پروژه : شبیه سازی شبکه عصبی

اختصاصی از سورنا فایل پروژه : شبیه سازی شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

عنوان پروژه : شبیه سازی شبکه عصبی

شرح مختصر : در این تحقیق از نخستین کاربرد شبکه های عصبی یعنی تقریب توابع برای تقریب دیاگرام مودی برای استخراج ضریب اصطکاک دارسی که در محاسبات مربوط به افت فشار سیال لوله ها ناشی از اصطکاک ،استفاده می شود.در مکانیک سیالات ضریب اصطکاک دارسی یا از نمودار مودی استخراج می شود و یا از فرمول های نیمه تجربی مانند معادله کلمبرک محاسبه می شود. در این مقاله تعداد ۱۲۰۰ نمونه از دو داده ورودی به نام عدد بی بعد رینولدز و زبری نسبی لوله تولید کرده ایم که داده های معلوم مسئله هستند و بصورت تصادفی و در محدوده مشخص انتخاب شده اند و۱۲۰۰ نمونه داده خروجی ضریب اصطکاک دارسی است که از روی نمودار مودی و با استفاده از داده های ورودی استخراج شده و به عنوان داده ای آموزش برای شبکه عصبی طراحی شده در نظر گرفته شده اند. آموزش شبکه را با دو سری داده انجام شده است یک سری داده های معمولی و خام و سری دوم داده هایی که ورودی های آنها بصورت غیر خطی نورمالایز لگاریمی شده اند و تفاوت خطای نهایی آنها مورد بررسی قرار گرفته شده است. بعد از آموزش شبکه و رسیدن به سطح خطای مطلوب ،ضریب اصطکاک را از برنامه گرفته و وارد قسمت دوم برنامه برای محاسبه افت فشار لوله ناشی از اصطکاک سیال با جدار لوله برای جریان کاملا فراگیر و لوله با قطر ثابت کرده و افت هد اصلی را بدست آورده ایم.

فهرست :

مقدمه

توضیحاتی در مورد جریان در لوله ها و دیاگرام مودی

افت فشار

شبیه سازی شبکه عصبی

داده های ورودی و خروجی

آموزش شبکه عصبی با جعبه ابزار Matlab

توضیح جز به جز برنامه نوشته شده

خروجی شبکه

بررسی نمودارهای استخراج شده

تعیین تعداد نورون های لایه پنهان

مثالی از محاسبه افت فشار در یک لوله با استفاده از برنامه نوشته شده

خروجی شبکه

منابع و مآخذ

کاربرد شبکه عصبی در حل معادلات دیفرانسیل فازی

اختصاصی از سورنا فایل کاربرد شبکه عصبی در حل معادلات دیفرانسیل فازی دانلود با لینک مستقیم و پر سرعت .

کاربرد شبکه عصبی در حل معادلات دیفرانسیل فازی تالیف پرستو محمدی

صفحه ارا:فاطمه اهتمام

جلد:سعید قوی

شبکه عصبی مصنوعی

اختصاصی از سورنا فایل شبکه عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

این محصول توضیح کاملی ( 28 صفحه) را در مورد شبکه عصبی مصنوعی ارائه می دهد که می توان برای فصل روش شناسی پایاننامه مورد استفاده قرار گیرد

ارزیابی پتانسیل روانگرایی با استفاده از شبکه عصبی مصنوعی بر اساس آزمون CPT

اختصاصی از سورنا فایل ارزیابی پتانسیل روانگرایی با استفاده از شبکه عصبی مصنوعی بر اساس آزمون CPT دانلود با لینک مستقیم و پر سرعت .

چکیده مقاله:

پدیده روانگرایی در طی زلزله های گذشته به سازه های بنا شده بر روی زمین آسیب های فراوانی وارد کرده است. بنابراین پیش بینی روانگرایی درخاکها با توجه به خصوصیات فیزیکی و مکانیکی خاک و لرزه خیزی منطقه در سالهای اخیر با استفاده از روش های نوین همچون شبکه عصبی مصنوعی مد نظر دانشمندان قرار گرفته است. در این مقاله، انواع شبکه های پرسپترون تک لایه و چند لایه مورد بررسی قرار گرفتند و در نهایت برای مجموعه داده های به کار رفته در این تحقیق، خطای پیش بینی و زمان انجام محاسبات تا حد بسیار زیادی نسبت به کارهای مشابه در گذشته کاهش پیدا کرده است.

کلیدواژه‌ها:

روانگرایی ، شبکه عصبی مصنوعی ،پرسپترون چند لایه ، تابع تحریک غیر خطی

دانلود تحقیق پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک با فرمت ورد

اختصاصی از سورنا فایل دانلود تحقیق پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک با فرمت ورد دانلود با لینک مستقیم و پر سرعت .

شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .

علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .

یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه   بر پایه مدارات آنالوگ است .

موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .

این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبک محاسبه می کند .

یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .

در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .

دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر   و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .

ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات  در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .

برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .

در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده   در تکنولوژی VLSI مدرن بدست آید .

شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .