لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه39
فهرست مطالب
مقدمه
مدل نرون تک ورودی
شبکه همینگ (Heming)
شبکه هاپفیلد (Hapfield)
یادگیری شبکه
مفهوم فازی
تعاریف اولیه
انواع مجموعه های فازی و درجه فازی بودن مجموعه
اپراتورهای مجموعه فازی:
مفهوم شناسایی الگو
ساختار و توپولوژی شبکه
طراحی شبکه
خروجی شبکه
مجموعه های فازی در شبکه
تابع عضویت در hyperboxها
در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی در پردازش اطلاعات برای مسائلی که راه حلی برای آنها موجود نیست بوده ایم. با توجه به این حقیقت توجه زیادی به توسعه تئوریک سیستمهای دینامیکی هوشمند مدل- آزاد بر اساس داده های تجربی وجود دارد. شبکه های عصبی مصنوعی جزء آن دسته از سیستم های دینامیکی قرار دارند که با پردازش بر روی داده های تجربی دانش در ورای داده ها را به ساختار شبکه منتقل می کند. پیاده سازی ویژگیهای مغز در یک سیستم مصنوعی همیشه مورد توجه مطلوب بوده است کافی نبودن دانش موجود خود سبب انگیزش و پژوهش های بیشتر در این زمینه بوده و خواهد بود.
مبحث Pattern Fecognation شناسایی الگو را می توان به سه صورت زیر ارائه کرد:
- آماری Statistical
- فازی Fuzzy
- شبکه های عصبی Neural Network
در روش آماری درصد خطا بالا می باشد به همین دلیل در پروژه فوق از دو روش Fuzzy و Neural Network استفاده شده که شبکه طراحی شده به Fuzzy Min- Max Classification Neural Network معروف می باشد که در آن درصد خطا بسیار پائین می باشد.
بدلیل اینکه ابتدا الگوهای ورودی با استفاده از مجموعه های فازی در گروههای خود تنظیم می شوند و سپس با استفاده از شبکه عصبی خرجی مطلوب را بدست می دهد.
انگیزه های بیولوژیکی شبکه های عصبی
مغز به عنوان یک سیستم پردازش اطلاعاتی با ساختار موازی از 100 تریلیون و نرون به هم مرتبط با تعداد کل ارتباط تشکیل شده است نرونها ساده ترین واحد ساختار سیستم های عصبی هستند. بافتهایی که عصب نامیده می شوند اجتماعی از نرونها می باشند. این نرونها اطلاعات و پیامها را از یک قسمت بدن به قسمت دیگر منتقل می کنند پیامها از نوع ایمپالسهای الکتروشیمیایی هستند.
بیشترین تعداد نرونها در مغز و مابقی در نخاع و سیستم های عصبی جانبی تمرکز یافته اند گرچه همگی نرونها کارک
تحقیق در مورد شبکه عصبی