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