بخشی از متن پروژه بررسی کاربرد شبکه های عصبی مصنوعی:
ابتدا به تعريف وكاربرد هاي شبكه ي عصبي سپس به استفاده از الگوريتم هاي شبكه  وبعد یک بررسی اجمالی روی انواع شبکه های عصبی انجام شده است و نوع پرسپترون به دلیل کاربرد فراوان بیشتر شرح داده شده است.  در ادامه بحث به مقايسه اين شبكه با مغز انسان  وتفاوت اين شبكه با شبكه هاي معمولي كامپيوتر وچگونگي يادگيري اين نوع شبكه, وكاربرد هاي ان در كارها وصنعت هاي مختلف وروش ومقايسه ان با نرون ها    و پياده سازي الكترونيكي ان عمليات شبكه و همچنين به آموزش اين نوع شبكه پرداخته شده است  همچنين الگوريتم هاي مربوط به هر نوع شبكه عصبي توضيح داده شده است ومشكلات انها  راه حل هاي اين نوع مشكلات و كاربرد اين نوع شبكه ها این تحقیق صرفا گرداوری است تا پس از تکمیل ترشدن 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 دارندآمده است. وهمچنين نمونه از برنامه نويسي اين نوع شبكه در زبان c# و همچنين كار با ان در نرم افزارjoon editor علاوه بر صورت هاي رياضي ، الگوريتم هاي اصلي شيوه هاي شبكه  هاي عصبي ارائه شذه است  اين الگوريتم ها گام هاي مرحله به مرحله هر شيوه رابيان مي كند و با تبديل ان ها به برنامه هاي كامپيوتري مي توان مطالب زيادي رادر مورد شبكه هاي عصبي آموخت زيرا هيچ چيز بهتر از تمرين عملي نمي تواند انسان را به كنه مطالب رهنمون كند اين اگوريتم ها حتي براي افرادي كه كامپيوتر ندارند مفيد است زيرا مرحل عمل به وضوح وگام به گام نشان داده شد.
شبکه عصبی چیست ؟
شبكه‌هاي عصبي را مي‌توان با اغماض زياد، مدل‌هاي الكترونيكي از ساختار عصبي مغزانسان ناميدمكانيسم فراگيري و آموزش مغز اساساً بر تجربه استوار است. مدل‌هاي الكترونيكي شبكه‌هاي عصبي طبيعي نيز براساس همين الگو بنا شده‌اند و روش برخورد چنين مدل‌هايي با مسائل، با روش‌ها محاسباتي  كه به‌طور معمول توسط سيستم‌هاي كامپيوتري در پيش گرفته شده‌اند، تفاوت دارد. مي‌دانيم كه حتي ساده‌تري مغز‌ هاي جانوري هم قادربه حل مسائلي هستندكه اگرنگوييم كه كامپيوترهاي امروزي ازحل آنها عاجز هستند، حداقل در حل آنها دچار مشكل مي‌شوند. به عنوان مثال، مسائل مختلف شناسايي الگو، نمونه‌اي از مواردي هستندكه روش‌هاي معمول محاسباتي براي حل آنها به نتيجه مطلوب نمي‌رسند. درحالي‌كه مغز ساده‌ترين جانوران به‌راحتي از عهده چنين مسائلي برمي‌آيد. تصورعموم كارشناسان IT برآن است كه مدل‌هاي جديد محاسباتي كه بر اساس شبكه‌هاي عصبي بنا مي‌شوند، جهش بعدي صنعت IT را شكل مي‌دهند. تحقيقات دراين زمينه نشان داده است كه مغز، اطلاعات راهمانند الگو‌ها (pattern) ذخيره مي‌كند. فرآيند ذخيره‌سازي اطلاعات به‌صورت الگووتجزيه و تحليل آن الگو‌، اساس روش نوين محاسباتي راتشكيل مي  هيچ وجه ازروش‌هاي برنامه‌نويسي سنتي استفاده اين حوزه ازدانش محاسباتي computation دهند. نمي‌كند و به‌جاي آن از شبكه‌هاي بزرگي كه به‌صورت موازي آرايش شده‌اند و تعليم يافته‌اند، بهره مي ‌.یک ایده ای است برای پردازش شبکه عصبی مصنوعی Artificial Neural Network (ANN)) جويد اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغزبه پردازش اطلاعات می پردازد . عنصر کلیدی این ایده، ساختارجدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته  برای حل یک مسأله با هم هماهنگ عمل(neurons) تشکیل شده کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه ای 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.
فهرست مطالب پروژه بررسی کاربرد شبکه های عصبی مصنوعی:
چکیده
شبكه ي عصبي چيست؟
سابقه ي تاريخي
انسان وسلول هاي عصبي و مصنوعي
شباهت با مغز
چگونگي يادگيري يك شبكه
كاربرد هاي شبكه عصبي
روش كار نرون ها
مدل رياضي
پياده سازي الكترونيكي نرون هاي مصنوعي
عمليات شبكه عصبي
آموزش شبكه عصبي
آموزش تطبيقي
الگوريتم ژنتيك
الگوريتم مورچگان
انواع شبكه هاي عصبي
يادگيري پرسپترون
از سلول هاي عصبي تا سلول هاي انسان
شبكه ي عصبي در مقابل كامپيوتر هاي معمول
چرا از شبكه مصنوعي استفاده مي كنيم
مزيت هاي ديگر آن
مسائل مناسب براي يادگيري شبكه
الگوريتم هاي يادگيري
مشكلات روش gradientdesce
الگوريتم back propagation
قدرت نمايش توابع
قدرت تعميم over fitting
نگاهي به نظريه هاي يادگيري از ديدگاه روانشناسي
مدل هاي يادگيري ماشين
تشكيل شبكه ي عصبي
اموزش شبكه
چگونه يك شبكه عصبي بسازيم
فصل دوم
نگاهي به نظريه هاي يادگيري از ديدگاه علوم كاميوتر
منابع
فهرست اشكال:
شكل 1 - خروجي يك شبكه فرضي ساده
شكل 2 - تابع برنامه اجرايي
شكل 3-  مقدار ورودي ورژن دار
شكل 4- مقدار اوليه پيوند
شكل 5-  تابع انتقال عبور
شكل 6- تابع learn
شكل 7- سا ختار يك نرون
شكل 8- مدل رياضي
شكل 9 -تابع خروجي  بخش a
شكل 10-  نماي جزئي ازيك نرون
شكل 11- تابع سينوسي، تانژانت هذلول
شكل 12- تابع انتقال از نوع sigmoid
شكل 13 -ساختار لايه اي يك شبكه
شكل 14- نمايش شبكه عصبي با   ارتباط بازخوردي
شكل 15- روال ناارضاي همگرايي در الگوريتم ژنتيك
شكل 16- مسيرياب هاي نرم افزاري الگوريتم مورچگان
شكل 18- چگونگي ردوبدل اطلاعات در دوسيستم
شكل 19- تست ترافيك الگوريتم مورچگان
شكل 20- تست انطباق الگوريتم
شكل21 -فضاي وزني الگوريتم gradient
شكل 22 -همگرايي در الگوريتم  gradient
شكل23 - الگوريتم backpropaging
شكل 24- افزودن متمم با استفاده از  الگوريتم bp
شكل 25- نمودار خطا الگوريتم bp
شكل  26- قدرت تعميم
شکل27- الگوی خبرپردازی یادگیری (بایلرواسنومن،1993)
شكل 28- محيط كار نرم افزار editor
شكل 29 -ایجاد لایه ی FileInput
شكل 30 -ایجاد یک لایه ی خطی
شكل 31- ايجاد لايه WinnerTakeAll
شكل 32- لايه نرون ها
شكل 34 -ايجاد يك اينترفيس
شكل 35- ايجاد يك كلاس
شكل 36- ايجاد تمام اينترفيس ها
شكل 37- ساختار اصلي يك كلاس
شكل 38- متذ ها
شكل 39- كلاس لايه شبكه
شكل 40- فرستادن پالس
شكل 41 -كلاس  neuralnet
شكل 42- نماي كلي از عملكرد سيستم
شکل 1- رابطه عامل هوشمند با محیط
شکل 2- رابطه عامل با محیط
شكل 3- روبات مسئله را حل كرده
شكل 4-  ربات يادگيرنده
شكل 5 -نمودار یادگیری برای روبات
شکل 6 - یک اتوماتای یادگیر ساده
شکل 8 - مثال CBR
شکل 9 - مثال Decision Tree
شکل10- یک مدل کنترل کننده عاطفی
شکل 11 - یک کنترل کننده عاطفی
شکل 12- مدل یک نرون عصبی

---

برچسب ها: project-barresi-karbord-Shabake-haye-asabi-masnooyi-78-safhe