پایان نامه شبکه های عصبی مصنوعی (رایگان)

شرح مختصر : در این نوشتار به معرفی شبکه های عصبی زیستی و شبکه های عصبی مصنوعی و ساختارهای آنها می پردازیم.در ابتدا نرونهای شبکه های عصبی زیستی معرفی شده و طرز کار آنها نشان داده شده است.سپس مدل مصنوعی این نرونها و ساختار آنها،مدل ریاضی آنها،شبکه های عصبی مصنوعی و نحوه آموزش و بکارگیری این شبکه ها نشان داده شده است.تمرکز بیشتر بر نوعی از این شبکه ها به نام شبکه های عصبی مصنوعی چند لایه می باشد.سپس الگوریتم ژنتیک که جزو پرکاربردترین الگوریتمهای پیاده سازی شبکه عصبی مصنوعی است مورد بررسی قرار گرفته است.

دانلود رایگان پایان نامه

منبع : پروژه دات کام

 فرستنده : رز آهنی

 حجم فایل : 1,170 کیلوبایت

پروژه های هوش مصنوعی

آخرین پروژه های هوش مصنوعی را میتوانید در سایت دیجی پروژه مشاهده کنید :

پروژه های بینایی ماشین ، پروژه های شبکه های عصبی ، پروژه های پردازش تصویر ، پروژه های پردازش تکاملی ، پروژه های پردازش گفتار ، پروژه های تبدیل متن به گفتار ، پروژه های شناسایی آماری الگو ، پروژه های یادگیری ماشین و ....

ترجمه شماره 21 - شبکه های عصبی کانولوشنی برای آشکارسازی p300 با عملیات ارتباطی مغز- کامپیوتر

C o n v o l u t i o n a l  N e u r a l  N e t w o r k s  f o r  P 3 0 0  D e t e c t i o n  w i t h  A p p l i c a t i o n  t o  B r a i n

 C o m p u t e r  I n t e r f a c e s

شبکه های عصبی کانولوشنی برای آشکارسازی p300 با عملیات ارتباطی مغز- کامپیوتر

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 32 صفحه

رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا

سال چاپ مقاله : 2011

دانلود اصل مقاله – رایگان

قیمت : ۱۲۰۰۰ تومان

چکیده

ارتباط کامپیوتر – مغز (BCI) یک نوع از ارتباطات انسان – کامپیوتر است که ارتباط مستقیم بین انسان و کامپیوتر را توسط آنالیز اندازهگیری های مغز ممکن می سازد. نمونه های توپ فرد در BCI برای تولید پتانسیل های مرتبط با حادثه (ERP)،مانند موج p300 ،بر روی هدف انتخاب شده توسط کاربر استفاده شد.یک درست کننده p300 بر اصولی  استوار است که آشکارسازی موج های p300 به کاربر اجازه می دهد که کاراکتر ها را بنویسد.درست کننده p300 از دو مساله کلاس بندی تشکیل شده است.اولین کلاس بندی ، اشکار سازی وجود p300 در نوار مغزی (EEG) است. دومین معادل است با ترکیبات پاسخ های مختلف p300 برای تعیین کاراکتر درست است.یک روش جدید برای آشکارسازی موج های p300 ارائه شده است.این مدل بر یک شبکه عصبی کانولوشن CNN استوار است.توپولوژی این شبکه برای آشکارسازی موج های p300در حوزه زمان انتخاب شده است.7 دسته بندی کننده بر اساس CNN ارائه شده است:4 سیگنال دسته بندی کننده با دسته های ویژگی مختلف و 3 مولتی طبقه بندی گر.این مدل ها آزمایش شدند و مقایسه شدند برای دسته داده II از سومین رقابت BCI.اولین نتیجه با یک راه حل مولتی طبقه بندی گر با نرخ بازسازی 95.5% و بدون انتخاب کانال قبا از طبقه بندی بدست آمد.دستاورد ارائه شده یک روش جدید را برای آنالیز فعالیت های مغز مهیا می کند به علت شاخه های پذیرا از مدل های CNN.

کلمات کلیدی :

شبکه عصبی – پیچیدگی – یادگیری مبتنی بر گرادیان- فیلتر های فضایی - رابط مغز و کامپیوتر(BCI) – موج نگار مغز (EEG)- P300

پروژه شماره 9 - بررسی توابع فعالیت مختلف در شبکه پرسپترونی چند لایه برای کاربرد تقریب تابع - پیاده سازی متلب

بررسی توابع فعالیت مختلف در شبکه پرسپترونی چند لایه برای کاربرد تقریب تابع

شبکه هایی که از یک نرون ساخته شده اند، دارای محدودیت هایی می باشند. این شبکه ها توانایی پیاده سازی توابع غیرخطی را ندارند. به عنوان مثال توسط این شبکه ها نمی توان تابع XOR را پیاده سازی نمود.

برای حل این مشکل شبکه های دیگری پیشنهاد شد که به شبکه های پرسپترون چندلایه معروف است.

شبکه های پرسپترون چند لایه از یک لایه ورودی، تعدادی لایه پنهان و یک لایه خروجی تشکیل شده است.

در این شبکه ها شرایط زیر وجود دارد:

• نرون های هر لایه تنها به نرون های لایه بعدی متصل می باشند.

• هر نرون به تمامی نرون های لایه بعد متصل می باشد.

• نرون های لایه ورودی عملی را انجام نمی دهند و همگی وزنی ثابت و برابر یک دارند. این نرون ها تابع فشرده سازی ندارند. تمامی نرون ها به غیر از لایه ورودی جمع کننده بوده و هر نرون می تواند تابع فشرده سازی مستقلی داشته باشد.

• هر نرون می تواند دارای بایاس مستقل باشد.

• تعداد لایه های پنهان مشخص نمی باشد.

در شبکه های پرسپترون چندلایه، تعداد لایه های پنهان می تواند هر تعداد باشد. البته در بیشتر کاربردها یک لایه پنهان کفایت می کند. در برخی مواقع نیز دو لایه پنهان یادگیری را ساده تر می کند. در حالتی که تعداد لایه های پنهان بیش از یک لایه باشد باید الگوریتم های یادگیری را برای تمامی لایه ها تعمیم داد. روش عملی برای تخمین تعداد واحدها (نورون ها) در هر لایه پنهان در دست نیست. بدین منظور باید از روش های سعی و خطا استفاده کرد تا به مقدار میانگین خطای کل مطلوب رسید.

در این پروژه شبکه پرسپترونی چند لایه را برای کاربرد تقریب تابع پیاده سازی شده است.توابع داده شده در جدول از طریق واسط کاربری برای تابع فعالیت واحدها انتخاب می شود.در کاربرد تقریب تابع تعدادی نمونه آموزشی از تابع هدف ایجاد و در اختیار شبکه قرار داده می شود.

کد برنامه : متلب (Matlab)

گزارش پیاده سازی : ندارد

• در کاربرد تقریب تابع کاربر قادر می باشد تابعی را از یک مجموعه تابع از پیش تعریف شده در پروژه انتخاب کند.
• نمایش شکل تابع فعالیت بکار رفته و نمایش خطای شبکه در مرحله یادگیری
• نمایش تابع اصلی، داده های آموزشی تولید شده و تابع تقریب زده شده توسط شبکه

مجموع توابع پیاده سازی شده :

دریافت کامل کد برنامه( ایمیل خود را با دقت وارد نمایید)

قیمت : 25000 تومان

پروژه شماره8 - شبکه کوهونن یا خودسازمانده (SOM) - پیاده سازی متلب

شبکه کوهونن یا خودسازمانده  (SOM)

شبکه خودسازمانده برای تخمین توزیع داده های ورودی(تشخیص شکل داده های ورودی پیاده سازی شده است).

• شبکه کوهونن برای دو حالت یک بعدی و دو بعدی با اندازه متغیر پیاده سازی شده است.
• خروجی های شبکه خودسازمانده، نمایش روند یادگیری شبکه می باشد.

دریافت کامل کد برنامه( ایمیل خود را با دقت وارد نمایید)

قیمت : 15000 تومان

پروژه شماره 7 - شبکه همینگ – پیاده سازی متلب

شبکه همینگ

شبکه همینگ برای تشخیص شبیه ترین الگوی ذخیره شده به الگوی ورودی پیاده سازی شده است.

کد برنامه : متلب (Matlab)

گزارش پیاده سازی : ندارد

امکانات این پروژه عبارتست از :

• قابلیت ورود دستی داده ها وجود دارد.
• داده هایی از قبل آماده شده و امکان لود آنها در پروژه پیاده سازی شده است.
• قابلیت ورود داده های تصادفی و اعمال نویزهای مختلف به داده های ورودی وجود دارد.
• امکان ذخیره سازی و لود وزن ها و پارامترهای شبکه باید وجود دارد.

خروجی های شبکه همینگ عبارتند از:

• نمایش الگوهای ذخیره شده
• نمایش الگوی ورودی
• نمایش شبیه ترین الگو تعیین شده توسط شبکه

دریافت کامل کد برنامه( ایمیل خود را با دقت وارد نمایید)

قیمت : 25000 تومان

پروژه شماره 6 -دسته بندی داده های دو کلاسه با استفاده از پردازشگر پرسپترون و آدلاین - پیاده سازی متلب

 دسته بندی داده های دو کلاسه با استفاده از پردازشگر پرسپترون و آدلاین

داده ها دو بعدی و متعلق به دو کلاس مختلف هستند؛ که امکان ورود داده های مربوط به دو کلاس مختلف با استفاده از ماوس و با تعیین مختصات نقاط وجود دارد.

کد برنامه : متلب (Matlab)

گزارش پیاده سازی : ندارد

این پیاده سازی شامل موارد ذیل می باشد :

• امکان لود داده های از قبل ذخیره شده و یا ذخیره سازی داده های وارد شده توسط کاربر وجود دارد.
• امکان ورود دستی وزن های شبکه وجود دارد.
• امکان تولید تعداد دلخواه داده تصادفی با کلیک بر روی صفحه ورود داده وجود داشته، و واریانس، تعداد و کلاس نمونه ها از ورودی خوانده می شود.
• امکان تنظیم پارامترهای واحدهای پردازشگر و الگوریتم های یادگیری آنها از طریق واسط کاربری در اختیار کاربر قرار داده شده است.
• قابلیت ذخیره سازی و لود وزن های شبکه وجود دارد

دریافت کامل کد برنامه( ایمیل خود را با دقت وارد نمایید)

قیمت : 15000 تومان

دانلود مقاله استگانوگرافی به همراه کریپتوگرافی و فشرده سازی برپایه شبکه های عصبی MLP بهمراه نمونه پیاده سازی شده - رایگان

سال انتشار: ۱۳۹۴

محل انتشار: کنفرانس بین المللی یافته های نوین پژوهشی درمهندسی برق و علوم کامپیوتر

کد COI مقاله: COMCONF01_548

زبان مقاله: فارسی

حجم فایل: ۸۲۸.۵۶ کیلوبایت

دانلود مقاله

دانلود نمونه پیاده سازی شده

مشخصات نویسندگان مقاله استگانوگرافی به همراه کریپتوگرافی و فشرده سازی برپایه شبکه های عصبی MLP

حمید افسرده - دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه آزاد اسلامی واحد علوم و تحقیقات بوشهر
مرضیه دادور - مربی گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد علوم و تحقیقات بوشهر

چکیده مقاله:

استکانوگرافی ازدوواژه یونانی استگانوس به معنای سرپوشیده و گرافتوس به معنی نوشته گرفته شده و قدمت دیرینه ای دارد امروزه با پیشرفت روزافزون بشر و به کارگیری ووابستگی هرچه بیشتر اوبهتکنولوژی استگانوگرافی معنای تازه ای پیدا کرده است درواقع استگانوگرافی هنرپنهان سازی اطلاعات دردرون فایلهایی با فرمت های م ختلف ازجمله فایلهای متنی تصویری صوتی و ویدیویی گفته میشود عکس این عمل استگانالیز Steganalysis نام دارد که به معنای استخراج اطلاعات پنهان شدها ست دراین مقاله هدف ما استگانوگرافی برروی تصویر و یاهمان پنهان کردن متن درون تصویر می باشد که باتکیه بریک الگوریتم شبکه عصبیمصنوعی ابتدا دیتا کریپتوگرافی شده و سپس درون یک تصویرپوششی که به اصطلاح Cover Image گفته میشود قرارخواهد گرفت درواقع این روش باترکیب کریپتوگرافی فشرده سازی و استگانوگرافی کاررا برای هکرها سخت نموده و دیکدکردن اطلاعات رمز شده و پنهان شده درون تصویر را ازطریق حملات روی تصویر دشوار می سازد مدل شبکه عصبی استفاده شده دراینجا یک شبکه چندلایه انتشارپیشرو MLP می باشد و درفرایندی معکوس متن اصلی ازدیتای تغییر شکل یافته بازیابی میشود فایل همراه مقاله درواقع نمونه پیاده سازی شده مقاله می باشد که ازادرس زیرنیز قابل دریافت می باشد 

مقاله سیستم های مبتنی بر شبکه عصبی - رایگان

عنوان مقاله :  سیستم های مبتنی بر شبکه عصبی

قالب بندی :  Word

قیمت :   رایگان

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.