تحقیق درباره تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

اختصاصی از سورنا فایل تحقیق درباره تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 20

تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

از حدود 1940 بطور همزمان اما جداگانه ، از سویی نوروفیزیولوژیستها سعی میکردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سویی ریاضیدانان تلاش می کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه تحلیل عمومی مسائل را دارا باشد. از آن زمان ، بارها این اتفاق افتاد که ریاضیدانان یافته های نوروفیزیولوژیستها را پیاده سازی کردند، بدون این که بدانند چرا، و در عمل مشاهده کردند که سیستم پیاده شده کارایی شگفت انگیز سیستم طبیعی را دارد. پس از آن توانستند منطق زیربنایی سیستم طبیعی را درک کنند. اگر چه از همان ابتدا، ریاضیدانان توانسته بودند مدل ریاضی یک سلول عصبی یا نورون را بسازند، اما تا حدود 1974 که دانش مربوط به نوع اتصال این واحدهای شبه نورونی به یکدیگر تکامل لازم را نیافته بود. امروزه برنامه های کاربردی متعددی دردسترس هستند که با این روش کار میکنند. اگر چه کاربرد این برنامه ها بویژه برای افراد عادی کمی مشکل است، اما محققین روز به روز بیشتر و بیشتر آنها را به کار می گیرند. برای تجزیه و تحلیل یک سیستم پیچیده بوسیله روش شبکه های عصبی، نیاز به دانش زیادی درباره سیستم مورد مطالعه نمی باشد، چون عمل تجزیه و تحلیل و یادگیری در مغز شبکه اتفاق می افتد نه در مغز محقق، اما به هر حال بهره گیری از دانش کلی درباره طرز کار این شبکه ها برای کاربران آنها ضروری است، چرا که تنظیمات ساده و کلی در این برنامه ها وجود دارند که آگاهی از آنها برای ساختن یک مدل موفق ضروری است.

شبکه های عصبی مصنوعی در واقع مثلثی هستند که 3 ضلع مفهومی دارند: 1- سیستم تجزیه و تحلیل داده ها، 2- نورون یا سلول عصبی 3- شبکه یا قانون کار گروهی نورونها. در یک تعریف کلاسیک، هایکین می گوید: شبکه عصبی عبارت است از مجموعه ای عظیم از پردازشگرهای موازی که استعداد ذاتی برای ذخیره اطلاعات تجربی و بکارگیری آن دارند و این شبکه دست کم از دو بابت شبیه مغز است: 1- مرحله ای موسوم به یادگیری دارد 2- وزن های سیناپسی جهت ذخیره دانش به کار می روند.

وظیفه شبکه های عصبی یادگیری است. تقریبا چیزی شبیه یادگیری یک کودک خردسال. یادگیری در شبکه های عصبی رایج به شکل Supervised یا یادگیری تحت نظارت است. والدین تصاویر حیوانات مختلف را به کودک نشان می دهند و نام هرکدام رابه کودک می گویند. ما روی یک حیوان، مثلا سگ، تمرکز می کنیم. کودک تصاویر انواع مختلف سگ را می بیند و در کنار اطلاعات ورودی (تصاویر و صدا) برای هر نمونه، به او گفته می شود که این اطلاعات مربوط به یک نوع "سگ" هست یا خیر. بدون اینکه به او گفته شود، سیستم مغز او اطلاعات ورودی را تجزیه و تحلیل می کند و به یافته هایی در زمینه هر یک از پارامترهای ورودی از قبیل "رنگ، اندازه، صدا، داشتن پنجه یا سم یا شاخ" می رسد. پس از مدتی او قادر خواهد بود یک "نوع جدید" از سگ را که قبلا هرگز ندیده است شناسایی کند. از آنجایی که در مورد هر نمونه جانور در مرحله یادگیری به کودک گفته شده که آیا سگ هست یا خیر، این نوع یادگیری، تحت نظارت نامیده می شود. نوع دیگر یادگیری یعنی یادگیری بدون نظارت یا Unsupervised هم توسط شبکه های عصبی شبیه سازی شده است و کاربردهای کمتری دارد.

مقایسه مدلسازی کلاسیک در مقایسه با مدلسازی شبکه عصبی:

الف: سناریوی مدلسازی کلاسیک

جهت درک ویژگیهای مدلسازی بکمک شبکه های عصبی، لازم است که ابتدا مدلسازی کلاسیک را تجسم کنیم.: پارامترهای A,B,C,D سیستم مارا تعریف می کنند، این پارامترها می توانند غلظت مواد شیمیایی و پارامترهای فیزیکی فرمولاسیون باشند. ممکن است پارامترهای فیزیولوژیک یا پاتولوژیک وضعیت بیماران باشند. در کنار هر سری پارامتر که یک نمونه (فرمول شکل دارویی یا بیمار یا هر نمونه دیگر) را تعریف می کند یک پاسخ R وجود دارد که می تواند پایداری فرمول دارویی یا پارامتری نمایانگر وضعیت بیمار باشد.

مدلسازی کلاسیک از نخستین قدم خطای بزرگی را مرتکب می شود که فقط در سیستمهای ساده (خطی یا نزدیک به خطی) قابل صرف نظر است. نخستین قدم در روش کلاسیک برای بررسی داده ها بررسی شاخصهای تمایل به مرکز (میانگین،...) و شاخصهای پراکندگی (انحراف معیار، ...) است. از این مرحله به بعد در روش کلاسیک کاری با تک تک نمونه ها نداریم و اهمیت فردی آنها از بین می رود. بعنوان مثال ممکن است مقدار پارامتر A (مثلا غلظت ماده شیمیایی A) در دمای صفر تا 15 درجه (دما پارامتر B است) روی پایداری دارو یا R تاثیر مثبت داشته باشد، و از 15 درجه به بالا

دانلود پاورپوینت هوش مصنوعی

اختصاصی از سورنا فایل دانلود پاورپوینت هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

نوع فایل:  ppt _ pptx ( پاورپوینت )

( قابلیت ویرایش )

---

 قسمتی از اسلاید : 

تعداد اسلاید : 359 صفحه

.
.
هوش مصنوعی Artificial Intelligence نام کتاب : هوش مصنوعی رهیاتی نوین مولف : راسل و نورویگ مترجم : رامین رهنمون آناهیتا هماوندی AI: به طور رسمی در سال 1956 مطرح شده است. علل مطالعه Al: AI سعی دارد تا موجودیت‌های هوشمند را درک کند.
از این رو یکی از علل مطالعه آن یادگیری بیشتر در مورد خودمان است.
جالب و مفید بودن موجودیت‌های هوشمند .
AI چیست؟
‌ تعاریفی از AI که به چهار قسمت تقسیم شده‌اند: پردازش فکری و استدلالی پردازش رفتاری ایده‌آل هوشمندی (منطقی بودن) ارائه انسانی تمرکز بر روی پردازش‌های رفتاری پردازش‌های فکری و استدلالی ایده‌آل هوشمندی ارائه انسانی انسان گونه عمل کردن: رهیافت آزمون تورینگ آزمونی از کامپیوتر به عمل آید، و آزمون گیرنده نتواند دریابد که در آن طرف انسان قرار دارد یا کامپیوتر.
برای این کار کامپیوتر باید قابلیت‌های زیر را داشته باشد: پردازش زبان طبیعی = محاوره بازنمایی دانش= ذخیره اطلاعات استدلال خودکار= استدلال و استخراج یادگیری ماشینی= کشف الگو و برون ریزی تست تورینگ: این آزمون از ارتباط فیزیکی مستقیم بین کامپیوتر و محقق اجتناب می‌کند. به منظور قبول شدن در تست تورینگ کلی، کامپیوتر به موارد زیر احتیاج دارد: بینایی ماشین برای درک اشیاء روباتیک به منظور حرکت آنها 2.
انسانی فکر کردن-: رهیافت مدلسازی شناختی: چگونگی شناسایی عملکرد افکار انسان: 1- درون گرایی 2- تجارب روانشناسی علوم شناختی : مدل‌های کامپیوتر از AI و همچنین تکنیک‌های روانشناختی را گرد هم می‌آورد تا بتواند تئوری‌های دقیقی از کارکرد ذهن انسان به دست آورند.
3.
منطقی فکر کردن: قوانین رهیافت تفکر رمز «تفکر درست»: ارسطو سعی در کشف آن داشت. قیاس: از موضوعات مطرح شده توسط ارسطو می‌باشد، که الگوهایی برای ساختار توافقی ایجاد کرد که همواره نتایج صحیحی به اندازه مقدمات صحیح به دست می‌آورد. مثال: «سقراط انسان است، تمام انسان‌ها می‌میرند، پس سقراط خواهد مرد.» دو مشکل عمده در این رسم منطق‌گرایی وجود دارد: تبدیل دانش غیر رسمی به شکل رسمی توسط اعلام، منطقی ساده نیست. تفاوت عمده‌ای بین قادر به حل مسئله بودن در اصول و انجام آن در عمل وجود دارد.
4.
منطقی عمل کردن: رهیافت عامل منطقی عامل: در اصل چیزی است که ابتدا درک می‌کند و سپس عمل می‌کند.
در نگرش «قوانین تفکر» تأکید عمده بر روی استنتاج‌های صحیح بوده است. «مهارت‌های شناخت» که برای آزمون تورینگ موردنیاز است، برای انجام فعالیت‌های منطقی وجود دارند.
مزایای مطالعه AI به‌عنوان طراحی عامل منطقی: عمومی‌تر از رهیافت «قوانین تفکر» پیشرفت علمی، بسیار قانون‌پذیرتر از رهیافت‌هایی است که بر تفکر یا رفتار انسانی متکی هستند.
زیربنای هوش مصنوعی: AI، از علوم مختلفی بهره می‌برد که از میان آنها علوم زیر مهم‌تر شناخته شده‌اند: علم فلسفه علم ریاضی علم روانشناسی علم زبان‌شناسی علم کامپیوتر فلسفه: (428 قبل از میلاد مسیح – تاکنون) پایه‌های تفکر و فرهنگ غرب تشکیل شده است از: افلاطون، استادش سقراط، و شاگردش ارسطو. قیاس: ارسطو، سیستمی غیررسمی از قیاس برای استدلال مناسب توسعه داد، امکان تولید نتایج، بر پایه فرضیات اولیه به طور مکانیکی وجود داشت. در نظر گرفتن

  متن بالا فقط قسمتی از محتوی متن پاورپوینت میباشد،شما بعد از پرداخت آنلاین ، فایل را فورا دانلود نمایید 

---

  لطفا به نکات زیر در هنگام خرید دانلود پاورپوینت:  ................... توجه فرمایید !

• در این مطلب، متن اسلاید های اولیه قرار داده شده است.
• به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید
• پس از پرداخت هزینه ،ارسال آنی پاورپوینت خرید شده ، به ادرس ایمیل شما و لینک دانلود فایل برای شما نمایش داده خواهد شد
• در صورت  مشاهده  بهم ریختگی احتمالی در متون بالا ،دلیل آن کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد
• در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون پاورپوینت قرار نخواهند گرفت.
  
• هدف فروشگاه جهت کمک به سیستم آموزشی برای دانشجویان و دانش آموزان میباشد .
  

---

 « پرداخت آنلاین »

مقاله کاربرد شبکه‌های عصبی مصنوعی در مهندسی رودخانه

اختصاصی از سورنا فایل مقاله کاربرد شبکه‌های عصبی مصنوعی در مهندسی رودخانه دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب ورد و قابل ویرایش در 32 صفحه می باشد.

 رسوبات انتقالی توسط رودخانه‌ها مشکلات زیادی خصوصاً جهت بهره‌برداری از سدها و سازه‌های آبی به وجود می‌آورند. در ده‌های اخیر تحقیقات بزرگی برای درک مکانیسم انتقال رسوب در جریان‌های طبیعی صورت گرفته است.

تخلیه‌های صنعتی و پساب‌های کشاورزی به داخل سیستم آبزیان باعث می‌شود که رسوبات کف توسط موادسمی آلوده شوند. به همین ترتیب وقتی رژیم رودخانه تغییر می‌نماید این رسوبات آلوده به پایین دست رودخانه انتقال می‌یابند. تخمین دبی این رسوبات آلوده گام اول به سوی بهبود سازی کیفیت آب می‌باشد.

طبق گزارشات، درحال حاضر، بسیاری از سدهای کشورمان، با مشکل رسوب و پرشدن پیش از موعد مخازن مواجه هستند از جمله گزارشی که در مورد رسوبگذاری در سد سفید رود منتشر شده که نشان می‌دهد که در هفدهمین سال بهره برداری، رسوبات ورودی نزدیک به نیمی از حجم مخزن را اشغال کرده‌اند. در حالی که مشاور این شد، عمر مفید آن را صد سال دانسته است.

همچنین سد شهید عباسپور که تخمین اولیه برای رسوب آن 2 میلیون مترمکعب در سال بوده، در حالی که نتایج هیدروگرافی در سال 1362 در مخزن این سد نشان می‌دهد که درطی 7 سال اول بهره برداری از این سد سالیانه بطور متوسط 38 میلیون متر مکعب وارد مخزن شده است. بدیهی است که افزایش پیش‌بینی میزان رسوب وارده به دریاچه می‌تواند از این خسارات جلوگیری به عمل آورد و تحقیق این امر بستگی زیادی به روشهای محاسباتی و وجود سنجشهای مناسب رودخانه‌ای دارد.

تا کنون معادلات زیادی برای تخمین میزان رسوب انتقالی رسوب انتقالی توسط رودخانه‌ها ارائه شده است که همه آنها بر پایه قوانین تئوری دینامیک جریان و انتقال ذرات می‌باشد. آلونسوو نیبلینگ و فوستر در سال 1982 و یانگ در 1996 از بین دیگران، روشهای متعدد قراردادی را مقایسه نمود برای محاسبه دبی کل رسوب. بعضی از روشها که روش غیرمستقیم نامیده شدند، شامل توابع انتقالی بر اساس تابع بار بستر اینشتین هستند که بار رسوب کل از مجموع توابع بار معلق و بار بستر بدست می‌آید. مانند روش اصلاح شده اینشتین توسط کلبی و همبری (1955) و توفالتی (1969). روشهای مذکور این نکته را مدنظر قرار می‌دهند که هیدرودینامیک هر حالت انتقال یکسان نیست اگر چه تمایز آشکار بین در حالت معلق و بستر نیز به آسانی ممکن نیست، کاربرد روشهای گفته شده از نظر تئوری نسبتاً کامل است اما ممکن است به نظر دشوار برسد.

روشهای دیگر که روشهای مستقیم نامیده می‌شوند، بار رسوب کل را به طور مستقیم مشخص می‌کنند، بدون اختلاف قائل شدن بین دو حالت انتقال. بعضی از این روشها از مفهوم نیروی جریان ناشی می‌شوند. (کار جریان) مانند روش بگنولد (1966) و روش انگلند و هانسن (1967) که بستگی به مفهوم نیرو و قوانین شبیه‌سازی برای بدست آوردن تابع انتقال رسوب دارد. روش آکرو وایت (1973) بر اساس مفهوم نیروی جریان، بگونولد و آنالیز ابعادی برای بیان تحرک و سرعت انتقال رسوب پایه‌ریزی شده‌اند. یانگ در سالهای 1972 و 73 یک مدل تحلیل نیرویی بکار برد و به نیروی جریان موجود در واحد وزن سیال برای انتقال رسوب تأکید کرد. ولیکانوف (1954) تابع انتقال را از تئوری نیروی ثقل استخراج کرد. روشهای دیگر از توابع انتقال دیگری پیروی می‌کنند، مثلاً چنگ و سیمونزو ریچاردسون (1967) بار کل را از مجموع بار بستر و معلق محاسبه نمودند. لارسن (1958) یک رابطه وابسته‌ای بین شرایط جریان و دبی رسوبی نتیجه توسعه داد. شن و هانگ (1972) یک معادله رگرسیون براساس داده‌های آزمایشگاهی استخراج کردند.

برانلی (1981) نیز آنالیز رگرسیون را برای بدست آوردن تابع بکار گرفت. ون راین (1984) بار کل را از مجموع بار بستر و متعلق محاسبه نمود. کریم و کندی (1990) آنالیز چند رگرسیونی غیرخطی را برای استخراج یک رابطه بین سرعت جریان، دبی رسوب و هندسه شکل بستر و ضریب اصطکاک رودخانه‌های فرسایشی بکار گرفت.

این مدل‌های دینامیکی در تعریف پارامترهای مهم مسئله موفق بودند. با این وجود برای بدست آوردن یک فرمول منفصل (شکل ثابت معادله)، بعضی پارمترهای مهم برای سهولت صرفنظر می‌شوند. ثابت‌های غیرمعلوم برای پایداری جمع می‌شدند و بعضی شرایط مرزی برای بکارگیری فرض می‌شوندو نتیجتاً این سؤال مطرح می‌شود که آیا فرمول برای انحراف رودخانه‌ها به طور موفق بکار رود؟

    اخیراً روش شبکة عصبی در شاخه‌های متعدد علمی بکار می‌رود. روش گفته شده یک ابزار قوی برای بهبود سازی در هیدرولیک و محیط زیست با جزئیات کافی برای اهداف طراحی و مدیریت پروژه‌ها می‌باشد. این تکنیک یک رشد ساختاری در کاربرد مهندسی رودخانه و منابع آب داشته است مانند مطالعه کرونانیتی و همکاران (199)، فلود و کارتام (1994) و گرابرت (1995) و مینس (1998) و سانچز و همکاران (1998) و یانگ و همکاران (1999).

به سبب کاربردهای موفق در مدل کردن رفتار سیستم غیرخطی در یک محدوده وسیع از نواحی، شبکه‌های عصبی مصنوعی در هیدرولوژی و هیدرولیک بکار رفته‌اند. شبکه‌های عصبی مصنوعی در مدل بارش ـ رواناب، تخمین جریان، شبیه‌سازی آلودگی جریان، شناسایی پارامتر و مدل کردن غیرخطی ورودی و خروجی سریهای زمانی بکار رفته‌اند. یک شبکه عصبی سه لایه پیشخور توسط فرنچ و همکاران (1992) برای پیش‌بینی شدت بارش در مکان و زمان بکار رفت. این فرد نتایج را با دو روش دیگر پیش‌بینی ترم ـ کوتاه مقایسه نمود. چنگ و تسانگ (1992) چندین روش رگرسیون و شبکة عصبی مصنوعی برای مدل کردن اکی والان برف ـ آب مقایسه کردند و گزارش دادند که یک شبکه عصبی مصنوعی نتایج بهتری ارائه می‌دهد.

HSU و همکاران (1995) گزارش کردند که شبکه پیشخور چندین لایه بهترین ابزار برای تقریب توابع ورودی ـ خروجی است. آنها یک الگوریتم پیچیده جذر ـ کمینه خطی را برای آموزش یک شبکه پیشخور سه لایه پیشنهاد دادند. که نشان داد روش مدل شبکه عصبی مصنوعی ارائه بهتری از روابط بارش ـ روانات برای یک حوضه با اندازه متوسط که با مدل آرمکس یا مدل رطوبت خاک ساکرامنتو مقایسه شد می‌دهد.

رامان و سانیل کومار (1996) شبکه عصبی مصنوعی را برای تولید جریان ورودی مصنوعی استفاده کردند و اجرای خود را با یک مدل چند متغیرة سریهای زمان مقایسه نمودند. منیس‌وهال (1996) یکسری از آزمایشات عددی دربارة کاربرد یک شبکهء عصبی مصنوعی را به مدل کردن بارش ـ روناب هدایت کردند و نتیجه گرفتند که شبکه‌های عصبی مصنوعی در شناسایی مفید روابط بین دبی و بارندگی‌های قبلی توانا می‌باشد.  پیشین Autecedent

کریر و همکارانش در سال (1996) یک سیستم هیدروگراف رواناب مجازی براساس یک شبکة عصبی را طراحی کردند و یک ارتباط خوب بین داده‌های مشاهده شده و پیش‌بینی شده بدست آوردند. رامان و چاندرا (1996) عملکرد مخزن یک سد را به دوروش برنامه‌نویسی دینامیکی (DP) و روند شبکه عصبی و (DP) و رویه دگرسیون چند خطی استخراج نمودند.

آنها نتیجه‌گیری کردند که روش (DP) و شبکه عصبی اجرای بهتری از روش دیگر ارائه می‌دهد. تیر و مالایا و دئو (1998) یک شبکه عصبی مصنوعی برای تخمین مرحله وسن رودخانه بکار بردند و گزارش نمودند که مقادیر کمتر مرحله رودخانه با استفاده از این روش بهتر تخمین زده شدند. داوسن و ویلبی (1998) یک شبکة عصبی مصنوعی برای تخمین جریان رودخانه بکار بردند و توانایی آنها در عهده داری با داده‌های ناقص و گم شده و یادگیری از پیش‌بینی شدن رایج از عهده برآمدن cope تصادفی در زمان واقعی را اشاره نمودند. آنها همچنین به نیاز به رسیدگی دقیق به روابط بین طول دوره یادگیری و واقعیت هیدرولوژیکی تخمین شبکة عصبی مصنوعی تأکید نمودند. علی و یرالتا در سال (1999) یک شبکة عصبی مصنوعی را در پیوستگی با یک الگوریتم ژنتیک برای مدل کردن حساسیت آبخوان پیچیده سطحی بکار گرفتند. جین و همکارانش (1999) یک شبکة عصبی مصنوعی برای تخمین ورودی و بهره‌برداری مخزن بکار بردند. ساجی کومار و تاندا و سوارا (1999) نتیجه گرفتند که یک شبکة عصبی مصنوعی مؤثرترین مدلهای جعبه سیاه آزمایش شده برای کالیبراسیون دوره‌های کوتاه 6 ساله برای مدل‌های بارش رواناب می‌باشد.

در مرور رشدی کاربردهای شبکة عصبی در بخش آب، یک مرور جامع از مفهوم و کاربرد آنها توسط کمیته اجرایی ASCE در کاربرد شبکه‌های عصبی مصنوعی در هیدرولوژی اجرا شد (ASCE 2000a,d). این نتیجه می‌شود که ANN ها می‌توانند به خوبی مدلهای موجود انجام شوند. با این وجود فیزیک پروسه اساسی هیدرولوژیکی محصور به سری وزنهای بهینه و مقادیر آستانه و نه قبلاً آشکار شده توسط استفاده کننده پس از آموزش می‌باشد. در نتیجه شبکه‌های عصبی مصنوعی نمی‌توانند به عنوان داروی عمومی برای مسائل هیدرولوژیکی مورد ملاحظه قرار گیرند و نه جانشین سایر تکنیکهای مدل سازی شوند.

در مقاله ارائه شده توسط آقایان نگی و تنبرگ و هیرانو در سال (2002) برای تخمین غلظت بار رسوب در رودخانه‌ها با روش شبکة عصبی مصنوعی، یک روش شبکه عصبی در انتقال رسوب با بکارگیری الگورتیم پس انتشار خطا ارزیابی می‌کند. هدف از تحقیق تخمین غلظت و دبی کل رسوب در جریان‌ها و رودخانه های طبیعی می‌باشد. سعی و خطاهای زیادی برای طراحی ساختار مناسب شبکه انجام گرفته است. مدل با داده‌های اندازه گیری شده صحرائی که متغیرهای انتخاب شده مدل به منظور تخمین مناسب غلظت رسوب تطبیق می‌شود. وزن‌های شبکه متعادل می‌شوند و پارامترهای نتایج می‌دهد که روش شبکة عصبی غلظت رسوب را به خوبی قابل مقایسه با روشهای قراردادی تخمین می‌زند.

ساختار عمومی شبکه پیشنهادی :

یک مدل شبکة عصبی مصنوعی یک شبکه از واحدهای منفرد است که هر کدام یک حافظه محلی دارند. واحدها با حلقه‌هایی که داده‌های متفاوت را حمل می‌کنند به هم متصل هستند. شبکه نیمه خطی پیشخور یک سیستم مؤثر برای یادگیری الگوهای یادگیری از یک مجموعه داده‌ها می‌باشد.

خروجی‌های گره ها (نرون‌ها) دریک لایه به گره های لایه دیگر توسط حلقه‌هایی که این خروجی را توسط فاکتورهای وزن‌دار تقویت یا ضعیف می‌کنند انتقال می‌یابند. به استثنای گره‌های لایه ورودی، ورودی به هر گره (نرون) مجموع خروجی‌های وزن‌دار شده گره‌های لایه ماقبل می‌باشد. هر گره همزمان با ورودی به گره و تابع فعالیت گره و مقدار آستانه گره فعال می‌شود.

ـ الگورتیم پس انتشار خطا

با بکارگیری روند پس انتشار، شبکه را برای همه , را برای همه  در شبکه برای آن p خاص محاسبه می‌کند. این روند برای همة الگوهای آموزشی تکرار می‌شود اصلاحات وزنها انجام گرفته خروجی ها دوباره ارزیابی می‌شوند. اختلاف مقادیر خروجی واقعی و هدف مجدداً در ارزیابی تغییرات وزنها اثر می‌گذارد. بعد از جایگزین‌های کامل همه الگوها در سری آموزشی، سری جدیدی از وزنها بدست می‌آید و خروجی‌های جدید دوباره دریک مدیریت پیشخور تا زمانی که به یک خطای قابل اغماض خاص برسد ارزیابی می‌شود. شبکه نتیجتاً آماده برای تخمین الگو خروجی ناشناس است که مطابق الگوهای ورودی خاص خود باشند. نرم افزار مورد استفاده دراین تحقیق به زبان فرترن بوده و در کامپیوتر pc اجرا شده است.

ـ انتخاب پارامترهای دبی رسوب

مناسبترین متغیرها در هیدرولیک رودخانه عبارتند از : دبی واحد عرض آب q، عمق آب h، شیب طولی S، تنش برشی بستر Z، شتاب ثقل g و سرعت سقوط ذرات wo. برای ماسه طبیعی ‍Ps و P ثابت هستند. پارامتر C­s برابر است با  و پارامتر  توسط سرعت برشی  نشان داده می‌شود این پارامترها به صورت بی‌بعد خود در مطالعات قبلی ارائه شده‌اند. جدول 1 مجموعه مؤثرترین پارامترهای بدون بعد را نشان می‌دهد که به صورت رایج برای تحقیق مسائل دبی رسوب بکار می‌روند. انگلند و هانسن (1967) مفهوم نیروی جریان و قانون شبیه سازی را برای بدست آوردن معادله انتقال رسوب بکار گرفتند. این معادله غلظت رسوب را با نیروی برشی اصطکاک (سطحی) و بدون بعد G=hs/(Gs-1).d50 مرتبط می‌کند که Gs جاذبه ویژه رسوب و Um,s نیروی واحد جریان یا سرعت استهلاک انرژی در واحد وزن آب را نشان می‌دهد. که Um میانگین سرعت جریان است.

مرور روابط قراردادی ارائه شده برای دبی رسوب در انتخاب پارامترهای مهم مسئله کمک می‌نماید. این مدل طوری طراحی شده است که پارامترهای اساسی قابل اندازه‌گیری را بکار گیرد. برای اجتناب از بکارگیری هرگونه فرمول تجربی که ممکن است روی دقت نتایج اثر بگذارد. عبارت نهایی ارائه شده برای غلظت بارکل عبارت است از :

 1 -                     o,F,R,h/B)

که F عدد فرود =   و       سرعت برشی عدد رینولند و h/B نسبت مقیاسی عرضی است.

ـ بکارگیری داده‌های صحرائی دبی رسوب

اندازه‌گیری دبی رسوب در صحرا برای هر رودخانه‌ای کار ساده ای نیست. عموماً رسوبات حمل شده به دو قسمت بار بستر که روی کف غلت می‌خورد و بار معلق که به صورت معلق حرکت می‌کند تقسیم می‌شود. در مقاطع خاص، انقباض در عرض رودخانه به صورت طبیعی یا مصنوعی ممکن است وجود داشته باشد که باعث می‌گردد بارکل اندازه‌گیری شده در مقاطع انقباض به صورت یک ماده معلق باشد. مشاهدات داده‌های موجود که شامل دبی‌کل رسوب است برای رودخانه نیوبرارا و رودخانه میدل لوپ، رودخانه هی و رودخانه های کوچک می‌باشد. تعداد داده‌های مشاهده شده جمع شده از آن چهار رودخانه 161 می باشد. سری داده‌ها به دو قسمت بر زده شد. نصف آنها برای پروسه یادگیری استفاده شد و نیم دیگر برای ارزیابی محدوده داده‌های بکار رفته در جدول 2 آمده است.

پاورپوینت درباره هوش مصنوعی

اختصاصی از سورنا فایل پاورپوینت درباره هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل :powerpoint (لینک دانلود پایین صفحه) تعداد صفحات 58 صفحه

Ãعامل

Ãخواص محیطهای وظیفه

Ãبرنامه های عامل

 

تاریخچه وسابقه کامل هر چیزی است که عامل تاکنون درک کرده است.

× معیار کارآیی، معیاری برای موفقیت رفتار عامل است

× بدیهی است برای تمام عاملها معیار ثابتی وجود ندارد

× این معیار معمولا توسط طراح عامل مشخص می شود

× انتخاب معیار کارآیی همواره ساده نیست

× کدام بهتراست؟ اقتصادی که در آن هر کسی تاحدی فقیر است یا اقتصادی که در آن بعضی بسیار ثروتمند و بعضی دیگر فقیرند؟

توسعة سیبرنتیک دست مصنوعی

اختصاصی از سورنا فایل توسعة سیبرنتیک دست مصنوعی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 33

مطلبی در خصوص توسعة سیبرنتیک دست مصنوعی

چکیده

در یک مفهوم وسیع، این تحقیق در خصوص انسان ها به عنوان تلاش های برای شبیه سازی انسان در یکپارچگی او یا برخی از مؤلفه های اصلی اوست. بنابراین، توسعة یک اندام مصنوعی سیبرنتیک، شبیه سازی توانایی های حسی – حرکتی تا حد ممکن دست طبیعی به عنوان یک هدف مهم در این زمینه قابل ملاحظه است.

این مقاله تلاش می کند تحقیقاتی جاری را در جهت توسعة این سیبرنتیک از دست مصنوعی ارائه می دهد که بر برخی از زیانهای سیستم سیبرنتیک جاری فائق خواهد آمد. این اندام مصنوعی جدید از طریق یک مقطع العضو به عنوان فقدان یک اندام طبیعی احساس می شود که باز خورد احساس طبیعی وی را بوسیلة شبیه سازی عصب های خاصی توزیع می کند. علاوه بر اینها، از طریق یک شیوة بسیار طبیعی از راه پردازش سیگنال و ابران که از دستگاه مرکزی اعصاب می آیند کنترل می شوند. (لذا ناراحتی پروتزهای کنترل مبتنی بر EMG جاری را کاهش می دهد).

بویژه، در این مقاله سه موضوع اصلی مورد بحث قرار خواهد گرفت: طراحی بهینه سازی پروتزهای مکاترونیک پیشرفته موجود، حساس سازی دست مصنوعی، و کنترل آن.

1- مقدمه

در مفهوم کلی آن، تحقیق در خصوص شبه انسان به عنوان تلاشی در جهت شبیه سازی انسان از لحاظ یکپارچگی او و برخی مؤلفه های اصلی او می باشد. لذا توسعة یک اندام مصنوعی سیبرنتیک، شبیه سازی توانایی های جسی – حرکتای تا حد ممکن و نظیر دست طبیعی به عنوان موفقیت تحقیق روبان شبه انسانی است.

دست انسانم نمونة معجره آسایی از چگونگی مکانیسم پیچیده ای است که اجرا می شود و قادر به درک امور پیجیده و مفید با استفاده از یک ترکیب مؤثر مکانیسم ها، احساس، عملکردهای فعال سازی و کنترل می باشد ]2 و 1[. دست انسان نه فقط یک ابزار مؤثر است بلکه همچنین یک ابزار ایده آل برای کسب اطلاعات از محیط خارج است. شبیه سازی و تقلید از توانایی های سیستم کاری انسان برای قرن ها رویای دانشمندان و مهندسین بوده است.

در حقیقت، توسط یک دست مصنوعی واقعاً شبیه انسان به احتمال یکی از شناخته ترین طرح های زیستی است.

علیرغم چند تلاش تحقیقاتی با هدف نوآوری و تکنولوژی دست های مصنوعی، پژوهش های رضایت کاربر در استفاده از دست های مصنوعی آشکار کرد که 30 تا 50% مقطوع العضوها بطور شدید از دست های مصنوعی خود بوطر منظم اسیتفاده نمی برند ]4 و 3[. عوال اصلی را که سبب فقدان علاقه برای میوالکتریک است دست مصنوعی می شود در سه نکته تحلیلی می شود: عملکرد پایین، تزئین و جراحی کن، و قابلیت کنترل کم.

در این مقاله تلاش های تحقیقاتی به سمت درک سیبرنتیک پروتزهای دست ارائه خواهد شد. بخصوص، ساختار مکانیکی پروتزها، حساس سازی آن و طرح کنترل آن، همراه با اولین نتایج آزمایشگاهی در بخش های زیر توضیح داده خواهد شد.

2. دست شبیه انسانی سه انگشتی (anthropomorphic)

یک دست نیرومند سه انگشتی از طریق محققین در مرکز INAIL RTR در چهرچوب پروژة CYBERHAND توسعه می یابد ]6[. این دست زوایای سنسورهای مشترک توسعه یافته در اسکیولا سانت آنا ترکیب خواهد نمود. چهار حرکت بکار گرفته می شوند، یکی برای جنبش و حرکت انگشت شست به طرف بیرون و داخل، و دیگر برای باز و بسته کردن سه انگشت است. تاکید بر توسعه یک وسیله است که سبک وزن، قابل اعتماد، زیبا، دارای انرژی کافی و عملکرد بالا و در نهایت از نظر تجاری مورد اطمینان است.

توسعة این دست جدید بر اساس دست RTRII است (7) که در آن راه حل پیشنهاد شده از طریق شیگئو هروس در ساخت گرایپر (8) برای دو انگشت و شصت اعمال شده است.

پروتزهای تجاری دست دو یا سه درجه آزادی (Dofs) است که باعث حرکات انگشت و وضعیت شست می شود. به خاطر نبودن Dofs، چنین وسایلی با عملکردی درک پایین توصیف می شوند. در واقع، آنها اجازهع مدور شدن کافی اشیاء را نمی دهعند، که در مقایسه با تطابق پذیری دست انسان قرار دارد. در نتیجه، اشیاء باید بطور صریح گرفته شوند تا بطور امن نگه داشته شوند (9).

مکانیسم های درست عمل نشده باعث توانایی های گرفتن خود تطبیق می شوند، و در برابر تعداد زیادی از Dofs کنترل شده با تعغداد محدودی از تحریک کننده ها و مکانیسم های متمایزی قدردان هستند. این رویکرد اجازة تولید مجدد بیشتر عملکردهای درک انسان را بدون افزودن پیچیدگی مکانیکی و کنترلی را یم دهند. بیشتر عملکردهای درک انسان را بدون افزودن پیچیدگی و مکانیکی و کنترلی را می دهد. این مشخصه بطرز خاصی در دست های مصنوعی مهم هستمد، هنگامی که فقط چند سیگنال کنترلی از واسطة کنترل EMG موجود باشند، و لذا برای مقطوع العضو امکان دارد که در یک شیوة طبیعی بیش از دو محرک را کنترل کند.

دست RTR II داریا سه انگشت است، مبانی، نشانه و شست، و نه DOFS در کل، اما فقط دو عدد حرکتی دارد: یکی برای حرکات کششی از تمام انگشتان