مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن:

الهام از نورون واقعی:

مدل ریاضی نرون:

کاربردها:

تاریخچه :

 شبکه عصبی چیست؟

- شبکه‌های عصبی مصنوعی:
2-1- شبکه‌های عصبی مصنوعی:

2-3- کاربردهای شبکه‌های عصبی مصنوعی ANN :

انواع یادگیری برای شبکه های عصبی:

1. یادگیری با ناظر

2. یادگیری تشدیدی:

. یادگیری بدون ناظر:

2-4- زمینه‌ای درموردperceptron

Perceptron های ساده

قدرت Perceptron

دنباله‌های Perceptron

قضیه بنیادی دنباله‌ها:

قضیه 1):

الگوریتم ژنتیک :

الگوريتم ژنتيک چيست؟

شرايط خاتمه الگوريتم هاي ژنتيک عبارتنداز:

ايده اصلي:

الگوريتم:

روش هاي نمايش :

روش هاي انتخاب :

روش هاي تغيير:

تقاط قوت الگوريتم هايژنتيک:

محدوديتهاي GAها :

چند نمونه از کاربرد هاي الگوريتم هايژنتيک :

نسل بعدي :

انتخاب :

تغيير از يک نسل به نسلبعدي(Cross over) :

الگوريتم ژنتيكي ساده :

معرفي الگوريتم :

محدوده كاربرد الگوريتمهاي ژنتيكي :

اصول الگوريتم هاي ژنتيكي :

يك تكنيك كددار كردن براي حلهاي ارائه شده:

جهش: تغييرات اتفاقي:

حلهاي كانديد شده :

شروع:

ارزيابي:

مرحله انتخاب:

تركيب :

جهش :

جايگزيني و ادامه:

اندازه كارآيي يك نسل:

پيكربندي الگوريتم‌هاي ژنتيكي :

مهمترين پارامترهاي پيكربندي الگوريتم ژنتيكي :

الگوريتم ژنتيكي در انتخاب متغير:

كاربردهاي الگوريتم ژنتيك :

نتيجه‌گيري کلی (الگوریتم ژنتیک):

الگوریتم مورچگان :

کاربردهای الگوریتم مورچگان :

معرفي شبکه هاي عصبي مصنوعي:

تعريف شبکه هاي عصبي مصنوعي :

معرفي مدل نرون ساده خطي:

تکنيکهاي تعيين پارامترهاي نرون خطي :

الگوريتم يادگيري شبکه هاي پرسپترون ( انتشار به عقب ):

حال بر اساس مطالب گفته شده الگوريتم يادگيري را شرح ميدهيم :

ساختار يك شبكه عصبي ساده ‌:

 

 

‌‌ويژگي‌هاي يك شبكه‌عصبي‌:

مجموعه‌اي از واحدهاي پردازشي ساده :

الگويي براي اتصال :

قاعده‌اي براي انتشار سيگنال‌ها در شبكه‌:

قواعدي براي تركيب سيگنال‌هاي ورودي‌:

قاعده‌اي براي تجميع يك سيگنال خروجي‌:

يك قاعده يادگيري براي تغيير Weightها

شبکه عصبی چند لایه

:

ايده اصلی شبكه‌های عصبی :

حال ببينيم كه ايده اصلی عملكرد اين شبكه‌ها چگونه است؟

تشخیص الگوی صدا با استفاده از شبکه عصبی:

2) روش استفاده شده برای تشخیص:

ساختار شبیه سازی و آزمون:

4. نتیجه گیری:

شباهت با مغز:

روش كار نرون‌ها :

مدل رياضي

:

پياده‌سازي‌هاي الكترونيكي نرون‌هاي مصنوعي :

عمليات شبكه‌هاي عصبي - Neural Networks (قسمت دوم):

اشاره :

 

عمليات شبكه‌هاي عصبي:

آموزش شبكه‌هاي عصبي:

آموزش unsupervised

يا تطبيقي (Adaptive)

:

تفاوت‌هاي شبكه‌هاي عصبي با روش‌هاي محاسباتي متداول و سيستم‌هاي خبره :

انواع شبكه‏ها از نظر برگشت پذيري :

1. شبكه‏هاي پيش‏خور (Feed Forward) :

v پيش‏ بيني :

يك شبكه عصبي جديد و كاربرد آن:

1- معرفي :

2- نورون با خاصيت آشوبگونه :

3- شكل شبكه :

شكل 2. نمودار مشخصه آشوبي نورون

4- قانون آموزش شبكه :

5- مدلسازي ژنراتور سنكرون دريايي :

5-1 روش مدلسازي ديناميك :

شبکههایعصبیوالگوریتمهایژنتیکدرتجارت(1) :

 

 

فناوریشبکهعصبی:

فناوریالگوریتمژنتیک:

مروریبرکاربردهایتجاری:

شبکههایعصبیوالگوریتمهایژنتیکدرتجارت (2):

بازاریابی :

بانکداریوحوزههایمالی:

پیشبینی:

سایرحوزههایتجاری:

مزایایاستفادهازفناوریهایهوشمصنوعی:

سنكرون سازي تاخيري تطبيقي شبكه هاي عصبي تاخيريافته ناشناخته و آشوبگونه با اغتشاش ناشي از نويز

1- معرفي:

2- نمادها و مقدمات:

3- نتايج مهم:

معماری شبکه عصبی مصنوعی:

معماری یک لایه :

معماری چند لایه :

پیاده سازی سیستم گاو شیرده بااستفاده از درخت‌هاي تصميم‌گيري

درخت‌ تصميم‌گيري

معيارهاي انتخاب صفت :

 درختان Hoeffding:

سيستم VFDT :

 سیستم شبکه ی عصبی مصنوعی از مغز وسیستم عصبی انسان الهام گرفته شده و مانند مغز انسان از تعداد زیادی نورون تشکیل شده است . این شبکه ها مانند مغز انسان دارای قابلیت یادگیری هستندکه از مزیت های عمده ی این سیستم هاست در مواردی که نتوانیم یک الگوریتم حل به صورت فرمولی بیابیم یا تعداد زیادی مثال از ورودی و خروجی سیستم موردنظرمان در اختیار داشته باشیم و بخواهیم برای آن سیستم ، مدل ارائه کنیم یا اینکه یک ساختار از اطلاعات موجود بدست آوریم ، استفاده از شبکه های عصبی مصنوعی سودمند است . تاکنون برای شبکه های عصبی توپولوژی های مختلف همراه

و.......