عنوان پایان نامه : شبکه های عصبی مصنوعی قالب بندی: PDFشرح مختصر :در اين نوشتار به معرفي شبكه هاي عصبي زيستي و شبكه هاي عصبي مصنوعي و ساختارهاي آنها مي پردازيم.در ابتدا نرونهاي شبكه هاي عصبي زيستي معرفي شده و طرز كار آنها نشان داده شده است.سپس مدل مصنوعي اين نرونها و ساختار آنها،مدل رياضي آنها،شبكه هاي عصبي مصنوعي و نحوه آموزش و بكارگيري اين شبكه ها نشان داده شده است.تمركز بيشتر بر نوعي از اين شبكه ها به نام شبكه هاي عصبي مصنوعي چند لايه مي باشد.سپس الگوریتم ژنتیک که جزو پرکاربردترین الگوریتمهای پیاده سازی شبکه عصبی مصنوعی است مورد بررسی قرار گرفته است.شبكه هاي عصبي مصنوعي از مباحث جديدي است كه دانشمندان علوم كامپيوتر به آن علاقمند شده اند و براي پيشرفت هرچه بيشتر علوم كامپيوتر وقت و هزينه زيادي را صرف آن كرده و مي كنند.اين موضوع يا ايده گرفتن از سيستم عصبي بدن انسان و با هدف شبيه سازي هرچه بيشتر كامپيوتر به انسان شكل گرفت و تاحال به خوبي پيش رفته است.همچنين در ساليان اخير شاهد حركتي مستمر از تحقيقات صرفا تئوري به تحقيقات كاربردي بخصوص در زمينه پردازش اطلاعات براي مساولي كه براي آنها راه حلي موجود نيست و يا به راحتي قابل حل نيستند بوده ايم. باعنايت به اين امر علاقهاي فزاينده در توسعه تئوريكي سيستمهاي ديناميكي هوشمند مدل آزاد2كه مبتني بر داده هاي تجربي مي باشند-ايجاد شده است .ANNها جزء اين دسته از سيستمهاي مكانيكي قرار دارند كه با پردازش روي داده هاي تجربي،دانش يا قانون نهفته در وراي داده ها را به ساختار شبكه منتقل مي كنند.به همين خاطر به اين سيستم ها هوشمند گفته مي شود.زيرا براساس محاسبات روي داده هاي عددي يا مثالها قوانين كلي را ياد مي گيرند.اين سيستمها در مدل سازي ساختار نرو سيتاپتيكي3 مغز بشر مي كوشند.البته اين سخن اغراق آميز مي باشد.دانشمندان هرچه بيشتر درمورد مغز بشر تحقيق مي كنند و مي آموزند،بيشتر در مي يابند كه مغز بشر دست نيافتني است.در حقيقت در مورد مغز و ساختار سيستم عصبي انسان اطلاعات زيادي به دست آمده است ولي پياده سازي ساختاري با پيچيدگي مغز انسان براساس اطلاعاتي و تكنولوژي كه امروزه وجود دارد غير ممكن مي باشد.فهرست : فصل اول مقدمهشبكه عصبي زيستيسابقه تاريخيآیده پيدايش شبكه هاي عصبي مصنوعيشبكه هاي عصبي در مقابل كامپيوترهاي معموليتفاوت شبكه هاي عصبي با روش هاي محاسباتي متداول (سيستم هاي خبره)مزایای استفاده از شبكه هاي عصبي مصنوعیمعايب استفاده از شبكه های عصبي مصنوعیكاربردهاي شبكه هاي عصبي مصنوعيتوپولوژي شبكه هاي عصبي مصنوعيانواع يادگيري شبكه هاي عصبي مصنوعينحوه عملكرد شبكه هاي عصبي مصنوعيانواع شبکه عصبی مصنوعیشبکه هاپفیلدشبکه پروسپترون چند لایهخروجی پروسپتروننقش تابع در خروجی شبکهتوانایی پروسپترونتوابع بولی و پروسپتروناضافه کردن بایاسآموزش پروسپترونالگوریتم یادگیری پروسپترونشبکه کوهوننفصل دومالگوریتمهای یادگیری شبکه های عصبی مصنوعیالگوریتم ژنتیککاربردهای الگوریتم ژنتیکبه دنبال تکاملایده ی اصلی استفاده از الگوریتم ژنتیکدرباره علم ژنتیکتاریخچه علم ژنتیکتکامل طبیعی (قانون انتخاب طبیعی داروین)رابطه تکامل طبیعی با روشهای هوش مصنوعیالگوریتم جستجوالگوریتمهای جستجوی ناآگاهانهجستجوی لیستجستجوی درختیجستجوی گرافالگوریتمهای جستجوی آگاهانهجستجوی خصمانهمسائل NPHARDهیوریستیکانواع الگوریتمهای هیوریستیکفصل سومالگوریتم ژنتیکمکانیزم الگوریتم ژنتیکعملگرهای الگوریتم ژنتیکچارت الگوریتم به همراه شبه کد آنتابع هدفروشهای کد کردنکدینگ باینریکدینگ جایگشتیکدگذاری مقدارکدینگ درختنمایش رشته هاانواع روش های تشکیل رشتهبازگرداندن رشته ها به مجموعه متغیرهاتعداد بیتهای متناظر با هر متغیرجمعیتایجاد جمعیت اولیهاندازه جمعیتمحاسبه برازندگی(تابع ارزش)انواع روشهای انتخابانتخاب چرخ رولتانتخاب حالت پایدارانتخاب نخبه گراییانتخاب رقابتیانتخاب قطع سرانتخاب قطعی بریندلانتخاب جایگزینی نسل اصلاح شدهانتخاب مسابقهانتخاب مسابقه تصادفیانواع روشهای ترکیبجابه جایی دودوییجابه جایی حقیقیترکیب تک نقطه ایترکیب دو نقطه ایترکیب n نقطه ایترکیب یکنواختترکیب حسابیترتیبچرخهمحدّببخش_نگاشتهاحتمال تركيبتحليل مكانيزم جابجایيجهشجهش باينريجهش حقيقيوارونه سازی بیتتغییر ترتیب قرارگیریوارون سازیتغییر مقدارمحک اختتام اجرای الگوریتم ژنتیکانواع الگوریتمهای ژنتیکیالگوریتم ژنتیکی سریالگوریتم ژنتیکی موازیمقایسه الگوریتم ژنتیک با سیستمهای طبیعینقاط قوّت الگوریتمهای ژنتیکمحدودیتهای GAهااستراتژی برخورد با محدودیتهااستراتژی اصلاح عملگرهای ژنتیکاستراتژی رَدّیاستراتژی اصلاحیاستراتژی جریمهایبهبود الگوریتم ژنتیکچند نمونه از کاربردهای الگوریتمهای ژنتیکفصل چهارممقدمهحلّ معماي هشت وزیرجمعیت آغازینتابع برازندگیآمیزشجهش ژنتیکیالگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دورهگردحل مسأله TSP به وسیله الگوریتم ژنتیکمقایسه روشهای مختلف الگوریتم و ژنتیک برای TSPنتیجه گیریحلّ مسأله معمای سودوکوحل مسألهتعیین کروموزمساختن جمعيت آغازين يا نسل اولساختن تابع از ارزشتركيب نمونهها و ساختن جواب جديدارزشيابي مجموعه جوابساختن نسل بعدمرتب سازی به کمک GAصورت مسألهجمعیت آغازینتابع برازندگیانتخابترکیبجهشنتيجه گيريفهرست منابع
پایان نامه شبکه های عصبی مصنوعی
عنوان پایان نامه : شبکه های عصبی مصنوعی قالب بندی: PDFشرح مختصر :در اين نوشتار به معرفي شبكه هاي عصبي زيستي و شبكه هاي عصبي مصنوعي و ساختارهاي آنها مي پردازيم.در ابتدا نرونهاي شبكه هاي عصبي زيستي معرفي شده و طرز كار آنها نشان داده شده است.سپس مدل مصنوعي اين نرونها و ساختار آنها،مدل رياضي آنها،شبكه هاي عصبي مصنوعي و نحوه آموزش و بكارگيري اين شبكه ها نشان داده شده است.تمركز بيشتر بر نوعي از اين شبكه ها به نام شبكه هاي عصبي مصنوعي چند لايه مي باشد.سپس الگوریتم ژنتیک که جزو پرکاربردترین الگوریتمهای پیاده سازی شبکه عصبی مصنوعی است مورد بررسی قرار گرفته است.شبكه هاي عصبي مصنوعي از مباحث جديدي است كه دانشمندان علوم كامپيوتر به آن علاقمند شده اند و براي پيشرفت هرچه بيشتر علوم كامپيوتر وقت و هزينه زيادي را صرف آن كرده و مي كنند.اين موضوع يا ايده گرفتن از سيستم عصبي بدن انسان و با هدف شبيه سازي هرچه بيشتر كامپيوتر به انسان شكل گرفت و تاحال به خوبي پيش رفته است.همچنين در ساليان اخير شاهد حركتي مستمر از تحقيقات صرفا تئوري به تحقيقات كاربردي بخصوص در زمينه پردازش اطلاعات براي مساولي كه براي آنها راه حلي موجود نيست و يا به راحتي قابل حل نيستند بوده ايم. باعنايت به اين امر علاقهاي فزاينده در توسعه تئوريكي سيستمهاي ديناميكي هوشمند مدل آزاد2كه مبتني بر داده هاي تجربي مي باشند-ايجاد شده است .ANNها جزء اين دسته از سيستمهاي مكانيكي قرار دارند كه با پردازش روي داده هاي تجربي،دانش يا قانون نهفته در وراي داده ها را به ساختار شبكه منتقل مي كنند.به همين خاطر به اين سيستم ها هوشمند گفته مي شود.زيرا براساس محاسبات روي داده هاي عددي يا مثالها قوانين كلي را ياد مي گيرند.اين سيستمها در مدل سازي ساختار نرو سيتاپتيكي3 مغز بشر مي كوشند.البته اين سخن اغراق آميز مي باشد.دانشمندان هرچه بيشتر درمورد مغز بشر تحقيق مي كنند و مي آموزند،بيشتر در مي يابند كه مغز بشر دست نيافتني است.در حقيقت در مورد مغز و ساختار سيستم عصبي انسان اطلاعات زيادي به دست آمده است ولي پياده سازي ساختاري با پيچيدگي مغز انسان براساس اطلاعاتي و تكنولوژي كه امروزه وجود دارد غير ممكن مي باشد.فهرست : فصل اول مقدمهشبكه عصبي زيستيسابقه تاريخيآیده پيدايش شبكه هاي عصبي مصنوعيشبكه هاي عصبي در مقابل كامپيوترهاي معموليتفاوت شبكه هاي عصبي با روش هاي محاسباتي متداول (سيستم هاي خبره)مزایای استفاده از شبكه هاي عصبي مصنوعیمعايب استفاده از شبكه های عصبي مصنوعیكاربردهاي شبكه هاي عصبي مصنوعيتوپولوژي شبكه هاي عصبي مصنوعيانواع يادگيري شبكه هاي عصبي مصنوعينحوه عملكرد شبكه هاي عصبي مصنوعيانواع شبکه عصبی مصنوعیشبکه هاپفیلدشبکه پروسپترون چند لایهخروجی پروسپتروننقش تابع در خروجی شبکهتوانایی پروسپترونتوابع بولی و پروسپتروناضافه کردن بایاسآموزش پروسپترونالگوریتم یادگیری پروسپترونشبکه کوهوننفصل دومالگوریتمهای یادگیری شبکه های عصبی مصنوعیالگوریتم ژنتیککاربردهای الگوریتم ژنتیکبه دنبال تکاملایده ی اصلی استفاده از الگوریتم ژنتیکدرباره علم ژنتیکتاریخچه علم ژنتیکتکامل طبیعی (قانون انتخاب طبیعی داروین)رابطه تکامل طبیعی با روشهای هوش مصنوعیالگوریتم جستجوالگوریتمهای جستجوی ناآگاهانهجستجوی لیستجستجوی درختیجستجوی گرافالگوریتمهای جستجوی آگاهانهجستجوی خصمانهمسائل NPHARDهیوریستیکانواع الگوریتمهای هیوریستیکفصل سومالگوریتم ژنتیکمکانیزم الگوریتم ژنتیکعملگرهای الگوریتم ژنتیکچارت الگوریتم به همراه شبه کد آنتابع هدفروشهای کد کردنکدینگ باینریکدینگ جایگشتیکدگذاری مقدارکدینگ درختنمایش رشته هاانواع روش های تشکیل رشتهبازگرداندن رشته ها به مجموعه متغیرهاتعداد بیتهای متناظر با هر متغیرجمعیتایجاد جمعیت اولیهاندازه جمعیتمحاسبه برازندگی(تابع ارزش)انواع روشهای انتخابانتخاب چرخ رولتانتخاب حالت پایدارانتخاب نخبه گراییانتخاب رقابتیانتخاب قطع سرانتخاب قطعی بریندلانتخاب جایگزینی نسل اصلاح شدهانتخاب مسابقهانتخاب مسابقه تصادفیانواع روشهای ترکیبجابه جایی دودوییجابه جایی حقیقیترکیب تک نقطه ایترکیب دو نقطه ایترکیب n نقطه ایترکیب یکنواختترکیب حسابیترتیبچرخهمحدّببخش_نگاشتهاحتمال تركيبتحليل مكانيزم جابجایيجهشجهش باينريجهش حقيقيوارونه سازی بیتتغییر ترتیب قرارگیریوارون سازیتغییر مقدارمحک اختتام اجرای الگوریتم ژنتیکانواع الگوریتمهای ژنتیکیالگوریتم ژنتیکی سریالگوریتم ژنتیکی موازیمقایسه الگوریتم ژنتیک با سیستمهای طبیعینقاط قوّت الگوریتمهای ژنتیکمحدودیتهای GAهااستراتژی برخورد با محدودیتهااستراتژی اصلاح عملگرهای ژنتیکاستراتژی رَدّیاستراتژی اصلاحیاستراتژی جریمهایبهبود الگوریتم ژنتیکچند نمونه از کاربردهای الگوریتمهای ژنتیکفصل چهارممقدمهحلّ معماي هشت وزیرجمعیت آغازینتابع برازندگیآمیزشجهش ژنتیکیالگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دورهگردحل مسأله TSP به وسیله الگوریتم ژنتیکمقایسه روشهای مختلف الگوریتم و ژنتیک برای TSPنتیجه گیریحلّ مسأله معمای سودوکوحل مسألهتعیین کروموزمساختن جمعيت آغازين يا نسل اولساختن تابع از ارزشتركيب نمونهها و ساختن جواب جديدارزشيابي مجموعه جوابساختن نسل بعدمرتب سازی به کمک GAصورت مسألهجمعیت آغازینتابع برازندگیانتخابترکیبجهشنتيجه گيريفهرست منابع