حل تمرین دروس الکترونیک، مدارهای الکتریکی،کنترل خطی، نانوالکترونیک، فناوری ساخت مدارهای دیجیتال، ریاضیات مهندسی، معادلات دیفرانسیل، و.....

رشته مهندسی برق گرایش های الکترونیک، قدرت، کنترل، مخابرات، کامپیوتر

کاردانی، کارشناسی، کارشناسی ارشد، دکتری

از طریق تماس، واتساپ، تلگرام با شماره تلفن09372002091 وهمچنین از طریق دایرکت پیج اینستاگرام project_tehran درخواست خود را ارسال فرمایید 

در سریعترین زمان و با بهترین کیفیت توسط تیم متخصص دکتری انجام می شود

*****************************************************************************

شبیه سازی پروژه و مقاله درتمام سطوح دانشگاهی پذیرفته می شود

*****************************************************************************

*****************************************************************************

مامي توانيم با كمترين هزينه ودر كوتاهترين زمان ممكن در تهيه پروپزال ، پروژه ، مقاله ، پايان نامه ، گزارش كارآموزي ،به شما كمك كنيم. در صورت تمايل عنوان ومشخصات كامل مطلب درخواستي و رشته و مقطع تحصيلي و شماره همراه خود را جهت اعلام نتيجه در قسمت نظرات ثبت کنید .

ضمناْ اگر از نظر وقت عجله دارید به ایمیل یا تلگرام زیر اعلام فرمائید

ایمیل ‏com.dr@yahoo.com‏ ‏‎ ‎‎ ‎‏ ‏‎ ‎‏ ‏‎‎

از طریق تلگرام یا واتساپ با این شماره درخواست خود را اعلام فرمایید : ‏09372002091‏ ‏‎ ‎‎ ‎‏ ‏‎ ‎‏ ‏‎‎

• 1
• 2
• 3
• 4
• 5

پروژه : مهندسي شبکه هاي عصبی توسط اتوماتاهای يادگير

( تعيين تعداد واحدهاي لايه مخفي در شبکه های عصبي چند لايه و تنظيم پارامتر مراقبت در شبکه  ART )

فرمت : pdf

تعداد صفحه : 143

 قیمت : مبلغ ۱۲ هزار تومان

چكيده :

در دهه اخير كارهاي زيادي در زمينه تنظيم پارامترهاي شبكه هاي عصبي انجام شده كه منجر به بهبود عملكرد آنها شده است . هدف بسياري از اين الگوريتمها و روشهاي ارائه شد ه، يافتن مقدار يك پارامتر است به طوري كه خطاي شبكه به ازاي آن حداقل شود . براي مثال ، روشهاي متعددي جهت تنظيم نرخ يادگيري و ممنتم براي الگوريتم انتشار خطا به عقب (BP ) ارائه شده است كه اكثر آنها در جهت مينيمم كردن خطاي حداقل مربعات بوده است . روشهايي نيز براي فرار از مينيمم هاي محلي براي اين الگوريتم ارائه شده است كه افزودن پارامتر ممنتم به اين الگوريتم يكي از اين راهكارها مي باشد . الگوريتم BP بعلت كارايي مطلوبش، اغلب به عنوان الگوريتم يادگيري در شبكه هاي نوروني با ساختار لايه اي، مورد استفاده قرار گرفته است  برخي از بهبودهاي صورت گرفته در اين الگوريتم در ازاي افزايش شديد محاسبات بوده و بايد در استفاده آنها به شرايط مسئله توجه شود . شبكه هاي ديگري كه الگوريتمها و روشهايي براي تنظيم پارامتر آن  ارائه شده است شبكه هاي  ART مي باشند. الگوريتمهايي كه تاكنون براي تنظيم پارامتر مراقبت براي شبكه هاي ART ارائه شده اند براي كاربردهاي خوشه سازي 2 مي باشند. هدف اين الگوريتمها توليد يك تعداد از پيش تعيين شده از دسته 3 ها مي باشد. افزايش مقدار پارامتر مراقبت، افزايش تعداد دست ه ها و كاهش مقدار آ ن، كاهش تعداد دسته ها را موجب مي شود . در اين الگوريتمها شبكه براي مقادير مختلف پارامتر مراقبت كه از طريق يك الگوريتم هوشمند تعيين مي شود آموزش داده مي شود تا از اين طريق مقدار مناسب براي پارامتر مراقبت و در نتيجه تعداد مطلوب دست ه ها پيدا شود . بدون استفاده از اين الگوريتمها مقدار اين پارامتر مي بايست بصورت دستي مقداردهي شده و آموزش تكرار م يشد تا تعداد خوشه مطلوب حاصل شود (آزمايش و خطا). ..........

شبكه هاي عصبي پيس خور چند لايه و شبكه هاي ART از جمله شبكه هايي هستند كه در سالهاي اخير توجه زيادي به آنها شده است. در اين پايان نامه اين دو شبكه مورد بحث و بررسي قرار گرفته و الگوريتمهايي جهت بهبود عملكرد آنها ارائه م يگردد. در قسمت اول اين پايان نامه چند پيشنهاد براي بهبود الگوريتم بقاء كه تنها روش مبتني بر اتوماتاهاي يادگير براي تعيين ساختار مناسب براي شبكه هاي عصبي پس خور سه لايه مي باشد ارائه مي گردد. الگوريتمهاي اصلاح شده بقاء بر روي مسايل متنوعي از جمله مسايل parity ، شش بيتي ، parity شش بيتي نويزي شده، ارقام انگليسي، ارقام انگليسي نويزي شده، ارقام دست نويس فارسي، مساله  encoding سه بيتي، مساله تقارن و مساله XOR سه بيتي آزمايش شده و نتايج آن با دو الگوريتم تعيين ساختار شبكه هاي عصبي پس خور به نامهاي S&D و Iterative مقايسه شده است. نتايج آزمايشها نشان مي دهد كه الگوريتمهاي اصلاح شده بقاء در مقايسه با الگوريتم بقاء، الگوريتم S&D و الگوريتم Iterative از كارايي بالاتري برخوردار هستند و شبكه هاي كوچكتر با نرخ تشخيص بالاتري توليد مي كنند. در قسمت دوم اين پايان نامه، الگوريتمي مبتني بر اتوماتاهاي يادگير براي تنظيم پارامتر مراقبت شبكه Fuzzy ARTMAP در كاربردهاي كلاس بندي پيشنهاد مي گردد. الگوريتم پيشنهادي از طر يق تنظيم پارامتر مراقبت، شبكه اي كوچك كه داراي نرخ تشخيص بالا مي باشد توليد مي كند. عملكرد شبكه Fuzzy ARTMAP كه در آن پارامتر مراقبت توسط اتوماتاي يادگير تنظيم مي شود مستقل از مقدار اوليه پارامتر مراقبت مي باشد. الگوريتم پيشنهادي بر روي مسائل دايره در مربع، مارپيچ هاي حلزوني و مسئله مربع در مربع آزمايش شده و نتايج بسيار مطلوبي حاصل گرديده است

فهرست مطالب:

1. مقدمه

1-1 تعيين ساختار شبكه هاي عصبي پيش خور

2-1 تنظيم پارامتر مراقبت در شبكه ART

3-1 اهداف پايان نامه

4-1 ساختار پايان نامه

2. روشهاي پيشين تعيين پارامترها و ساختار شبكه هاي عصبي

1-2 مقدمه

2-2 روشهاي مربوط به تعيين، تنظيم يا تطبيق پارامترهاي الگوريتم BP

1-2-2 الگوريتم انتشار خطا به عقب

2-2-2 قانون دلتا-بار-دلتا

3-2-2 استفاده از كنترلر فازي جهت تنظيم پارامترهاي شبكه

4-2-2 تخمين نرخ يادگيري و ممنتم بهينه

5-2-2 بدست آوردن نرخ يادگيري بهينه توسط مشتقات مرتبه بالاتر

6-2-2 روش مبتني بر اتوماتا

3-2 روشهاي تنظيم ساختار شبكه هاي عصبي پيش خور

1-3-2 روش محاسبات حساسيت

2-3-2 ايجاد شبكه هاي عصبي نوروني با هدف تعميم بهتر

3-3-2 يك الگوريتم هرس براي شبكه هاي نوروني پيش خور

4-3-2 ارائه يك روش تركيبي براي تغيير تعداد نورونهاي مخفي

5-3-2 روش مبتني بر اتوماتا

4-2 روشهاي تنظيم پارامتر مراقبت در شبكه  ART

1-4-2 شبكه هاي ART

Fuzzy ART 1-1-4-2

ART 2A 2-1-4-2

 ART 2A-C 3-1-4-2 كدگذاري مكمل با ART 2A

:ART 2A-E 4-1-4-2 فواصل اقليدسي در  ART 2A

2-4-2 كنترل فازي ART

3-4-2 الگوريتم تطبيق فازي پارامتر مراقبت در شبكه ART

1-1-1-1 تحليل پويايي هاي ART

1-3-4-2 رابطه مابين حوض جاذب و پارامتر مراقبت

2-3-4-2 الگوريتم تطبيق فازي براي انتخاب ρ

5-2 خلاصه و نتيجه گيري

3. مروري بر اتوماتاهاي يادگير

1-3 مقدمه

2-3 تاريخچه اتوماتاهاي يادگير

3-3 اتوماتاهاي يادگير تصادفي

1-3-3 اتوماتاي تصادفي

2-3-3 محيط

4-3 الگوريتمهاي يادگيري

1-4-3 الگوريتمهاي يادگيري استاندارد

2-4-3 الگوريتمهاي يادگير با ساختار ثابت

1-2-4-3 اتوماتاي دو حالته 2,2 L

2-2-4-3 توسعه هاي اتوماتاي 2,2 L

3-2-4-3 اتوماتاي حافظه دار با دو عمل L2N

4-2-4-3 اتوماتاي كرينسكي K

5-2-4-3 اتوماتاي كرايلو K

, 6-2-4-3 اتوماتاي G2N

7-2-4-3 اتوماتاي مهاجرت اشياء

8-2-4-3 اتوماتاي u

5-3 بازيهاي اتوماتا

6-3 خلاصه و نتيجه گيري

4. الگوريتمهايي مبتني بر اتوماتاهاي يادگير براي تعيين ساختار

شبكه هاي عصبي چندلايه پيش خور

1-4 مقدمه

2-4 كاربردهاي مورد آزمايش

1-2-4 پريتي

2-2-4 ارقام انگليسي

XOR 3-2-4

Encoding 4-2-4

5-2-4 تقارن

6-2-4 مساله پريتي 4 بيتي نويزي شده

7-2-4 مساله ارقام انگليسي نويزي شده

8-2-4 ارقام فارسي دست نويس

9-2-4 حروف چيني

3-4 الگوريتم بقاء نورون

1-3-4 تشخيص نحوه عملكرد نورون روشن

2-3-4 نحوه تمايز بين نورونهاي خاموش

4-4 ارائه روشهاي نو جهت بهبود عملكرد الگوريتم بقاء نورون

1-4-4 كاهش تاثير نورونهاي خاموش

2-4-4 تعميم الگوريتم بقاء براي شبكه هاي با بيش از يك لايه مياني

3-4-4 زمان فعاليت اتوماتا

1-3-4-4 بعد از هر epoch

2-3-4-4 بعد از بي تغيير ماندن خطا(عدم كاهش خطا)

4-4-4 تفاوت در نوع اتوماتا

5-4 مقايسه ميزان محاسبات در يك EPOCH آموزشي

6-4 نتايج شبيه سازيها

1-6-4 مقايسه ميان الگوريتمهاي مبتني بر اتوماتاهاي با ساختار ثابت

1-1-6-4 مسئله ارقام انگليسي و شبكه با يك لايه مياني

2-1-6-4 مسئله ارقام انگليسي و شبكه با دو لايه مياني

3-1-6-4 مسئله ارقام انگليسي و شبكه با سه لايه مياني

2-6-4 از لحاظ قدرت تعميم

1-2-6-4 نتايج پياده سازي براي اعداد فارسي

2-2-6-4 نتايج براي مسئله اعداد نويزي شده انگليسي

3-2-6-4 نتايج براي مسئله پريتي 4 بيتي نويزي شده

3-6-4 از لحاظ ساختار شبكه

1-3-6-4 مقايسه الگوريتم در شبكه هاي با يك لايه مياني

2-3-6-4 مقايسه الگوريتم در شبكه هاي با دو لايه مياني

3-3-6-4 مقايسه الگوريتم در شبكه هاي با سه لايه مياني

4-6-4 نتايج شبيه سازيها براي مسئله حروف چيني

1-4-6-4 مقايسه الگوريتمها در شبكه هاي با يك لايه مياني

2-4-6-4 مقايسه الگوريتمها در شبكه هاي با دو لايه مياني

3-4-6-4 مقايسه الگوريتمها در شبكه هاي با سه لايه مياني

7-4 خلاصه و نتيجه گيري

5. الگوريتمي مبتني بر اتوماتاهاي يادگير براي تنظيم پارامتر مراقبت

در شبكه FUZZY ARTMAP

1-5 مقدمه

2-5 كاربردهاي مورد آزمايش

1-2-5 دايره در مربع

2-2-5 مارپيچهاي حلزوني

3-2-5 مربع در مربع

3-5 شبكه FUZZY ART

1-3-5 فرايند يادگيري

4-5 شبكه FUZZY ARTMAP

1-4-5 الگوريتم شبكه Fuzzy ARTMAP

5-5 روش پيشنهادي

6-5 نتايج شبيه سازي

1-6-5 نتايج پياده سازي براي مسئله دايره در مربع

2-6-5 نتايج پياده سازي براي مسئله مارپيچهاي حلزوني

3-6-5 نتايج پياده سازي براي مسئله مربع در مربع

7-5 خلاصه و نتيجه گيري

6. نتيجه گيري و پيشنهادات

مراجع

پيوست

پ 1) برنامه هاي مربوط به شبكه پيش خور لايه اي با الگوريتم يادگيري BP

1) تنظيم پارامترهاي برنامه هاي مربوط به شبكه پيش خور لايه اي با الگوريتم يادگيري BP

2) شيوه مقداردهي به الگوهاي ورودي آموزشي در برنامه ها- پ 1

پ 2) برنامه مربوط به شبكه ARTMAP

پ 3) واژه نامه

در صورت تمایل به دریافت فایل فوق در مدت 10 دقیقه ، لطفاً اینجا کلیک کنید

مشاوره ؛نگارش پایان نامه ؛ مقاله + شبیه سازی ‏‎ ‎‏در تمام مقاطع دانشگاهی‎ ‎پذیرفته می شود

‏در صورت ‏تمایل می توانید عنوان و جزئیات پروژه خود را در قسمت نظرات‏‎ ‎این پست ‏‏اعلام فرمایید‎. ‎‎ضمنا ‏می توانید اطلاعات درخواستی خود را به ایمیل یا تلگرام نمایید

‏‎

ایمیل : ‏com.dr@yahoo.com

درباره : شبکه های کامپیوتری , شبکه عصبی , هوش مصنوعی , شبکه عصبی , شبكه هاي عصبي , شبکه هاي عصبی توسط اتوماتاهای يادگير ,

دريافت Download ( Farsi Fonts - Arabic Fonts ) Font

نام فايل	اسم فونت	اسم فونت
ARABICS.TTF	Arabic Style	عربيک استايل
ARSHIA.TTF	Arshia	ارشيا
BADR.TTF	Badr	بدر
BADRB.TTF	Badr Bold	بدر بولد
BSEPEHR.TTF	Sepehr	سپهر
COMPSET.TTF	Compset	کامپ ست
COMPSETB.TTF	Compset Bold	کامپ ست بولد
ELHAM.TTF	Elham	الهام
FANTEZY.TTF	Fantezy	فانتزي
FARNAZ.TTF	Farnaz	فرناز
FERDOSI.TTF	Ferdosi	فردوسي
HOMA.TTF	Homa	هما
IranNastaliq.ttf	Iran Nastaliq	ايران نستعليق
JADIDB.TTF	Jadid Bold	جديد بولد
KAMRAN.TTF	Kamran	کامران
KAMRANB.TTF	Kamran Bold	کامران بولد
KOODAKB.TTF	Koodak Bold	کودک بولد
LOTUS.TTF	Lotus	لوتوس
LOTUSB.TTF	Lotus Bold	لوتوس بولد
MAJIDSH.TTF	Majid shadow	مجيد شدو
MITRA.TTF	Mitra	ميترا
MITRAB.TTF	Mitra Bold	ميترا بولد
NASIMB.TTF	Nasim Bold	نسيم بولد
NAZANIN.TTF	Nazanin	نازنين
NAZANINB.TTF	Nazanin Bold	نازنين بولد
PERSIAN.TTF	Pershian Nimrooz	پرشين نيمروز
Persweb.ttf	Persian Web	پرشين وب
PFONT.TTF	Persian Font	پرشين فونت
ROYA.TTF	Roya	رويا
ROYAB.TTF	Roya Bold	رويا بولد
SEPEHR.TTF	Sepehr	سپهر
SINAB.TTF	Sina Bold	سينا بولد
TABASSOM.TTF	Tabassom	تبسم
TITRB.TTF	Titr Bold	تيتر بولد
TRAFFIC.TTF	Teraffic	ترافيک
TRAFFICB.TTF	Teraffic Bold	ترافيک بولد
YAGUT.TTF	Yagut	ياقوت
YAGUTB.TTF	Yagut Bold	ياقوت بولد
ZAR.TTF	Zar	زر
ZARB.TTF	Zar Bold	زر بولد