توضیحات

عنوان: شبکه های عصبی

مقدمه
فصل اول معرفی شبکه های عصبی
تاریخچه شبکه‌های عصبی مصنوعی
شبکه عصبی چیست؟
شبکه های عصبی زیستی
شبکه های عصبی مصنوعی
شبکه عصبی چگونه یاد می‌گیرد؟
شبکه عصبی در عمل چگونه کار می‌کند؟
از شبکه‌های عصبی برای چه کاری استفاده می‌شود؟
فصل دوم کاربرد شبکه های عصبی و انواع آن
کاربردهای شبکه‌های عصبی مصنوعی
تشخیص دستخط
مسئله فروشنده دوره گرد
فشرده سازی تصویر
پیش بینی بازار بورس
تشخیص پزشکی
GANها و چاپ سه بعدی
ماشین های خودران
اینترنت اشیا
انواع شبکه‌های عصبی مصنوعی
پرسپترون چند‌لایه یا MLP
شبکه های عصبی شعاعی یا RBF
ماشین‌های بردار پشتیبان یا SVM
نگاشت‌های خود‌سازمان‌ده یا SOM
یادگیرنده رقمی‌ساز بردار یا LVQ
شبکه عصبی هاپفیلد یا Hopfield
الگوریتم های شبکه عصبی
گرادیان نزولی
الگوریتم های تکاملی
الگوریتم ژنتیک
پرسپترون
الگوریتم یادگیری پرسپترون
الگوریتم gradient descent
مشکلات روش gradient descent
تقریب افزایشی gradient descent
الگوریتم Back propagation
قدرت نمایش توابع
فصل چهارم روش‌های یادگیری شبکه‌های عصبی عمیق
سبكهای معماری شبكه‌های عصبی
مسائل مناسب برای یادگیری شبکه های عصبی
قواعد یادگیری در شبكه‌های عصبی
آموزش شبكه‌های عصبی
تفاوت‌های شبكه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره
انواع یادگیری برای شبكه های عصبی
یادگیری با نظارت (Supervised Learning):
یادگیری بدون نظارت (Unsupervised Learning):
یادگیری تشدیدی
معایب شبکه های عصبی
مزیتهای شبکه های عصبی
کاربرد مدلهای شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکتهای بازار بورس
تبیین مفهوم ورشكستگی
متغیرهای مدل تحقیق
اطلاعات شركتهای نمونه تحقیق
تعیین ‌مدل شبكه عصبی سه لایه برای پیش‌بینی ورشكستگی شركتها
تعیین مدل بهینه شبكه عصبی چهار لایه برای پیش‌بینی ورشكستگی شركتها
مقایسه مدلهای شبكه عصبی سه و چهار لایه برای پیش‌بینی ورشكستگی اقتصادی
آزمون فرضیه 53
پیش‌بینی ورشكستگی اقتصادی شركتها در سالهای 1385 و 1386
روند ورشكستگی اقتصادی شركتهای بازار بورس در دوره 1369ـ 1386
جمع‌بندی و نتیجه‌گیری
منابع

مقدمه

شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌ پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. مثلا با اعمال سوزش به سلول‎های عصبی لامسه، سلول‎ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‎ها وزن سیناپس‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند.

توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‎ای از عناصر پردازش ساده (نورونها) است، که می‌تواند رفتار پیچیده کلی تعیین شده‎ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسون‎ها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفته‌است، که یکی از قابل توجه‎ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می‎دهد. در یک مدل شبکه عصبی، گره‎های ساده (بطور گسترده نورون، نئورونها، “PE” ها (عناصر پردازش) یا واحدها) برای تشکیل شبکه‎ای از گره‎ها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح”شبکه‎های عصبی” اطلاق می‎شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد.

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.

توجه:

برای دانلود فایل کامل ورد لطفا اقدام به خرید نمایید.

لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.