دانلود سمینار شبکه های عصبی

پیشگفتار

     شبکه‌های عصبی مصنوعی[۱]، از شبکه‌های عصبی زیستی[۲] الهام گرفته شده‌اند. هر شبکه عصبی مصنوعی شامل واحدهای شبه نرونی است  که از طریق مسیرهای ورودی و خروجی به یکدیگر متصل شده­اند، البته ارتباط بین نرون­ها وزن­دار می­باشد.

     بحث شبکه عصبی مصنوعی که به اختصار به آن شبکه عصبی گفته می‌شود از آغاز دهه ۴۰ میلادی توسط مدل ساده شده‌ی نرون مک کلوچ و پیتس[۳] مطرح شد. از شبکه‌های عصبی برای پیاده­سازی توابع پیچیده در زمینه‌های مختلف از جمله تشخیص الگو، تشخیص هویت، طبقه بندی،  پردازش سیگنال صحبت، پردازش تصویر و تقریب توابع غیرخطی استفاده می‌شود.

     از آنجایی که از دهه ۴۰ تا به امروز، مدل­های زیادی در شبکه عصبی ارائه شده است که توضیح همه آنها در اینجا امکان­پذیر نیست. در این فصل، تنها به معرفی شبکه‌های عصبی MLP و RBF که در این پروژه به­کار­برده شده­اند، می­پردازیم.

[۱] Artificial neural network

[۲] Biological

[۳] McCulloch and Pitts

فهرست

دانلود سمینار شبکه های عصبی.. ۱

 مدل‌سازی نرون تنها ۲

  تابع فعالیت   ۳

 معماری شبکه عصبی.. ۴

 شبکه ‌های پیش‌خور ۵

 شبکه ‌های برگشتی.. ۵

  الگوریتم ‌های یادگیری.. ۶

 شبکه عصبی MLP.. ۷

  الگوریتم پس انتشار خطا ۸

 سیگنال خطا ۹

انتخاب نرخ یادگیری.. ۹

 مرحله آموزش… ۱۰

 قابلیت تعمیم ‌دهی.. ۱۰

 توقف آموزش    ۱۱

  شبکه RBF   ۱۲

  ساختار شبکه عصبی شعاعی.. ۱۳

 تعیین موقعیت مراکز. ۱۷

 انتخاب مراکز ثابت… ۱۷

 انتخاب مراکز به صورت غیر نظارت شده(روش خوشه بندی) ۱۸

الگوریتم  k  میانگین.. ۱۸

  یادگیری نظارت شده ۱۹

  تعیین انحراف استاندارد. ۱۹

  روش کیلز  ۱۹

   الگوریتم نزدیکترین  p  همسایه. ۲۰

آموزش ماتریس وزن لایه خروجی.. ۲۰

یادگیری تعدیلی.. ۲۰

تعداد صفحات:۲۲

نوع فایل:word

دانلود