دانلود مقاله هوش مصنوعی پیرامون شبکه های عصبی

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

عنوان مقاله :مقاله هوش مصنوعی پیرامون شبکه های عصبی 

قالب بندی :word

تعداد صفحات :40

توضیحات : شبکه های عصبی زیر شاخه ای از علم هوش مصنوعی است .

این مقاله به خلاصه شامل عنوان های زیر می باشد:

هوش مصنوعی و هوش انسانی

شبکه های عصبی زیستی

تاریخچه شبکه های عصبی مصنوعی

نورن مصنوعی

ساختار شبکه های عصبی

شبکه های عصبی درمقایسه با کامپیوترهای معمولی

تقسیم بندی شبکه های عصبی

قابلیتها و کاربردهای شبکه های عصبی

انواع شبکه های عصبی شامل : شبکه های عصبی پرسپترون،شبکه عصبی هاپ فیلد،شبکه عصبی همینگ،شبکه عصبی کوهنن ،شبکه عصبی تاخیر زمانی،شبکه عصبی انتشار رو به عقب

معایب شبکه های عصبی

دانلود تحقیق شبکه های عصبی در هوش مصنوعی

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

مقدمه

این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت  می پردازیم.


فصل اول:    شبکه عصبی
یک شبکه عصبی مصنوعی چیست؟
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.

چرا از شبکه های عصبی استفاده می کنیم ؟
شبکه های عصبی ، با قابلیت قابل توجه آنها در استنتاج معانی از داده های پیچیده یا مبهم ، میتواند برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان برای بر آورد وضعیت های دلخواه جدید و جواب سؤال های " چه می شد اگر " استفاده کرد.

شامل 86 صفحه Word

دانلود تحقیق هوش مصنوعی

اختصاصی از اس فایل دانلود تحقیق هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

تعریف هوش
بطور کلی تعاریف متعددی را که توسط روان شناسان برای هوش ارائه شده است، می‌توان به سه گروه تربیتی (تحصیلی) ، تحلیلی و کاربردی تفسیم کرد.
تعریف تربیتی هوش
به اعتقاد روانشناسان تربیتی ، هوش کیفیتی است که مسبب موفقیت تحصیلی می‌شود و از این رو یک نوع استعداد تحصیلی به شمار می‌رود. آنها برای توجیه این اعتقاد اشاره می‌کنند که کودکان باهوش نمره‌های بهتری در دروس خود می‌گیرند و پیشرفت تحصیلی چشم گیری نسبت به کودکان کم هوش دارند. مخالفان این دیدگاه معتقدند کیفیت هوش را نمی‌توان به نمره‌ها و پیشرفت تحصیلی محدود کرد، زیرا موفقیت در مشاغل و نوع کاری که فرد قادر به انجام آن است و به گونه کلی پیشرفت در بیشتر موقعیتهای زندگی بستگی به میزان هوش دارد.


تعریف تحلیلی هوش
بنابه اعتقاد نظریه پردازان تحلیلی ، هوش توانایی استفاده از پدیده‌های رمزی و یا قدرت و رفتار موثر و یا سازگاری با موقعیتهای جدید و تازه و یا تشخیص حالات و کیفیات محیط است. شاید بهترین تعریف تحلیلی هوش به وسیله « دیوید وکسلر » ، روان شناس امریکایی ، پیشنهاد شده باشد که بیان می‌کند: هوش یعنی تفکر عاقلانه ، عمل منطقی و رفتار موثر در محیط.
تعریف کاربردی هوش
در تعاریف کاربردی ، هوش پدیده‌ای است که از طریق تستهای هوش سنجیده می‌شود و شاید عملی‌ترین تعریف برای هوش نیز همین باشد.
تاریخچه مطالعات مربوط به هوش
مساله هوش به عنوان یک ویژگی اساسی که تفاوت فردی را بین انسانها موجب می‌شود، از دیرباز مورد توجه بوده است. زمینه توجه به عامل هوش را در علوم مختلف می‌توان مشاهده کرد. برای مثال زیست شناسان ، هوش را به عنوان عامل سازش و بقا مورد توجه قرار داده‌اند. فلاسفه بر اندیشه‌های مجرد به عنوان معنای هوش و متخصصان تعلیم و تربیت ، بر توانایی یادگیری تاکید داشته‌اند.
در مقاله‌ای معتبر که در سال 1904 منتشر شد، « چارلز اسپیرمن » ، روان شناس بریتانیایی ، نخستین کوشش برای تحقیق در ساختمان هوش را با روشهای تجربی و کمی تشریح کرد. پیدایش مقیاس هوشی بینه سیمون ، در سال 1905 و به دنبال آن تهیه و استاندارد شدن مقیاس استنفرد _ بینه ، در سال 1916 در امریکا ، از فعالیتهای اولیه به منظور تهیه ابزار اندازه گیری هوش بوده است. البته در سال 1838 « اسکیرول » به منظور تهیه ضوابطی برای تشخیص و طبقه بندی افراد عقب مانده ذهنی ، روشهای مختلفی را آزمود و به این نتیجه رسید که مهارت کلامی فرد بهترین توانش ذهنی اوست. جالب آن که بعدها نیز مهارت کلامی از عوامل اساسی توانش ذهنی شناخته شد و امروز نیز محتوای اکثر تستهای هوش را مواد کلامی تشکیل می‌دهد.

ترستون ، ثرندایک ، سیریل برت ، گیلفورد ، فیلیپ ورنون ، از دیگر افرادی بودند که در زمینه هوش به تحقیق و بررسی پرداختند.
عوامل موثر بر هوش
از عوامل مهم موثر بر هوش ، تغذیه و دیگر شرایط دوران بارداری است. تغذیه مناسب در این دوران و رعایت بهداشت جسمی و روحی مادر ، تاثیر مهمی در هوش نوزاد خواهد داشت. سطح هوشی والدین ، تغذیه دوران کودکی و نوزادی ، شرایط و امکانات محیطی ، نوع ارتباط والدین با کودک از دیگر عوامل موثر در رشد و شکوفایی هوش به شمار می‌روند. عوامل محیطی مثل وجود محرکات مناسب در محیط پرورش کودک که او را به کنجکاوی و کنکاش وا می‌دارد، در بروز و ظهور و شکوفایی هوش وی نقش اساسی دارد.
انواع آزمونهای هوش
تست بینه به عنوان قدیمی‌ترین آزمون برای سنجش هوش شناخته می‌شود که آزمون استنفرد _ بینه شکل تجدید نظر شده است که به فارسی نیز برگردانده شده است. تست ریون از دیگر آزمونهای هوش است که به لحاظ سهولت اجرا معروف است. آزمون وکسلر که آزمونی پیشرفته برای سنجش ابعاد مختلف هوش است، آزمون دقیقی است که برای گروههای سنی خردسالان و کودکان و بزرگسالان فرمهای مجزایی دارد.
 

فهرست مطالب :
تعریف هوش       1
تعریف تربیتی هوش       1
تعریف تحلیلی هوش        1
تعریف کاربردی هوش        2
تاریخچه مطالعات مربوط به هوش       2
عوامل موثر بر هوش        3
انواع آزمونهای هوش      3
طبقات هوش       4
هوش چندگانه      4
پوستر       4
صوت       4
نمایش دادن       5
موسیقی       5
هوش هیجانی       5
اندازه‌گیری هوش هیجانی       6
هوش معنوی       7
هوش مصنوعی       10
فلسفۀ هوش مصنوعی       13
مدیریت پیچیدگی        14
سیستم‌های خبره       16
عامل‌های هوشمند       16
آینده هوش مصنوعی       17
تاریخ هوش مصنوعی       17
جان مک کارتی       19
هدف هوش مصنوعی       20
هوش مصنوعی و هوش انسانی      20
ویژگی های هوش مصنوعی       21
هوش مصنوعی ترکیبی       23
دین و هوش مصنوعی       27
اشاره       27
بررسی آزمون       30
دستکاری نمادها       31
دو فرضیه در هوش مصنوعی       32
استدلال اتاق چینی        33
دین و برداشت مکانیکی از تفکر        38
منابع       42

شامل 46 صفحه word

دانلود تحقیق درمورد باران مصنوعی

اختصاصی از اس فایل دانلود تحقیق درمورد باران مصنوعی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 5
فهرست و توضیحات:
باران مصنوعی

روش‌ها

سابقه باروری ابرها در ایران

بارورسازی ابرهای کوهساری

مهم‌ترین ماده درعملیات باروری ابرها

امیدوار به آینده

باران مصنوعی

انسان از بدو پیدایش تاکنون درصدد برآمده تا شرایط نامساعد زیست محیطی اطراف خود را به نحوه دلخواه تغییر دهد و اگرچه توانسته به پیشرفتهای قابل توجهی نیز دست یابد، اما با توجه به ماهیت متغیر هوا و ویژگیهای دینامیکی آن و نیز عدم شناخت و ارزیابی کافی انسان در این زمینه، کمتر توفیق تعدیل پدیده های نامساعد جوی را بر وفق مراد خویش داشته است. تولید باران با استفاده از هرعمل مصنوعی که با تحریک و تغییر در فرآیندهای درونی ابر همراه‌است، باروری ابر نامیده می‌شود. معمولا باروری ابرها با اضافه‌کردن موادی خاص به‌نام عامل‌های باروری انجام می‌شود. مهم‌ترین هدف برای باروری ابرها، افزایش میزان بارش، جلوگیری از بروز بلایای طبیعی از قبیل سیل، تگرگ، رعد وبرق، انتقال زمانی و مکانی بارش، زدودن مه مزاحم، تعدیل آب وهوا، تولید برف در ارتفاعات و... است. الان حدود 40 کشور جهان، برنامه‌های باروری ابرها را انجام می‌دهند.جو زمین، حاوی مقادیر متغیری از بخار آب است. مقدار این بخار آب، رابطه مستقیمی با دمای هوا دارد. با رسیدن دما به 12 درجه، هوا از بخار آب اشباع می‌شود. اگر سرد شدن ادامه یابد، میزان بخار اضافه برمیزان مورد نیاز برای حفظ حالت اشباع، به قطرات ابر تبدیل می‌شوند. بهترین روش برای بارور کردن ابرها، افزایش هسته‌های میعان در ابر است. در باروری مصنوعی ابر، عامل بارورکننده برحسب دمای ابر تفاوت دارد. در ابرهای سرد (دمای ابر زیر صفر درجه) از یخ خشک و یدور نقره استفاده می‌شود و در ابرهای گرم (دمای ابر بالای صفر درجه) از قطرات آب و نمک طعام استفاده می‌شود.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید

مقاله در مورد تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

اختصاصی از اس فایل مقاله در مورد تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه20

تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

از حدود 1940 بطور همزمان اما جداگانه ، از سویی نوروفیزیولوژیستها سعی میکردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سویی  ریاضیدانان تلاش می کردند تا مدل ریاضی بسازند که قابلیت  فراگیری و تجزیه تحلیل عمومی مسائل را دارا باشد. از آن زمان ، بارها این اتفاق افتاد که ریاضیدانان یافته های نوروفیزیولوژیستها را پیاده سازی کردند، بدون این که بدانند چرا، و در عمل مشاهده کردند که سیستم پیاده شده کارایی شگفت انگیز سیستم طبیعی را دارد. پس از آن توانستند منطق زیربنایی سیستم طبیعی را درک کنند. اگر چه از همان ابتدا، ریاضیدانان توانسته بودند مدل ریاضی یک سلول عصبی یا نورون را بسازند، اما تا حدود 1974 که دانش مربوط به نوع  اتصال این واحدهای شبه نورونی به یکدیگر تکامل لازم را نیافته بود. امروزه برنامه های کاربردی متعددی دردسترس هستند که با این روش کار میکنند. اگر چه کاربرد این برنامه ها بویژه برای افراد عادی کمی مشکل است، اما محققین روز به روز بیشتر و بیشتر آنها را به کار می گیرند. برای تجزیه و تحلیل یک سیستم پیچیده بوسیله روش شبکه های عصبی، نیاز به دانش زیادی درباره سیستم مورد مطالعه نمی باشد، چون عمل تجزیه و تحلیل و یادگیری در مغز شبکه اتفاق می افتد نه در مغز محقق، اما به هر حال بهره گیری از دانش کلی درباره طرز کار این شبکه ها برای کاربران آنها ضروری است، چرا که تنظیمات ساده و کلی در این برنامه ها وجود دارند که آگاهی از آنها برای ساختن یک مدل موفق ضروری است.

شبکه های عصبی مصنوعی در واقع مثلثی هستند که 3 ضلع مفهومی دارند: 1- سیستم تجزیه و تحلیل داده ها، 2- نورون یا سلول عصبی 3- شبکه یا قانون کار گروهی نورونها.  در یک تعریف کلاسیک، هایکین می گوید: شبکه عصبی عبارت است از مجموعه ای عظیم از پردازشگرهای موازی که استعداد ذاتی برای ذخیره اطلاعات تجربی و بکارگیری آن دارند و این شبکه دست کم از دو بابت شبیه مغز است: 1- مرحله ای موسوم به یادگیری دارد 2- وزن های سیناپسی جهت ذخیره دانش به کار می روند.

 وظیفه شبکه های عصبی یادگیری است. تقریبا چیزی شبیه یادگیری یک کودک خردسال. یادگیری در شبکه های عصبی رایج به شکل Supervised یا یادگیری تحت نظارت است. والدین تصاویر حیوانات مختلف را به کودک نشان می دهند و نام هرکدام رابه کودک می گویند. ما روی یک حیوان، مثلا سگ، تمرکز می کنیم. کودک تصاویر انواع مختلف سگ را می بیند و در کنار اطلاعات ورودی (تصاویر و صدا) برای هر نمونه، به او گفته می شود که این اطلاعات مربوط به یک نوع "سگ" هست یا خیر. بدون اینکه به او گفته شود، سیستم مغز او اطلاعات ورودی را تجزیه و تحلیل می کند و به یافته هایی در زمینه هر یک از پارامترهای ورودی از قبیل "رنگ، اندازه، صدا، داشتن پنجه یا سم یا شاخ" می رسد. پس از مدتی او قادر خواهد بود یک "نوع جدید" از سگ را که قبلا هرگز ندیده است شناسایی کند. از آنجایی که در مورد هر نمونه جانور در مرحله یادگیری به کودک گفته شده که آیا سگ هست یا خیر، این نوع یادگیری، تحت نظارت نامیده می شود. نوع دیگر یادگیری یعنی یادگیری بدون نظارت یا Unsupervised هم توسط شبکه های عصبی شبیه سازی شده است و کاربردهای کمتری دارد.