طراحی شبکه های عصبی مصنوعی

طراحی شبکه های عصبی مصنوعی

طراحی شبکه های عصبی مصنوعی

کتاب طراحی شبکه های عصبی مصنوعی (Neural Network Design) ، سعی دارد تا شبکه های عصبی مصنوعی را بیشتر با مفهوم و ساختار اساسی اش بیان نماید. این کتاب اثر هاگان بوده که به همراه دانشجویانش تولباکس شبکه عصبی را نیز در نرم افزار متلب طراحی نموده اند. این کتاب مشتمل بر 19 فصل، 733 صفحه، به زبان انگلیسی، همراه با تصاویر، فرمول ها و جداول مهم، با فرمت pdf، به ترتیب زیر گردآوری شده است: Chapter 1: Introduction Chapter 2: Neuron Model and Network Architectures Chapter 3: An Illustrative Example

کاهش بعد با استفاده از شبکه های عصبی

کاهش بعد با استفاده از شبکه های عصبی

کاهش بعد با استفاده از شبکه های عصبی

پیشرفت در جمع آوری و ذخیره داده در طول دهه های گذشته موجب انفجار داده در بیشتر موارد شده است. محققان در بسیاری از حیطه ها مانند مهندسی، ستاره شناسی، اقتصاد و تعاملات مصرف کننده، با مشاهدات و شبیه سازی بزرگ و بزرگتری روبه رو شده اند. چنین مجموعه داده ها در مقابل با مجموعه داده های کوچکتری که در گذشته مطالعه می شدند، چالش های جدیدتر در تحلیل داده ها به وجود آورده اند. به دلیل افزایش تعداد مشاهدات و از آن مهمتر به دلیل افزایش تعداد متغیرهای مربوط به هر مشاهده، روش های آماری قدیمی نسبتا درهم شکسته شد. مجموعه داده های با ابعاد زیاد چالش های ریاضیاتی زیادی همراه با فرصت های جدید به همراه داشتند. یکی از مسائل با مجموعه داده ابعاد بالا این است که در بسیاری از موارد همه متغیرهای اندازه

آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل

آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل

آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل

شبکه‌ های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده ‌تر شبکه‌ های عصبی سیستم‌ ها و روش ‌های محاسباتی جدیدی برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌ بینی پاسخ ‌های خروجی از سامانه ‌های پیچیده می باشد. این شبکه ها از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل می شود که مجموعه ورودی را به خروجی ربط می دهند. همچنین این شبکه‌ ها قادر به یادگیری‎ هستند… جزوه آموزش شبکه عصبی مصنوعی ، مشتمل بر 131 صفحه، در 7 فصل، با فرمت PDF، به زبان فارسی، همراه با تصاویر و روابط مهم ریاضی به ترتیب زیر گردآوری شده است:

آموزش شبكه هاي عصبي در نرم افزار SPSS

آموزش شبكه هاي عصبي در نرم افزار SPSS

آموزش شبكه هاي عصبي در نرم افزار SPSS

در جهان امروز به علت پيشرفت تكنولوژي و پيچيده تر شدن مسائل، استفاده از روش هاي نوين، جايگزين بسياري از روش هاي سنتي شده كه ديگر قادر به تخمين درستي از وضعيت موجود نمي باشند. همچنين پيچيده شدن فرايندها منجر به مشكلاتي مانند غير خطي شدن رابطه پارامترهاي فرايند شده كه روش هاي پيشين قادر به انجام و يا تصميم گيري در مورد آنها نيستند، از اين رو روش هاي جديدي از قبيل شبكه هاي عصبي جهت تحليل اين فرايندها پديد آمده است. به دليل پيچيده بودن محاسبات شبكه عصبي استفاده از نرم افزارهاي كامپيوتري توسط كاربران ناگزير مي نمايد. در اين ميان نرم افزارهاي متعددي به محاسبه شبكه هاي عصبي مي پردازند. نرم افزار SPSS نسبت به ساير نرم افزارها داراي مزيت هايي بوده كه مهمترين آن سهولت استفاده از آن مي باشد.

مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی

مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی

مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی

جزوه آموزشی مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی با استفاده از نرم افزار MATLAB ، مشتمل بر 13 مثال کاربردی که به صورت گام به گام و به زبان روان به حل کامل مثال ها پرداخته شده است. جزوه مورد نظر 92 صفحه، با فرمت PDF، به زبان انگلیسی، به ترتیب زیر گردآوری شده است: Example 1: Calculate the output of a simple neuron Example 2: Create and view custom neural networks Example 3 : Classification of linearly separable data with a perceptron Example 4: Classification of a 4-class problem with a 2-neuron perceptron

تشخیص خطای اولیه ترانسفورماتور بر اساس شبکه عصبی مصنوعی

تشخیص خطای اولیه ترانسفورماتور بر اساس شبکه عصبی مصنوعی

تشخیص خطای اولیه ترانسفورماتور بر اساس شبکه عصبی مصنوعی

حفاظت ديفرانسيل يكي از مهمترين حفاظت هاي يك ترانسفورماتور قدرت مي باشد. تاكنون از تكنيك هاي متفاوتي براي اعمال حفاظت ديفرانسيل ترانسفورماتورهاي قدرت استفاده شده است. از آنجايي كه حساسيت حفاظت ديفرانسيل توسط عوامل متعددي تحت تاثير قرار مي گيرد، روش هاي مختلفي براي تشخيص هر كدام از اين حالت ها ارائه شده اند. مهمترين اين عوامل عبارتند از: جريان هجومي، اشباع شدن ترانسفورماتور قدرت، اشباع CT ها، عدم تطابق CT ها، تغيير تپ و… در اين پروژه براي اولين بار حفاظت ديفرانسيل مبتني بر روش بازدارنده شاري به كمك شبكه هاي عصبي بازسازي گرديده و قابليت‌هاي اين روش در تشخيص شرايط كاري متفاوت ترانسفورماتور بررسي شده است… پروژه تشخیص خطای اولیه ترانسفورماتور بر اساس شبکه عصبی مصنوعی ، مشتمل بر 91

کاربردهای منطق فازی در یادگیری ماشین

کاربردهای منطق فازی در یادگیری ماشین

کاربردهای منطق فازی در یادگیری ماشین

منطق فازی معتقد است که ابهام همیشه و همواره در جوهره و ماهیت علم بوده و می توان از آن بهره جست. بنابراین به دنبال ساختن سیستم هایی است که ابهام را به عنوان بخشی از سیستم، هضم نموده و مدل کند. زیرا تنها در اینصورت است که می توان در سیستم های مبتنی بر هوش مصنوعی، رفتار و عکس العمل این گونه سیستم ها را به رفتار انسانی نزدیک نموده و به نتیجه دلخواه دست یافت. بر همین اساس کاربرد منطق فازی در حل مسائل هوش مصنوعی، بیش از پیش در حال گسترش است. لذا پس از معرفی منطق فازی توسط پروفسور لطفی زاده، شمار زیادی از محققان حوزه علوم کامپیوتر به این مقوله و کاربردی کردن آن در مسائل روی آورده و مقالات و پژوهش های زیادی با این موضوعات منتشر شده است. در این

جعبه ابزار شبکه عصبی در Neural Network Toolbox in Matlab

جعبه ابزار شبکه عصبی در Neural Network Toolbox in Matlab

جعبه ابزار شبکه عصبی در Neural Network Toolbox in Matlab

کتاب جعبه ابزار شبکه عصبی در نرم افزار MATLAB، این کتاب از مجموعه کتاب های کاربردی و مفید نرم افزار متلب بوده که مبحث شبکه عصبی و ابزارهای پرکاربرد آن را در نرم افزار متلب تشریح می نماید. این کتاب مشتمل بر 13 فصل، 743 صفحه، به زبان انگلیسی روان، تایپ شده، با فرمت PDF، به ترتیب زیر گردآوری شده است: Chapter 1: Introduction Chapter 2: Neuron Model and Network Architectures Chapter 3: Perceptrons Chapter 4: Adaptive Linear Filters Chapter 5: Back propagation Chapter 6: Radial Basis Networks

کاربرد روش های اکتشافی مبتنی بر تحليل بافت در گروه بندی کيفی محصولات فولادی

کاربرد روش های اکتشافی مبتنی بر تحليل بافت در گروه بندی کيفی محصولات فولادی

کاربرد روش های اکتشافی مبتنی بر تحليل بافت در گروه بندی کيفی محصولات فولادی

استخراج ويژگي هاي بافت و تشخيص خرابي بافت يکي از مفاهيم اصلي در پردازش تصوير و بينائي ماشين مي ­باشد. هدف اين پايان ­نامه آناليز و کلاس ­بندي بافت­ هاي طبيعي و تصادفي تصاوير سطوح ورق­ های فولاد می­ باشد. پس از بررسی الگوريتم هاي آماري مختلف تحليل بافت، يک روش جديد براي ترکيب ويژگي هاي بافت و رنگ معرفي می­ گردد. ما ويژگي هاي بافتي تصوير را با استفاده از يک روش جديد مبتني بر الگوريتم LBP بدست مي ­آوريم. يک فضاي رنگي جديد معرفي خواهيم کرد و از اين فضاي رنگي براي بدست آوردن ويژگي هاي رنگي استفاده خواهيم کرد و درپايان يک روش جديد اوليه/ثانويه براي ترکيب ويژگي هاي بافتي و رنگي ارائه می­ گردد. براي کلاس­ بندي نيز از شبکه ­هاي عصبي مصنوعي استفاده مي­ کنيم و در انتها فوايد روش