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

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

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

ترجمه شماره 19 - ردیابی انسان با استفاده از شبکه های عصبی کانولوشن

Human Tracking Using Convolutional Neural Networks

ردیابی انسان با استفاده از شبکه های عصبی کانولوشن

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 43 صفحه

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

سال چاپ مقاله : 2010

دانلود اصل مقاله – رایگان

قیمت : 24000 تومان

چکیده

 در این مقاله،  ما ردیابی را به عنوان شناخت مساله تخمین مکان ومقیاس شی با در نظر گفتن مکان و مقیاس قبلی اش و همچنین فریم (تک تصویر)های تصویر قبلی و  جاری مورد بررسی قرار می دهیم. با ارائه مجموعه از مثالها، شبکه های عصبی کانولوشن (CNNs) را برای  انجام وظایف تخمینی بالا، آموزش می دهیم. متفاوت از دیگر روش های تخمینی، شبکه های عصبی کانولوشن (CNNs)، به طور مشترک، ویژگیهای مکانی و زمانی را از جفت تصاویر دو فریم( تک تصاویر) مجاور می شناسد. ما روشهای چندگانه در شبکه عصبی کانولوشن (CNNs)، را برای آمیختن بهتر اطلاعات سراسری و محلی، معرفی می کنیم. ساختمان متغیر تبدیل خلاقانه شبکه های عصبی کانولوشن (CNNs)، گویی برای کاهش مشکل تبدیل، زمانی که اشیای مزاحم مشابه هدف در محیط شلوغ هستند، طراحی شده است. به علاوه، ما  شبکه های عصبی کانولوشن (CNNs) را برای تخمین مقیاس از طریق مکان یابی دقیق برخی نقاط کلیدی، به کار می گیریم. این روشها وابسته به شی هستند، به گونه ای که روش پیشنهادی می تواند برای ردیابی انواع دیگر شی به کار گرفته شود. قابلیت ردیابی مدیریت موقعیت پیچیده ،در سکانس های آزمایشی بسیاری بیان شده است.

اصطلاحات راهنما- شبکه های عصبی کانولوشن، یادگیری ماشینی، ردیابی بصری

ترجمه 18 - پردازنده کمکی پویای قابل تنظیم برای شبکه های عصبی کانولوشن

 A Dynamically Configurable Coprocessor for Convolutional Neural Networks

پردازنده کمکی پویای قابل تنظیم برای شبکه های عصبی کانولوشن

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 47 صفحه

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

سال چاپ مقاله : 2013

دانلود اصل مقاله – رایگان

قیمت : 29000 تومان

این فایل علاوه بر ترجمه به سوالات زیر در باب مقاله مذکور پاسخ میدهید:

۸-۱ مقاله دقیقا چی مساله ای را میخواهد حل کند؟

۸-۲ چه جنبه این مساله جنبه مهمی است؟ چرا؟

۸-۳ راه حل های قبلی چه هستند؟

۸-۴ مشکلات راه حلهای قبلی چیست و چرا ناکافی هستند؟

۸-۵ راه حل پشنهادی چیست؟

۸-۶ چگونه راه حل  طراحی و پیاده سازی شده است؟

۸-۷ چرا این راه حل کار خواهد کرد و بهتر از راه حل های قبلی خواهد بود؟

۸-۸ فرضیات بکار رفته چه هستند؟ این فرضیات چقدر واقع گرایانه هستند؟

۸-۹ روش پشنهادی چگونه ارزیابی شده است؟

۸-۱۰ ارزش راه حل چگونه اثبات شده است؟

۸-۱۱ نتایج اصلی مقاله چه هستند؟

۸-۱۲ نتایج چقدر نسبت به فرضیات حساس هستند؟

۸-۱۳ روندهای آتی این کار تحقیقاتی از نظر نویسندگان چیست؟

۸-۱۴ در نگاه کلی، این مقاله چه چیزی به ما میدهد؟

۸-۱۵ نقاط قوت کار از نظر شما کدامند؟در ایده اولیه، در راه حل، و در ارزیابی؟

۸-۱۶ نقاط ضعف کار از نظر شما کدامند؟

۸-۱۷ شما چه جهت هایی برای ادامه کار می بینید؟

۸-۱۸ چه سوالاتی در مورد مقاله به ذهن شما می آید؟

چکیده

برنامه ­های کاربردی شبکه­های عصبی کانولوشن (CNN) برنامه ­هایی هستند که از شناسایی و استدلال (مانند شناسایی دست خط، شناسایی حالت چهره و نظارت فیلم­ها) تا برنامه­ های هوشمند متنی مثل تحلیل فنی شماتیک و برنامه ­های پردازش زبان طبیعی را شامل می­شوند. دو مشاهده کلیدی باعث ساختن طرحی جدید برای CNN شد؛ اول، بارِ کاری CNN، مخلوطی وسیع از سه نوع موازی­سازی را ارائه داده است: موازی­ سازی درون یک عملیات کانولوشن، موازی­ سازی در داخل-خروجی که در آن چندین منابع ورودی (ویژگی­ها) ترکیب می­شوند تا یک خروجی واحد بسازند، و موازی ­سازی بین-خروجی که در آن چندین خروجی (ویژگی) مستقل، همزمان محاسبه می­شوند. بارهای کاری در برنامه ­های مختلف CNN و لایه ­های متفاوت CNN، تفاوت چشم­گیری دارند. دوما، تعداد المان­های محاسبه در یک معماری، نسبت به پهنای باند خارج از حافظه (pin-count) با نسبت بسیار بیشتری (همانند قانون مور[1]) افزایش می یابد. بر اساس این دو مشاهده، ما نشان می­دهیم که در ازای مقدار مشخصی المان محاسبه و پهنای باند خارج از حافظه، یک معماری سخت افزاری جدید CNN که برای رسیدن به مقدار مشخصی از موازی­سازی در یک بارِکاری مشخص، سخت افزار را به طور پویا و درجا تنظیم می­کند و بهترین توان عملیاتی را می­دهد. کامپایلر CNN ما، مشخصات خلاصه شده شبکه را به طور خودکار به یک ریزبرنامه (دسته­ای از دستورات سطح پایین VLIW) ترجمه می­کند که توسط یک Coprocessor، برنامه ­ریزی، زمان­بندی و اجرا می­شود. به نسبت یک 4.3GHz quad-core dual socket Intel Zenon، 1.35 GHz C910 GPU و یک 1200MHz FPGA، معماری قابل تنظیم 120 مگاهرتز، حدود 4 تا 8 برابر سریعتر است. این اولین معماری CNN است که توانسته شناسایی اشیای زیادی را در یک فیلم برداری (25 تا30 فریم بر ثانیه) به طور همزمان انجام دهد.

گروه­ها و توضیح دهنده­های موضوعات

c.1.3 (حالت های دیگر معماری): معماری های سازگار شونده، شبکه های عصبی، پردازنده های پاپ لاین[2]

واژه­های عمومی

طرح، آزمایش، کارایی

کلمه­های کلیدی

شبکه های عصبی کانولوشن، تنظیم دوباره پویا، معماری رایانه موازی

[1] Moore

[2] Pipeline processors.

ترجمه 17 - شبکه های عمیق کانولوشن برای دسته بندی داده های بصری

Convolutional Deep Networks for Visual Data Classification

شبکه ­های عمیق کانولوشن برای دسته ­بندی داده­های بصری

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 34 صفحه

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

سال چاپ مقاله : ۲۰۱۲

دانلود اصل مقاله – رایگان

قیمت : 24000 تومان

این فایل علاوه بر ترجمه به سوالات زیر در باب مقاله مذکور پاسخ میدهید:

۸-۱ مقاله دقیقا چی مساله ای را میخواهد حل کند؟

۸-۲ چه جنبه این مساله جنبه مهمی است؟ چرا؟

۸-۳ راه حل های قبلی چه هستند؟

۸-۴ مشکلات راه حلهای قبلی چیست و چرا ناکافی هستند؟

۸-۵ راه حل پشنهادی چیست؟

۸-۶ چگونه راه حل  طراحی و پیاده سازی شده است؟

۸-۷ چرا این راه حل کار خواهد کرد و بهتر از راه حل های قبلی خواهد بود؟

۸-۸ فرضیات بکار رفته چه هستند؟ این فرضیات چقدر واقع گرایانه هستند؟

۸-۹ روش پشنهادی چگونه ارزیابی شده است؟

۸-۱۰ ارزش راه حل چگونه اثبات شده است؟

۸-۱۱ نتایج اصلی مقاله چه هستند؟

۸-۱۲ نتایج چقدر نسبت به فرضیات حساس هستند؟

۸-۱۳ روندهای آتی این کار تحقیقاتی از نظر نویسندگان چیست؟

۸-۱۴ در نگاه کلی، این مقاله چه چیزی به ما میدهد؟

۸-۱۵ نقاط قوت کار از نظر شما کدامند؟در ایده اولیه، در راه حل، و در ارزیابی؟

۸-۱۶ نقاط ضعف کار از نظر شما کدامند؟

۸-۱۷ شما چه جهت هایی برای ادامه کار می بینید؟

۸-۱۸ چه سوالاتی در مورد مقاله به ذهن شما می آید؟

چکیده

این مقاله یک الگوریتم یادگیری نیمه نظارتی را به نام شبکه های عمیق پیچیدگی (CDN) در بر گرفته است، که این شبکه ها برای نشان دادن مشکل دسته­بندی تصاویر توسط یادگیری عمیق به کار می روند. ابتدا، ما چندین لایه پنهان قبلی را با استفاده از ماشین های بلتزمن می سازیم که به طور مؤثر قادر به کاهش اندازه و چکیده اطلاعات تصاویر می باشند. دوم، لایه های پنهان بعدی را با استفاده از ماشین های بلتزمن، می سازیم که به سرعت اطلاعات تصاویر را خلاصه می کنند. سوم، این معماری عمیق ایجاد شده، به خوبی توسط نزول در امتداد گرادیان، تنظیم شده است و بر پایه یادگیری نظارتی با یک تابع ضرر نمایی می باشد. CDN، می تواند ابعاد و چکیده اطلاعات تصویر را در یک زمان بطور موثری کاهش دهد. مهمتر آنکه روند خلاصه سازی و دسته بندی شبکه های CDN، از معماری عمیق یکسانی برای بهینه سازی پارامترهای مشابه در مراحل متفاوت استفاده می کند، که به طور مؤثر توانایی یادگیری را بهبود می بخشد. ما چندین آزمایش روی دو مجموعه دادگان تصاویر استاندارد انجام دادیم و نتایج نشان داده بود که CDN با هر دو دسته بندی کننده های نیمه نظارتی و تکنیکهای یادگیری عمیق موجود در رقابت است.

کلمات کلیدی:

یادگیری نیمه نظارتی، یادگیری عمیق، شبکه های عصبی کانولوشن، دسته­ بندی داده­ های بصری

ترجمه 16 - دسته بندی شبکه تصویر با شبکه های عصبی عمیق کانولوشن

ImageNet Classification with Deep Convolutional Neural Networks

دسته بندی شبکه تصویر با شبکه های عصبی عمیق کانولوشن

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 48 صفحه

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

سال چاپ مقاله : 2012

دانلود اصل مقاله - رایگان

قیمت : 29000 تومان

این فایل علاوه بر ترجمه به سوالات زیر در باب مقاله مذکور پاسخ میدهید:

8-1 مقاله دقیقا چی مساله ای را میخواهد حل کند؟

8-2 چه جنبه این مساله جنبه مهمی است؟ چرا؟

8-3 راه حل های قبلی چه هستند؟

8-4 مشکلات راه حلهای قبلی چیست و چرا ناکافی هستند؟

8-5 راه حل پشنهادی چیست؟

8-6 چگونه راه حل  طراحی و پیاده سازی شده است؟

8-7 چرا این راه حل کار خواهد کرد و بهتر از راه حل های قبلی خواهد بود؟

8-8 فرضیات بکار رفته چه هستند؟ این فرضیات چقدر واقع گرایانه هستند؟

8-9 روش پشنهادی چگونه ارزیابی شده است؟

8-10 ارزش راه حل چگونه اثبات شده است؟

8-11 نتایج اصلی مقاله چه هستند؟

8-12 نتایج چقدر نسبت به فرضیات حساس هستند؟

8-13 روندهای آتی این کار تحقیقاتی از نظر نویسندگان چیست؟

8-14 در نگاه کلی، این مقاله چه چیزی به ما میدهد؟

8-15 نقاط قوت کار از نظر شما کدامند؟در ایده اولیه، در راه حل، و در ارزیابی؟

8-16 نقاط ضعف کار از نظر شما کدامند؟

8-17 شما چه جهت هایی برای ادامه کار می بینید؟

8-18 چه سوالاتی در مورد مقاله به ذهن شما می آید؟

چکیده

ما یک شبکه عصبی عمیق کانولوشن و بزرگ برای طبقه بندی 1.2 میلیون تصویر با وضوح بالا در رقابت LSVRC-2010 شبکه تصویر به 1000 دسته متفاوت آموزش داده ایم. در داده های آزمایشی، ما به نرخ خطاهای بالاترین و 5 تا بالاترین رسیدیم که به طور قابل ملاحظه ای بهتر از روشهای مطرح قبلی می باشد. شبکه عصبی، که 60 میلیون پارامتر و 650 هزار سلول عصبی دارد شامل پنج لایه کانولوشن می باشد، که برخی از آنها توسط لایه های مکس-پولینگ[1] و سه لایه اتصالات کامل با یک تابع فعالیت سافت مکس[2] 1000-مسیره همراه شده اند. برای سریع بخشیدن به مرحله آموزش، ما از سلول عصبی های غیر اشباع و پیاده سازی واحد پردازنده گرافیکی بسیار کارآمد از عملکرد کانولوشن استفاده کردیم. برای کاهش اوورفیت[3] شدن در لایه­های با اتصالات کامل، ما یک روش تنظیم که به تازگی توسعه یافته را بکار می بریم که "دراپ آوت[4]" نامیده شده و ثابت کرده است بسیار موثر می باشد. ما همچنین انواع مختلفی از این مدل را در رقابت ILSVRC-2012  وارد کرده ایم و به 5 بالاترین نرخ خطای آزمایش 15.3 درصد در مقایسه با 26.2 بدست آمده با دومین بهترین دست یافته ایم.

[1] max-pooling

[2] Softmax

[3] Overfitting

[4] Dropout

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