصبی RBF	88
5-2-1) الگوریتم آموزشی در شبکه ی عصبی RBF	90
5-2-2) شبکه عصبی GRBF	93
5-3) شبکه ی TDNGRBF	94
5-4) استفاده از شبکه ی TDNGRBF در حذف فعال نویز	95
5-5) نتیجه گیری	98
فصل ششم: نتیجه گیری و پیشنهادات	99
6-1) نتیجه گیری	100
6-2) پیشنهادات	101
مراجع	I

ارائه روش جدیدحذف نویزنویز آکوستیکیمجرااستفاده هم زمانفیلترهای وفقیشبکه های عصبیفرکانس متغیرپروژهتحقیقمقالهپژوهشپایان نامهدانلود پروژهدانلود تحقیقدانلود مقالهدانلود پژوهشدانلود پایان نامه

شبکه های عصبی

این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است

دسته بندی	کامپیوتر و IT
بازدید ها	68
فرمت فایل	doc
حجم فایل	701 کیلو بایت
تعداد صفحات فایل	79

فروشنده فایل

کد کاربری 15

تمام فایل ها

این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت می پردازیم.

فهرست مطالب

فهرست	صفحه
مقدمه	1
فصل اول:	2
سابقه تاریخی	2
استفاده های شبکه عصبی	3
مزیتهای شبکه عصبی	3
شبکه های عصبی در مقابل کامپیوتر های معمولی	4
شباهت های انسان و سلول های عصبی مصنوعی	5
چگونه مغز انسان می آموزد	5
انواع یادگیری برای شبکه های عصبی	6
هوش جمعی	12
فصل دوم:	15
معرفی	15
نورون با خاصیت آشوبگونه	16
شکل شبکه	17
قانون آموزش شبکه	18
مدلسازی ژنراتور سنکرون دریایی	21
نتایج فصل	26
فصل سوم :	27
معرفی	27
منحنی طول - کشش	28
فهرست	صفحه
شبکه های عصبی	29
نتایج تجربی	29
نتیجه فصل	33
فصل چهارم:	34
معرفی	34
نمادها و مقدمات	35
نتایج مهم	40
شرح مثال	47
نتیجه فصل	51
فصل پنجم:	53
معرفی	53
شبکه های feedforward رگولاریزاسیون	54
طراحی شبیه سازی	55
شبیه سازی ها	57
نتیجه فصل	59
فصل ششم :	60
فناوری شبکه عصبی	62
فناوری الگوریتم ژنتیک	65
بازاریابی	66
بانکداری و حوزه های مالی	68
منابع	73

شبکه های عصبیهوش جمعیشبکهالگوریتم ژنتیک