سمینار ارشد برق بررسی کاربرد شبکه های عصبی در سیستم کنترل پرواز

اختصاصی از حامی فایل سمینار ارشد برق بررسی کاربرد شبکه های عصبی در سیستم کنترل پرواز دانلود با لینک مستقیم و پر سرعت .

چکیده:

در این سمینار، در ابتدا درباره شبکه عصبی، تاریخچه، مزایا و کاربردهای آن مختصری توضیح داده می شود. در این بخش به بحث در مورد چگونگی به وجود آمدن ایده شبکه های عصبی و نحوه رشد این ایده را مورد بررسی قرار می دهیم. سپس مزیت های شبکه های عصبی از جمله، قابلیت آموزش پردازش موازی، قابلیت تعمیم و… را توضیح می دهیم. سپس کاربردهای روزافزون شبکه عصبی در زندگی روزمره را مورد توجه قرار می دهیم. در ادامه به بررسی مفصل چند کاربرد از شبکه های عصبی در سیستم کنترل پرواز، نحوه استفاده، لزوم استفاده و نتایج آن می پردازیم. در این بخش ابتدا دلایل استفاده از شبکه های عصبی را در آن مسئله به خصوص متذکر می شویم. سپس مبانی محاسباتی و نحوه آموزش شبکه عصبی را در هر کاربرد توضیح می دهیم. و در آخر به بحث در مورد نتایج به دست آمده می پردازیم.

مقدمه:

شبکه های عصبی به عنوان یکی از مولفه های هوش محاسباتی از خواص مهمی برخوردار می باشد که آن را در علوم و مسائل هندسی حائز اهمیت می نماید. در این بین خصوصیات، توانایی تقریب زنی توابع، ساختار موازی، قدرت یادگیری و تعمیم از اهمیت خواصی برخوردار می باشد. در این میان خاصیت تقریب زنی توابع و یادگیری بر خط بیشترین استفاده را در سیستم کنترل دارد. سیستم کنترل پرواز به علت اینکه دارای نامعینی می باشد، در نتیجه استفاده از خاصیت تقریب زنی توابع شبکه های عصبی را جهت به دست آوردن قانون کنترل، بسیار مفید است. همچنین شبکه عصبی با توجه به توانایی یادگیری بر خط قادر است خود را با تغییرات دینامیکی هواپیما تطبیق دهد. تخمین دقیق میزان غیرخطی بودن سیستم، امروزه که هواپیماهای جنگنده کارایی بالائی در شرایط سخت و مانورهای پیچیده از خود نشان می دهند، مشکل اصلی می باشد. پدیدار شدن الگو شبکه های عصبی به عنوان یک ابزار قدرتمند برای طراحی های پیچیده باعث گردید تا استفاده از شبکه های عصبی برای شناسایی و کنترل دینامیک سیستم ها با غیرخطی های ناشناخته که سیستم های کنترل پرواز و مدل دینامیکی هواپیما از این نوع می باشند، مورد توجه قرار گیرد. با توجه به آنچه که گفته شد، لزوم استفاده از شبکه های عصبی در سیستم کنترل پرواز کاملا حس می شود.

فصل اول: کلیات

1-1) هدف

سیستم های واقعی عموماً غیرخطی می باشند و دارای دینامیک بسیار پیچیده ای می باشند، که همین پیچیدگی ساختار کنترلی بسیار گسترده ای را می طلبد. معمولاً پیاده سازی آن بسیار مشکل می باشد. یکی از روشها برای پیاده سازی و کنترل سیستم های غیرخطی استفاده از شبکه های عصبی می باشد. زیرا این شبکه ها با توجه به توانایی بالا در تقریب زنی می توانند مدل های مناسبی با دقت بالا برای سیستم های غیرخطی باشند. دینامیک هواپیما غیرخطی و بسیار پیچیده می باشد. همچنین سیستم هواپیما بخصوص هواپیماهای جنگنده که باید در شرایط سخت مانورهایی با دقت بالا انجام دهند، نیازمند آن هستند که در هنگام مدلسازی، مدلی با دقت بالا جایگزین این سیستم گردد. معمولاً شبکه عصبی برای این منظور انتخاب می شوند. کنترل کننده های کلاسیک فقط در نقطه کار جواب مناسبی به ما می دهند. ولی سیستم هواپیما نیازمند کنترل کننده منعطف تری در مقابل نقطه های کار مختلف می باشد. شبکه عصبی به خاطر اینکه به صورت بر خط و با تغییر وزن ها آموزش می بیند، می تواند برای این هدف مناسبتر باشد. هدف از ارائه این سمینار آشنایی با نحوه استفاده از شبکه های عصبی در سیستم کنترل پرواز با بررسی چند کاربرد در این زمینه می باشد.

تعداد صفحه : 85

مقاله سیستم های مبتنی بر شبکه عصبی

اختصاصی از حامی فایل مقاله سیستم های مبتنی بر شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

 

 

سیستم های مبتنی بر شبکه عصبی

قالب گزارش : (word) قابل ویرایش است

شرح مختصر :  شبکه‌های عصبی مصنوعی Artificial Neural Network – ANN)  ) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. مثلا با اعمال سوزش به سلول‎های عصبی لامسه، سلول‎ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‎ها وزن سیناپس‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند. 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. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسون‎ها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفته‌است، که یکی از قابل توجه‎ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می‎دهد. در یک مدل شبکه عصبی، گره‎های ساده (بطور گسترده نورون، نئورونها، “PE” ها (عناصر پردازش) یا واحدها) برای تشکیل شبکه‎ای از گره‎ها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح”شبکه‎های عصبی” اطلاق می‎شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد. با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکه‌ها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
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

1. دو‌فصلنامه علمی ـ پژوهشی - سال سوم ـ شماره ششم ـ پاییز و زمستان 1385 - صاحب امتیاز‌: پژوهشگاه حوزه و دانشگاه - مدیر مسؤل: علیرضا اعرافی- سردبیر: سید ‌هادی عربی
2. آذر،عادل و منصور مومنی.(1380).آمار و کاربرد آن در مدیریت.جلد دوم،انتشارات‌ سمت،چاپ ششم.
3. آر.بی‌و تی.جکسون.(1383).آشنایی با شبکه‌های عصبی،ترجمه دکتر محمود البرزی،تهران:انتشارات علمی دانشگاه صنعتی شریف،چاپ دوم.
4. البرزی،محمود،حسین عبده تبریزی.(1375).مدلهای شبکه عصبی و کاربرد آن در مدیریت مالی،دانشگاه شهید بهشتی،اولین سمینار مدیریت مالی.
5. 4-پناهیان،حسین.(1379).استفاده از شبکه‌های عصبی برای پیش‌بینی روند شاخص قیمت‌ سهام در بورس اوراق بهادار تهران،رساله دکتری مدیریت،دانشگاه آزاد اسلامی‌ واحد علوم و تحقیقات.
6. چاوشی،کاظم.(1380).بررسی رفتار قیمت سهام در بورس اوراق بهادار تهران،پایان‌ نامه کارشناسی ارشد،دانشگاه امام صادق(ع).
7. خاکی صدیق،علی.(1383).ارزیابی روشهای پیش‌بینی قیمت سهام و ارائه مدل بهینه، پژوهشکده پولی و بانکی.بانک مرکزی ج.ا.ا،چاپ اول.
8. رایلی،فرانک‌کی،کیت‌سی براون.(1384).تجزیه و تحلیل سرمایه‌گذاری و مدیریت‌ سبد اوراق بهادار،ترجمه غلامرضا اسلامی بیدگلی،فرشاد هیبتی،فریدون رهنمای‌ رودپشتی،پژوهشکده امور اقتصادی،چاپ اول.
9. راعی،رضا،احمد تلنگی.(1383).مدیریت سرمایه‌گذاری پیشرفته،انتشارات سمت، چاپ اول.
10. سلامی،امیر بهداد.(1381).آزمون روند آشوبی در بازده سهام بازار اوراق بهادار، پژوهشنامه اقتصادی،شماره 5.
11. طلوعی اشلقی،عباس،شادی حق‌دوست.(1386).مدل‌سازی پیش‌بینی قیمت سهام‌ با استفاده از شبکه عصبی و مقایسه آن با روش‌های پیش‌بینی ریاضی،پژوهشنامه‌ اقتصادی.
12. گجراتی،دامودار.(1383).مبانی اقتصادسنجی،ترجمه حمید ابریشمی،انتشارات‌ دانشگاه تهران،جلد اول و دوم،چاپ چهارم.

گزارش فوق در44 صفحه تهیه شده است

بعد از هر خرید منتظر هدایای ما باشید

نظرات

پاورپوینت زیبای آموزش شبکه های عصبی و هوش مصنوعی

اختصاصی از حامی فایل پاورپوینت زیبای آموزش شبکه های عصبی و هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

شبکه های عصبی درهوش مصنوعی

اختصاصی از حامی فایل شبکه های عصبی درهوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

شبکه های عصبی  درهوش مصنوعی

فرمت: word

تعدادصفحات : 84

  یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد. 

سابقه تاریخی

به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است. خیلی از پیشرفت های مهم با تقلید ها و شبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky و Papert شناسانده شد. Minsky و Papert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد . اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.  

دانلود مقاله مقدمه ای بر شبکه های عصبی (تعداد صفحات 48)

اختصاصی از حامی فایل دانلود مقاله مقدمه ای بر شبکه های عصبی (تعداد صفحات 48) دانلود با لینک مستقیم و پر سرعت .

 این تحقیق با دو هدف اصلی زیر صورت گرفته است : 1.درک اولیه ای از شبکه های عصبی  2.شروع یک رویه تحقیقاتی بلند مدت روی یادگیری ویاد آوری در انسان. در این تحقیق از منابع بسیار متنوعی استفاده شده است . ابتدا یک بررسی اجمالی روی انواع شبکه های عصبی انجام شده است و نوع پرسپترون به دلیل کاربرد فراوان بیشتر شرح داده شده است. این تحقیق صرفا گرداوری است تا پس از تکمیل تر شدن اطلاعات شاید افقی جدید حاصل شود. سپس در باره یادگیری ماشین و نیز یادگیری انسان مطالبی مبسوط آورده شده است و در پایان با مقایسه یافته ها با برخی یافته های پزشکی چند قیاس انجام گردیده. در پایان خلاصه ای از مبحث پردازش تصویر که شبکه های عصبی در آن کاربرد ویژه ای دارند آمده است.

کلمات کلیدی : 

شبکه عصبی چیست

شبکه عصبی چه قابلیت هایی دارد

یادگیری شبکه عصبی

شبکه عصبی مصنوعی

یادگیری یک پرسپترون

الگوریتم های یادگیری پرسپترون

فضای فرضیه و بایاس استقرا

نگاهی به نظریه های یادگیری از دیدگاه علوم کامپیوتر

یادگیری مبتنی بر منطق و استنتاج