فایل ورد کامل کاربرد شبکه‌های عصبی مصنوعی در علوم مهندسی

بخشی از فهرست مطالب پروژه فایل ورد کامل کاربرد شبکه‌های عصبی مصنوعی در علوم مهندسی

فصل اول

مقدمه

هوش مصنوعی

به سوی آینده

تاریخچه

تعریف

تاریخچه و تعاریف سیستم‌های خبره

بعضی از تعاریف سیستم های خبره

تاریخچه سیستم های خبره

الگوریتم ژنتیک

تابع سازگاری(FitnessFunction

Mutation(جهش ژنتیکی

مقدمه ای بر سیستم های فازی وکنترل فازی

سیستم‌های فازی چگونه سیستم‌هایی هستند

سیستم‌های فازی کجا و چگونه استفاده می‌شوند

زمینه‌های تحقیق عمده در تئوری فازی

تاریخچه مختصری از تئوری و کاربردهای فازی

فصل دوم

شبکه های عصبی

مقدمه

ساختار مغز

ساختار نرون

چگونه مغز انسان می آموزد

معنای شبکه های عصبی

قوانین هب

از سلول های عصبی انسانی تا سلول های عصبی مصنوعی

رویای جایگزینی ویژگی های مغز در یک سیستم مصنوعی چقدر ممکن گردیده

تاریخچه شبکه‌های عصبی

چرا از شبکه های عصبی استفاده می کنیم

شبکه های عصبی در مقابل کامپیوتر های معمولی

مزایا و محدودیت های شبکه عصبی

چه کسانی به شبکه عصبی علاقه‌مند هستند

نرم‏افزارها و سخت افزارهای شبکه‏های عصبی

کاربرد شبکه های عصبی

یکپارچگی منطق فازی و شبکه های عصبی

مدل ریاضی یک نرون

یک نرون ساده

قوانین برانگیختگی

یک نرون پیچیده تر

ساختار شبکه های عصبی

مراحل طراحی شبکه

اهداف شبکه های عصبی

تقسیم بندی شبکه های عصبی

انواع یادگیری برای شبکه های عصبی

توپولوژی شبکه های عصبی

شبکه‏های پیش‏خور (Feed Forward

شبکه‏های برگشتی(Recurrent

پرسپترون چند لایه

Perceptronهای ساده

قدرت Perceptron

دنباله‌های Perceptron

آموزش پر سپترون

الگوریتم یادگیری پرسپترون

قانون پرسپترون

قانون دلتا

روشهای دیگر

شبکه های هاپفید

شبکه‌های دارای پس‌خور

شبکه عصبی ترکیبی المن- جردن

پس انتشار خطا

چند بررسی از کاربرد های شبکه های عصبی

فصل سوم

نتیجه گیری

منابع ومأخذ

شبکه‌های عصبی مصنوعیANN(  Neural Networks Artificial) درواقع از ساختار درهم و توده‌ای مغز پستانداران الهام گرفته شده است، که در آن میلیون‌ها سلول عصبی (نورون) از طریق ارتباطاتی که با یکدیگر دارند (سیناپس‌ها)، به حل مسائل یا ذخیره‌سازی اطلاعات می‌پردازند. این شبکه‌ها مجموعه‌ای از مدل‌های متفاوتند که توسط ریاضیدانان و مهندسین برای شبیه‌سازی بخشی از عملکرد مغز پیشنهاد شده‌اند. ساختار اصلی شبکه‌های عصبی مصنوعی بر اساس دو جزء اصلی گره‌ها (نورون‌ها) و ارتباطات وزن‌دار(سیناپس‌ها) می‌باشد

یادگیری در سیستم‌های طبیعی به صورت تطبیقی اتفاق می‌افتد. بدین معنی که در اثر یادگیری، در سیناپس‌ها تغییراتی رخ می‌دهد. عین همین مسئله نیز در مورد شبکه‌های عصبی مصنوعی نیز صادق است. در این شبکه‌ها یادگیری از طریق مثال انجام می‌شود (LearningBy Example). بدین معنی که اغلب(و نه همواره) مجموعه‌ای از ورودی و خروجی‌های درست به شبکه عصبی داده می‌شود و شبکه عصبی با استفاده ازین مثال‌ها، وزن(Weight) ارتباطات خود را به گونه‌ای تغییر می‌دهد که در صورت دادن ورودی‌های جدید پاسخ‌های درستی را تولید کند. در واقع دانش شبکه عصبی در وزن ارتباطات آن ذخیره می‌شود.
شبکه‌های عصبی از دهه ۵۰ شناخته شده بودند اما تنها در اواسط دهه ۸۰ بود که الگوریتم‌ها و روش‌های مربوط به شبکه‌های عصبی مصنوعی به درجه‌ای از پیشرفت رسید که در حل مسائل واقعی از آنها استفاده شد.
امروزه شبکه‌های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو(Pattern Recognition) که خود شامل مسائلی مانند تشخیص خط(Character Recognition)، شناسایی گفتار(Speech Recognition)، پردازش تصویر(Image Processing) و مسائلی ازاین دست می‌شود و نیز مسائل دسته‌بندی(Classification) مانند دسته‌بندی (Classification Problems) متون و یا تصاویر، به کار می‌روند. در کنترل یا مدل‌سازی سیستم‌هایی که ساختار داخلی ناشناخته یا بسیار پیچیده‌ای دارند نیز به صورت روز افزون از شبکه‌های عصبی مصنوعی استفاده می‌شود. به عنوان مثال می‌توان در کنترل ورودی یک موتور از یک ANN استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت.
مزیت اصلی استفاده از شبکه عصبی در هریک از مسائل فوق قابلیت فوق‌العاده شبکه عصبی در یادگیری و نیز پایداری شبکه عصبی در مقابل اغتشاشات ناچیز وروداست. به عنوان مثال اگر از روش‌های عادی برای تشخیص دست خط یک انسان استفاده کنیم ممکن است در اثر کمی لرزش دست این روش‌ها به تشخیص غلطی برسند در حالی که یک شبکه عصبی که به صورت مناسب آموزش داده شده است حتی در صورت چنین اغتشاشی نیز به پاسخ درست خواهد رسید.
   به صورت خلاصه می‌توان گفت که شبکه‌های عصبی در حل سه گروه از مسائل بیشترین کاربرد را یافته‌اند: مسائلی که دارای راه حل الگوریتمیک نیستند، مسائلی که راه حل الگوریتمیک بسیار پیچیده‌ای دارند و نیز مسائلی که انسان در حل آنها موفقتر از ماشین عمل می‌کند.

فصل اول
مقدمه
هوش محاسباتی یا  (Computational-Intelligence) CI به معنای استخراج هوش، دانش، الگوریتم یا نگاشت از دل محاسبات عددی براساس ارائه به روز داده‌های عددی است. سیستم‌هایCI در اصل سیستم‌های دینامیکی مدل آزاد (Model-free) را برای تقریب توابع و نگاشتها ارائه می‌کند. در کنار این ویژگی بسیار مهم باید از ویژگی مهم دیگری در ارتباط با خصوصیات محاسباتی سیستم‌های CI نام برد، که در آن دقت، وجه‌المصالحه مقاوم بودن، منعطف‌بودن و سهولت پیاده‌سازی قرار می‌گیرد.
مولفه‌های مهم و اساسی CI ، شبکه‌های عصبی )محاسبات نورونی(، منطق فازی) محاسبات تقریبی( و الگوریتم ژنتیک) محاسبات ژنتیکی(است، که هر یک به نوعی مغز را الگو قرار داده‌اند. شبکه‌های عصبی ارتباطات سیناپسی و ساختار نورونی، منطق فازی استنتاجات تقریبی و محاسبات ژنتیکی محاسبات موتاسیونی مغز را مدل می‌کنند. ‍‍‌

 
 هوش مصنوعی

در شبکه ارتباطی مغز انسانها سیگنالهای ارتباطی به صورت پالسهای الکتریکی هستند.جزء اصلی مغز نرون است که از یک ساختمان سلولی و مجموعه ای از شیارها و خطوط تشکیل شده و شیارها محل ورود اطلاعات به نرون هستند وخطوط محل خروج اطلاعات از نرون اند . نقطه اتصال یک نرون به نرون دیگر را سیناپس می نامند که مانند دروازه یا کلید عمل می کنند. اگر واکنشهایی که میلیونها نرون مختلف به پالسهای متفاوت نشان میدهند با یکدیگر هماهنگ باشند ممکن است پدیده های مهمی در مغز رخ دهد.
آن دسته از پژوهشگران هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند گونه ای از مدارهای الکتریکی را طراحی کرده اند که تا حدی شبکه مغز را شبیه سازی میکند در این روش هر گره (نرون)به تنهایی یک پردازنده است ولی رایانه های معمولی حداکثر چند cpuدارند هدف عمده کامپیوتر شبکه عصبی این است که مکانیسمی طراحی کند که همانند مغز انسان بازخورد مثبت یاد بگیرد پاسخهای درست و نادرست کدامند.
 سیستم شبکه عصبی این کار را از طریق ارزشگذاری کمی برای ارتباطات سیگنالها بین نرونها انجام میدهد مکانیسم ارزشگذاری توسط مقاومتها با تقویت یا تضعیف پالسها انجام میشود.چون شبکه های عصبی میلیونها نرون دارند خرابی تعدادی از آنها تاثیر چندانی برعملکرد سیستم نمی گذارد تا کنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند مثلاًدر بررسی های زیست محیطی، شبکه های عصبی برای جمع آوری و تحلیل اطلاعاتی که از راه دور حس شده اند مورد استفاده قرار می گیرند اطلاعاتی که اغلب سفینه ها مخابره می کنند بسیار حجیم است.شبکه های عصبی این اطلاعات را به راحتی دسته بندی کرده وپس از جمع آوری اطلاعات ذهنی و تجسمی نتایج جالبی به دست می آورند (مثلاًتشخیص انواع خاصی از ابرها) البته این فرایند با آنچه سیستم های خبره انجام می دهند متفاوت است زیرا این سیستم ها ابزارهای تصمیم سازی هستند و می توانند حجم زیادی از اطلاعات را به سرعت تحلیل کنند شبکه های عصبی برای مدل سازی فرایندهای فکری-مغزی که زمینه ی دیگری برای مطالعات حساس به اطلاعات و پیچیدگی است مورد استفاده قرار گرفته است .

بخشی از منابع و مراجع پروژه فایل ورد کامل کاربرد شبکه‌های عصبی مصنوعی در علوم مهندسی
متن سخنرایی دکنر سرایی
 ایلین ریچ، هوش مصنوعی(وتکنیک‌ها)، ترجمه آزاد از دکتر مهرداد فهیمی، نشر جلوه، ???? هوش مصنوعی: به شیوه‌ای نو
 هوش مصنوعی: راهنمائی برای سامانه‌های هوشمند
این کتاب به صورتی ساده و روان نوشته شده‌است
وبگاه سیمرغ     
وبگاه  گروه رباتیک دانشگاه بین المللی امام خمینی(ره
محمدباقر منهاج، "مبانی شبکه‌های عصبی" مرکز نشر دانشگاه صنعتی امیرکبیر، ۱۳۸۰
“A couse in fuzzy system and control” نوشته  Lie-Xin وWang ترجمه محمد تشنه‌لب، نیما صفار‌پور،‌داریوش افیونی‌ـ دانشگاه خواجه نصیر‌الدین طوسی، ۱۳۷۸.
محمد مردانه، "جایابی مراکز تولید پراکنده با استفاده از الگوریتم ژنتیک"، پایان نامه کارشناسی ارشد،۱۳۸۳
http://en.wikipedia.org/wiki/Neural_network
http://www.neuralnetworksolutions.com/resources.php
http://www.tandf.co.uk/journals/titles/0954898X.asp
http://www.iranled.com
http://www.petroleumtimes.com
Why neural networks?
Written by Dimitrios Siganos
Artificial neural networks
written by Robert J.Schalkoff
Artificial Intelligenc
http://www.microrayaneh.com 
fe???  Approach»:  Stuart J. Russell, Peter Norvig:«Artificial Intelligence: A Modern
http://www.ebtekaronline.com/search.php
http://www.expertsystems.blogfa.com
http://www.nd.com/whatisnn.htm
http://www.cormactech.com/neunet/whatis.html
http://www.doc.ic.ac.uk/~nd/surprise-96/journal/vol2/ds12/article2.html
http://www.magiran.com/npview.as
M.Nasil Uddin, M.A.Abido, M.A.Rahman, “Real-Time Performance Evaluation of a Genetic-Algrithm-Based Fuzzy Logic Controlley for IPM Motor Drives”, IEEE Transaction On Industry Application, Vol.41. No.1,2005.