پیاده سازی شبکه عصبی هوپفیلد مجتمع سازی گسترده دیجیتال…

چکیده

این مقاله در مورد پیاده سازی شبکه های عصبی Hopfield برای حل مسایل مربوط به محدودیت رضایت با استفاده از آرایه های گیت قابل برنامه ریزی میدان FPGA بحث می کند. این مقاله در مورد روش های فرمول بندی این مسایل همانند شبکه های عصبی گسسته بحث می کند، و سپس مساله N queen را با استفاده از فرمولبندی به دست آمده تشریح می کند. سرانجام، نتایج ارایه شده زمان های محاسبه یک کامپیوتر معمولی برای شبیه سازی اجرای شبکه Hopfield بر روی یک فضای کاری باکیفیت، مقایسه می کنند. در این روش، رشد پیشرفت قابل مشاهده می باشد که نشان می دهد حداکثر رشد 2 تا 3 برابر دامنه با استفاده از ابزارهای FPGA ممکن می باشد.

کلیدواژه: شبکه عصبی هوپفیلد، آرایه های گیت قابل برنامه ریزی میدان، مساله N queen

مقدمه

بسیاری از مسایل بهینه سازی تجارت و صنعت در عمل را می توان با استفاده از متغیرهای تصمیم گیری دودویی (باینری) ، به عنوان مسایل برنامه نویسی استاندارد ریاضی فرمول بندی کرد. حل این مسایل به دلیل طبیعت عصب سخت پیچیدگی آنها (NP hard) نیاز به بکاربری از فن آوری های هوشمند و الگوریتم های تقریبی دارند؛ در سال 1985 شبکه های عصبی برای حل این مشکل ارایه شدند، اما باز هم مسایلی همچون کیفیت ضعیف راه حل ها و عدم تضمین راه حل نهایی عملی مشکل ساز بودند. این مسایل اولیه امروزه برطرف شده اند. روش هایی برای کمک به شبکه عصبی Hopfield تا حداقل عملکرد انرژی ناحیه ای را تامین کند، ارایه شده اند و ساختار مناسب این عملکرد انرژی عملی بودن راه حل را تضمین می کند. با استفاده از این پیشرفت ها، نتایج شبکه عصبی به دست آمده اند که به طور موثری (و حتی بهتر) با دیگر فن آوری های هوشمند معروف مانند بازپخت شبیه سازی شده، رقابت می کنند.

پروژه مدل سازی رآکتور شیمیایی با شبکه عصبی…

مقدمه

در این پروژه، ورودی ها و خروجی های یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکه های عصبی مصنوعی از نوع پرسپترون های چندلایه برای این منظور مناسب است. در کنار این نوع از مدل سازی، استفاده از یک شیوه مناسب برای کنترل پیشگویانه (پیش بینانه) مدل یاد شده، ضروری است. مدل های برگشتی تصحیح شونده که از قوانین تعدیل ماتریس های وزنی مسیرهای ارتباطی بین نرون های مدل استفاده می کنند، در این پروژه به کار گرفته شده اند. این قوانین برای آموزش سیستم، جهت کنترل و دستیابی به خروجی مطلوب در زمان های بعدی به کار می روند. فراگیری در این سیستم نیز از نوع فراگیری با سرپرست می باشد؛ به این صورت که معادله دیفرانسیل دینامیکیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، که سیستم باید به آن برسد، برای زمان های آینده مشخص می باشد و خروجی سیستم با استفاده از یک کنترل کننده پیش بین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یک رآکتور شیمیایی است که برای اختلاط پیوسته مواد شیمی ایی واکنش دهنده با غلظت ها و مقادیر تعریف شده و تولید یک ماده محصول با یک غلظت متغیر با زمان به کار می رود؛ که میزان مطلوب این غلظت در یک زمان خاص، به عنوان هدف مطلوبی است که سیستم باید به آن دست یابد. همچنین به جای یک سیستم واقعی، از یک مدل نرم افزاری برای جمع آوری داده های ورودی و خروجی استفاده می شود و در نهایت، نتایج این مدل سازی موفقیت آمیز، توانایی روش های مدل سازی هوشمند را همان گونه که در این تحقیق آمده است، اثبات می کند. در این پروژه، ورودی ها و خروجی های یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکه های عصبی مصنوعی از نوع پرسپترون های چندلایه برای این منظور مناسب است. در کنار این نوع از مدل سازی، استفاده از یک شیوه مناسب برای کنترل پیشگویانه (پیش بینانه) مدل یاد شده، ضروری است. مدل های برگشتی تصحیح شونده که از قوانین تعدیل ماتریس های وزنی مسیرهای ارتباطی بین نرون های مدل استفاده می کنند، در این پروژه به کار گرفته شده اند.

پروژه بررسی و معرفی شبکه های عصبی مصنوعی…

• پایان نامه جهت اخذ درجه کارشناسی
• عنوان کامل: بررسی و معرفی شبکه های عصبی مصنوعی
• دسته: فناوری اطلاعات و کامپیوتر
• فرمت فایل: WORD (قابل ویرایش)
• تعداد صفحات پروژه: 121
• جهت مشاهده فهرست مطالب این پروژه اینجا کلیک نمایید

مقدمه

هوش محاسباتی یا (Computational-Intelligence) CI به معنای استخراج هوش، دانش، الگوریتم یا نگاشت از دل محاسبات عددی براساس ارائه به روز داده های عددی است. سیستم هایCI در اصل سیستم های دینامیکی مدل آزاد (Model-free) را برای تقریب توابع و نگاشتها ارائه می کند. در کنار این ویژگی بسیار مهم باید از ویژگی مهم دیگری در ارتباط با خصوصیات محاسباتی سیستم های CI نام برد، که در آن دقت، وجه المصالحه مقاوم بودن، منعطف بودن و سهولت پیاده سازی قرار می گیرد.

مولفه های مهم و اساسی CI، شبکه های عصبی) محاسبات نورونی (، منطق فازی) محاسبات تقریبی (و الگوریتم ژنتیک) محاسبات ژنتیکی (است، که هر یک به نوعی مغز را الگو قرار داده اند. شبکه های عصبی ارتباطات سیناپسی و ساختار نورونی، منطق فازی استنتاجات تقریبی و محاسبات ژنتیکی محاسبات موتاسیونی مغز را مدل می کنند.

هوش مصنوعی:

در شبکه ارتباطی مغز انسانها سیگنالهای ارتباطی به صورت پالسهای الکتریکی هستند. جزء اصلی مغز نرون است که از یک ساختمان سلولی و مجموعه ای از شیارها و خطوط تشکیل شده و شیارها محل ورود اطلاعات به نرون هستند وخطوط محل خروج اطلاعات از نرون اند. نقطه اتصال یک نرون به نرون دیگر را سیناپس می نامند که مانند دروازه یا کلید عمل می کنند. اگر واکنشهایی که میلیونها نرون مختلف به پالسهای متفاوت نشان میدهند با یکدیگر هماهنگ باشند ممکن است پدیده های مهمی در مغز رخ دهد.

آن دسته از پژوهشگران هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند گونه ای از مدارهای الکتریکی را طراحی کرده اند که تا حدی شبکه مغز را شبیه سازی میکند در این روش هر گره (نرون) به تنهایی یک پردازنده است ولی رایانه های معمولی حداکثر چند cpuدارند هدف عمده کامپیوتر شبکه عصبی این است که مکانیسمی طراحی کند که همانند مغز انسان بازخورد مثبت یاد بگیرد پاسخهای درست و نادرست کدامند.

سیستم شبکه عصبی این کار را از طریق ارزشگذاری کمی برای ارتباطات سیگنالها بین نرونها انجام میدهد مکانیسم ارزشگذاری توسط مقاومتها با تقویت یا تضعیف پالسها انجام میشود. چون شبکه های عصبی میلیونها نرون دارند خرابی تعدادی از آنها تاثیر چندانی برعملکرد سیستم نمی گذارد تا کنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند مثلاًدر بررسی های زیست محیطی، شبکه های عصبی برای جمع آوری و تحلیل اطلاعاتی که از راه دور حس شده اند مورد استفاده قرار می گیرند اطلاعاتی که اغلب سفینه ها مخابره می کنند بسیار حجیم است. شبکه های عصبی این اطلاعات را به راحتی دسته بندی کرده وپس از جمع آوری اطلاعات ذهنی و تجسمی نتایج جالبی به دست می آورند (مثلاًتشخیص انواع خاصی از ابرها) البته این فرایند با آنچه سیستم های خبره انجام می دهند متفاوت است زیرا این سیستم ها ابزارهای تصمیم سازی هستند و می توانند حجم زیادی از اطلاعات را به سرعت تحلیل کنند شبکه های عصبی برای مدل سازی فرایندهای فکری مغزی که زمینۀ دیگری برای مطالعات حساس به اطلاعات و پیچیدگی است مورد استفاده قرار گرفته است.

• فرمت: zip
• حجم: 1.47 مگابایت
• شماره ثبت: 505

برنامه توسعه تولید و انتقال، با در نظر گرفتن حد بارگذاری با استفاده از نظریه گیم و شبکه عصبی مصنوعی…

• عنوان لاتین مقاله: Transmission and Generation Expansion Planning Considering Loadability Limit Using Game Theory ANN
• عنوان فارسی مقاله: برنامه توسعه تولید و انتقال، با در نظر گرفتن حد بارگذاری با استفاده از نظریۀ گیم و شبکه عصبی مصنوعی.
• دسته: برق و الکترونیک
• تعداد صفحات فایل ترجمه شده: 21
• جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
• نسخه فارسی مقاله برای خرید آماده است.

خلاصه

در این مقاله برنامۀ توسعۀ تولید و انتقال (TEF , GEP) با در نظرر گرفتن حد بارگذاری سیستم قدرت مطالعه شده است. از روش شبکه های عصبی مصنوعی (ANN) برای ارزیابی حد بارگذاری سیستم قدرت به دلیل ویژگی های حساسیتش استفاده شده است. بازسازی سیستم قدرت و جداسازی سازمان های تصمیم گیرندۀ توسعۀ تولید و انتقال، هماهنگی میان شرکت های تولید و انتقال را حیاتی تر ساخته است. از دیگر سو، پایداری ولتاژ، یکی از مشخصه های سطح امنیتی سیستم قدرت می باشد. در این مقاله، نخست الگوی بار یک سیستم قدرت 6-شینه توسعه یافته، و سپس با استفاده از مشخصه های حساسیت ANN بهترین شین برای افزایش بار، تعیین می شود. آنگاه، ارتباط متقابل استراتژیکی میان شرکت انتقال (trasco) و شرکت تولید (GenCo) برای TEP و GEP در یک بازار برق رقابتی با استفاده از تیوری گیم (GT) ارایه می شود. الگوریتم ارایه شده از سه مرحلۀ بهینه سازی برای تعیین تعادل نش بطوری که سودمندترین روش برای هردو سوی گیم در یک گیم برنامه ریزی توسعه، یافتنی باشد تشکیل می شود.

کلمات کلیدی: برنامه توسعه تولید، برنامه توسعه انتقال، نظریه گیم، حد بارگذاری و شبکه عصبی مصنوعی

مقدمه

بازسازی و بازتنظیم سیستم قدرت، چالش های تازه ای را به برنامه ریزی سیستم قدرت اعمال می کند. در یک بازار توان انحصاری، تصمیم گیرنده تنها یک بنیادیست که می تواند در مورد برنامۀ توسعۀ تولید (GEP) و برنامۀ توسعۀ انتقال (TEP) ، تصمیم بگرید. بدلیل ایجاد شدن رقابت در بازار برق، بهتر است که تصمیم گیرنده های TEP و GEP جدا شوند؛ بطوری که شرکت انتقال (TrasCo) برای TEP و شرکت تولید (GenCo) برای GEP تصمیم گیری کند. در چنین محیطی، هماهنگی میان این دو نهاد حیاطی تر می شود؛ زیرا هر توسعۀ ظرفیت می تواند به دیگری اثر گذاشته و در نتیجه سود هر شرکت می تواند به طور وابسته، تحت تاثیر قرار گیرد.

• فرمت: zip
• حجم: 1.35 مگابایت
• شماره ثبت: 411

بررسی و مطالعه کامل داده کاوی با (SQL server 2005) پیاده سازی آن روی بانک اطلاعاتی…

پایان نامه دوره کارشناسی کامپیوتر : گرایش نرم افزار

چکیده

فصل اول: مقدمه ای بر داده کاوی

1-1-مقدمه

1-2-عامل مسبب پیدایش داده کاوی

1-3-داده کاوی و مفهوم اکتشاف دانش (KDD)

1-3-1-تعریف داده کاوی

1-3-2- فرآیند داده کاوی

1-3-3-قابلیت های داده کاوی

1-3-4-چه نوع داده هایی مورد کاوش قرار می گیرند؟

1-4- وظایف داده کاوی

1-1-4-کلاس بندی

1-4-2- مراحل یک الگوریتم کلاس بندی

1-4-3-انواع روش های کلاس بندی

1-4-3-1- درخت تصمیم 1-4-3-1-1- کشف تقسیمات

1-4-3-1-2- دسته بندی با درخت تصمیم

1-4-3-1-3-انواع درخت های تصمیم

1-4-3-1-4- نحوۀ هرس کردن درخت

1-4-3-2- نزدیکترین همسایگی K

1-4-3-3-بیزی 1-4-3-3-1 تئوری بیز

1-4-3-3-2 -دسته بندی ساده بیزی

1-4-3-4- الگوریتم های ژنتیک در فصل دو با آن آشنا می شویم

1-4-3-5-شبکه های عصبی

1-4-4- ارزیابی روش های کلاس بندی

-2-4-1پیش بینی

1-4-3-انواع روش های پیش بینی

1-4-3-1- رگرسیون

1-4-3-1 -1- رگرسیون خطی

1-4-3-1-2-رگرسیون منطقی

1-4-3- خوشه بندی

1-4-3-1- تعریف فرآیند خوشه بندی

1-4-3-2-کیفیت خوشه بندی

1-4-3-3-روش ها و الگوریتم های خوشه بندی

1-4-3-3-1-روش های سلسله مراتبی

1-4-3-3-1-1- الگوریتم های سلسله مراتبی

1-4-3-3-1-1-1-الگوریتم خوشه بندی single-linkage

1-4-3-3-2-الگوریتم های تفکیک

1-4-3-3-3-روش های متکی برچگالی

1-4-3-3-4-روش های متکی بر گرید

1-4-3-3-5-روش های متکی بر مدل

1-4-4- تخمین

1-4-4-1- درخت تصمیم

1-4-4-2- شبکه عصبی

1-4-5-سری های زمانی

1-5-کاربردهای داده کاوی

1-6-قوانین انجمنی

1-6-1-کاوش قوانین انجمنی

1-6-2-اصول کاوش قوانین انجمنی

1-6-3-اصول استقرا در کاوش قوانین انجمنی

1-6-4-الگوریتم Apriori

1-7-متن کاوی

1-7-1- مقدمه

1-7-2- فرآیند متن کاوی

1-7-3- کاربردهای متن کاوی

1-7-3-1- جستجو و بازیابی

1-7-3-2-گروه بندی و طبقه بندی داده

1-7-3-3-خلاصه سازی

1-7-3-4- روابط میان مفاهیم

1-7-3-5- یافتن و تحلیل ترند ها

1-7-3-5- برچسب زدن نحوی (POS)

1-6-2-7-ایجاد تزاروس و آنتولوژی به صورت اتوماتیک

1-8-تصویر کاوی

1-9- وب کاوی

فصل دوم: الگوریتم ژنتیک

1-2-مقدمه

2-2-اصول الگوریتم ژنتیک

2-2-1-کد گذاری

2-2-1-1-روش های کد گذاری

2-2-1-1-1-کدگذاری دودویی

2-2-1-1-2-کدگذاری مقادیر

2-2-1-1-3-کدگذاری درختی

2-2-2- ارزیابی

2-2-3-انتخاب

2-2-3-1-انتخاب گردونه دوار

2-2-3-2-انتخاب رتبه ای

2-2-3-3-انتخاب حالت استوار

2-2-3-4-نخبه گزینی

2-2-4-عملگرهای تغییر

2-2-4-1-عملگر Crossover

2-2-4-2-عملگر جهش ژنتیکی

2-2-4-3-احتمالCrossover و جهش

2-2-5-کدبرداری

2-2-6-دیگر پارامترها

2-4-مزایای الگوریتم های ژنتیک

2-5- محدودیت های الگوریتم های ژنتیک

2-6-چند نمونه از کاربرد های الگوریتم های ژنتیک

2-6-1-یک مثال ساده

فصل سوم: شبکه های عصبی

3-1-چرا از شبکه های عصبی استفاده می کنیم؟

3-2-سلول عصبی

3-3-نحوه عملکرد مغز

3-4-مدل ریاضی نرون

3-5-آموزش شبکه های عصبی

3-6-کاربرد های شبکه های عصبی

فصل چهارم: محاسبات نرم

4-1-مقدمه

4-2-محاسبات نرمچیست؟

4-2-1-رابطه

4-2-2-مجموعه های فازی

4-2-2-1-توابع عضویت

4-2-2-2- عملیات اصلی

4-2-3-نقش مجموعه های فازی در داده کاوی

4-2-3-1- خوشه بندی

4-2-3-2- خلاصه سازی دادهها

4-2-3-3- تصویر کاوی

4-2-4- الگوریتم ژنتیک

4-2-5-نقش الگوریتم ژنتیک در داده کاوی

4-2-5-1- رگرسیون

4-2-5-2-قوانین انجمنی

4-3-بحث و نتیجه گیری

فصل پنجم: ابزارهای داده کاوی

5-1- نحوه انتخاب ابزارداده کاوی

5-2-1-ابزار SPSS-Clemantine

5-2-3-ابزار KXEN

5-2-4-مدل Insightful

5-2-5-مدل Affinium

5-3- چگونه می توان بهترین ابزار را انتخاب کرد؟

5-4-ابزار های داده کاوی که در 2007 استفاده شده است

5-5-داده کاوی با sqlserver 2005

5-5-1-اتصال به سرورازمنوی

5-5-2- ایجاد Data source

5-5-3- ایجاد Data source view

5-5-4- ایجاد Mining structures

5-5-5- Microsoft association rule

5-5-6- Algorithm cluster

5-5-7- Neural network

5-5-8-Modle naive-bayes

5-5-9-Microsoft Tree Viewer

5-5-10-Microsoft-Loistic-Regression

5-5-11-Microsoft-Linear-Regression

فصل ششم: نتایج داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان

•1-6-نتایج Data Mining With Sql Server 2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان

1-6-1-Microsoft association rule

1-6-2- Algorithm cluster

1-6-3- Neural network

1-6-4- Modle naive-bayes

1-6-5-Microsoft Tree Viewer

7-1-نتیجه گیری

منابع و ماخذ