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

دانلود رایگان الگورتیم خوشه بندی فازی با متلب

لازم به ذکر است که این پروژه با استفاده از نرم افزار متلب پیاده سازی شده است

و جهت اجرا آن ، نیاز است که ابتدا Matlab را نصب کرده باشید.

همراه این پروژه ، یک فایل مستندات با فرمت PDF وجود دارد

که توضیحات لازم را در رابطه با کد نویسی پروژه ارائه داده است و جهت آشنایی بیشتر ، میتوانید آن را مطالعه بفرمایید

دانلود

دانلود پروژه هوش مصنوعی مسئله کشیش و آدمخوار به زبان c++

شرح مختصر : سه کشیش و سه آدم خوار در یک طرف رودخانه قرار دارند و هم چنین قایقی که قادر است یک یا دو نفر را حمل کند. راهی  را بیابید که هر نفر (همه) به سمت دیگر رودخانه برود، بدون آنکه تعداد کشیش‌ها در یکجا کمتر از آدم خوارها شود.

حالات: یک حالت شامل یک دنبالة مرتب شده از عدد است که تعداد کشیش‌ها، تعداد آدمخوارها و محل قایق در ساحلی از رودخانه که از آنجا مسئله شروع شده را نمایش می‌دهد.

عملگرها: از هر حالت، عملگرهای ممکن یک کشیش، یک آدمخوار، دو کشیش، دو آدمخوار، یا یکی از هر کدام را در قایق جا می‌دهند.

آزمون هدف: رسیدن به حالت (0و 0 و 0)

هزینه مسیر: تعداد دفعات عبور از رودخانه.

نکته : پروژه به صورت گرافیکی هست و هدر graphics.h در آن فراخوانی شده

دانلود

منبع : پروژه دات کام

دانلود پروژه هوش مصنوعی سودوکو با الگوریتم *A در #C

پروژه هوش مصنوعی حل جدول سودوکو با استفاده از الگوریتم آگاهانه A* را میتوانید از طریق این پست دانلود نمایید که با استفاده از زبان سی شارپ  نوشته شده است.

 

مسئله سودوکو

سودوکو مسئله مشهوری است که در آن جدولی با ابعاد مختلف n*n شامل اعدادی از 1 تا 9 میباشد و این اعداد باید طوری در جدول چیده شوند که در هر سطر و  ستون همه این اعداد بصورت غیر تکرای وجود داشته باشند. شروط اصلی پر کردن جدول سودوکو با اعداد موجود به این صورت است که:

► مقادیر هر ستون منحصر به فرد باشند

► مقادیر هر سطر منحصر به فرد باشد(یعنی عدد تکراری نداشته باشیم)

► مقدار هر مربع N*Nداخلی منحصر به فرد باشد.

 

الگوریتم A*

جست وجوی آگاهانه A*، مینیمم کردن کل هزینه جواب میباشد، که معروفترین شکل"جست وجوی اول - بهترین" است. این روش گره ها را با ترکیب g(n) یعنی هزینه رسیدن به گره و h(n) یعنی هزینه رسیدن از این گره به گره هدف، ارزیابی میکند، پس هزینه مسیر ، f(n) = g(n) +h(n) میباشد.

این استراتژی فراتر از منطقی بودن است، بطوریکه اگر تابع ابتکاری h(n) بعضی از شرایط را برآورده کند، جست وجوی A* کامل و بهینه است.

 

روش برنامه سودوکو با تکنیک *A 

براساس شروط اصلی جدول سودوکو، در هر بار جستجو با استفاده از این شرط ها منحصر به فرد بودن تضمین می گردد.

این برنامه از دوبخش تشکیل شده است:

1. بخش نمایشی

2. بخش اصلی یا همان کلاس Sudoku

 

در این بخش مقدار آرایه ورودی را دریافت و به سازنده کلاس Sudoku  ارسال می کند.

این برنامه از یک آرایه دو بعدی برای ذخیره سازی جدول و انجام عملیات بر روی آن استفاده می کند. مقدار مربع داخلی آرایه نیز به صورت پیش فرض 3 در نطر گرفته شده است .برای جدول با اندازه های مختلف این مقدار تغییر می کند.همچنین یک آرایه داخلی از نوع Bool  برای ذخیره سازی مقدار منحصر به فرد آرایه استفاده شده است .این متغیر ها به صورت سراسری در سطح کلاس تعریف شده اند ، تا با متد های مختلف بتوان عملیات مورد نظر را  بر روی این مقادیر انجام داد .

مقدار  صفر در رشته ی ورودی بیانگر نقاط خالی در جدول می باشد.

برای دقت بیشتر جدول سودوکوی کامل نیز در خروجی ارائه شده است تا کاربر بتواند مقایسه این مقادیر جواب صحیح را ببیند .

دانلود

 

 

بررسی پارامترهای مهم در شبکه های عصبی فازی‎

عنوان پایان نامه  :  بررسی پارامترهای مهم در شبکه های عصبی فازی‎

قالب بندی :  PDF

قیمت :   رایگان

شرح مختصر : منطق فازی که در آن «زبان طبیعی» به جای متغیرهای عددی برای تشریح رفتار و عملکرد سیستم ها به کار می رود.،بیشترین کاربرد این مقوله به ترتیب در سازماندهی و فراهم  آوری اطلاعات بوده است. اکنون برای تضمین امنیت شبکه  های اطلاعاتی، از منطق فازی بهره -برداری می شود. در برخی زمینه  هاا مانند مستند سازی و مدیریت رکوردها نیز تاکنون پژوهشی با موضوع فازی به انجام نرسیده است. در سالهای اخیر، رویکرد عمده این بحث به سمت نظام های خبره و هوش مصنوعی سوق یافته است. به نظر می‌رسد برای حل بسیاری از گره‌ های موجود در حوزه مدیریت اطلاعات، می توان از منطق فازی کمک گرفت.

شبکه های عصبی فازی‎ یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهده پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند.

شبکه های عصبی فازی‎ یک سیستم ارگانی شامل نورون‌ها می‌باشد که اعمال و واکنش جانداران را هماهنگ می‌سازد و سیگنال‌ها را به بخشهای متفاوت بدن می‌فرستد. در بیشتر جانداران سیستم عصبی شامل دو بخش مرکزی و بخش جانبی است. در استفاده‌های جدیدتر این عبارت به شبکه عصبی مصنوعی که از نورون‌هایی مصنوعی ساخته شده‌است هم اشاره دارد. بنابراین عبارت ‘شبکه عصبی’ در حالت کلی به دو مفهوم مختلف شبکه عصبی زیستی و شبکه عصبی مصنوعی مختلف اشاره دارد.

شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌های پیچیده می‌توانند در استخراج الگوها و شناسایی گرایش‌های مختلفی که برای انسان‌ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند.

تنظیم پارامترهای شبکه عصبی مصنوعی را میتوان به عنوان یکی از مهمترین مشکلات استفاده از آن عنوان کرد. روش شبکه عصبی فازی نسبت به سایر روش ها قدرت بالایی در شناخت روند موجود بر داده ها دارد و در تمامی روشهای اندازه گیری خطا نسبت به سایر روشها خطای کمتری دارد . نتایج تحقیق بیانگر آن است که روش شبکه عصبی فازی با توجه به میزان کم خطا دارای همگرایی سریع و توانایی تقریب بالایی است و برای پیش بینی مناسب است.

دانلود پایان نامه

با تشکر از سرکار خانم محبوبه امین زاده

منبع : پروژه دات کام

گزارش پردازش تصویر – ردیابی بازیکنان فوتبال در تصویر ویدیویی - رایگان

این پایان نامه در زمینه video object tracking به همراه مقاله IEEE مستخرج از آن که در ژورنال معتبر ELSEVIER چاپ شده است. این پایان نامه به ردیابی و بازشناسی خودکار بازیکنان فوتبال و صحنه های گل در تصاویر ویدیویی یک بازی فوتبال با استفاده از تکنیک های مبتنی بر هیستوگرام تصاویر رنگی اختصاص دارد و در فصل های زیر سامان یافته است:
فصل اول- مقدمه
فصل دوم- پیشینه مطالعاتی
فصل سوم- شناسایی و تعیین تیم بازیکنان
فصل چهارم- ردیابی بازیکنان
فصل پنجم- ایجاد نمای دور
فصل ششم- نتایج آزمایش ها
فصل هفتم- نتیجه گیری و پیشنهادات

دانلود مقاله انگلیسی

دانلود گزارش

با تشکر از آقای عباس مهرپرور

آشکار سازی چهره و آشکار سازی مرکز مردمک چشم - رایگان

سال انتشار: ۱۳۹۴

محل انتشار: کنفرانس ملی فن آوری، انرژی و داده با رویکرد مهندسی برق و کامپیوتر

کد COI مقاله: TEDECE01_310

زبان مقاله: فارسی

دانلود مقاله

حجم فایل: ۴۳۶.۰۹ کلیوبایت

مقاله آشکار سازی چهره با استفاده از درخت تصمیم گیری - رایگان

سرفصل ارائه مقاله: هوش مصنوعی

سال انتشار: ۱۳۹۲

محل انتشار: همایش ملی مهندسی کامپیوتر و فناوری اطلاعات

کد COI مقاله: NCCEB01_090

زبان مقاله: فارسی

دانلود مقاله

حجم فایل: ۲۲۸.۳۷ کلیوبایت                                            

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.