تحلیل و طراحی شبکه های دو لایه ای با به کارگیری روش های بهینه سازی و شبکه های عصبی

اختصاصی از فی گوو تحلیل و طراحی شبکه های دو لایه ای با به کارگیری روش های بهینه سازی و شبکه های عصبی دانلود با لینک مستقیم و پر سرعت .

• رساله دکتری مهندسی عمران گرایش سازه با عنوان: تحلیل و طراحی شبکه های دو لایه ای با به کارگیری روش های بهینه سازی و شبکه های عصبی 

• دانشگاه علم و صنعت ایران 

• استاد راهنما: دکتر محمدعلی برخورداری – دکتر علی کاوه 

• پژوهشگر: جعفر کیوانی 

• سال انتشار: اسفند 1380 

• فرمت فایل: PDF و شامل 210 صفحه

چکیــــده:

با توجه به گسترش روزافزون ساخت ساختمان‌های بزرگ با دهانه‌های وسیع مانند استادیوم‌ها، نمایشگاه‌ها، سالن‌های اجتماعات، مصلاها و آشیانه‌های هواپیما، مطالعه در زمینه تحلیل، طراحی و بهینه یابی شبکه‌های دو لایه‌ای، که برای پوشش سقف این گونه سازه‌ها به کار می‌رود، امری ضروری است. در طراحی بهینه سازه‌های پرعضو که با تغییر توپولوژی و مشخصات هندسی آنها سازه‌های متنوعی ایجاد می‌شود، به کارگیری روش‌های تقریبی موجب صرفه جویی در زمان محاسبات می‌گردد.

موضوع این پایان نامه مطالعه پارامتریک شبکه‌های دو لایه‌ای برای تحلیل و طراحی بهینه سازه و نیز استفاده از شبکه‌های عصبی مصنوعی برای تحلیل و طراحی تقریبی شبکه‌های دو لایه‌ای است.

در این رساله، ضمن بررسی ادبیات مربوط به رفتار شبکه‌های دو لایه‌ای و جنبه‌های مختلف تحلیل و طراحی این سازه‌ها، چهار نوع تاشه از این سازه شامل مربع روی مربع، مربع روی مورب، مورب روی مربع و مورب روی مورب با متغیرهایی مانند تعداد چشمه، نوع تکیه گاه و اندازه ارتفاع تحت اثر بارهای قائم از نظر وزن و خیز مورد بررسی و مقایسه قرار گرفته و مناسب‌ترین آنها از نظر توپولوژی برای آموزش شبکه‌های عصبی انتخاب شده است. در این پایان نامه ضمن بررسی پیشینه تحقیقاتی در زمینه کاربرد شبکه‌های عصبی در تحلیل و طراحی سازه‌ها، دو نوع شبکه عصبی با الگوریتم‌های پس انتشار خطا و پایه شعاعی برای تحلیل و طراحی و پیش بینی وزن و خیز شبکه های دو لایه‌ای به کار گرفته شده و کارایی آنها با توجه به دو عامل سرعت و دقت مقایسه شده است.

مطالعات پارامتریک انجام شده نشان می‌دهد که با توجه به شرایط و قیود در نظر گرفته شده، تاشه مربع روی مربع از نظر تعداد عضو و گره از سایر تاشه‌ها اقتصادی‌تر و از نظر وزن و خیز غالباً مناسب‌تر است، به ویژه وقتی که سازه بر روی تکیه گاه گوشه‌ای یا گوشه‌ای درختی قرار گرفته باشد. تکیه گاه گوشه‌ای موجب توزیع غیریکنواخت نیروها و در نتیجه افزایش وزن سازه می‌شود. لذا چنانچه در صورت نیاز به دهانه‌های بزرگ، استفاده از تکیه گاه گوشه‌ای اجتناب ناپذیر باشد، بهتر است از تکیه گاه گوشه‌ای درختی استفاده شود.

مطالعات مربوط به شبکه‌های عصبی مصنوعی نشان می‌دهد که شبکه‌های پس انتشار و پایه شعاعی در تحلیل و طراحی تقریبی سازه‌ها و نیز پیش بینی وزن و خیز آنها قابلیت بالایی دارند. هرچند شبکه پس انتشار در عمل دقت بیشتری را نشان می‌دهد، لیکن شبکه پایه شعاعی، که در این رساله برای اولین بار در زمینه تحلیل و طراحی سازه‌ها به کار گرفته شده است، از سرعت بیشتری برخوردار است.

______________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **

** درخواست پایان نامه:

با ارسال عنوان پایان نامه درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **

تأثیر فعالیت عصبی سمپاتیک و کته کولامین‌‌ها روی نورون‌‌های آوران اولیه 14ص

اختصاصی از فی گوو تأثیر فعالیت عصبی سمپاتیک و کته کولامین‌‌ها روی نورون‌‌های آوران اولیه 14ص دانلود با لینک مستقیم و پر سرعت .

14 ص

تأثیر فعالیت عصبی سمپاتیک و کته کولامین‌‌ها روی نورون‌‌های آوران اولیه[1]

در شرایط عادی، نورون‌‌های آوران اولیه نسبت به کته کولامین‌‌ها حساسیتی نداشته و فعالیت آنها تحت تأثیر جریان سمپاتیک قرار نمی‌گیرد. با این وجود در بعضی سندرم‌های درد نورماتیک مانند سندرم‌های درد موضعی پیچیده[2] (استیروفی سمپاتیک رفلکسی[3] و کوزاثری[4]) وضعیت تفاوت می‌نماید. این موضوع بر اساس مشاهدة بالینی تأثیر اعمال سمپاتولیتیک در تسکین درد در این سندرم‌ها می‌باشد. در گزارش مطالعه صد سالة خود در سال 1967 به نحو بسیار برجسته‌ای خصوصیات بالینی کوزالژی و تأثیر ملاحظات سمپاتولیتیک را توصیف کرده است:

یکی از تجارب بسیار ارزشمند طرحی در طی جنگ جهانی دوم کشف این مسأله بود که قطع رشته‌های عصبی سمپاتیک خاصی تقریباً همیشه در درمان درد کوزالژی مؤثر است. با بلوک زنجیره سمپاتیک با داروی بی‌حسی موضعی، در صورتی که تزریق درست انجام شده باشد تقریباً تسکین صددرصد بطور فوری ظاهر می‌شود. در چنین وضعیتی تغییر چهره و رفتار بیمار بسیار جالب توجه می‌باشد.

با این وجود نویسندگان دیگری با فرضیه دخالت فعال سیستم عصبی سمپاتیک در تولید درد مخالفند. آنها معتقدند که نتایج مطالعات و استفاده از تکنیک‌های مختلف بلوک سمپاتیک در درد نوروپاتیک ندرتاً بطور کامل مورد بررسی قرار گرفته و غالباً نیز از نوع کنترل شده توسط دارونما نبوده اند.

در سال‌های اخیر، مطالعات تجربی و بالینی بسیاری باعث روشن‌تر شدن مسأله همچنان لاینحل نقش سیستم سمپاتیک در تولید درد در شرایط پاتوفیزیولوژیک شده‌اند. این مطالعات دو نوع تأثیر سمپاتیک روی نورون‌های آوران را مشخص نموده‌اند. تمایز آنها به نظر مربوط است به این مسئله که آیا ارتباط و اتصال بین نورون‌های آوران و سمپاتیک پس از آسیب تروماتیک عصبی بوجود می‌آید یا پس از التهاب بافت محیطی همراه با حساسیت به درد.

تأثیر فعالیت سمپاتیک و کته کولامین‌های روی رشته‌های آوران اولیه پس از آسیب عصبی (جدول 1)

تجارب حیوانی

ارتباط بین فیبرهای آوران و سمپاتیک آسیب دیده در محل ضایعه یا دیستال به آن پس از آسیب کامل عصبی: پس از آسیب تجربی کامل یک عصب فیبرهای آوران پوستی که سالم مانده‌اند دارای افزایش حساسیت نورآدرنرژیک می‌شوند. نورون‌ها در غشاء بلاسمایی خود گیرنده‌های فعال نورآدرنرژیک پیدا می‌کنند. (شکل 1A). در موش‌ها و گربه‌ها، فیبرهای آوران میلین‌دار و برون میلین را که به نورومای انتهای قطع شده عضو عصب‌دهی می‌نمایند می‌توان توسط آدرنالین و یا توسط تحریک فیبرهای سمپاتیک و ابران که بداخل نوروما رشد کرده‌اند، تحریک و حساس کرد. واکنش شیمیایی مستقیم آدرنرژیک بوده و در مدل موش غالباً از طریق گیرنده‌های آلفادو متصل می‌شود. در نوروماهای بالغ موش‌ها و گربه‌ها حساسیت به کته کولامین معمولاً بسیار کمتر بارز است. یک سال پس از قطع آناستوموز مجدد اعصاب محیطی که امکان رشد مجدد آکسونهارا ایجاد می‌نماید، تحریک الکتریکی تنة سمپاتیک در فرکانس‌های فیزیولوژیک تحریک (5-1 هرتز) همچنان می‌تواند از طریق یک مکانیزم آلفاز درنوسپتور، گیرنده‌های درد نوع C دژنره را فعال نماید.

 

شبکه عصبی

اختصاصی از فی گوو شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

شبکه عصبی

*مقاله ای در مورد سیستم شبکه ی عصبی در قالب WORDو قابل ویرایش*

نگاهی بر محتوای فایل:

فهرست :  

مقدمه ای بر شبکه‌های عصبی مصنوعی

تاریخچه شبکه‌های عصبی مصنوعی

شبکه عصبی چیست؟

شبکه  عصبی چه قابلیتهائی دارد؟

الهام از طبیعت

شبکه های عصبی در مقایسه با کامپیوترهای سنتی

مسائل مناسب برای یادگیری شبکه های عصبی

پرسپترون

الگوریتم یادگیری پرسپترون

الگوریتم gradient descent

مشکلات روش gradient descent

تقریب افزایشی gradient descent

الگوریتم  Back propagation

قدرت نمایش توابع

انواع آموزش شبکه

برخی زمینه های شبکه های عصبی

سبکهای معماری شبکه‌های عصبی

قواعد یادگیری در شبکه‌های عصبی

آموزش شبکه‌های عصبی

آموزش unsupervised یا تطبیقی (Adaptive)

تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره

انواع یادگیری برای شبکه های عصبی

یادگیری با ناظر

یادگیری تشدیدی

یادگیری بدون ناظر

معایب شبکه های عصبی

مزیتهای شبکه های عصبی

سیستم خبره

سیستم خبره چیست؟

ساختار یک سیستم خبره‌

استفاده از  منطق فازی

مزایا و محدودیت‌های سیستم‌های خبره

کاربرد سیستم‌های خبره‌

چند سیستم خبره مشهور

مروری بر کاربردهای تجاری

بازاریابی

بانکداری و حوزه های مالی

پیش بینی

سایر حوزه های تجاری

کاربرد مدلهای شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکتهای بازار بورس

کاربرد مدل‌ شبکه عصبی در پیش‌بینی ورشکستگی شرکتهای بازار بورس

تبیین مفهوم ورشکستگی

متغیرهای مدل تحقیق

اطلاعات شرکتهای نمونه تحقیق

تعیین ‌مدل شبکه عصبی سه لایه برای پیش‌بینی ورشکستگی شرکتها

تعیین مدل بهینه شبکه عصبی چهار لایه برای پیش‌بینی ورشکستگی شرکتها

مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیش‌بینی ورشکستگی اقتصادی

پیش‌بینی ورشکستگی اقتصادی شرکتها در سالهای  و

روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره ـ

جمع‌بندی و نتیجه‌گیری

منابع.

شبکه عصبی چیست؟

روشی برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد  پردازشی  ساخته میشود.

شبکه از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل میشود  که مجموعه ورودی را به خروجی ربط میدهند.

گریزی به مقدمه:

توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‎ای از عناصر پردازش ساده (نورونها) است، که می‌تواند رفتار پیچیده کلی تعیین شده‎ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد ...

شبکه  عصبی چه قابلیتهائی دارد؟

• محاسبه یک تابع  معلوم
• تقریب یک تابع ناشناخته
• شناسائی الگو
• پردازش  سیگنال
• یادگیری انجام موارد فوق

گریزی به تاریخچه:

با وجود اینکه اشتیاق عمومی و سرمایه‎گذاری‎های 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 ..

الهام از طبیعت:

مطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل  در کار یادگیری دخیل هستند.

گمان میرود که مغز انسان از تعداد 10 11 نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.

سرعت سوئیچنگ نرونها در حدود 10-3 ثانیه است که در مقایسه با کامپیوترها 10 -10 ) ثانیه ( بسیار ناچیز مینماید. با این وجود آدمی قادر است در 0.1 ثانیه  تصویر یک انسان را بازشناسائی نماید.  این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد.

تعداد صفحات:46

دانلود پایان نامه تشخیس اثر انگشت توسط شبکه عصبی

اختصاصی از فی گوو دانلود پایان نامه تشخیس اثر انگشت توسط شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

برای اینکه تشخیص اثر انگشت به صورت کامل و درست صورت گیرد موارد زیادی را می توان در نظر گرفت که در نهایت باعث رسیدن به جواب مطلوب گردد. در فصل اول سعی بر آن شده تا کلیات و تاریخچه ای از اثرانگشت بیان شود. چرا که شناخت هرچه بیشتر یک پدیده باعث راحتی در کار با آن پدیده می گردد.

در فصل دوم کلیاتی از شبکه عصبی آنالیز موجک و الگوریتم SVM آورده شده است. این کلیات در فصل های بعدی کاربرد زیادی دارند. در فصل سوم به حافظه های انجمنی و نحوه برخورد آنها با یک الگو را بیان می کنیم. در فصل های بعد روش های مختلف پردازش و پیش پردازش برای بالا بردن کیفیت این سازوکار آورده خواهد شد. در نهایت نتایج آزمایش شده از این علمکردها باهم مقایسه می گردند.

مقدمه:

شبکه های عصبی مصنوعی که در واقع الگو برداری شده از شبکه های عصبی طبیعی هستند کاربردهای زیادی در حل مسائل گوناگون دارند. در این سمینار سعی بر آن است تا بتوان از قابلیت های بالای این شبکه ها در شناخت یکی از موارد زیست سنجی انسان یعنی اثرانگشت استفاده کرد.

بررسی این موضوع از این جهت صورت گرفته که امروزه تشخیص اثر انگشت به یک امر ضروری تبدیل شده است. باید اضافه نمود که استفاده از شبکه عصبی می تواند از چند دیدگاه جالب باشد. اول اینکه شناخت اثر انگشت در نگاه کلی یک پردازش تصویر و یک شناخت الگو است که توسط شبکه عصبی انجام می شود دوم قابلیت تعمیم این شبکه هاست که کمک می کنند تا در شرایط سخت هم خروجی قابل قبولی داشته باشیم.

بنابراین برای تشخیص اثر انگشت باید از روش های مختلفی برای کمک به شبکه عصبی استفاده کنیم.

فصل اول:

کلیات اثر انگشت

1-1) هدف

با توجه به اینکه در بسیاری از کارهای امروزی نظیر بانکداری الکترونیک، کارت های اعتباری، کارت های هوشمند و بسیاری از کارها که اطلاعات باید به صورت الکترونیکی ذخیره شوند، نقش سیستم هایی که توانایی تشخیص خودکار مشخصات افراد را دارند بسیار مهم است. در این بین نقش اثر انگشت بسیار تا بسیار مهم است.

با توجه به اینکه برای پیاده سازی این موارد شرایط بسیار خوبی مانند حسگرهای کوچک و ارزان قیمت وجود دارد بررسی و تحقق اهداف در این زمینه بسیار آسان تر گردیده است. در این فصل به بررسی کلیاتی از اثر انگشت می پردازیم که در فصل های بعد لازم می باشند.

1-2) تاریخچه

اولین نشانه های بیان شده در مورد اثر انگشت مربوط می شود به 5000 سال پیش در نزدیکی بین النهرین. اما اولین بار در کشور چین از اثر انگشت در کارهای دفتری، خرید، قراردادها، وام ها و بدهی ها استفاده گردید. قدیمی ترین اثر یافت شده در این زمینه مربوط به 300 سال پیش است.

اولین مقاله علمی معتبر در مورد اثر انگشت توسط دکتر NEHEMIAH GREW که از دانشمندان مورفولوژی بودند نوشته شد. مورفولوژی در واقع عمان علم مربوط به ریخت شناسی یا شکل شناسی است. این مقاله در مورد لبه ها، منفذها و شیارهایی بود که در ساختار هر اثر انگشت دیده می شود.

شامل 60 صفحه فایل pdf

دانلود پایان نامه شبکه های عصبی در هوش مصنوعی

اختصاصی از فی گوو دانلود پایان نامه شبکه های عصبی در هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

در یادگیری با ناظر به قانون یاد گیری مجموعه ای از زوجهای داده ها به نام داده های یادگیری (Pi,Ti)={1…1} می دهند که در آن Pi ورودی به شبکه و Ti خروجی مطلوب شبکه برای ورودی Pi است. پس از اعمال ورودی Pi به شبکه عصبی در خروجی شبکه ai با Ti مقایسه شده و سپس خطای یادگیری محاسبه و از آن در جهت تنظیم پارامترهای شبکه استفاده می شود به گونه ای که اگر دفعه بعد به شبکه همان ورودی Pi اعمال شود خروجی شبکه به Ti نزدیکتر می گردد با توجه به این نکته که معلم سیستمی است که بر محیط وقوف دارد ( مثلا می داند که برای ورودی Pi خروجی مطلوب Ti است ).توجه داریم که محیط برای شبکه عصبی مجهول است . در لحظه k بردار ورودی Pi(k) با تابع توضیع احتمال معینی که برای شبکه عصبی نا معلوماست انتخاب و بطور همزمان به شبکه عصبی و معلم اعمال می شود . جواب مطلوب Ti(k) نیز توسط معلم به شبکه عصبی داده می شود . در حقیقت پاسخ مطلوب پاسخ بهینه ای است که شبکه عصبی برای ورودی مفروض باید به آن برسد . پارامترهای شبکه عصبی توسط دو سیگنال ورودی و خطا تنظیم می شود.به این صورت که پس از چند تکرار الگوریتم یادگیری که عموما توسط معادله تفاضلی بیان می شودبه پارامترهایی در فضای پارامترهای شبکه همگرا می شوند که برای آنها خطای یادگیری بسیار کوچک است و عملا شبکه عصبی شبکه عصبی معادل معلم می شود . یا به عبارتی دیگر اطلاعات مربوط به محیط (نگاشت بین TiوPi )که برای معلم روشن است به شبکه عصبی منتقل می شود و پس از این مرحله عملا می توان بجای معلم از شبکه عصبی استفاده کرد تا یادگیری تکمیل شود .

2.یادگیری تشدیدی:

یک اشکال یادگیری با ناظر این است که شبکه عصبی ممکن است بدون معلم نتواند مواضع جدیدی را که توسط مجموعه داده های جدید تجربی پوشانده نشده است یاد بگیرد . یادگیری از نوع تشدیدی این محدودیت را برطرف می کند . این نوع یادگیری بطور on-line صورت می گیرد در حالی که یادگیری با ناظر را به دو صورت on-line & off-line می توان انجام داد. در حالت off-line می توان از یک سیستم محاسب با در اختیار داشتن داده های یادگیری استفاده کرد و طراحی شبکه عصبی را به پایان رساند . پس از مرحله طراحی و یادگیری شبکه عصبی به عنوان یک سیستم استاتیکی عمل می کند . اما در یادگیری on-line شبکه عصبی همراه با خود سیستم یادگیر در حال انجام کار است و از این رو مثل یک سیستم دینامیکی عمل می کند .

مقدمه
1- معرفی
- شبیه سازی ها
شبکه های عصبی و الگوریتم های ژنتیک در تجارت
سیستم خبره
یک شبکه عصبی مصنوعی چیست؟
سابقه تاریخی
چرا از شبکه های عصبی استفاده می کنیم ؟
شبکه های عصبی در مقابل کامپیوتر های معمولی
انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها
مزیتهای دیگر شبکه های عصبی
چگونه مغز انسان می آموزد ؟
از سلول های عصبی انسانی تا سلول های عصبی مصنوعی
انواع یادگیری برای شبکه های عصبی
معرفی
- نورون با خاصیت آشوبگونه :
- شکل شبکه:
-قانون آموزش شبکه:
- مدلسازی ژنراتور سنکرون دریایی
       5-1  روش مدلسازی دینامیک
 نتایج مدلسازی
 نتیجه فصل
۱) معرفی
- منحنی طول - کشش
- شبکه های عصبی
نتایج تجربی
- نتیجه فصل
1- معرفی
2- نمادها و مقدمات
3- نتایج مهم
4-  شرح مثال
2-  شبکه های feedforward رگولاریزاسیون
3-  طراحی شبیه سازی
فناوری شبکه عصبی
فناوری الگوریتم ژنتیک
 بانکداری و حوزه های مالی
منابع

شامل 90 صفحه فایل word