بخشی از پاورپوینت
اسلاید 1 :
Neural Networks
اسلاید 2 :
شبکه های عصبی مصنوعی
رئوس مطالب
مقدمه
کاربردهای شبکه عصبی
مبانی نظری شبکه های عصبی مصنوعی
اسلاید 3 :
شبکه های عصبی مصنوعی
بخش اول: مقدمه
اسلاید 4 :
شبکه های عصبی مصنوعی (ANNs)
منطق فازی (FL)
محاسبات تکاملی (EC)
الگوریتهای ژنتیک (GAs)
حرکت مورچگان
…
هوش مصنوعی (AI)
سوال: شباهت این تکنیکها در چیست؟
اسلاید 5 :
شبکه های عصبی مصنوعی
اسلاید 6 :
تعریف شبکه عصبی مصنوعی
روشی کامپیوتری برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد پردازشی ساخته می شود.
شبکه از تعداد دلخواهی واحد پردازشی (یا نرون، سلول یا گره) که در لایه (ها) قرار می گیرند تشکیل می شود که مجموعه ورودی را به مجموعه خروجی ربط می دهند.
اسلاید 7 :
انواع شبکه های عصبی مصنوعی
اسلاید 8 :
بخش دوم: کاربردهای شبکه عصبی مصنوعی
اسلاید 9 :
شبکه های عصبی مصنوعی
ANNs کاربردهای عمومی
تشخیص الگو (گروهبندي اشكالي كه مشابه هم هستند)
ذخيره كردن و بازبيني دادهها
تقریب تابع (رگرسیون غیر خطی، تخمین و پیشگویی)
بهينه سازي و تعيین جواب با وجود قيود متعدد
داده کاوی (استخراج دانش کلان ، قابل استناد و جديد از پايگاه داده ها ي بزرگ )
به طور کلی هر جا که سخن از تخمین، تشخیص الگو یا طبقه بندی باشد می توان از شبکه های عصبی مصنوعی استفاده کرد.
اسلاید 10 :
شبکه های عصبی مصنوعی
فرایند داده کاوی
تعريف مساله
انبارش داده ها ساختن پايگاه داده مربوط به داده كاوي
انتخاب داده ها جستجوي داده
تبديل داده ها آماده ساختن داده براي مدل سازي
کاوش در داده ها ساختن مدل
ارزيابي مدل
تفسير نتيجه ساخت مدل و ارائه نتايج
اسلاید 11 :
شبکه های عصبی مصنوعی
ANNs کاربردهای مختلف
شناسایی تصویر /سیگنال
بینایی ماشین
مدل کردن غیر خطی
کنترل فرآیند ساخت
ارزیابی بکارگیری یک سیاست
بهینه سازی محصول
تشخیص ماشین و فرآیند
مدل کردن کنترل سیستمها
مدل کردن ساختارهای شیمیایی
مدل کردن سیستمهای دینامیکی
تشخیص بیماری
پردازش سیگنالهای تصویری
زمانبندی وسیله نقلیه
سیستمهای مسیریابی
کلاسه بندی نمودارهای مشتری/بازار
سیستمهای بازرسی کیفیت،
پیش بینی کیفیت،
کلاسه بندی انواع سلولها, میکروبها و نمونه ها،
پیش بینی فروشهای آینده
پیش بینی نیازهای محصول
پیش بینی وضعیت بازار
پیش بینی شاخصهای اقتصادی
تعیین قیمت وضعیت فعلی
پیش بینی ملزومات انرژی پیش بینی هوا
پیش بینی محصول
مدیریت و برنامه ریزی
کنترل سیستم فرایند شیمیایی و دینامیکی
کنترل مسیر در دستگاههای خودکار, ربات, جرثقیل
مدل کردن کنترل فرآیند
اسلاید 16 :
چند کاربرد شبکه عصبی
ارزيابي روش هاي سنجش کيفيت خدمات به وسيله شبکه هاي عصبي مصنوعي
ارزیابی یک مدل شبکه عصبی جهت پیش بینی قیمت نفت
پیش بینی نرخ ارز با مدل نروفازی
اسلاید 17 :
بخش سوم: مبانی شبکه های عصبی مصنوعی
اسلاید 19 :
تاريخچه
مطالعه برروي شبكههاي عصبي توسط مك كلاخ و پيتس در سال 1943 آغاز شد. شبكههاي تك لايه، با توابع فعال سازی آستانهاي، توسط روزنبلات در سال 1962 بنيانگذاري شدند كه اين نوع شبكهها، پرسپترون ناميده شدند.
در دهه 1960، به صورت تجربي نشان داده شد كه پرسپترونها قابليت حل مسائل فراواني را دارند، ولی بسياري از مسائل پيچيده توسط آنها قابل حل نبود.
محدوديت پرسپترونهای يك لايه در سال 1966 توسط مينسكي و پپرت در كتاب پرسپترون آنها به چاپ رسيد. نتايج مطالعه اين كتاب باعث شد كه شبكههاي عصبي به مدت دو دهه كمتر مورد توجه قرار گيرند.
با کشف الگوريتم پس-انتشار توسط رملهات، هينتن و ويليامز در سال 1986 مطالعات جديد بر روي شبكههاي عصبي مجددا شروع شد. اهميت ويژه اين الگوريتم اين بود كه شبكههاي عصبي چند لايه توسط آن ميتوانستند آموزش داده شوند.
اسلاید 20 :
شبکه های عصبی مصنوعی
الهام از طبیعت
مطالعه شبکه های عصبی مصنوعی تا حد زیادی الهام گرفته از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل در کار یادگیری دخیل هستند.
گمان میرود که مغز انسان از تعداد 10 11 نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.
سرعت سوئیچنگ نرونها در حدود 10-3 ثانیه است که در مقایسه با کامپیوترها 10 -10 ) ثانیه ( بسیار ناچیز مینماید. با این وجود آدمی قادر است در 0.1 ثانیه تصویر یک انسان را بازشناسائی نماید. این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد.
