تحقيق آماده درباره شبکه‌هاي عصبي مصنوعي Artificial Neural Networks در قالب فايل پاورپوينت

دانلود تحقيق آماده درباره شبکه‌هاي عصبي مصنوعي Artificial Neural Networks در قالب فايل پاورپوينت با قابليت ويرايش

امروز براي شما پژوهشگران عزيز يک مقاله آماده درباره شبکه‌هاي عصبي مصنوعي Artificial Neural Networks آماده دانلود قرار داديم مي توانيد به عنوان تحقيق ارايه دهيد همچنين با قابليت ويرايش در فرمت فايل پاورپوينت مي باشد

جزييات فايل تحقيق Artificial Neural Networks بصورت زير مي باشد

• عنوان : Artificial Neural Networks
• فرمت فايل : پاورپوينت ppt PowerPoint
• قابليت اجرا با نسخه هاي آفيس : 2013 تا آخرين نسخه
• قابليت ويرايش بعد دانلود: دارد
• امکان پرينت گرفتن : بدون هيچ گونه مشکل در چاپ
• تعداد اسلايدها : 29

اسکرين شات اسلايدر هاي اين تحقيق Artificial Neural Networks

قسمتي از متن انتخاب شده از داخل فايل Artificial Neural Networks بشرح زير مي باشد

شبکه‌هاي عصبي مصنوعي (Artificial Neural Networks)، به عنوان يکي از اصولي‌ترين و پرکاربردترين روش‌هاي يادگيري ماشيني، در حوزه هوش مصنوعي و علوم کامپيوتر مورد تحقيق و بررسي قرار گرفته است. در ادامه، يک تحقيق ساده در مورد شبکه‌هاي عصبي مصنوعي را براي شما مي‌نويسم:

عنوان: شبکه‌هاي عصبي مصنوعي: مباني، روش‌ها و کاربردها

مقدمه:
شبکه‌هاي عصبي مصنوعي، الهام گرفته از ساختار و عملکرد سيستم عصبي انسان، به عنوان يک روش قدرتمند در يادگيري ماشيني مورد توجه قرار گرفته‌اند. اين تکنيک‌ها به صورت گسترده در حوزه تشخيص الگو، ترجمه ماشيني، تصويربرداري، پردازش زبان طبيعي و بسياري از ديگر برنامه‌هاي هوش مصنوعي استفاده مي‌شوند.

بخش‌هاي اصلي تحقيق:
مباني شبکه‌هاي عصبي مصنوعي:
- ساختار و عملکرد نورون‌ها در شبکه‌هاي عصبي.
- نحوه اتصال و وزن‌دهي بين نورون‌ها.
- توابع فعال‌سازي و توابع هدف در شبکه‌هاي عصبي.

روش‌هاي آموزش شبکه‌هاي عصبي:
- پرسپترون‌ها و يادگيري ماشيني بر پايه آن‌ها.
- شبکه‌هاي عصبي چندلايه و الگوريتم پس‌انتشار خطا (Backpropagation).
- روش‌هاي بهينه‌سازي مانند گراديان کاهشي (Gradient Descent) و الگوريتم‌هاي بهينه‌سازي مشتق‌دار.

کاربردهاي شبکه‌هاي عصبي مصنوعي:
- تشخيص الگو و تصويربرداري.
- ترجمه زباني و پردازش زبان طبيعي.
- پيش‌بيني و تحليل داده‌ها.
- بازيابي اطلاعات و فيلترينگ محتوا.

Artificial Neural Networks
مباحث :
آشنايي با شبکه هاي عصبي زيستي
معرفي شبکه هاي عصبي مصنوعي(ANNها)
مباني شبکه هاي عصبي مصنوعي
توپولوژي شبکه
نرم افزارهاي شبکه هاي عصبي
مقايسه ي مدل سازي کلاسيک و مدل سازي شبکه ي عصبي
فرآيند يادگيري شبکه
تجزيه و تحليل داده ها توسط شبکه هاي عصبي مصنوعي
ايده ي اصلي شبکه هاي عصبي مصنوعي
مهم ترين تفاوت حافظه ي انسان و حافظه ي کامپيوتر
شبکه هاي عصبي در مقابل کامپيوترهاي معمولي
معايب شبکه هاي عصبي مصنوعي
کاربردهاي شبکه هاي عصبي مصنوعي

آشنايي با شبکه هاي عصبيزيستي

اين شبکه ها مجموعه اي بسيار عظيم از پردازشگرهايي موازي به نام نورون اند که به صورت هماهنگ براي حل مسئله عمل مي کنند و توسط سيناپس ها(ارتباط هاي الکترومغناطيسي)اطلاعات را منتقل مي کنند.در اين شبکه ها اگر يک سلول آسيب ببيند بقيه ي سلولها مي توانند نبود آنرا جبران کرده و نيز در بازسازي آن سهيم باشند.
اين شبکه ها قادر به يادگيري اند.مثلا با اعمال سوزش به سلولهاي عصبي لامسه، سلولها ياد مي گيرند که به طرف جسم داغ نروند و با اين الگوريتم سيستم مي آموزد که خطاي خود را اصلاح کند.back propagation of error))
يادگيري در اين سيستم ها به صورت تطبيقي صورت مي گيرد، يعني با استفاده ازمثال ها وزن سيناپس ها به گونه اي تغيير مي کند که در صورت دادن ورودي هاي جديد سيستم پاسخ درستي توليد کند.
معرفي ANN ها
يک سيستم پردازشي داده ها که از مغز انسان ايده گرفته و پردازش داده ها را به عهده ي پردازنده هاي کوچک و بسيار زيادي سپرده که به صورت شبکه اي به هم پيوسته و موازي با يکديگر رفتار مي کنند تا يک مسئله را حل کنند.

در اين شبکه ها به کمک د انش برنامه نويسي ، ساختا ر داده اي طراحي مي شود که مي تواند هما نند نورون عمل کند.که به اين ساختارداده node يا گره نيزگفته مي شود.بعد باايجاد شبکه اي بين اين nodeها و اعمال يک الگوريتمآموزشي به آ ن،شبکه را آموزش مي دهند .

در اين حافظه يا شبکه ي عصبي nodeها داراي دو حالت فعال(onيا 1) وغيرفعال( off يا 0) اند و هر يال (سيناپس يا ارتباطبين nodeها)داراي يک وزن مي باشد.يالهاي با وزن مثبت ،موجب تحريک يا فعال کردن node غير فعال بعدي مي شوند و يالهاي با وزن منفي node متصل بعدي را غير فعال يا مهار(در صورتي که فعال بوده باشد) مي کنند.
معرفي ANN ها(ادامه...)
ANN ها در واقع مثلثي هستند با سه ضلع مفهومي:
سيستم تجزيه و تحليل داده ها
نورون يا سلول عصبي
قانون کار گروهي نورونها (شبکه)

ANN ها دست کم از دو جهت شبيه مغز انسا ن اند:
مرحله اي موسوم بهياد گيري دارند.
وزن هاي سيناپسيجهت ذخيره ي دانش به کار مي روند.

هوش مصنوعي و مدل سا زي شناختي سعي بر اين دارند که بعضي خصوصيا ت شبکه هاي عصبي را شبيه سازي کنند. گرچه اين دو روش ها يشان شبيه هم است، اما هدف هوش مصنوعي از اين کار حل مسائل شخصي و هدف مدل سا زي شناختي ،ساخت مدلهاي ريا ضي سيستم هاي نوروني زيستي مي باشد .

به طور خلاصه يک شبکه عصبي بايد خصوصيات زير را داشته باشد:
بتواند الگوها را طبقه بندي کند.
به اندازه کافي کوچک باشد تا از نظر فيزيکي واقع گرايانه باشد.
با به کار گيري آموزش، قابل برنامه ريزي باشد و قدرت يادگيري داشته باشد. يعني توانايي تنظيم پارامترهاي شبکه ( اوزان سيناپتيکي )، در مسير زمان که محيط شبکه تغيير مي کند و شبکه وارد شرايط جديدي مي شود. هدف از اين کار اين است که اگر شبکه براي يک وضعيت خاص آموزش ديد و تغيير کوچکي در شرايط محيطي شبکه رخ داد، شبکه بتواند با آموزش مختصر، براي شرايط جديد نيز کارآمد باشد.ديگر اين که اطلاعات در شبکه هاي عصبي در سيناپس ها ذخيره و هر نرون در شبکه به صورت بالقوه از کل فعاليت ساير نرون ها تأثير مي پذيرد. در نتيجه اطلاعات از نوع مجزا از هم نبوده و متأثر از کل شبکه مي باشد.
توانايي تعميم را با استفاده از مثال هاي ارائه شده در فرآيند آموزش، داشته باشد.

مباني ANN ها
شبکه هاي عصبي به طور کلي سيستمهاي رياضي يادگير غير خطي هستند. طرز کار اين شبکه ها از روش کار مغز انسان الگو برداري شده است. در واقع شبکه هاي عصبي طبق تعريف ماشيني است براي ساخت يک مدل که مي توان آن را بوسيله سخت افزار يا نرم افزار شبيه سازي کرد و عملکردي شبيه مغز انسان دارند.

يک شبکه عصبي بر خلاف کامپيوترهاي رقومي که نيازمند دستورات کاملا صريح و مشخص است? به مدل هاي رياضي محض نياز ندارد بلکه مانند انسان قابليت يادگيري به وسيله تعدادي م?ال مشخص را دارد.هر شبکه عصبي سه مرحله آموزش? اعتبار سنجي و اجرا را پشت سر مي گذارد. در واقع شبکه هاي عصبي را مي توان در حل مسايلي که روابط دقيق رياضي بين ورودي ها و خروجي هاي آن برقرار نيست بکار برد.

آموزش ديدن شبکه هاي عصبي در واقع چيزي جز تنظيم وزن هاي ارتباطي اين نرون ها به ازائ دريافت م?ال هاي مختلف نيست تا خروجي شبکه به سمت خروجي مطلوب همگرا شود.
مدل رياضي يک نورون
همان گونه که ذکر شد نرون کوچکترين واحد يک شبکه عصبي مصنوعي است که عملکرد شبکه هاي عصبي را تشکيل مي دهد.
بدنه هر سلول عصبي از دو بخش تشکيل مي شود? بخش اول را تابع ترکيب مي گويند. وظيفه تابع ترکيب اين است که تمام ورودي ها را ترکيب و يک عدد توليد مي کند. در بخش دوم سلول تابع انتقال قرار دارد که به آن تابع تحريک نيز مي گويند.درواقع همان گونه که يک سلول بيولوژيک بايد به سطح آستانه تحريک خاصي برسد تا يک سيگنال توليد کند? توابع تحريک نيز تا زماني که ورودي هاي ترکيب شده و وزن دار شده به يک حد آستانه اي خاص نرسند مقدار خروجي نظير بسيار کوچکي توليد ميکنند.
وقتي ورودي هاي ترکيب شده به حد آستانه اي خاصي برسند? سلول عصبي تحريک شده و سيگنال خروجي توليد مي کند. با مقايسه جواب خروجي شبکه با مقدار مطلوب مورد نظر بردار خطا محاسبه شده و اين بردار با استفاده از الگوريتم هاي مختلف از آخر به سمت ابتداي شبکه پخش شده? به طوري که درسيکل بعد خطا کاهش يابد.
توپولوژي شبکه
وضعيت نسبي سلولها در شبکه(تعداد و گروه بندي و نوع اتصالات آنها)را توپولوژي شبکه گويند.توپولوژي در واقع سيستم اتصال سخت افزار نورونها به يکديگر است که توام با نرم افزار مربوطه(يعني روش رياضي جريان اطلاعات و محاسبه ي وزنها)نوع عملکرد شبکه ي عصبي را تعيين مي کند.
در اين توپولوژي يک لايه ي ورودي وجود دارد که اطلاعات را دريافت مي کند،تعدادي لايه ي مخفي وجود دارد که اطلاعات را از لايه هاي قبلي مي گيرند و در نهايت يک لايه ي خروجيوجود دارد که نتيجه ي محاسبات به آنجا ميرود و جوابها در آن قرار ميگيرند.

و ... براي مطالعه و دسترسي به متن کامل فايل Artificial Neural Networks را دانلود فرماييد