شبکه عصبی چیست و کاربرد آن

مقاله با عنوان فوق  که در دومین کنفرانس برنامه ریزی و مدیریت محیط زیست ارائه شده است، آماده دانلود می باشد.

سرفصل ارائه مقاله: مدیریت و پایش محیط زیست

محل برگزاری کنفرانس: تهران - دانشگاه تهران

سال برگزاری کنفرانس: 1391

تعداد صفحات مقاله: 7

محتویات فایل: فایل zip حاوی یک pdf

چکیده

به طور کلی مدلسازی یکی از ابزار های مناسب برای تصمیم گیری و پیش بینی پدیده های محیط زیستی می باشد که اغلب به صورت مدلهای مفهومی با روابط ریاضی بیان می شوند. فرآیند ها و پدیده هایی که در سیستمهای محیط زیستی وجود دارد و مهندسین محیط زیست با آن سر وکار دارند اغلب دو خصوصیت عمده دارند: 1- وابسته به متغیرهای زیاد هستند 2- روابط بسیار پیچیده ای بین اجزا وجود دارد که تحلیل آن را بسیار مشکل می نماید. این مشکل همواره باعث خطا در دقت و صحت پیش بینی مدلهای مرسوم می شود. شبکه های عصبی مصنوعی از جمله روشهای پیشرفته و نوین در شبیه سازی می باشد که امروزه در تمام علوم مهندسی به عنوان یک ابزار قوی در شبیه سازی پدیده هایی که تحلیل مفهومی آنها با مشکل مواجه است، کاربرد بسیاری پیدا کرده است. در این روش داده های مشاهده ای به مدل آموزش داده می شود و پس از آموزش مدل با دقت مناسب کار پیش بینی و شبیه سازی را انجام می دهد. در این مقاله ضمن اشاره به روشها و تکنیکهای شبکه عصبی نمونه هایی از کاربرد آن ارایه می گردد.

انتخاب بهترین پارامترهای شبکه عصبی (ANN) به منظور تخمین داده های بارش ماهانه

• مقاله با عنوان: انتخاب بهترین پارامترهای شبکه عصبی (ANN) به منظور تخمین داده های بارش ماهانه  

• نویسندگان: حامد مازندرانی زاده ، پیمان دانش کار آراسته ، معصومه السادات هاشمی طامه  

• محل انتشار: دهمین کنگره بین المللی مهندسی عمران - دانشگاه تبریز - 15 تا 17 اردیبهشت 94  

• فرمت فایل: PDF و شامل 7 صفحه می باشد.

چکیــــده:

بارندگی یکی از اجزای اصلی چرخه ی هیدرولوژی است. اندازه گیری نقطه ای بارندگی، عدم پراکنش مناسب ایستگاه های هواشناسی و همچنین عدم دسترسی به برخی مناطق برای اندازه گیری باعث پیدایش روش هایی برای برآورد داده های معتبر در مناطق فاقد آمار شده است. شبکه عصبی مصنوعی در چند دهه اخیر و در مطالعات صورت گرفته برای مدلسازی سیستم پیچیده و غیرخطی قابلیت بسیار بالایی از خود نشان داده است. برای این منظور پژوهشی در استان قزوین در 36 ایستگاه هواشناسی در 6 سال آماری انجام شد. سپس با استفاده از مقادیر بارندگی به عنوان خروجی هدف، شبکه های مختلفی با ساختارهای متفاوت تعریف و آموزش داده شد. 20% داده ها به طور تصادفی برای ارزیابی شبکه ها استفاده شد. در نهایت داده های پیش بینی شده توسط شبکه های مختلف با شاخص آماری میانگین انحراف خطا (MBE)، مجموع مربعات خطا (SSE) و ضریب همبستگی (R2) مقایسه شد.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **

دانلود مقاله پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

خلاصه
مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .
این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .
اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .
از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .
این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .

1- مقدمه
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 شبکه 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 .

25 صفحه فایل ورد قابل ویرایش

خلاصه

۱- مقدمه

۲- تحقق شبکه عصبی.

۲-۱- اصول عملکرد

۲-۲- پیاده سازی مدارهای شبکه

۳- پیاده سازی الگوریتم آموزش ژنتیک…

۴- نتایج تجربی.

۵- نتیجه و چشم انداز

منابع.

شبکه های عصبی مصنوعی

فایل پاورپوینت 45 صفحه

شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.

یادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده است

پایان نامه کارشناسی ارشد قدرت (تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی)

در این پایان نامه ابتدا عیوب الکتریکی و مکانیکی در ماشینهای الکتریکی بررسی گردیده و عوامل به وجود آورنده و روشهای رفع این عیوب بیان شده است . به دنبال آن ، به کمک روش تابع سیم پیچی ماشین شبیه سازی و خطای مورد نظر یعنی خطای سیم بندی استاتور به آن اعمال و نتایج مورد بررسی قرار داده شده است. پارامتر اصلی که برای تشخیص خطا در این پایان نامه استفاده کرده ایم ، جریان سه فاز استاتور در حالت سالم و خطادار ،تحت بارگذاری های مختلف خواهد بود.

در قسمت بعدی تئوری موجک و همچنین شبکه عصبی مورد بررسی قرار گرفته است . مادر اینجا از برای استخراج مشخصات سیگنال استفاده کرده ایم ، مهمترین دلیلی که برای استفاده از این موجک داریم خاصیت متعامد بودن و پشتیبانی متمرکز سیگنال در حوزه زمان می باشد. شبکه عصبی که برای تشخیص خطا استفاده کرده ایم ، شبکه سه لایه تغذیه شونده به سمت جلو با الگوریتم آموزش BP و تابع فعالیت سیگموئیدی می باشد . در فصل چهارم روش تشخیص خطای سیم بندی استاتور در ماشین القایی بیان شده است که به صورت ترکیبی از آنالیز موجک و شبکه عصبی لست. روند کلی تشخص خطا به این صورت می باشد که ابتدا از جریان استاتور ماشین در حالت سالم و همچنین تحت خطاهای مختلف که در فصل دوم بدست آورده ایم استفاده شده و تبدیل موجک بروی آن اعمال گردیده است.سپس با استفاده از ضرایب موجک مقادیر انرژی در هر مقیاس استخراج و به عنوان ورودی شبکه عصبی جهت آموزش دادن آن برای تشخیص خطای سیم بندی استاتور مورد استفاده قرار گرفته است. در نهایت به کمک داده های تست، صحت شبکه مذکور مورد بررسی قرار داده شده است. در نهایت نتیجه گیری و پیشنهادات لازم بیان گردیده است.

با توجه به مطالب اشاره شده نتیجه می شود که با تشخیص به موقع هر کدام از عیوب اوّلیه در ماشین القایی می توان از پدید آمدن حوادث ثانویّه که منجر به وارد آمدن خسارات سنگین می گردد ، جلوگیری نمود . در این راستا سعی شده است که با تحلیل ، بررسی و تشخیص یکی از این نمونه خطاها، خطای سیم بندی استاتور یک موتور القایی قفس سنجابی ، گامی موثر در پیاده سازی نظام تعمیراتی پیشگویی کننده برداشته شود و با بکارگیری سیستم های مراقبت وضعیت بروی چنین ماشینهایی از وارد آمدن خسارات سنگین بر صنایع و منابع ملی جلوگیری گردد.

فهرست مطالب:

چکیده

مقدمه۲

فصل اول: بررسی انواع خطا در ماشینهای القایی و علل بروز و روشهای تشخیص آنها

۱-۱-مقدمه۳

۱-۲-بررسی انواع تنشهای وارد شونده بر ماشین القایی۴

۱-۲-۱-تنشهای موثر در خرابی استاتور۴

۱-۲-۲- تنشهای موثر در خرابی روتور۵

۱-۳- بررسی عیوب اولیه در ماشینهای القایی۸

۱-۳-۱- عیوب الکتریکی اولیه در ماشینهای القایی۱۰

۱-۳-۲- عیوب مکانیکی اولیه در ماشینهای القایی۱۷

فصل دوم: مدلسازی ماشین القایی با استفاده از تئوری تابع سیم پیچ

۲-۱-تئوری تابع سیم پیچ۲۱

۲-۱-۱-تعریف تابع سیم پیچ۲۱

۲-۱-۲-محاسبه اندوکتانسهای ماشین با استفاده از توابع سیم پیچ۲۶

۲-۲-شبیه سازی ماشین القایی۲۹

۲-۲-۱- معادلات یک ماشین الکتریکی باm سیم پیچ استاتور و n سیم پیچ روتور۳۲

۲-۲-۱-۱-معادلات ولتاژ استاتور۳۲

۲-۲-۱-۲- معادلات ولتاژ روتور۳۳

۲-۲-۱-۳- محاسبه گشتاور الکترومغناطیسی۳۵

۲-۲-۱-۴- معادلات موتور القای سه فاز قفس سنجابی در فضای حالت۳۶

۲-۳- مدلسازی خطای حلقه به حلقه و خطای کلاف به کلاف۴۴

فصل سوم: آنالیز موجک و تئوری شبکه های عصبی

۳-۱-تاریخچه موجک ها۵۴

۳-۲-مقدمه ای بر خانواده موجک ها۵۴

۳-۲-۱-موجک هار۵۵

۳-۲-۲- موجک دابیشز۵۵

۳-۲-۳- موجک کوایفلت۵۶

۳-۲-۴- موجک سیملت۵۶

۳-۲-۵- موجک مورلت۵۶

۳-۲-۶- موجک میر۵۷

۳-۳- کاربردهای موجک۵۷

۳-۴- آنالیز فوریه۵۸

۳-۴-۱- آنالیز فوریه زمان-کوتاه۵۸

۳-۵-آنالیز موجک۵۹

۳-۶- تئوری شبکه های عصبی۶۹

۳-۶-۱- مقدمه۶۹

۳-۶-۲- مزایای شبکه عصبی۶۹

۳-۶-۳-اساس شبکه عصبی۶۹

۳-۶-۴- انواع شبکه های عصبی۷۲

۳-۶-۵-آموزش پرسپترونهای چند لایه۷۶

فصل چهارم:روش تشخیص خطای سیم بندی استاتور در ماشین القایی(خطای حلقه به حلقه)

۴-۱- اعمال تبدیل موجک۷۹

۴-۲- نتایج تحلیل موجک۸۱

۴-۳- ساختار شبکه عصبی۹۴

فصل پنجم: نتیجه گیری و پیشنهادات..

نتیجه گیری۹۷

پیشنهادات۹۸

پیوست ها۹۹

منابع و ماخذ

فارسی۱۰۰

منابع لاتین۱۰۱

چکیده لاتین۱۰۵