پایان نامه کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی

نگارش: مجید انجیدنی
استاد راهنما : دکتر محمد رضا میبدی

پروژه دسته بندی اختلالات کیفیت توان با استفاده از تبدیل ویولت و شبکه عصبی – مهندسی برق

توضیحات :

در پروژه دسته بندی اختلالات کیفیت توان با استفاده از تبدیل ویولت و شبکه عصبی تلاش شده تا با ابزارها و روشهای نوین پردازش سیگنال (تجزیه چند سطحی ویولت DWT) وهمچنین روش های دسته بندی هوشمند (شبکه های عصبی) انواع اختلالات کیفیت توان شناسایی ودسته بندی شوند.

فهرست مطالب :

فصل اول: کیفیت توان

کیفیت توان وضرورت توجه به آنبررسی مشخصات شکل موجانواع اختلالات کیفیت توان و اثرات آن بر تجهیزات مختلفهارمونیک ها (Harmonic)فیلیکر(Flicker)عدم تعادل ولتاژشکاف(Notch )نویز (Noise)پدیده های گذرا(Transient Phenomena)تغییرات فرکانسکمبود ولتاژ(sag)بیشبود ولتاژ یا اضافه ولتاژ(Swell)قطع ولتاژ (Interruption)دستگاه های از بین برنده کیفیت توانراه های بهبود کیفیت توان

فصل دوم: تبدیل موجک(Wavelet)

مقدمهتبدیلدلایل استفاده ازتبدیلآنالیز چند رزولوشنهتبدیل ویولت یک بعدیتبدیل ویولت پیوستهرزولوشن در صفحه زمان فرکانسروابط ریاضی تبدیل ویولتعکس تبدیل ویولتگسسته سازی تبدیل ویولت پیوستهتبدیل ویولت گسسته

فصل سوم :شبکههای عصبی مصنوعی (Artificial Neural Network)

مقدمهتاریخچهانواع شبکه عصبیایده شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN)نرون مصنوعیساختار شبکه‌های عصبیلایه ورودیلایه‌های پنهان(میانی)لایه خروجیانواع اتصالات یا پیوندهای وزنیپیشرو(feed forward)پسرو(recurrent)تقسیم بندی شبکه‌های عصبیشبکه‌های عصبی در مقایسه با کامپیوترهای سنتیدلایل استفاده از شبکه های عصبیمزایای شبکه‌های عصبیمعایب شبکه‌های عصبیکاربردهای شبکه های عصبییادگیری در شبکه های عصبیفرایند یادگیریمعادله یادگیری در حالت کلییادگیری شبکهانواع یادگیریالگوریتم پس انتشار خطا(Back-Propagation)الگوریتم LM درشبکه های عصبیالگوریتمهای بهینه سازیروش تندترین شیبنرخ های یادگیری پایدار (Stable  Learning rates)مینیمم سازی در طول یک خطروش نیوتنالگوریتم (LM(Levenberg-Marquardtالگوریتم اساسی (Basic Algorithm)شاخص عملکرد و محاسبه ژاکوبینشبکه عصبی احتمالی(PNN)مزایای شبکه عصبی احتمالیمعایب شبکه عصبی احتمالیتئوریتخمین تابع چگالی احتمالآموزش شبکه عصبی احتمالی

فصل چهارم: فرآیند تحقیق

مقدمهشرح فرآیند تحقیقجدول نتایجمقایسه با دیگر روش هاشبیه سازی کوره قوس القاییکوره قوس الکتریکینتیجه نهایی تحقیقمنابع ومراجع

فرمت فایل : pdf

تعداد صفحات : 120

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.

مدل ترکیبی متشکل از شبکه های عصبی مصنوعی و الگوریتم ژنتیک به منظورمدیریت تعمیر و نگهداری شبکه

نویسند‌گان: [ فرهاد فرخ زاده ] - دانشجوی کارشناسی ارشد راه وترابری دانشکده مهندسی عمران و محیط زیست دانشگاه صنعتی امیرکبیر تهران[ مهدی پشت کوهی ] - فارغ التحصیل کارشناسی ارشد راه و ترابری دانشکده مهندسی عمران و محیط زیست دانشگاه صنعتی امیرکبیر تهران[ فرزاد حسین آبادی ] - دانشجوی کارشناسی ارشد راه وترابری دانشکده مهندسی عمران و محیط زیست دانشگاه صنعتی امیرکبیر تهران[ امین اعظمی ] - دانشجوی کارشناسی ارشد راه وترابری دانشکده مهندسی عمران و محیط زیست دانشگاه صنعتی امیرکبیر تهران

خلاصه مقاله:

تکنیک هاى هوش مصنوعى روش هاى مؤثرى را چه در ایجاد مدل هاى پیش بینی و چه در حل مسائل بهینه سازى ارائه می کنند. به همین دلیل این روش ها به خصوص براى مدیریت ترمیم و نگهدارى روسازى کار آمد هستند. در این مقاله روشی به منظور بهره بردن از منابع اقتصادى موجود به صورت بهینه براى تعمیر رویه ى در روسازى هاى انعطاف پذیر به وسیله ى شبکه هاى عصبى مصنوعى و الگوریتم ژنتیک معرفى شده است. شبکه هاى عصبى براى تعریف مدل خرابى (زوال) روسازى به خدمت گرفته شده است. مسأله بهینه سازى به وسیله ى الگوریتم ژنتیک و با استفاده از نتایج حاصل از شبکه هاى عصبى صورت پذیرفته است مدل حاصل از این روش بر روى تعدادى از جاده هاى داخلى کشور ایالات متحده پیاده سازى شده است. نتایج حاصل خاکی از آن است که على رغم وجود نقایصى در بخش اول روش حل مسأله (شبکه هاى عصبى)، روش مورد بحث مى تواند پاسخ مناسبى به نیازهاى موجود در سیستم هاى مدیریت روسازى باشد

کلمات کلیدی:

 الگوریتم ژنتیک ، شبکه های عصبی مصنوعی ، مدیریت و نگهداری روسازی ، بهینه سازی

پاور پوینت شبکه های عصبی مصنوعی درس هوش مصنوعی

فرمت فایل : power point (قابل ویرایش)

lشبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری می‌باشد.lیادگیری شبکه عصبی در برابر خطاهای داده‌های آموزشی مقاوم بوده و اینگونه شبکه‌ها با موفقیت به مسایلی نظیر شناسایی گفتار، شناسایی و تعبیر تصاویر، و یادگیری روبات اعمال شده است.