مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی 147 ص

اختصاصی از رزفایل مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی 147 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 149

دانشگاه آزاد اسلامی

واحد سمنان

«مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی»

ارائه شده به گروه مهندسی مکانیک

جهت دریافت درجه کارشناسی

تحت نظر :

مهندس محمود براتی

مهندس مرتضی محمد ظاهری

توسط:

« فرهاد احدی کلو »

« آبان ماه سال یک هزار و سیصد و هشتاد و شش »

چکیده:

در این پروژه، ورودی‌ها و خروجی‌های یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکه‌های عصبی مصنوعی از نوع پرسپترون‌های چندلایه برای این منظور مناسب است. در کنار این نوع از مدل‌سازی، استفاده از یک شیوه‌ی مناسب برای کنترل پیشگویانه (پیش بینانه)ی مدل یاد شده، ضروری است.

مدل‌های برگشتی تصحیح شونده که از قوانین تعدیل ماتریس‌های وزنی مسیرهای ارتباطی بین نرون‌های مدل استفاده می‌کنند، در این پروژه به کار گرفته شده‌اند.

این قوانین برای آموزش سیستم، جهت کنترل و دستیابی به خروجی مطلوب در زمان‌های بعدی به کار می‌روند.

فراگیری در این سیستم نیز از نوع فراگیری با سرپرست می‌باشد؛ به این صورت که معادله‌ی دیفرانسیل دینامیکیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، که سیستم باید به آن برسد، برای زمان‌های آینده مشخص می‌باشد و خروجی سیستم با استفاده از یک کنترل‌کننده‌ی پیش‌بین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یک رآکتور شیمیایی است که برای اختلاط پیوسته‌ی مواد شیمیایی واکنش دهنده با غلظت‌ها و مقادیر تعریف شده و تولید یک ماده‌ی محصول با یک غلظت متغیر با زمان به کار می‌رود؛ که میزان مطلوب این غلظت در یک زمان خاص، به‌عنوان هدف مطلوبی است که سیستم باید به آن دست یابد.

همچنین به‌جای یک سیستم واقعی، از یک مدل نرم‌افزاری برای جمع‌آوری داده‌های ورودی و خروجی استفاده می شود و در نهایت، نتایج این مدل سازی موفقیت‌آمیز، توانایی روش‌های مدل سازی هوشمند را همان‌گونه که در این تحقیق آمده است، اثبات می‌کند.

کلمات کلیدی: هوش مصنوعی، شبکه های عصبی مصنوعی، رآکتور شیمیایی، کنترل پیش‌بین، نرون، پتانسیل فعالیت، پرسپترون چندلایه غیر خطی، تورش، سیستم‌های غیر خطی، بازشناسی الگو، دستگاه‌های طبقه‌بندی خطی و غیر خطی، قاعده‌ی پس انتشار خطا، تعدیل ضرایب وزنی، شبیه‌سازی، مدل دینامیکی کامل / ناکامل شبکه‌‌ی عصبی مصنوعی

KEY WORDS: Artificial Intelligence, Artificial Neural Networks, Chemical Reactor, Predictive Control, Neuron, Action potential, Nonlinear Multilayer perceptrons, Bias , Nonlinear systems, Pattern Recognition, linear and Nonlinear classifiers, Backpropagation Rule, Adjusting the Connection Weights, Simulation, complete / Incomplete Artificial Neural Network models.

فصل اوّل:

مقدمه

مقاله درباره شبکه عصبی

اختصاصی از رزفایل مقاله درباره شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود در "پایین مطلب"

 فرمت فایل: word (قابل ویرایش و آماده پرینت)

 تعداد صفحات:67

برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.

 

سابقه تاریخی :

به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است.

خیلی از پیشرفت های مهم با تقلید ها و شبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky و Papert شناسانده شد. Minsky و Papert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد.
اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.

دانلود پروژه نگاهی به روش های کاهش استرس عصبی در امتحانات

اختصاصی از رزفایل دانلود پروژه نگاهی به روش های کاهش استرس عصبی در امتحانات دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 12

نگاهی به روش های کاهش استرس عصبی در امتحانات

دکتر فرزاد فخیمی نزدیک شدن زمان امتحانات همواره برای دانش آموزان و دانشجویان با بروز حالات و واکنش های هیجانی، رفتاری، عصبی و.... همراه است. این قشر از جامعه از یک طرف تحت تأثیر عوامل استرس زای عمومی که کل جامعه را متأثر می کند، قرار دارند و از طرف دیگر با حضور فعال در متن جامعه علمی، فشارهای مقطعی ناشی از الزامات دانش اندوزی، مطالعه، تحقیق، امتحانات و... را تجربه می کنند و هرچه به تاریخ امتحانات نزدیکتر شوند، استرس بیشتر آنها را محاصره کرده و تحت فشار قرار می دهد. در واقع این گروه و یا طبقه از جامعه با استرس مضاعف روبه رو هستند که حتی تابع منطق ریاضی یعنی ۴=۲+۲ نیست، بلکه از اصل هم افزایی (Synergy) یعنی ۵=۲+۲ تبعیت می کنند. همانند برخورد دو موج به یکدیگر که ارتفاع موج حاصل از دو موج، بیشتر از ارتفاع آنها قبل از برخورد است. بدیهی است که تحمل استرس تا این حد برای دانش آموزان و دانشجویان که در سنین جوانی هستند و هنوز مقاومت های طبیعی خود را نه تجربه کرده و نه توسعه داده اند، اغلب بسیار سنگین و غیرقابل تحمل است و در صورت عدم شناخت و فراگیری شیوه کنار آمدن و دفع آنها، عوارضی از جمله بی خوابی، خستگی، بی حوصلگی، افسردگی، دلزدگی و در نهایت فرسایش روانی که به قول «مارک سینگر» نوعی پریشانی و درماندگی است به دنبال خواهد داشت.

استرس چیست ؟ استرس (فشار عصبی) از نظر لغوی از کلمه لاتین استرینجر به مفهوم به هم رفتن، قبض شدن و... گرفته شده است و در زبان فارسی معادل های تکانه عصبی، فشار روانی، تنیدگی، نگرانی و... برای آن عنوان گردیده است. «استرس» را فشار عصبی (Nervous Strain) هم ترجمه کرده اند که این اصطلاح هم معادل دقیقی برای «استرس» نیست. زیرا استرس از «فشار» ناشی می شود و خود فشار نیست، اگر چه به رغم دو نفر از محققان به نام های «مورهد» و «گریفین» با اندک اغماضی می توان «استرس» را همان «فشار عصبی» معنی کرد و آن را عکس العملی دانست که انسان در مقابل محرک های ناسازگار از خود بروز می دهد. در این مقاله نیز این معادل به کار گرفته شده است. استرس پدیده تازه ای نیست و در طول تاریخ بشر وجود داشته و به صورت های مختلفی بر انسان عارض شده است از جمله: نگرانی از بلایای طبیعی، جنگ ها، قتل عام ها، ستمکاری های حکام جابر و... با انقلاب صنعتی و به دلیل تحولات عمیق اجتماعی، اقتصادی، فرهنگی، سیاسی ناشی از آن در کلیه جوامع و ضرورت تطابق مداوم با شرایط جدید و در عین حال در تحول و تغییر، استرس، دامنه، شدت و وسعت بیشتری گرفت به طوری که می توان آن را فرزند ناخلف انقلاب صنعتی و یک قاتل بی سروصدا (Silent Killer) نامید. استرس در دنیای امروز تقریباً همه گیر شده و از پیر و جوان، زن و مرد، تحصیل کرده و بی سواد همه و همه به گونه و با نوعی از آن دست به گریبانند و فقط افراد معدودی که شناخت کافی از آن داشته و ابزار مقابله با آن را در اختیار دارند از آثار مخرب آن برکنار هستند. تحقیقات علمی مؤید این واقعیت است که استرس بر سلامت جسم و روان فرد تأثیر می گذارد و انرژی های بالقوه و بالفعل او را هدر داده و باطل می سازد. امروزه مردم اغلب کلمه استرس را به صورت موضوعی متداول و یا به شکل بیماری «اپیدمی» به کار می برند و این کلمه مدتها است که در ادبیات محاوره ای جا باز کرده و به همان گونه که از کار، غذا، مسکن، مسافرت، تحصیل و... صحبت می کنیم، از استرس هم صحبت می کنیم. با تمام جنبه های منفی که در فرهنگ عامه برای استرس وجود دارد، معهذا این پدیده دارای جنبه های مثبت نیز است. جنبه های منفی استرس را «استرس مخرب» (Distress) می گویند که از شنیدن خبر ناگوار بر شخص دست می دهد و جنبه های مثبت استرس، «استرس سازنده» (Eustress) است، که هنگام دریافت خبرهای شاد و خوشحال کننده عارض فرد می شود.

تعاریف علمی استرس محققان برای استرس تعاریف مختلفی ارائه داده اند. این تعاریف اگر چه دارای تفاوت هایی ظاهری و شکلی هستند، ولی از نظر محتوائی تقریباً عقیده واحدی را منعکس می کنند. «دنیس جیف» استرس را حالتی می داند که از دخالت متغیرات «روانی- فیزیولوژیکی» بر دو عامل محیط و سلامتی جسمانی فرد بروز می کند. محقق دیگری به نام «کری کوپر» آن را عکس العمل بیوشیمیائی و رفتاری فرد می داند که در مواجهه با خطر به انسان دست می دهد. به رغم «سوزان کارترایت» استرس مجموعه ای از واکنش های عمومی فرد به عوامل ناسازگار و غیرمنتظره محیط است که او را وادار می کند با اتخاذ روش «جنگ یا گریز» (Fight or Flight) با خطر مقابله کرده و یا راه فرار را انتخاب کند. «کاکس» می گوید استرس پاسخ فرد به فرآیندهای درونی و بیرونی است که بر ظرفیت ادغام نیروهای جسمی و روانی، فشار وارد می سازد. (جدول شماره ۱) به عقیده وی ،

مقدمه ای بر شبکه های عصبی

اختصاصی از رزفایل مقدمه ای بر شبکه های عصبی دانلود با لینک مستقیم و پر سرعت .

مقالات  ریاضی  با فرمت           DOC           صفحات  98

1 مقدمه

     در سالیان اخیر شاهد حرکتی مستمر، از تحقیقات صرفاً تئوری به تحقیقات کاربردی بخصوص در زمینه پردازش اطلاعات، برای مسائلی که برای آن ها راه حلی موجودنیست ویا براحتی قابل حل نیستند بوده ایم. با عنایت به این امر، علاقه فزاینده ای در توسعه تئوریک سیستمهای دنیا میکی هوشمند مدل آزاد ـ که مبتنی بر داده های تجربی هستند ـ ایجاد شده است. شبکه های عصبی مصنوعی[1] جزء این دسته از سیستمهای دینامیکی قراردارند، که با پردازش روی داده های تجربی دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند. به همین خاطر به این سیستمها هوشمند[2] گویند. چرا که براساس محاسبات روی داده های عددی یا مثال ها ، قوانین کلی را فرامی گیرند. این سیستم ها در مدلسازی ساختار نرو سیناپتیکی[3] مغز بشر می کوشند. پیاده سازی ویژگیهای شگفت انگیز مغز در یک سیستم مصنوعی (سیستم دینامیکی ساخته دست بشر) همیشه وسوسه انگیز و مطلوب بوده است. محققینی که طی سالها در این زمینه فعالیت کرده اند بسیارند، لیکن نتیجه این تلاشها صرف نظر ازیافته های ارزشمند باور هر چه بیشتر این اصل بوده است که مغز بشر دست یافتنی است.

    با تاکید بر این نکته که گذشته از متافیزیک، دور از دسترس بودن ایده آل «هوش طبیعی» را می توان با عدم کفایت دانش موجود بشر از فیزیولوژی عصبی  پذیرفت، باید اذعان داشت که عالی بودن هدف و کافی نبودن دانش موجود خود سبب انگیزش پژوهشهای بیشتر و بیشتر در این زمینه بوده و خواهند بود، همچنان که امروزه شاهد بروز چنین فعالیتهایی در قالب شبکه های عصبی مصنوعی هستیم، اغلب آن هایی که با چنین سیستم هایی آشنایی دارند، به اغراق آمیز بودن نام آنها معترفند، اگرچه این اغراق بیانگر مطلوبیت و نیز بعضی شباهتهای این گونه سیستم ها با سیستم های طبیعی است ولی می تواند تا حدی بین آن چه که سیستم های عصبی مصنوعی در اختیار قرار      می دهد و آن چه که از نامشان بر می آید تناقض ایجاد نماید.

1-2 تاریخچه شبکه های عصبی

      بعضی از پیش زمینه های شبکه های عصبی را می توان به اوایل قرن بیستم و اواخر قرن نوزدهم برگرداند. در این دوره کارهای اساسی در فیزیک ، روانشناسی و نروفیزیولوژی[4] توسط علمایی چون هرمان فون هلمهلتز[5]، ارنست ماخ[6]و ایوان پاولف[7] صورت پذیرفت. این کارهای اولیه عموماً بر تئوریهای کلی یادگیری ، بینایی و شرطی تاکید داشته اند و اصلاً به مدلهای مشخص  ریاضی عملکرد نرونها اشاره ای نداشته اند.

دیدگاه جدید شبکه های عصبی در دهه 40 قرن بیستم آغاز شد زمانی که وارن مک کلوث [8] و والترپیتز[9] نشان دادند که شبکه های عصبی می توانند هر تابع حسابی و منطقی[10] را محاسبه نمایند. کار این افراد را می توان نقطه شروع حوزه علمی شبکه های عصبی مصنوعی نامید و این موضوع با دونالدهب[11] ادامه یافت، شخصی که عمل شرط گذاری[12] کلاسیک را که توسط پاولف مطرح شده بود به عنوان خواص نرونها معرفی  نمود و سپس مکانیسمی را جهت یادگیری نرونها بیولوژیکی ارائه داد. نخستین کاربرد شبکه های عصبی در اواخر دهه50 قرن بیستم مطرح شد زمانی که فرانک روز نبلات در سال 1958 شبکه پرسپترون را معرفی نمود. روز نبلات و همکارانش شبکه ای ساختند که قادر بود الگوها را از هم شناسایی نماید. در همین زمان بود که برنارد ویدرو[13] در سال 1960 شبکه عصبی تطبیقی خطی آدلاین را با قانون یادگیری جدید مطرح نمود که از لحاظ ساختار، شبیه شبکه پرسپترون بود. پیشرفت شبکه های عصبی تا دهه 70 قرن بیستم ادامه یافت. در سال 1972 تئوکوهونن[14]، جیمز اندرسون[15]، بطور مستقل و بدون اطلاع از هم، شبکه های عصبی جدیدی را معرفی نمودند که قادر بودند به عنوان عناصر ذخیره ساز عمل نمایند. استفان گروسبرگ[16] در این دهه روی شبکه های خود سازمانده[17] فعالیت می کرد. فعالیت در زمینه شبکه های عصبی در دهه 60 قرن بیستم در قیاس با دهه 80 به علت عدم بروز ایده های جدید و نبود کامپیوترهای سریع ـ جهت پیاده سازی ـ کمرنگ می نمود. لکن در خلال دهه 80، رشد تکنولوژی میکروپروسسورها روند صعودی داشت و تحقیقات روی شبکه های عصبی فزونی یافت و ایده های بسیار جدیدی مطرح شدند. ایده های نووتکنولوژی بالا برای رونسانس دوباره در شبکه های عصبی کافی به نظر می رسید. در این زایش دوباره شبکه های عصبی و جدید قابل تامل می باشد. استفاده از مکانیسم تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکه های برگشتی[18] است که می توان آن ها را جهت ذخیره سازی اطلاعات استفاده نمود. این ایده توسط جان هاپفلید[19]، فیزیکدان آمریکایی در سال 1982 مطرح شد. دومین ایده مهم که کلید توسعه شبکه های عصبی در دهه 80 شد الگوریتم «پس انتشار خطا»[20] می باشد که توسط دیوید رامل هارت[21] و جیمز مکلند [22]در سال 1986 مطرح گردید. با بروز این دو ایده شبکه های عصبی متحول شدند. در ده سال اخیر هزاران مقاله نوشته شده است و شبکه های عصبی کاربرد زیادی در رشته های مختلف علوم پیدا کردند. شبکه های عصبی در هر دو جهت توسعه تئوریک و عملی در حال رشد می باشند اما این روند رشد، آهسته و مطمئن نبوده، دوره هایی بسیار سریع و دوره هایی کند مشاهده شده است. بیشتر پیشرفتها در شبکه های عصبی به ساختارهای نوین و روشهای یادگیری جدید مربوط می شود.

     حال صرفنظر از اینکه آیا شبکه های عصبی جایگاه گسترده ای به عنوان یک ابزار علمی ـ مهندسی  در آینده پیدا می کنند یا اینکه دچار کمرنگی می شوند، می توان در حال حاضر بطور قاطع بیان کرد که شبکه های عصبی  جایگاه مهمی خواهند داشت البته نه به عنوان یک جواب و راه حل برای هر مسئله بلکه به عنوان یک ابزار علمی که بتواند برای راه حلهای خاص و مناسب مورد استفاده قرار گیرد. باید توجه داشت که در حال حاضر اطلاعات موجود درباره نحوه عملکرد مغز بسیار محدود است و مهمترین پیشرفتها در شبکه های عصبی در آینده مطرح خواهند شد. زمانی که اطلاعات بیشتری از چگونگی عملکرد مغز و نرونهای بیولوژیک در دست باشد. شبکه های عصبی چه در بعد آنالیز و توسعه ساختاری و چه در بعد پیاده سازی سخت افزاری از نظر کمی، کیفی و توانایی، در حال رشد و پیشرفت می باشد و تکنیکهای مختلف محاسبات عصبی از لحاظ تعداد همچنان در حال افزایش است. فعالیت علمی و کاربردی در مسائل فنی ـ مهندسی از قبیل سیستم های کنترلی، پردازش سیگنالها و شناسایی الگو گسترش یافته است. با توجه به این مسائل، در این قسمت قصد داریم به معنای شبکه های عصبی و مصنوعی، حدود انتظارات ما از این شبکه ها و شباهت های آن ها با شبکه های واقعی بپردازیم.

1 ـ3 معنای شبکه های عصبی

      هنگامی که این جملات را مطالعه می کنید، در عمل از یک سیستم شبکه های عصبی بیولوژی پیچیده، جهت فهم مطالب آن استفاده می نمایید. از مغز به عنوان یک سیستم پردازش اطلاعات با ساختاری موازی و کاملاً پیچیده که دو درصد وزن بدن را تشکیل می دهد و بیش از بیست درصد کل اکسیژن بدن را مصرف می کند برای خواندن، نفس کشیدن، حرکت وتفکروکلیه اعمال آگاهانه و بسیاری از رفتارهای ناخود آگاه استفاده   می شود. جهت واضح شدن توانایی مغز، یک بازی تنیس را در نظر بگیرید. بازیکن اول به توپ ضربه می زند، توپ با سرعتی بیش از 130 کیلومتر در ساعت به زمین حریف می رسد. حریف مقابل نیز با سرعتی معادل 60 کیلومتر در ساعت به توپ ارسالی پاسخ  می دهد، تصور نمایید که چه حجم عظیمی از اطلاعات و سیگنالها جهت این کار و درطی زمانی کمتر از چند صدم ثانیه بایستی جمع آوری و محاسبه شود. این که چگونه مغز این کارها را انجام می دهد از زمانی مطرح شد که دریافتند مغز برای محاسبات خود از ساختاری کاملاً مغایر  با ساختار کامپیوترهای متداول برخوردار می باشند. تلاش برای فهم این موضوع خصوصاً از سال 1911 قوت گرفت، زمانی که برای نخستین بار شخصی به نام سگال[23] اعلام کرد که مغز از عناصر اصلی ساختاری بنام «نرون»[24] تشکیل یافته است. هر نرون بیولوژیکی به عنوان اجتماعی از مواد آلی، اگرچه دارای پیچیدگی یک میکروپروسسور می باشد، ولی دارای سرعت محاسباتی برابر با یک میکروپروسسور نیست. بعضی از ساختارهای نرونی در هنگام تولد ساخته می شوند و قسمت های دیگر در طول مسیرحیات، مخصوصاً در اوایل  زندگی بوجود می آیند و قوام می گیرند. دانشمندان علم بیولوژی به تازگی دریافته اند که عملکرد نرونهای بیولوژیکی از قبیل ذخیره سازی و حفظ اطلاعات در خود نرونها و تنظیم مجدد ارتباطات موجود استنباط می شود.

      شبکه های عصبی مصنوعی یک شبکه ساده ازنرونهای مصنوعی می سازد به طوری که جهت مسائل پیچیده که در اصل چیزی جز یادگیری نگاشتها نیست بکاربرده شود. نرونهایی که درشبکه های عصبی مصنوعی مورد بررسی قرارمی گیرند، نرونهایی بیولوژیکی نیستند بلکه شکل بسیاربسیارساده ازنرونهای بیولوژیکی می باشد که می توان آنها را به عنوان عناصری از یک برنامه کامپیوتری یا شاید تراشه های نیمه هادی در نظر گرفت. باید توجه داشت که شبکه های عصبی مصنوعی تشکیل شده از این نرونها، اگر چه مقابل نرونهای بیولوژیکی از سرعت بسیار بالایی حدود000/000/1 برابر برخوردارند ولی تنها از کسری از توانایی بالای نرونهای بیولوژیکی بهره می برند.

1. Artificial Neural Networks (ANN)
2. Intelligent
3. Neuro - Synaptic
4. 1. Neuro – Physiology
5. 2. hermann von Helmlolts
6. 3.Ernst mach
7. 4.Ivan pavlov
8. 5.warren mculloch

 

 

 

 

 

 

 

 .6walted Pitts

1. 7. Arithmetic & Logical Function
2. 8.Donald Hebb
3. 9. Conditioning
4. 10. Bernurd widrow
5. 1. Bernurd widrow

 

 

 

[14] .Teo Kohonen

.[15] James Anderson

.[16] Stefan Grossberg

.[17] Self - organizing

.[18] Feed back(Recurrent)

.[19] John Hopfeld

.[20] Error Back – Propagation

[21] .Daivid Rummelhart

[22] .James mcland

[23] .Segal

.[24] Neuron

تشخیص چهره با استفاده از شبکه عصبی و تبدیل موجک گابور (کد 190)

اختصاصی از رزفایل تشخیص چهره با استفاده از شبکه عصبی و تبدیل موجک گابور (کد 190) دانلود با لینک مستقیم و پر سرعت .

چکیده مقاله

این مقاله مبتنی بر طبقه بندی ویژگی های تشخیص چهره با استفاده از تکنیک های استخراج  ویژگی  فیلتر گابور در پردازش تصویر است. بردار ویژگی مبتنی بر فیلتر های گابور به عنوان ورودی طبقه بندی کننده استفاده شده است، که یک شبکه عصبی رو به جلو ( FFNN) روی یک  زیر فضای ویژگی کاهش داده شده آموزش دیده توسط یک رویکرد ساده تر از تحلیل مولفه اصلی (PCA ) است. تاثیر متد پیشنهادی با نتایج آزمایش روی  تعداد زیادی از تصاویر تست و مقایسات با حالت متد هنر نشان داده شده است.  تشخیص و شناسایی چهره کاربردهای زیادی در زمینه های گوناگون مثل سیستم های امنیت ، ویدئو کنفرانس و شناسایی دارد.

مقاله اصلی به همراه ترجمه+شبیه سازی+گزارش+آموزش

توجه: برای مشاهده مقالات می توانید وارد کانال تلگرام شوید و سپس مقاله مورد نظر خود را مشاهده نمایید.
توجه: با پرداخت مبلغ مقاله مورد نظر خود به صورت کارت به کارت از 10%  تخفیف بهره مند شوید.برای این منظور بعد از کسر 10% مبلغ مقاله مابقی را به شماره کارت ذیل واریز نمایید.سپس کد مقاله را تلگرام نمایید.
موبایل: [phone]
تلگرام: 09210225047
کانال تلگرام: simulinkpaper@
ایمیل: [e-mail]
شماره کارت: 7412-7439-8110-6273  به نام علیرضا لطف آبادی