دانلود پاورپوینت هوش مصنوعی

بررسی و تشریح کامل شبکه های عصبی مصنوعی

بررسی و تشریح کامل شبکه های عصبی مصنوعی

بررسی و تشریح کامل شبکه های عصبی مصنوعی

هدف از این نوشتار بررسی و تشریح کامل شبکه های عصبی مصنوعی بصورت کامل و جامع و با منابع جدید می باشد

مشخصات فایل

تعداد صفحات 78
حجم 798/453 کیلوبایت
فرمت فایل اصلی docx

توضیحات کامل

دانلود تحقیق و پایان نامه رشته هوش مصنوعی

بررسی و تشریح کامل شبکه های عصبی مصنوعی

 

 

 

 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 نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند.

در این حافظه یا شبکه عصبی نورونها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) 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) می کنند .]12[

 

 

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 اصطلاحاً 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 ۱۹۵۸ 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 ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. آدالاین  یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.در سال ۱۹۶۹ 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.

با وجود اینکه اشتیاق عمومی و سرمایه گذاری‌های موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ که شبکه‌ای تحت عنوان آوالانچ  را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه‌های ART را بنانهادند که با مدل‌های طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیک‌هایی برای یادگیری ایجاد کردند. ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار   خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.
پیشرفت‌هایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتاب‌ها و کنفرانس‌های وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده‌است. ]14[

 

 

شبکه‌های عصبی شیوه‌ای متفاوت برای حل مسئله دارند. کامپیوترهای سنتی از شیوه الگوریتمی برای حل مسئله استفاده می‌کنند که برای حل مسئله مجموعه‌ای از دستورالعمل‌های بدون ابهام دنبال می‌شود. این دستورات به زبان سطح بالا و سپس به زبان ماشین که سامانه قادر به تشخیص آن می‌باشد تبدیل می‌شوند. اگر مراحلی که کامپیوتر برای حل مسئله باید طی کند از قبل شناخته شده نباشند و الگوریتم مشخصی وجود نداشته باشد، سامانه توانایی حل مسئله را ندارد. کامپیوترها می‌توانند خیلی سودمندتر باشند اگر بتوانند کارهایی را که ما هیچ پیش زمینه‌ای از آنها نداریم انجام دهند. شبکه‌های عصبی و کامپیوترها نه تنها رقیب هم نیستند بلکه می‌توانند مکمل هم باشند. کارهایی وجود دارند که بهتر است از روش الگوریتمی حل شوند و همین طور کارهایی وجود دارند که جز از طریق شبکه عصبی مصنوعی قابل حل نمی‌باشند و البته تعداد زیادی نیز برای بدست آوردن بازده حداکثر، از ترکیبی از روش‌های فوق استفاده می‌کنند. به طور معمول یک کامپیوتر سنتی برای نظارت بر شبکه عصبی استفاده می‌شود. شبکه‌های عصبی معجزه نمی‌کنند، اگر به طور محسوس استفاده شوند کارهای عجیبی انجام می‌دهند. ] 12[

 

نورون مصنوعی
یک نورون مصنوعی سامانه‌ای است با تعداد زیادی ورودی و تنها یک خروجی. نورون دارای دو حالت می‌باشد، حالت آموزش و حالت عملکرد. در حالت آموزش نورون یاد می‌گیرد که در مقابل الگوهای ورودی خاص برانگیخته شود و یا در اصطلاح آتش کند. در حالت عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود، خروجی متناظر با آن ارائه می‌شود. اگر ورودی جزء ورودی‌های از پیش شناسایی شده نباشد، قوانین آتش برای بر انگیختگی یا عدم آن تصمیم گیری می‌کند.

 

از نورون‌های انسان تا نورون مصنوعی 
با کنار گذاشتن برخی از خواص حیاتی نورون‌ها و ارتباطات درونی آنها می‌توان یک مدل ابتدایی از نورون را به وسیله کامپیوتر شبیه سازی کرد.

 

 

 

فهرست مطالب
2-10- شبکه های عصبی مصنوعی ( ANNs )     12
2-10-1- مقدمه    12
2-10-2- شبکه عصبی    13
2-10-3- معرفی شبکه عصبی مصنوعی    14
2-10-4- تاریخچه شبکه‌های عصبی مصنوعی    15
2-10-5- چرا از شبکه‌های عصبی استفاده می‌کنیم؟    17
2-10-7- ساختار شبکه‌های عصبی    19
2-10-8- تقسیم بندی شبکه‌های عصبی    20
2-10-9- کاربرد شبکه‌های عصبی    21
2-10-10- معایب شبکه‌های عصبی    22
2-10-11- مسائل مناسب برای یادگیری شبکه های عصبی    23
2-11- یادگیری یک پرسپترون    24
2-11-1- آموزش پرسپترون    26
2-11-2- الگوریتم یادگیری پرسپترون    27
2-12- مقایسه آموزش یکجا و افزایشی    28
2-13- شبکه های چند لایه    28
2-14- الگوریتم   Back propagation    29
2-15- شبکه های عصبی چند لایه پیش خور    34
2-16- انواع شبکه های عصبی :    37
2-16-1-  شبکه عصبی پرسپترون    37
2-16-2- شبکه همينگ    39
2-16-3- شبکه هاپفيلد    41
2-16-4- شبکه عصبی خود سازمانده مدل کوهنن    42
2-16-5- شبکه عصبی تأ خير زمانی    43
2-17- مدل ترکیبی شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (NEURO/DEA )    44
2-17-1- مقدمه    44
2-17-2- الگوریتم تحلیل کارایی    47
2-17-3- نرمال سازی داده ها    48
2-18- مفاهیم کارایی ، بهره وری و اثربخشی    52
2-19- مروری بر مطالعات انجام شده    54
منابع و مراجع    
منابع فارسی    
منابع انگلیسی    


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

این فایل با کیفیت بالا برای ارائه تهیه شده است

پشتیبانی فوری در صورت مشکل در دانلود فایل اول لطفا پیامک , تلگرام و تماس 09214087336

مبانی شبکه های عصبی مصنوعی ساختارها، الگوریتم ها و کاربردها

مبانی شبکه های عصبی مصنوعی ساختارها، الگوریتم ها و کاربردها

مبانی شبکه های عصبی مصنوعی ساختارها، الگوریتم ها و کاربردها

هدف از این نوشتار مبانی شبکه های عصبی مصنوعی ساختارها، الگوریتم ها و کاربردها بصورت کامل و جامع و با منابع جدید می باشد

مشخصات فایل

تعداد صفحات 78
حجم 798/516 کیلوبایت
فرمت فایل اصلی docx

توضیحات کامل

دانلود تحقیق و پایان نامه رشته هوش مصنوعی

مبانی شبکه های عصبی مصنوعی ساختارها، الگوریتم ها و کاربردها

 

 

شبکه های عصبی مصنوعی ( ANNs )  

2-10-1- مقدمه 
در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاٌ تئوری به تحقیقات کاربردی علی الخصوص در پردازش اطلاعات برای مسائلی که یا برای آن ها راه حلی موجود نیست و یا به راحتی قابل حل نیستند ، بوده ایم . با عنایت به این حقیقت ، علاقه فزاینده ای در توسعه تئوریک سیستم های دینامیکی هوشمند مدل – آزاد که مبتنی بر داده های تجربی هستند ، ایجاد شده است . " شبکه های عصبی مصنوعی " جزء این دسته از سیستم های دینامیکی قرار دارند که با پردازش روی داده ها تجربی دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند . به همین خاطر به این سیستم ها هوشمند گویند چرا که براساس محاسبات روی داده ها عددی یا مثال ها قوانین کلی را فرا می گیرند . این سیستم های مبتنی بر هوش محاسباتی سعی در مدل سازی ساختار نرو – سیناپتیکی مغز بشر دارند . 

پیاده سازی ویژگی های شگفت انگیز مغز در یک سیستم مصنوعی ( سیستم دینامیکی ساخته دست بشر ) همیشه وسوسه انگیز و مطلوب بوده است . بسیارند محققینی که طی سال ها در این زمینه فعالیت ها کرده اند ، لیکن نتیجه این تلاش ها ، صرف نظر از یافته های ارزشمند ، باور هرچه بیشتر این اصل بوده است که " مغز بشر دست نیافتنی است . " با تأکید بر این نکته که گذشته از متافیزیک ، دور از دسترس بودن ایده آل " هوش طبیعی " را می توان با عدم کفایت دانش موجود بشر از فیزیولوژی عصبی پذیرفت باید اذعان داشت که عالی بودن هدف و کافی نبودن دانش موجود ، خود سبب انگیزش پژوهش های بیشتر و بیشتر در این زمینه بوده و خواهد بود ، همچنان که امروزه شاهد بروز چنین فعالیت هایی در قالب شبکه های عصبی مصنوعی هستیم . اغلب آنهایی که با چنین سیستم هایی آشنایی دارند به اغراق آمیز بودن آن ها معترفند . 
این اغراق ، اگر چه بیانگر مطلوبیت و نیز بعضی مشابهت های این گونه سیستم ها با سیستم های طبیعی است ، ولی می تواند تا حدی بین آنچه که سیستم های عصبی مصنوعی در اختیار قرار می دهد و آنچه که از نامشان بر می آید تناقض ایجاد نماید . لذا هنگام صحبت کردن در مورد اساس شبکه های عصبی ، باید حدود انتظارات و برداشت ها و شباهت ها را مشخص کرد . 

 

شبکه عصبی
جانوران پرسلولی برای ایجاد هماهنگی بین اعمال سلول ها و اندام های مختلف بدن خود نیاز به عوامل و دستگاه های ارتباطی دارند.دستگاه عصبی با ساختار و کار ویژه ی ای که دارد،در جهت ایجاد این هماهنگی به وجود آمده است. نورون ها پیام عصبی را به بافت ها و اندام های بدن ،مانند ماهیچه ها غده هاو نیز نورون های دیگر میفرستد و از این طریق با آنها ارتباط برقرار میکند. رشته هایی که از جسم سلولی نورون ها بیرون زده اند دو نوع اند:دندریت و آکسون دندریت ها پیام هارا دریافت میکنند و به جسم سلولی میبرند،آکسون ها پیام عصبی را از جسم سلولی به تا پایانه های آکسون هدایت میکند. وظایف دستگاه عصبی به ارتباط متقابل بین میلیون ها نورون وابسته است.در دستگاه عصبی دو بخش اصلی وجود دارد;دستگاه عصبی مرکزی و دستگاه عصبی محیطی.دستگاه عصبی مرکزی شامل مغز و نخاع است که مراکز نظارت بر اعمال بدن اند.

این دستگاه اطلاعات دریافتی از محیط و درون بدن را تفسیر میکند و به آنها پاسخ میدهد.دستگاه عصبی مرکزی از دو بخش ماده ی خاکستری که بیشتر محتوی جسم سلولی نورون هاست و ماده ی سفید که اجتماع بخش های میلین دار نورون هاست،تشکیل شده است. دستگاه عصبی محیطی شامل تعداد زیادی عصب است که اطلاعات را جمع آوری میکند و به دستگاه عصبی مرکزی میبرد. مغز حدود۱۰۰میلیارد نورون  است و حدود ۱.۵کیلوگرم وزن دارد.مغز شامل :مخ،مخچه و ساقه مغز است. مخ بزرگترین بخش مغز است وتوانایی یادگیری ،حافظه،وعملکرد هوشمندانه را دارد.مخچه مهمترین مرکز یادگیری حرکات لازم برای تنظیم حالت بدن و تعادل است. ساقه ی مغز در قسمت پایینی مغز قرار دارد و شامل مغز میانی،پل مغز و بصل النخاع است . نخاع درون ستون مهره ها از بصل النخاع تا کمر امتداد دارد.نخاع مغز را به دستگاه عصبی محیطی وصل میکند. دستگاه عصبی محیطی شامل۳۱جفت عصب نخاعی و ۱۲جفت عصب مغزی است.دستگاه عصبی محیطی شامل دو بخش پیکری که ارادی است و خودمختار که اعمال غیر ارادی مارا بر عهده دارد.دستگاه عصبی خود مختار شامل اعصاب پارا سمپاتیک و سمپاتیک میباشد که اعصاب پارا سمپاتیک باعث برقراری ارامش و اعصاب سمپاتیک در مواقع هیجانی روانی یا جسمی فعال میشوند. ]13[

 

 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 نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند.

در این حافظه یا شبکه عصبی نورونها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) 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) می کنند .]12[

 

 

چرا از شبکه‌های عصبی استفاده می‌کنیم؟
شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌های پیچیده می‌توانند در استخراج الگوها و شناسایی گرایش‌های مختلفی که برای انسان‌ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. از مزایای شبکه‌های عصبی می‌توان موارد زیر را نام برد:

1.    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.
2.    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.
3.    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.
4.    تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش می‌یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می‌شود.
5.    دسته بندی : شبکه‌های عصبی قادر به دسته بندی ورودی‌ها بر ای دریافت خروجی مناسب می‌باشند.
6.    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.
7.    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:
1.    شبکه‌های عصبی دستورات را به صورت سری اجرا نکرده، شامل حافظه‌ای برای نگهداری داده و دستورالعمل نیستند.
2.    به مجموعه‌ای از ورودی‌ها به صورت موازی پاسخ می‌دهند.
3.    بیشتر با تبدیلات و نگاشت‌ها سروکار دارند تا الگوریتم‌ها و روش‌ها.
4.    شامل ابزار محاسباتی پیچیده نبوده، از تعداد زیادی ابزارساده که اغلب کمی بیشتر از یک جمع وزن دار را انجام می‌دهند تشکیل شده‌اند.

 

 ساختار شبکه‌های عصبی
یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:
•    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.

شبکه‌های تک لایه و چند لایه‌ای نیز وجود دارند که سازماندهی تک لایه که در آن تمام واحدها به یک لایه اتصال دارند بیشترین مورد استفاده را دارد و پتانسیل محاسباتی بیشتری نسبت به سازماندهی‌های چند لایه دارد. در شبکه‌های چند لایه واحدها به وسیله لایه‌ها شماره گذاری می‌شوند (به جای دنبال کردن شماره گذاری سراسری).
هر دو لایه از یک شبکه به وسیله وزن‌ها و در واقع اتصالات با هم ارتباط می‌یابند. در شبکه‌های عصبی چند نوع اتصال و یا پیوند وزنی وجود دارد: پیشرو: بیشترین پیوندها از این نوع است که در آن سیگنال‌ها تنها در یک جهت حرکت می‌کنند. از ورودی به خروجی هیچ بازخوردی (حلقه) وجود ندارد. خروجی هر لایه بر همان لایه تاثیری ندارد.
ن    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. ] 10[

 

 

فهرست مطالب
2-10- شبکه های عصبی مصنوعی ( ANNs )     12
2-10-1- مقدمه    12
2-10-2- شبکه عصبی    13
2-10-3- معرفی شبکه عصبی مصنوعی    14
2-10-4- تاریخچه شبکه‌های عصبی مصنوعی    15
2-10-5- چرا از شبکه‌های عصبی استفاده می‌کنیم؟    17
2-10-7- ساختار شبکه‌های عصبی    19
2-10-8- تقسیم بندی شبکه‌های عصبی    20
2-10-9- کاربرد شبکه‌های عصبی    21
2-10-10- معایب شبکه‌های عصبی    22
2-10-11- مسائل مناسب برای یادگیری شبکه های عصبی    23
2-11- یادگیری یک پرسپترون    24
2-11-1- آموزش پرسپترون    26
2-11-2- الگوریتم یادگیری پرسپترون    27
2-12- مقایسه آموزش یکجا و افزایشی    28
2-13- شبکه های چند لایه    28
2-14- الگوریتم   Back propagation    29
2-15- شبکه های عصبی چند لایه پیش خور    34
2-16- انواع شبکه های عصبی :    37
2-16-1-  شبکه عصبی پرسپترون    37
2-16-2- شبکه همينگ    39
2-16-3- شبکه هاپفيلد    41
2-16-4- شبکه عصبی خود سازمانده مدل کوهنن    42
2-16-5- شبکه عصبی تأ خير زمانی    43
2-17- مدل ترکیبی شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (NEURO/DEA )    44
2-17-1- مقدمه    44
2-17-2- الگوریتم تحلیل کارایی    47
2-17-3- نرمال سازی داده ها    48
2-18- مفاهیم کارایی ، بهره وری و اثربخشی    52
2-19- مروری بر مطالعات انجام شده    54

منابع و مراجع    
منابع فارسی    
منابع انگلیسی    


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

این فایل با کیفیت بالا برای ارائه تهیه شده است

پشتیبانی فوری در صورت مشکل در دانلود فایل اول لطفا پیامک , تلگرام و تماس 09214087336

مبانی نظری و پیشینه تحقیق شبکه های عصبی مصنوعی 78 صفحه

مبانی نظری و پیشینه تحقیق شبکه های عصبی مصنوعی 78 صفحه

مبانی نظری و پیشینه تحقیق شبکه های عصبی مصنوعی 78 صفحه

دانلود مبانی نظری و پیشینه تحقیق شبکه های عصبی مصنوعی بصورت جامع و کامل برگرفته شده از پایان نامه کارشناسی ارشد با منابع بروز و جدید

مشخصات فایل

تعداد صفحات 78
حجم 798/475 کیلوبایت
فرمت فایل اصلی docx

توضیحات کامل

این نوشتار مبانی نظری و پیشینه تحقیق شبکه های عصبی مصنوعی می باشد. در بخش اول چارچوب و مبانی نظری شبکه های عصبی مصنوعی تشریح می شود و در بخش دوم پیشینه نظری تحقیق شبکه های عصبی مصنوعی در پژوهش های داخلی و خارجی مورد بررسی قرار می گیرد.

 

 

 

شبکه های عصبی مصنوعی ( ANNs )  
مقدمه 
در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاٌ تئوری به تحقیقات کاربردی علی الخصوص در پردازش اطلاعات برای مسائلی که یا برای آن ها راه حلی موجود نیست و یا به راحتی قابل حل نیستند ، بوده ایم . با عنایت به این حقیقت ، علاقه فزاینده ای در توسعه تئوریک سیستم های دینامیکی هوشمند مدل – آزاد که مبتنی بر داده های تجربی هستند ، ایجاد شده است . " شبکه های عصبی مصنوعی " جزء این دسته از سیستم های دینامیکی قرار دارند که با پردازش روی داده ها تجربی دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند . به همین خاطر به این سیستم ها هوشمند گویند چرا که براساس محاسبات روی داده ها عددی یا مثال ها قوانین کلی را فرا می گیرند . این سیستم های مبتنی بر هوش محاسباتی سعی در مدل سازی ساختار نرو – سیناپتیکی مغز بشر دارند . 

 

پیاده سازی ویژگی های شگفت انگیز مغز در یک سیستم مصنوعی ( سیستم دینامیکی ساخته دست بشر ) همیشه وسوسه انگیز و مطلوب بوده است . بسیارند محققینی که طی سال ها در این زمینه فعالیت ها کرده اند ، لیکن نتیجه این تلاش ها ، صرف نظر از یافته های ارزشمند ، باور هرچه بیشتر این اصل بوده است که " مغز بشر دست نیافتنی است . " با تأکید بر این نکته که گذشته از متافیزیک ، دور از دسترس بودن ایده آل " هوش طبیعی " را می توان با عدم کفایت دانش موجود بشر از فیزیولوژی عصبی پذیرفت باید اذعان داشت که عالی بودن هدف و کافی نبودن دانش موجود ، خود سبب انگیزش پژوهش های بیشتر و بیشتر در این زمینه بوده و خواهد بود ، همچنان که امروزه شاهد بروز چنین فعالیت هایی در قالب شبکه های عصبی مصنوعی هستیم . اغلب آنهایی که با چنین سیستم هایی آشنایی دارند به اغراق آمیز بودن آن ها معترفند .این اغراق ، اگر چه بیانگر مطلوبیت و نیز بعضی مشابهت های این گونه سیستم ها با سیستم های طبیعی است ، ولی می تواند تا حدی بین آنچه که سیستم های عصبی مصنوعی در اختیار قرار می دهد و آنچه که از نامشان بر می آید تناقض ایجاد نماید . لذا هنگام صحبت کردن در مورد اساس شبکه های عصبی ، باید حدود انتظارات و برداشت ها و شباهت ها را مشخص کرد .

 

 

 شبکه عصبی
جانوران پرسلولی برای ایجاد هماهنگی بین اعمال سلول ها و اندام های مختلف بدن خود نیاز به عوامل و دستگاه های ارتباطی دارند.دستگاه عصبی با ساختار و کار ویژه ی ای که دارد،در جهت ایجاد این هماهنگی به وجود آمده است. نورون ها پیام عصبی را به بافت ها و اندام های بدن ،مانند ماهیچه ها غده هاو نیز نورون های دیگر میفرستد و از این طریق با آنها ارتباط برقرار میکند. رشته هایی که از جسم سلولی نورون ها بیرون زده اند دو نوع اند:دندریت و آکسون دندریت ها پیام هارا دریافت میکنند و به جسم سلولی میبرند،آکسون ها پیام عصبی را از جسم سلولی به تا پایانه های آکسون هدایت میکند. وظایف دستگاه عصبی به ارتباط متقابل بین میلیون ها نورون وابسته است.در دستگاه عصبی دو بخش اصلی وجود دارد;دستگاه عصبی مرکزی و دستگاه عصبی محیطی.دستگاه عصبی مرکزی شامل مغز و نخاع است که مراکز نظارت بر اعمال بدن اند.این دستگاه اطلاعات دریافتی از محیط و درون بدن را تفسیر میکند و به آنها پاسخ میدهد.دستگاه عصبی مرکزی از دو بخش ماده ی خاکستری که بیشتر محتوی جسم سلولی نورون هاست و ماده ی سفید که اجتماع بخش های میلین دار نورون هاست،تشکیل شده است.

 

 دستگاه عصبی محیطی شامل تعداد زیادی عصب است که اطلاعات را جمع آوری میکند و به دستگاه عصبی مرکزی میبرد. مغز حدود۱۰۰میلیارد نورون  است و حدود ۱.۵کیلوگرم وزن دارد.مغز شامل :مخ،مخچه و ساقه مغز است. مخ بزرگترین بخش مغز است وتوانایی یادگیری ،حافظه،وعملکرد هوشمندانه را دارد.مخچه مهمترین مرکز یادگیری حرکات لازم برای تنظیم حالت بدن و تعادل است. ساقه ی مغز در قسمت پایینی مغز قرار دارد و شامل مغز میانی،پل مغز و بصل النخاع است . نخاع درون ستون مهره ها از بصل النخاع تا کمر امتداد دارد.نخاع مغز را به دستگاه عصبی محیطی وصل میکند. دستگاه عصبی محیطی شامل۳۱جفت عصب نخاعی و ۱۲جفت عصب مغزی است.دستگاه عصبی محیطی شامل دو بخش پیکری که ارادی است و خودمختار که اعمال غیر ارادی مارا بر عهده دارد.دستگاه عصبی خود مختار شامل اعصاب پارا سمپاتیک و سمپاتیک میباشد که اعصاب پارا سمپاتیک باعث برقراری ارامش و اعصاب سمپاتیک در مواقع هیجانی روانی یا جسمی فعال میشوند. ]13[

 

 

 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 نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند.در این حافظه یا شبکه عصبی نورونها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) 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) می کنند .]12[

 

 

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 اصطلاحاً 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 ۱۹۵۸ 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 ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. آدالاین  یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.در سال ۱۹۶۹ 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.

 

با وجود اینکه اشتیاق عمومی و سرمایه گذاری‌های موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ که شبکه‌ای تحت عنوان آوالانچ  را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه‌های ART را بنانهادند که با مدل‌های طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیک‌هایی برای یادگیری ایجاد کردند. ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار   خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.پیشرفت‌هایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتاب‌ها و کنفرانس‌های وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده‌است. ]14[

 

 

 

فهرست مطالب
2-10- شبکه های عصبی مصنوعی ( ANNs )     12
2-10-1- مقدمه    12
2-10-2- شبکه عصبی    13
2-10-3- معرفی شبکه عصبی مصنوعی    14
2-10-4- تاریخچه شبکه‌های عصبی مصنوعی    15
2-10-5- چرا از شبکه‌های عصبی استفاده می‌کنیم؟    17
2-10-7- ساختار شبکه‌های عصبی    19
2-10-8- تقسیم بندی شبکه‌های عصبی    20
2-10-9- کاربرد شبکه‌های عصبی    21
2-10-10- معایب شبکه‌های عصبی    22
2-10-11- مسائل مناسب برای یادگیری شبکه های عصبی    23
2-11- یادگیری یک پرسپترون    24
2-11-1- آموزش پرسپترون    26
2-11-2- الگوریتم یادگیری پرسپترون    27
2-12- مقایسه آموزش یکجا و افزایشی    28
2-13- شبکه های چند لایه    28
2-14- الگوریتم   Back propagation    29
2-15- شبکه های عصبی چند لایه پیش خور    34
2-16- انواع شبکه های عصبی :    37
2-16-1-  شبکه عصبی پرسپترون    37
2-16-2- شبکه همينگ    39
2-16-3- شبکه هاپفيلد    41
2-16-4- شبکه عصبی خود سازمانده مدل کوهنن    42
2-16-5- شبکه عصبی تأ خير زمانی    43
2-17- مدل ترکیبی شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (NEURO/DEA )    44
2-17-1- مقدمه    44
2-17-2- الگوریتم تحلیل کارایی    47
2-17-3- نرمال سازی داده ها    48
2-18- مفاهیم کارایی ، بهره وری و اثربخشی    52

2-19- مروری بر مطالعات انجام شده    54
منابع و مراجع    88

منابع فارسی    89
منابع انگلیسی    91

 

 

 

 

توضیحات:
فصل دوم پایان نامه کارشناسی ارشد (پیشینه و مبانی نظری پژوهش)
همراه با منبع نویسی درون متنی به شیوه APA جهت استفاده فصل دو پایان نامه
توضیحات نظری کامل در مورد متغیر
پیشینه داخلی و خارجی در مورد متغیر مربوطه و متغیرهای مشابه
رفرنس نویسی و پاورقی دقیق و مناسب
منبع :    انگلیسی وفارسی دارد (به شیوه APA)
نوع فایل:     WORD و قابل ویرایش با فرمت doc
بدون هیچ تگ و تبلیغات، قابلیت پرینت دارد
تولید شده انحصاری در:فروشگاه ساز فایلینا

 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

این فایل با کیفیت بالا برای ارائه تهیه شده است

پشتیبانی فوری در صورت مشکل در دانلود فایل اول لطفا پیامک , تلگرام و تماس 09214087336

مقاله آموزش کامل CBR

مقاله آموزش کامل CBR

مقاله آموزش کامل CBR

مقاله آموزش کامل سیستم مبتنی بر استدلال مورد Case Based Reasoning system

مشخصات فایل

تعداد صفحات 50
حجم 0/281 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

سیستم مبتنی بر استدلال مورد

Case Based Reasoning system

(بصورت جامع و کامل)
 
مقدمه
CBR یک روش حل مساله است که در بسیاری از جنبه‌ها از دیگر روش‌های اصلی AI متفاوت است و به جای اینکه فقط روی دانش کلی حوزه مساله تکیه کند یا بین مسائل و راه‌حل‌ها، ارتباطات تعمیم یافته ایجاد کند، قادر است از دانش مخصوص مربوط به تجربیات قبلی و وضعیت دیگر مسائل بهره گیرد. یک مساله جدید با یافتن وضعیت مشابهی که قبلا مشاهده شده است و استفاده از آن در وضعیت جدید حل می‌شود. تفاوت مهم دیگر این است که CBR روشی برای یادگیری تقویتی، افزایشی می‌باشد چون هر دفعه که مساله‌ای حل می‌شود یک تجربه جدید نگه داشته شده و برای مسائل بعدی در دسترس می‌باشد. فیلد CBR در طول چند سال اخیر به سرعت رشد کرده است. شاهد این امر مقالات زیاد در کنفرانس‌های مهم، ابزار تجاری در دسترس و کاربردهای موفق آن می‌باشد.
 
 
 
کلمات کلیدی:

CBR

روش حل مساله

استدلال مبتنی بر حالت

 
 
 

CBR چیست؟

به طور اساسی CBR حل یک مساله جدید به وسیله یادآوری یک موقعیت مشابه قبلی و با استفاده مجدد از اطلاعات و دانش مربوط به آن می‌باشد. در ادامه به بیان این مفهوم با نگاه به حل چند مساله نوعی می‌پردازیم:
 
·         یک پزشک، بعد از معاینه یک بیمار خاص در مطبش، به یاد بیماری می‌افتد که دو هفته قبل درمان کرده است. این یادآوری به دلیل مشابهت علائم اصلی بیماری است نه به دلیل مشابهت در رنگ موی بیمار و یا طرز بیان او. در این حالت پزشک از تشخیص بیماری و درمانی که در مورد بیمار قبلی به کار برده است برای تشخیص بیماری و درمان بیمار حاضر استفاده می‌کند.
 
·         یک مهندس حفاری، که دو انفجار مهیج را تجربه کرده است، هنگامی که ترکیب اندازه‌های بحرانی، مشابه موقعیت انفجار قبل می‌شود، بلافاصله به یاد یک یا هردوی این موقعیت‌ها می‌افتد. در حالت خاص ممکن است به یاد اشتباهی که در انفجار قبل مرتکب شده است بیفتد و از آن برای جلوگیری از تکرار اشتباه قبلی استفاده کند.
 
·         یک مشاور مالی که روی یک مساله تصمیم‌گیری سخت کار می‌کند، موقعیت‌های قبلی که شرکت را با مشکل مشابهی رو به رو کرده را به یاد آورده و از آن برای تصمیم‌گیری در موقعیت فعلی استفاده می‌کند.  ‌
 
      
 
 
 
فهرست مطالب
 
چکیده    
مقدمه    

حل مساله مبتنی بر حالت    

یادگیری در استدلال مبتنی بر حالت ‏‎(CBR)‎    

تاریخچه ‏CBR    

چرخه ‏CBR    

بازیابی، استفاده دوباره، تجدید نظر و حفظ کردن.‏    
شکل ‏‎1‎‏-چرخه ‏CBR    

مدل‌های ‏CBR    

مدل ‏Hunt    ‏8‏
شکل ‏‎2‎‏- مدل ‏Hunt‏ برای ‏CBR    
مدل ‏Allen    ‏
مدل ‏Kolodner‏ و ‏Leake    

شکل 3- مدل پیشنهاد شده توسط ‏Kolodner‏ و ‏Leake    

مدل ‏R4‎‏ برای ‏CBR    
نواحی مساله ‏CBR    
نمایش حالات    

مدل حافظه پویا    

شکل 4- ساختار حالات و اپیزودهای تعمیم یافته    
مدل دسته و نمونه    
شکل 5- ساختار دسته‌ها، ویژگی‌ها و مثال‌ها    
شناسایی ویژگی    
تطبیق اولیه    
انتخاب    

استفاده مجدد از حالت    

کپی    
انطباق    
اصلاح حالت    
ارزیابی راه حل    
اصلاح خطا    
نگهداری حالت- یادگیری    
استخراج    
شاخص    
یکپارچه‌سازی    
ارائه یک مدل جدید    

ساختن پایگاه حالت مبتنی بر جزبندی    

دنیای مسائل و راه‌حل‌های ممکن    
روابط تشابه در دنیای ممکن    
ساختن پایگاه حالت    
شکل 6- از ‏ ‏ و ‏ ‏ به پایگاه حالت ‏     
مدل ‏R5‎‏ برای ‏CBR    
شکل 7- مدل ‏R5‎‏ برای ‏CBR    

بهبود سیستم‌های ‏CBR    

انتخاب ویژگی    
انتخاب نمونه    
بهینه‌کردن همزمان    
شکل 8- رویه کاهش دو بعدی    
نتایج آزمایشات    
شکل 9- تفاوت بین الگوها برای روش‌های ‏a‏) ‏CCBR، ‏b‏)‏ICBR، ‏c‏)‏TRCBR    
نتیجه‌گیری    
مراجع    
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

این فایل با کیفیت بالا برای ارائه تهیه شده است

پشتیبانی فوری در صورت مشکل در دانلود فایل اول لطفا پیامک , تلگرام و تماس 09214087336

مقاله ترجمه شده رشته کامپیوتر با عنوان سیستم CBR برای تشخیص های پیچیده پزشکی

مقاله ترجمه شده رشته کامپیوتر با عنوان سیستم CBR برای تشخیص های پیچیده پزشکی

مقاله ترجمه شده رشته کامپیوتر با عنوان سیستم CBR برای تشخیص های پیچیده پزشکی

سیستم استدلال (CBR) برای تقلید تشخیصهای پزشکی پزشکانی که با توجه به یک مورد جدید تشخیص می دهند دقت در عمل بستگی به بازیابی موفقیت آمیز از موارد مشابه دارد

مشخصات فایل

تعداد صفحات 18
حجم 0/484 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

دانلود مقاله ترجمه شده رشته کامپیوتر

سیستم CBR برای تشخیص های پیچیده پزشکی

چکیده:

سیستم استدلال (CBR)  برای "تقلید تشخیصهای پزشکی" پزشکانی که با توجه به یک مورد جدید تشخیص می دهند. دقت در عمل بستگی به بازیابی موفقیت آمیز از موارد مشابه دارد. به دلیل استحکام پایه مورد خود سیستم CBR موفقیتهایی در برخورد با بیماری های ساده داشته اند. با این حال، هنگامی که با بیماریهای پیچیده به ویژه کسانی که درگیر حوزه های پزشکی اند متحمل دقت تشخیصی است. یک مثال از چنین شرایط سندرم قبل از قاعدگی (PMS) است که در زنان و روانپزشکی رخ می دهد. برای پرداختن به این موضوع، مقاله سیستم خبره مبتنی بر CBR-که با استفاده از نزدیکترین K

 (KNN) را پیشنهاد می کند. الگوریتم موارد مشابه K  را براساس اندازه گیری فاصله اقلیدس جستجو می کند. اخبار سیستم در طراحی انعطاف پذیر خودکار مجموعه تحمل (T)،که به عنوان یک آستانه برای استخراج موارد که شبیه هستند بیشتر از مقدار تخصیص داده شده از T عمل می کند.برای نمونه در درون سیستم ابزار نرم افزار با منو محور رابط کاربر گرافیکی (GUI) برای مورد ورودی، تجزیه و تحلیل نتایج، و انطباق مورد را توسعه داده است. در نهایت، در کارایی ابزار مجموعه ای از مواردPMS در دنیای واقعی بررسی می شود.

 

 

کلمات کلیدی :

CBR

 PMS

سیستم KNN

رویکرد منو محور (MDA)

مجموعه خود تحملی(T)

(Master Case base (MCB

 

دانلود رایگان نسخه انگلیسی

لینک دانلود مقاله به زبان اصلی


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

این فایل با کیفیت بالا برای ارائه تهیه شده است

پشتیبانی فوری در صورت مشکل در دانلود فایل اول لطفا پیامک , تلگرام و تماس 09214087336

كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم ژنتیك چند منظوره

كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم ژنتیك چند منظوره

كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم ژنتیك چند منظوره

ما در این مقاله یك الگوریتم تكوینی (ژنتیك) چند منظوره جهت استخراج قوانین دسته بندی پیشگویانه و قابل درك از پایگاه داده های وسیع را ارائه خواهیم كرد

مشخصات فایل

تعداد صفحات 21
حجم 0/361 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

دانلود مقاله ترجمه شده رشته هوش مصنوعی

كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم ژنتیك چند منظوره

 
چکیده:
ما در این مقاله یك الگوریتم تكوینی (ژنتیك) چند منظوره جهت استخراج قوانین دسته بندی پیشگویانه و قابل درك از پایگاه داده های وسیع را ارائه خواهیم كرد و همچنین دقت پیشگویانه و قابلیت درك قوانین ، با یكدیگر در تضاد هستند. لذا این موضوع تبدل به یك مساله بهینه سازی می شود كه حل كردن آن به شكل شایسته ، كاری دشوار می باشد . بنابراین یك الگوریتم پویای چند منظوره بنام الگوریتم ژنتیك جاسازی شده ی پیشرفته ی پارتو  (INPGA) جهت این منظور ارائه كردیم.
 
سپس قانون گذاری توسط INPGA ر ا با قانون گذاری توسط الگوریتم ژنتیك ساده(SGA) و همچنین الگوریتم ژنتیك جاسازی شده ی مقدماتی پارتو(NPGA) مورد مقایسه قرار دادیم.نتایج عملی بیانگر این امر هستند كه روش قانون گذاری ما نسبت به NPGA و SGA  برتری دارد.
 
 
 
کلمات کلیدی:

داده کاوی

الگوریتم ژنتیک پارتو

الگوریتم ژنتیک ساده

راه حل های بهینه پارتو

 
 
فهرست
1-مقدمه

2-کاربرد SGA در ایجاد قوانین رده بندی

2.1-نمایشهای ژنتیك

2.2-تابع تناسب
2.2.1-استاندارد قابلیت درك
2.2.2-دقت پیشگویانه

2.3-عملگرهای ژنتیك

3-الگوریتم های تكاملی برای مسائل چندمنظوره

4-الگوریتم ژنتیك جاسازی شده پارتو پیشنهادی

4.1-GA جاسازی شده پارتوی مقدماتی

4.1.1-مسابقات پیروزی پارتو
4.1.2-اشتراك در حدود عدم تسلط

4.2.2-GA جاسازی شده پارتو پیشرفته

5-شبیه سازی
5.1-تشریح سری داده
5.1.1-اطلاعات باغ وحش
5.1.2-اطلاعات شیرخوارگاه
5.2-نتایج
6.نتیجه


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

این فایل با کیفیت بالا برای ارائه تهیه شده است

پشتیبانی فوری در صورت مشکل در دانلود فایل اول لطفا پیامک , تلگرام و تماس 09214087336

رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی

رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی

رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی

در مکتوبی که پیش رو دارید، روشی برای طبقه بندی کالاهای موجود در فروشگاه های اینترنتی معرفی میگردد این طبقه بندی بر اساس سلیقه مشتری و همچنین اطلاعات گرفته شده از دیگر موتور جستجوها پیرامون کالای مورد نظر بنا شده است

مشخصات فایل

تعداد صفحات 20
حجم 1/758 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی + 20 اسلاید انگلیسی + داده های همراه

 
چکیده:
در مکتوبی که پیش رو دارید، روشی برای طبقه بندی کالاهای موجود در فروشگاه های اینترنتی معرفی میگردد. این طبقه بندی بر اساس سلیقه مشتری و همچنین اطلاعات گرفته شده از دیگر موتور جستجوها پیرامون کالای مورد نظر بنا شده است. سلایق مشتری که به صورت زبانی درباره ی کالاها بیان شده (Linguistically defind) ، یا همان خواص محصول، مستقیما از مشتری دریافت می گردد. از طرف دیگر موتورهای جستجو اطلاعاتی پیرامون کالا و بر اساس نظر دیگر مشتریان جمع آوری می کنند. مجموع سلایق مشتری و اطلاعات موتور جستجوها به عنوان مقیاسی جهت آماده سازی اطلاعات جدید و رتبه بندی کالاها مطابق نیاز مشتری استفاده می شود. میانگین وزن دار شده (Weighted average) محصولات، که از اطلاعات پیشین و سلایق عنوان شده توسط مشتری بدست می آید به ما کمک می کند تا محصولات را در فروشگاه اینترنتی رتبه بندی کنیم.
 
 
 
کلمات کلیدی:

سیستم های فازی

رده بندی کالا

رهیافت فازی

رتبه بندی

کمیت سنج زبانی

 
 
 
مقدمه:
در هر دو نوع فروشگاه کلاسیک و آنلاین، یک مشتری مشخصات مورد نظر خود را هنگام خرید کالا مطرح می کند. همزمان مایل است بداند نظر دیگر مشتریان در ارتباط با کالایی که وی قصد خرید ان را دارد چیست.با این پروسه مشتری خواهد فهمید که انتخابش چه قدر با بهترین کالا فاصله دارد. (فاصله صفر وقتی مشتری بهترین انتخاب را دارد). مشتری انتظار دارد این رده بندی و پیشنهادات از طرف خود سیستم بازار الکترونیکی به وی داده شود. در این راه گرفتن اطلاعات، جهت دادن پیشنهاد، کار نسبتا دشواری است. 
 
این دشواری چند برابر می شود وقتی مشتری خواسته ها و سلایق خود را به صورت فازی بیان می کند. سیستم فروش الکترونیک نیاز دارد که در جهت هرچه مشتری مدارتر شدن، این اصطلاحات فازی را نمایش داده و ترکیب کند. یک مشکل دیگر در فروش الکترونیک بیرون کشیدن وزن های پنهان شده درون هر یک از خصوصیاتی است که مشتری بر اساس این وزن های ذهنی، قضاوت و رده بندی نهایی را می طلبد. اعلام این وزن های پنهان، فروش الکترونیکی را هر چه بیشتر بر روی خواست مشتری متمرکز می کند. اما بسیار دشوار است که این وزن ها در فروشگاه های الکترونیکی دریافت و تعریف شوند، زیرا درگیر کردن مشتری با جزئیات از جذابیت خرید خواهد کاست. مطلب بعدی به میزان محبوبیت کالای انتخاب شده بر می گردد. نهایتا سیستم نیاز دراد تمام موارد فوق را با هم ترکیب کرده و رده بندی نهایی را به مشتری اعلام کند.
 
 
در این گزارش ما با مشکل اول از طریق نمایش خواص کالا که توسط مشتری بیان می شود، به صورت مجموعه های فازی، روبرو می شویم. مسئله دوم با مفاهیم اپراتور OWA (Ordered Weighted Average) و کمیت سنج زبانی مدیریت می شود. اطلاعات سایر مشتریان از طریق اینترنت و با استفاده از موتورهای جستجو انجام می شود، و نهایتا از ترکیب تمام اطلاعات فوق جهت ارائه یک رده بندی مناسب و دادن اطلاعات جدید جانبی راجع به کالای مورد نظر استفاده خواهد شد.
 
 
در بخش 1، مروری بر کارهای انجام شده در این زمینه خواهیم داشت. در بخش 2، به شرح فواید مجموعه های فازی در نمایش یک کالا و کمیت سنج زبانی (Linguistic quantifier)، همراه با توضیح مختصری در ارتباط با اپراتور OWA می پردازیم. در بخش 3، ما به چگونگی رتبه بندی بر اساس اطلاعات گرفته شده از مشتری و همچنین موتورهای جستجو خواهیم پرداخت. در بخش 4، یک مثال عددی را در ارتباط با پروسه فوق از نظر می گذرانیم. مثالی که بررسی خواهد شد مربوط به کاری است که در مقاله مرجع بر روی داده ها انجام شده است. در بخش 5، پیاده سازی روش های رتبه بندی عنوان شده را بر روی داده های گرفته شده از پایگاه اینترنتی UCI، با تغییراتی که جزئیات آن شرح داده خواهد شد، انجام داده و نتایج حاصله را مورد بحث و بررسی قرار می دهیم.
 
 
 
 
 
 
 
 
فهرست
چکیده: 3
مقدمه: 3
1_ مروری بر کارهای قبلی: 4
2_ سفارشی کردن کالا: 6
2_1_ مفاهیم فازی در ویژگی های محصول: 6
2_2_ کمیت سنج زبانی (Linguistic Quantifier): 8
2_3_ اپراتور OWA: 9
3_ رتبه بندی محصولات: 9
3_1_ رده بندی از دیدگاه ویژگی های مورد نظر مشتری: 10
3_1_ رده بندی از دیدگاه موتورهای جستجو: 11
4_ رتبه بندی نهایی محصولات: 12
5_ مثال عددی: 13
5_1_ رتبه بندی ماشین ها از دیدگاه مشتری: 14
5_2_ رتبه بندی ماشین ها از دیدگاه مشتری: 14
6_ پیاده سازی روش: 16
6_1_ داده ها: 17
6_2_ مسئله و حل آن: 18
6_3_ بحث و نتیجه گیری: 19
مراجع: 20
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

این فایل با کیفیت بالا برای ارائه تهیه شده است

پشتیبانی فوری در صورت مشکل در دانلود فایل اول لطفا پیامک , تلگرام و تماس 09214087336

تشخیص الگوی صدا با استفاده از شبکه عصبی (نسخه آپدیت شده + 53 صفحه مقاله انگلیسی)

تشخیص الگوی صدا با استفاده از شبکه عصبی (نسخه آپدیت شده + 53 صفحه مقاله انگلیسی)

تشخیص الگوی صدا با استفاده از شبکه عصبی (نسخه آپدیت شده + 53 صفحه مقاله انگلیسی)

تشخیص الگوی صدا با استفاده از شبکه عصبی (نسخه آپدیت شده 53 صفحه مقاله انگلیسی)

مشخصات فایل

تعداد صفحات 13
حجم 0/607 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

تشخیص الگوی صدا با استفاده از شبکه عصبی (نسخه آپدیت شده + 53 صفحه مقاله انگلیسی)

 
 
چكیده:
 
در حال حاظر تحقیقات زیادی در گرایش های پردازش تصویر و پردازش صوت در سطح دنیا در حال انجام است كه عموما از روشهای هوش مصنوعی و الگوریتم های مختلف پردازش، نظیر DSP ،الگوریتم ژنتیك،شبكه عصبی و… استفاده میكنند.هدف این تحقیق ایجاد روشی هوشمند جهت افزودن قابلیت تشخیص كلمات برای كامپیوتر، مبتنی بر تكنیك شبكه عصبی میباشد.این روش از راه آموزش دادن شبكه ای مناسب، قادر است سیگنالهای صوتی مختلف را تفكیك و دسته بندی نماید و در نهایت مفاهیمی را كه كاربر برای هر گروه از اصوات مشخص مینماید به طور محدود بیاموزد.در این تحقیق، شبكه با سیگنالهای صوتی اعداد صفر تا نه، به زبان فارسی آموزش داده شده وهدف شبكه بعد از آموزش، تفكیك سیگنالهای ورودی و یافتن عدد متناظر با سیگنال ورودی میباشد.
 
 
 
 
 
 
كلیدواژه ها:

شبكه عصبی

تشخیص صدا

پردازش صوت

سیستمهای هوشمند

 
 
 
 
 
 
1) مقدمه:
 
در زمینه تشخیص الگوی صوت توسط شبكه عصبی تا كنون در ایران كار زیادی صورت نگرفته و مقاله های محدودی كه وجود دارد بیشتر به این موضوع از دید عمومی و معرفی تكنیك پرداخته شده است. نتایج این تحقیق كاملا عملی و حاصل كار،یك 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 شبكه عصبی استفاده شده و عموما نمونه های صوت را بدون تغییر به عنوان دیتای ورودی به شبكه در نظر گرفته اند و این موضوع باعث حجیم شدن شبكه ،طولانی شدن مراحل آموزش شبكه، وابستگی شدید نتایج به دامنه سیگنال وحساسیت زیاد نتایج به نویز میباشد.
 
 
 
روش ارائه شده در این مقاله بواسطه وجود یك مرحله اصلاح وتغییر دیتا، مقداری از مشكلات بالا كاسته ولی نقاط ضعفی هم دارد. از جمله وابستگی زیاد شبكه به تن صدا ودیتایی كه شبكه توسط آن آموزش می بیند. بنا بر این برای عمومیت پیدا كردن عملكرد شبكه نیاز به دیتای فراوان ازافراد مختلف،لهجه ها و گویش های متفاوت دارد.
 
 
 
2) روش استفاده شده برای تشخیص:به طور كلی میتوان مراحل انجام این پروژه از ابتدا تا پایان را به قسمتهای زیر تقسیم بندی نمود 
-1تهیه دیتا
-2اصلاح دیتای خام جهت ارائه به شبكه
-3ایجاد یك شبكه مناسب
-4آموزش شبكه
 
 
تمامی مراحل فوق به كمك جعبه ابزار ها و دستورات مختلف نرم افزار مطلب قابل اجرا است .
 
در مرحله اول كه تهیه دیتا میباشد از جعبه ابزارData Acquisition Toolbox استفاده شده مراحل مختلف استفاده از این جعبه ابزار بطور كامل در help مطلب به همراه مثال آموزش داده شده .كه بطور خلاصه شامل مراحل زیر است.
• تعریف یك ورودی آنالوگ
• مشخص نمودن مرجع دریافت ورودی (كارت صوتی تحت اختیار سیستم عامل و یا …)
• تعریف كانال یا كانالهای ورودی(سخت افزار مرجع ممكن است چندین ورودی داشته باشد)
• تعیین فركانس نمونه برداری.
• تعیین ورودی پیش فرض جهت نمونه برداری از بین كانالهای تعریف شده.
• مشخص نمودن نحوه شروع نمونه برداری (یك تحریك سخت افزاری یا یك دستور شروع نرم افزاری) كه ما بنا بر ملاحظات كار خود حالت سخت افزاری را انتخاب میكنیم.
• دستور شروع نمونه برداری شامل یك حلقه هزارتایی جهت برداشت هزار سیگنال از اعداد0الی9
 
 
 
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

این فایل با کیفیت بالا برای ارائه تهیه شده است

پشتیبانی فوری در صورت مشکل در دانلود فایل اول لطفا پیامک , تلگرام و تماس 09214087336

مدل مخفی مارکوف و بهترین الگوریتمهای آموزش ( نسخه کامل و آپدیت شده )

مدل مخفی مارکوف و بهترین الگوریتمهای آموزش ( نسخه کامل و آپدیت شده )

مدل مخفی مارکوف و بهترین الگوریتمهای آموزش ( نسخه کامل و آپدیت شده )

مدل پنهان مارکوف یک مدل مارکوف آماری است که در آن سیستم مدل شده به صورت یک فرایند مارکوف با حالت‌های مشاهده نشده (پنهان) فرض می‌شود

مشخصات فایل

تعداد صفحات 37
حجم 0/314 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

مدل مخفی مارکوف و بهترین الگوریتمهای آموزش

(نسخه کامل و آپدیت شده)

Hidden Markov Model and Training Algorithms

 
 
چکیده:
یکی از مسائلی که در پردازش سیگنال توجهات را به خود معطوف نموده است، مدلسازی سیگنال است. انتخابهای مختلفی برای مدل کردن سیگنال و خصوصیات آن وجود دارد. از یک دیدگاه می توان مدلهای سیگنال را به دو دسته مدلهای معین  و مدلهای آماری  تقسیم بندی نمود. مدلهای معین عمدتا برخی خواص شناخته شده سیگنال را مورد استفاده قرار می دهند. در این حالت تشکیل مدل سیگنال سرراست است و تنها کافی ست مقادیر پارامترهای مدل تخمین زده شود. در مدلهای آماری سعی در ایجاد مدل با استفاده از خواص آماری سیگنال است.
 
مدلهای گاوسی، زنجیره مارکوف و مدل مخفی مارکوف از جمله این روشها هستند. فرض اساسی در مدلهای آماری این است که می توان خواص سیگنال را به شکل یک فرآیند تصادفی پارامتری مدل نمود. مدل مخفی مارکوف در اواخر دهه 1960 میلادی معرفی گردید و در حال حاضر به سرعت در حال گسترش دامنه کاربردها می باشد. دو دلیل مهم برای این مساله وجود دارد. اول اینکه این مدل از لحاظ ساختار ریاضی بسیار قدرتمند است و به همین دلیل مبانی نظری بسیاری از کاربردها را شکل داده است. دوم اینکه مدل مخفی مارکوف اگر به صورت مناسبی ایجاد شود می تواند برای کاربردهای بسیاری مورد استفاده قرار گیرد.
 
 
کلمات کلیدی:

مدلهای آماری

مدل پنهان مارکوف

مدلسازی سیگنال

معماری مدل پنهان مارکوف

 
 
مقدمه
مدل پنهان مارکوف ( Hidden Markov Model) یک مدل مارکوف آماری است که در آن سیستم مدل شده به صورت یک فرایند مارکوف با حالت‌های مشاهده نشده (پنهان) فرض می‌شود. یک مدل پنهان مارکوف می‌تواند به عنوان ساده‌ترین شبکه بیزی پویا در نظر گرفته شود.در مدل عادی مارکوف، حالت به طور مستقیم توسط ناظر قابل مشاهده‌است و بنابراین احتمال‌های انتقال بین حالت‌ها تنها پارامترهای موجود است. در یک مدل پنهان مارکوف، حالت به‌طور مستقیم قابل مشاهده نیست، اما خروجی، بسته به حالت، قابل مشاهده‌است. هر حالت یک توزیع احتمال روی سمبل‌های خروجی ممکن دارد. بنابراین دنبالهٔ سمبل‌های تولید شده توسط یک مدل پنهان مارکوف اطلاعاتی دربارهٔ دنبالهٔ حالت‌ها می‌دهد.
 
توجه داشته باشید که صفت 'پنهان' به دنبالهٔ حالت‌هایی که مدل از آن‌ها عبور می‌کند اشاره دارد، نه به پارامترهای مدل؛ حتی اگر پارامترهای مدل به‌طور دقیق مشخص باشند، مدل همچنان 'پنهان' است.مدل‌های پنهان مارکوف بیشتر به‌دلیل کاربردشان در بازشناخت الگو، مانند تشخیص صدا و دست‌خط، تشخیص اشاره و حرکت، برچسب‌گذاری اجزای سخن، بیوانفورماتیک و… شناخته‌شده هستند.
 
مدل پنهان مارکوف در حالت گسسته جز خانوادهٔ مسائل ظرف‌ها قرار می‌گیرد. به طور مثال از ربینر ۱۹۸۹: ظروف x1،x2،x3… و توپهای رنگی y1;y2;y3… را در نظر می‌گیریم، که نفر مقابل دنباله‌ای از توپ‌ها را مشاهده کرده ولی اطلاعی از دنبالهٔ ظرف‌هایی که توپ‌ها از آنها انتخاب‌شده ندارد. ظرف n ام با احتمالی وابسته به ظرف n-1 ام انتخاب می‌شود و چون به انتخاب ظرف‌های خیلی قبل‌تر وابسته نیست یک فرایند مارکوف است.
 
 
 
 
 
 
فهرست مطالب
چکیده: 3
کلمات کلیدی: 4
شرح ازنظر مسائل ظرف‌ها 5

معماری مدل پنهان مارکوف 5

شکل 1 : 6
زیر معماری کلی یک نمونه HMM 6

مسایلی که به کمک مدل پنهان مارکوف حل می‌شود 6

حل مسایل 7
Annotation: 7
classification: 7
Consensus: 7
Training 7
یادگیری 8
یک مثال ملموس 8
شکل 2 : 10

کاربردهای مدل پنهان مارکوف 11

تشخیص گفتار 11
ترجمه ی ماشینی 11
پیش بینی ژن 11
هم‌تراز کردن توالی 11
تشخیص فعالیت 11
تاشدگی پروتئین 11
تشخیص چهره 11
تاریخچه 11

انواع مدل پنهان مارکوف 11

فرایند مارکوف گسسته 12
شکل 3 : 12

مرتبه مدل مارکوف 13

1- مدل مارکوف مرتبه صفر 14
2- مدل مارکوف مرتبه اول 14
3- مدل مارکوف مرتبه m ام 14
شکل چهار: 15
مدل مارکوف مرتبه اول برای مثال 2 15
شکل 5 : 16
خروجی مثال 2 16
مدل مخفی مارکوف (HMM) 16

انواع مدلهای مخفی مارکوف و HMM پیوسته 19

مدل مخلوط گاوسی 21
فرضیات تئوری مدل مخفی مارکوف 22
مساله ارزیابی و الگوریتم پیشرو (forward) 24
شکل 6 : مساله ارزیابی و الگوریتم پیشرو 25

مساله کد گشایی و الگوریتم ویتربی (Viterbi Algorithm) 27

مساله یادگیری 28
معیار بیشترین شباهت((Maximum Likelihood (ML) 29
الگوریتم بام- ولش 29

الگوریتم حداکثر سازی امید ریاضی (Expectation Maximization) 31

روش مبتنی بر گرادیان 32

استفاده از مدل HMM در شناسایی گفتار 33

استفاده از HMM در شناسایی کلمات جداگانه 34

آموزش 35
شناسایی 35
منابع    37
 
 
 
 

 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

این فایل با کیفیت بالا برای ارائه تهیه شده است

پشتیبانی فوری در صورت مشکل در دانلود فایل اول لطفا پیامک , تلگرام و تماس 09214087336

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

هدف از این مقاله تشخیص کاراکتر با استفاده از شبکه عصبی LVQ می باشد

مشخصات فایل

تعداد صفحات 13
حجم 0/375 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

 
 
چکیده
Learning Vector Quantization یا LVQ یک روش کلاس بندی الگو است که هر کدام از خروجی ها نمایش دهنده یک کلاس می باشند و هر کدام توسط بردار وزن آن کلاس مشخص می شود . بردار وزن هر کدام از کلاسها توسط یکی مجموعه های آموزشی مقدار دهی اولیه شده و سپس توسط الگوریتم های یادگیری (با نظارت) بهینه می شود.  بعد از یادگیری ، شبکه LVQ ورودی را به کلاسی که برداری با نزدیک ترین فاصله به آن باشد ، نسبت می دهد . 
 
شبیه سازی فعالیت های انسان توسط ماشین ها یکی از زمینه های تحقیقاتی از زمان اختراع کامپیوترهای دیجیتال بوده است . در برخی زمینه ها که نوع خاصی از هوشمندی را نیاز داشته ؛ مانند بازی شطرنج ؛ پیشرفت های خوبی صورت گرفته است اما در مسائلی مانند بینایی ماشین حتی قدرتمندترین کامپیوترها نیز به راحتی از انسان شکست می خورند . شبیه سازی خواندن انسان نیز یکی از بخشهای جذابی است که طی سه دهه گذشته موضوع تحقیقات بسیاری از دانشمندان بوده و هنوز تا تکامل آن راه بسیاری در پیش است .
 
 
کلمات کلیدی:

شبکه عصبی

تشخیص کاراکتر

شبکه عصبی LVQ

ساختار شبکه های LVQ

شبکه های عصبی با الگوی یادگیری نظارت شده

 
 
 
مقدمه:
شبیه سازی خواندن و تشخیص متن توسط ماشین به 2 گروه کلی تقسیم می شود 
1.    جمع آوری اطلاعات برای تشخیص :
الف.    Offline : 
شامل تصاویری است که از نوشته ها تهیه می شود . مانند عکس توسط دوربین دیجیتالی ، اسکن نامه ها و صفحه های کتاب و از این دست تصاویر .
ب.    Online : 
در این مدل تشخیص متن ، همزمان با نوشتن آن ، متن ِ نوشته شده تشخیص داده شده و تبدیل به کاراکترهای آن می شود . مانند تشخیص دست خط در handled ها و یا در TabletPC ها .
 
2.    نوع متن
الف.    دست نویس
ب.    متن تایپ شده که توسط ماشین چاپ شده است ، مانند کتابها ، مجلات و …
 
 
 
 

عملیات تشخیص متن عموما ً شامل مراحل زیر است :

1.    پیش پردازش : شامل روش های مختلف پردازش تصویر است که تصویری بدون نویز و مناسب برای قطعه بندی را آماده می کند .
 
2.    قطعه بندی : مهمترین و مشکلترین کاری که برای تشخیص متن باید انجام شود  قطعه بندی تصویر به قطعاتی است که توسط قسمت تشخیص متن باید به کاراکتر یا کلمه تفسیر شود . قطعه بندی اشتباه تصویر منجر به تفسیری اشتباه از کاراکتر نقاشی شده در آن می شود . انواع قطعه بندی به شرح زیر است :
الف.    External Segmentation : هدف در این نوع قطعه بندی جدا کردن اجزای کلی متن مانند پاراگراف و سطرها می باشد . امکان برچسب زنی بر روی اجزای صفحه ، مانند عنوان یا چکیده نیز در این نوع قطعه بندی می تواند وجود داشته باشد .
ب.    Internal Segmentation : برای جدا کردن کاراکترها از یکدیگر استفاده می شود .
یک.    Implicit segmentation : تشخیص کاراکترها با توجه به معانی که از قطعات جدا شده قابل تفسیر است صورت می گیرد .
دو.    Explicit Segmentation : جدا کردن کاراکترها با توجه مشخصه هایی که برای آنها قابل تصور است . مثلا ً horizontal projection که از روی قله ها یا دره ها در هیستوگرام افقی یا عمودی سطر، کلمه یا حرف را پیدا می کند .
 
 
3.    آموزش و تشخیص کاراکترها : بعد از قطعه بندی ، تصویر قطعه قطعه شده می بایست توسط الگوریتمی به متن تفسیر شود . روشهای مختلفی برای این کار وجود دارد که هر کدام از آنها را می توان با دو دیدگاه اجرایی کرد.  در دیدگاه اول قطعات تصویر حاوی "کلمه" های متن اصلی هستند و الگوریتم باید کلمه ها را تشخیص دهد . در این دیدگاه دایره لغات کم خواهد بود ولی مشکل قطعه قطعه کردن تصویر کمتر است . برای تفسیر دست خط با توجه به تعدد روش نوشتن یک کلمه ، نرخ تفسیر کمتری از متن تایپی دارد . روش دوم روشهای analytic است که از پایین به بالا عمل کرده و سعی می کند کاراکترها را شناسایی کرده و با ترکیب آنها لغت ها را بسازد . در عمل از ترکیب روشهای زیر استفاده می شود :
الف.    Template Matching : تعدادی template از کاراکترها یا کلمات از قبل حاضر شده است . عکسهای قطعه قطعه شده با این template ها مقایسه می شود و با توجه به شباهت برنده انتخاب می شود . 
 
 
ب.    روشهای آماری : با استفاده از برخی مشخصه های آماری و توابع تصمیم گیری آماری کار تشخیص نوع هر کدام از تصاویر قطعه قطعه شده را انجام می دهد . روشهای non-paramteric ، parametric ، cluster analysis و hidden markov modeling از انواع این روش است . 
پ.    روشهای ساختاری : با توجه به تعدادی الگوی پایه که از قبل تعریف شده است و میزان استفاده هر کدام از تصاویر از این الگوهای پایه عملیات تشخیص انجام می شود . Grammatical methods و  graphical methods از انواع این روشها می باشد .
ت.    شبکه های عصبی : با توجه به خاصیت شبکه های عصبی که قابلیت تطبیق پذیری با اطلاعات جدید و مختلف را در حد بالایی دارند ، از آنها برای تشخیص استفاده می شود .
 
4.    پس پردازش : بعد از بدست آوردن متن از تصویر می توان آنها را با توجه به اطلاعاتی که درباره آن عکس داریم تصحیح کرد. مثلا ً با توجه به موضوع متن ، لغت هایی که احتمالا ً اشتباهی جزو متن تشخیص داده شده را حذف یا تصحیح کرد . استفاده از لغت نامه نیز یکی از ابزارهایی است که در این مرحله قابل استفاده می باشد .
 
در ادامه خلاصه ای از تئوری شبکه عصبی LVQ و مباحث مربوطه به قطعه بندی شامل بهبود تصویر و روش projection افقی و عمودی شرح داده شده است . پس از آن روش پیاده سازی و نمونه اجرایی در حالت تک کاراکتر و تصویر اسکن شده آمده است . 
 
 
 
 
 
 
 
فهرست
مقدمه 1

شبیه سازی خواندن و تشخیص متن توسط ماشین به 2 گروه کلی تقسیم می شود 1

1.    جمع آوری اطلاعات برای تشخیص : 1
الف.    Offline : 1
ب.    Online : 1
2.    نوع متن 2
الف.    دست نویس 2
ب.    متن تایپ شده که توسط ماشین چاپ شده است ، مانند کتابها ، مجلات و … 2
عملیات تشخیص متن عموما ً شامل مراحل زیر است : 2
شبکه عصبی LVQ 3
ساختار شبکه های LVQمانند شکل زیر است : 3

در الگوریتم یادگیری LVQ از عبارتهای زیر استفاده شده است : 4

بهبود تصاویر 5

Adaptive Median Filter 5
Spatial Smoothing 6
Thresholding 6
Projection افقی و عمودی6
حذف نقاط تنها 7
پیاده سازی و اجرا 8
آزمایش یک کاراکتر 9

آزمایش تصویر اسکن شده 9

منابع 13
 

 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

این فایل با کیفیت بالا برای ارائه تهیه شده است

پشتیبانی فوری در صورت مشکل در دانلود فایل اول لطفا پیامک , تلگرام و تماس 09214087336