عنوان: تبديل حرف به صدا در زبان فارسی به كمك شبكه های عصبی پرسپترون چندلايه ایفرمت: docتعداد صفحات: 24 صفحهحجم: 378 کیلوبایتقابلیت ویرایش را دارد

:: برچسب‌ها: شبکه های عصبی , پرسپترون چند لایه , تبدیل حرف به صدا , پروژه ,
:: بازدید از این مطلب : 36

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج 
چکیده.به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و در حوزه های کاربردی طرح شناختی فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs سنتی روش کارامدی را برای تعیین حالت سیستم مورد بحث و تعیین کردن کمیت تلفاتی که مبنای نظریه FCMs را مشخص می کنند ایجاد می کند. بنابراین در بسیاری از موارد، ایجاد FCMs برای سیستم های پیچیده بستگی به توان کارشناسی دارد.مدل های ایجاد شده دستی دارای کمبودهایی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی به حد معقول خود دارند.در این مقاله ما یک شبکه عصبی فازی را برای بالا بردن توان یادگیری FCMs مطرح می کنیم به گونه ای که تعیین اتوماتیک تابع عضویت و مشخص کردن دلایل مربوط به آن با مکانیسم اثباتی FCMs سنتی ادغام می گردد. به این ترتیب، مدل FCMs از سیستم های تحقیقی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از موارد کارشناسی شده می باشند.به این ترتیب تفاسیر مشخصی در ارتباط با دلایل FCMsایجاد شده و به این ترتیب فرایند استنباط درکش اسان تر می گردد. به منظور ایجاد صحت در عملکرد، روش های بیان شده در پیش بینی بی نظمی های سری زمانی تست می گردد.بررسی های شبیه سازی شده کارای رویکردهای مطرح شده را نشان می دهد.

:: برچسب‌ها: نقشه های شناختی فازی , فازی , شبکه های عصبی , پیش بینی , پیش بینی سری زمانی پر هرج و مرج , پیش بینی سری زمانی , سری زمانی پر هرج و مرج , FCMs , طرح شناختی فازی , مقاله انگلیسی مهندسی صنایع با ترجمه فارسی , مقاله انگلیسی مهندسی صنایع با ترجمه , fuzzy cognitive maps , neural networks , مقاله انگلیسی مهندسی صنایع ,
:: بازدید از این مطلب : 42

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

نوآوری های فناوری جدید به همراه پتانسیل هایی برای کاربرد فضایی 
چکیده اکتشافات و پیشرفت بشر در فضا توسط کشورهای مختلف دنبال می شود تا بتوانند به کشف، کاربرد، و توسعه فضا آشنایی یافته و تجارب بشر را در این زمینه بالا برند. این اهداف شامل : افزایش دانش بشر در ارتباط با فرایند های طبیعی با استفاده از جو فضا ؛ اکتشاف و بررسی منظومه شمسی ؛ امکان دستیابی به سفر های فضایی منظم ؛ بهبود شرایط زندگی بر روی زمین از طریق زندگی و کار در فضا . جنبه های مهم ماموریت های فضایی آینده بر مبنای توسعه زیرساخت ها برای بهینه کردن سطح ایمنی، بازدهی و هزینه می باشد. یکی از موئلفه های اصلی این ماموریت ها شامل مدیریت عملکردهاست. ایستگاه فضایی بین المللی ناسا تجارب گسترده ای را در زمینه زیرساخت ها و عملیات کسب کرده است. به این ترتیب، روش های سازمان دهی شده ای برای اجرای تحقیقات و عملیات موفق فضایی مورد نیاز می باشد که مستلزم ذکاوت و استفاده کارامد از منابع انسانی و فناوری می باشد.بسیاری از فناوری های انقلابی توسط محققان و کارشناسان فناوری ایجاد می شود به عنوان یک امر حیاتی در امنیت ماموریت های فضایی، موفقیت در این زمینه، بازدهی با توجه به هزینه پرداخت شده و سودمند بودن آن ها به شمار می آید. این موارد شامل : فناوری ترکیب پلیمرهای فلزی یونی، لیزرهای غیر هادی، حسگرهای دامین- زمان، و سیستم های ارتباطی ؛ قابلیت هدایت در دمای بالا؛ نانوفناوری؛ راکت های پلاسمای مغناطیسی با تکانش ویژه متغیر, منطق فازی ؛ فناوری موج ضربه ای ؛ و شبکه های عصبی می باشد. بررسی بعضی از این موارد و کاربرد آن ها در ماموریت های فضایی در این مقاله نشان داده می شود.

:: برچسب‌ها: فناوری ترکیب پلیمرهای فلزی یونی , لیزرهای غیر هادی , حسگرهای دامین- زمان , سیستم های ارتباطی , قابلیت هدایت در دمای بالا , نانوفناوری , راکت های پلاسمای مغناطیسی با تکانش ویژه متغیر , منطق فازی , فناوری موج ضربه ای , شبکه های عصبی , Newtechnology innovations , potential , space applications , مقاله انگلیسی هوا فضا با ترجمه فارسی , مقاله انگلیسی هوا فضا با ترجمه , مقاله انگلیسی هوا فضا ,
:: بازدید از این مطلب : 32

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

نرم افزار تشخیص حروف انگلیسی در شبکه های عصبی پرسپترون است که با استفاده از پروژه دانشگاهی شما می توانید کلی برنامه با استفاده از شبکه های عصبی بنویسید.این پروژه بیشتر جنبه هوش مصنوعی دارد که به دانشجویان رشته هوش مصنوعی کمک میکند تا فهم کاملی از پیاده سازی شبکه های عصبی را داشته باشند در این برنامه الگو ها در یک فایل تکست ذخیره شده که پس آموزش دادن برنامه با این الگو ها الگوی خود را در صفحه (هر نقطه به عنوان یک پیکسل است)رسم نموده و سپس برنامه کارکتر شما را تشخیص خواهد داد.منتظر محصولات بعدی ما باشید.

:: برچسب‌ها: هوش مصنوعی , شبکه های عصبی , شبکه عصبی در هوش مصنوعی , برنامه نویسی , نرم افزار , شبکه عصی در سی شارپ , برنامه شبکه های عصبی در هوش مصنوعی , پرسپترون , شبکه عصبی پرسپترون , دانشجویان هوش , دانشجویان رشته هوش مصنوعی , ارشد هوش مصنوعی , پروژه شبکه پرسپترون , پروژه شبکه های عصبی , پروژه شبکه عصبی پرسپترون در دات نت , آموزشی ,
:: بازدید از این مطلب : 36

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

طراحی برنامه شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج 
چکیده.به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و در حوزه های کاربردی طرح شناختی فازی(FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs سنتی روش کارامدی را برای تعیین حالت سیستم مورد بحث و تعیین کردن کمیت تلفاتی که مبنای نظریه FCMs را مشخص می کنند ایجاد می کند. بنابراین در بسیاری از موارد، ایجاد FCMs برای سیستم های پیچیده بستگی به توان کارشناسی دارد.مدل های ایجاد شده دستی دارای کمبودهایی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی به حد معقول خود دارند.در این مقاله ما یک شبکه عصبی فازی را برای بالا بردن توان یادگیری FCMs مطرح می کنیم به گونه ای که تعیین اتوماتیک تابع عضویت و مشخص کردن دلایل مربوط به آن با مکانیسم اثباتی FCMs سنتی ادغام می گردد. به این ترتیب، مدل FCMs از سیستم های تحقیقی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از موارد کارشناسی شده می باشند.به این ترتیب تفاسیر مشخصی در ارتباط با دلایل FCMsایجاد شده و به این ترتیب فرایند استنباط درکش اسان تر می گردد. به منظور ایجاد صحت در عملکرد، روش های بیان شده در پیش بینی بی نظمی های سری زمانی تست می گردد.بررسی های شبیه سازی شده کارای رویکردهای مطرح شده را نشان می دهد.

:: برچسب‌ها: طراحی برنامه شناختی فازی , شبکه های عصبی , پیش بینی سری زمانی پر هرج و مرج , پیش بینی سری زمانی , مقاله انگلیسی ریاضی با ترجمه فارسی , مقاله انگلیسی ریاضی با ترجمه , مقاله انگلیسی ریاضی , fuzzy cognitive maps , neural networks , predicting chaotic time series ,
:: بازدید از این مطلب : 82

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

تحقیق سیستم های مبتنی بر شبکه عصبی (فایل Word)تعداد صفحات 45

با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکه‌ها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
فهرست :  

مقدمه ای بر شبکه‌های عصبی مصنوعی

تاریخچه شبکه‌های عصبی مصنوعی

شبکه عصبی چیست؟

شبکه  عصبی چه قابلیتهائی دارد؟

الهام از طبیعت

شبکه های عصبی در مقایسه با کامپیوترهای سنتی

مسائل مناسب برای یادگیری شبکه های عصبی

پرسپترون

الگوریتم یادگیری پرسپترون

الگوریتم gradient descent

مشکلات روش gradient descent

تقریب افزایشی gradient descent

الگوریتم  Back propagation

قدرت نمایش توابع

انواع آموزش شبکه

برخی زمینه های شبکه های عصبی

سبکهای معماری شبکه‌های عصبی

قواعد یادگیری در شبکه‌های عصبی

آموزش شبکه‌های عصبی

آموزش unsupervised یا تطبیقی (Adaptive)

تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره

انواع یادگیری برای شبکه های عصبی

یادگیری با ناظر

یادگیری تشدیدی

یادگیری بدون ناظر

معایب شبکه های عصبی

مزیتهای شبکه های عصبی

سیستم خبره

سیستم خبره چیست؟

ساختار یک سیستم خبره‌

استفاده از  منطق فازی

مزایا و محدودیت‌های سیستم‌های خبره

کاربرد سیستم‌های خبره‌

چند سیستم خبره مشهور

مروری بر کاربردهای تجاری

بازاریابی

بانکداری و حوزه های مالی

پیش بینی

سایر حوزه های تجاری

کاربرد مدلهای شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکتهای بازار بورس

کاربرد مدل‌ شبکه عصبی در پیش‌بینی ورشکستگی شرکتهای بازار بورس

تبیین مفهوم ورشکستگی

متغیرهای مدل تحقیق

اطلاعات شرکتهای نمونه تحقیق

تعیین ‌مدل شبکه عصبی سه لایه برای پیش‌بینی ورشکستگی شرکتها

تعیین مدل بهینه شبکه عصبی چهار لایه برای پیش‌بینی ورشکستگی شرکتها

مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیش‌بینی ورشکستگی اقتصادی

پیش‌بینی ورشکستگی اقتصادی شرکتها در سالهای  و

روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره ـ

جمع‌بندی و نتیجه‌گیری

منابع

:: برچسب‌ها: تحقیق سیستم های مبتنی بر شبکه عصبی (فایل Word)تعداد صفحات 45 , تحقیق سیستم های مبتنی بر شبکه عصبی , سیستم های مبتنی بر شبکه عصبی , شبکه های عصبی , شبکه‌های عصبی مصنوعی , تاریخچه شبکه‌های عصبی مصنوعی , تاریخچه شبکه‌های عصبی , شبکه عصبی چیست؟ , شبکه عصبی چه قابلیتهائی دارد؟ , شبکه های عصبی در مقایسه با کامپیوترهای سنتی , سائل مناسب برای یادگیری شبکه های عصبی , یادگیری شبکه های عصبی , لگوریتم یادگیری پرسپترون , الگوریتم پرسپترون , پروژه رشته نرم افزار , پروژه الگوریتم پرسپترون , الگوریتم gradient descent , مشکلات روش gradient descent , تقریب افزایشی gradient descent , الگوریتم Back propagation , انواع آموزش شبکه , زمینه های شبک ,
:: بازدید از این مطلب : 87

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

---

:: برچسب‌ها: مبانی شبکه های عصبی , شبکه های عصبی , کنترل هوشمند و شبکه های عصبی , پروژه ,
:: بازدید از این مطلب : 97

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0