استفاده از شبکه عصبی مصنوعی MLP برای تخمین میزان ظرفیت تبادل کاتیونی

اختصاصی از اس فایل استفاده از شبکه عصبی مصنوعی MLP برای تخمین میزان ظرفیت تبادل کاتیونی دانلود با لینک مستقیم و پر سرعت .

چکیده
ظرفیت تبادل کاتیونی یکی از ویژگی های شیمیایی مهم خاک بوده و منظور نمودن شاخص های حاصلخیزی خاک از جمله ظرفیت
تبادل کاتیونی می تواند در ارتقاء و افزایش کیفیت نقشه های خاک مفید باشد. از آنجایی که اندازه گیری CEC بسیار پرهزینه و وقت
گیر است، استفاده از شبکه عصبی مصنوعی می تواند راه کاری مناسب در برآورد این پارامتر به جای اندازه گیری مستقیم آن باشد.
هدف از این تحقیق، تخمین مقدار ظرفیت تبادل کاتیونی خاک با کمک شبکه عصبی MLP با سه نوع تابع فعال سازی سیگموئید
تانژآنت هایپربولیک، سیگموئید لگاریتمی و خطی با نرم افزار MATLAB از روی خصوصیات درصد رس، درصد سیلت و درصد کربن
آلی خاک و همچنین انتخاب بهترین تابع برای برآورد این خصوصیت می باشد. برای این منظور 67 نمونه خاک جمع آوری گردید و
پس از آماده سازی نمونه ها )هوا خشک نمودن، کوبیدن و الک کردن نمونه ها(، مقدار ظرفیت تبادل کاتیونی )به روش استات سدیم
در pH 8/2 (، درصد رس و سیلت )به روش هیدرومتری( و کربن آلی )به روش والکی بلک( نمونه ها اندازه گیری شدند. نتایج حاصل =
از پژوهش نشان داد که شبکه عصبی مصنوعی با تابع فعال سازی سیگموئید لگاریتیمی با تعداد 11 نرون در لایه مخفی با شاخص
های عملکرد 2R و RMSE 4 در مقایسه با سایر توابع فعال سازی بهترین عملکرد را در برآورد خروجی ظرفیت تبادل / 1/6117 و 733 ،
کاتیونی خاک داشته است. همچنین آنالیز حساست نیز نشان داد که پارامتر ورودی درصد رس در مدل شبکه عصبی بیشترین تاثیر را
بر خروجی مدل )ظرفیت تبادل کاتیونی( داشته است.
واژههای کلیدی: ظرفیت تبادل کاتیونی، شبکه عصبی مصنوعی، آنالیز حساسیت

شبکه های عصبی درهوش مصنوعی

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

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 )

اختصاصی از اس فایل دانلود مقاله مقدمه ای بر شبکه های عصبی (تعداد صفحات ) 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

دانلود پروژه تبدیل حرف به صدا در زبان فارسی با شبکه های عصبی پرسپترون چندلایه ای (فایل Word با قابلیت ویرایش)تعداد صفحات 24

اختصاصی از اس فایل دانلود پروژه تبدیل حرف به صدا در زبان فارسی با شبکه های عصبی پرسپترون چندلایه ای (فایل Word با قابلیت ویرایش)تعداد صفحات 24 دانلود با لینک مستقیم و پر سرعت .

ساخت سیستم های اتوماتیک تبدیل حرف به صدا برای استفاده در سیستم های تبدیل متن به گفتار در زبان فارسی، به دلیل عدم استفاده از اعراب در نوشتار و در نتیجه مستوربودن بعضی از واژه ها مشکل می باشد و عموماً این سیستم ها برای زبان فارسی کارآیی پایینی دارند . در این مقاله ساختار یک سیستم تبدیل حرف به صدا با معماری سه لایه بررسی شده است. لایه اول این سیستم قانون گرا می باشد و لایه دوم از پنج شبکه عصبی پرسپترون چندلایه ای و یک بخش کنترلر برای تعیین دنباله واژه های متناظر با حروف تشکیل شده است. برای تعیین دنباله واژه های متناظر با حروف، از شبکه های عصبی استفاده می شود. بخش کنترلر نیز، خروجی شبکه ها را کنترل می کند تا دنباله واژه های نهایی متناظر با کلمات با ساختار هجابندی فارسی مطابقت داشته باشد.در لایه سوم نیز یک شبکه عصبی برای تعیین حروف مشدد، با استفاده از نتایج مراحل قبل وجود دارد. اجزاء مختلف این سیستم به گونه ای طراحی شده اند که در نهایت برای هر کلمه، یک دنباله واژه منطقی تولید گردد منظور از دنباله واژه منطقی، دنباله واژه می باشد که در آن اصول بدیهی واژه نگاری و ساختار هجابندی زبان فارسی رعایت شده باشد. میزان درستی به دست آمده برای حروف 88 % و برای کلمات %61 می باشد که برای تبدیل حرف به صدای زبان فارسی کارآی بسیارخوبی می باشد.

فهرست :  

چکیده

مقدمه

واژگان مورد استفاده

لایه قانون گرا

لایه میانی

لایه سوم : شبکه تعیین حروف مشدد

ارزیابی سیستم

نتیجه گیری و پیشنهاد

منابع

دانلود مقاله تشخیص خودکار عنبیه به کمک بعد فرکتال و شبکه عصبی MLP

اختصاصی از اس فایل دانلود مقاله تشخیص خودکار عنبیه به کمک بعد فرکتال و شبکه عصبی MLP دانلود با لینک مستقیم و پر سرعت .

چکیده

پیشرفتهای اخیر در زمینه نرم‌افزار و سخت‌افزار کامپیوتر، صنعت را قادر ساخته است تا سیستم‌های موثق زیست سنجی قابل استفاده‌ای را توسعه دهد. از آنجا که عنبیه چشم انسان بسیار بافت پیچیده‌ای دارد، شیوه مختصری بر اساس بعد فرکتال جهت آشنا شدن با عنبیه چشم انسان در این تحقیق ارائه شده است.

میزان ابعاد فرکتال، انسدادهای عنبیه با استفاده از پنج بعد شکست متفاوت با تخمین الگوریتم‌ها محاسبه شده‌اند و تفکیک شناختی برای تشخیص الگوهای عنبیه‌ای از نظر اعتبار شخصی بکار گرفته شده‌اند. سیستم نمونه اصلی بنام سیستم شناخت خودکار عنبیه(AIRIS) توسعه داده شده و نتایج صوری آن ارائه شده است.

کلمات کلیدی

تشخیص عنبیه، پردازش تصویر، فرکتال، شبکه عصبیMLP

شامل 39 صفحه فایل word