مبانی نظری و پیشینه تحقیق شبکه عصبی فازی مصنوعی
فرمت فایل دانلودی: .zipفرمت فایل اصلی: DOCX
تعداد صفحات: 60
حجم فایل: 662
قیمت: 25000 تومان
بخشی از متن:
مبانی نظری و پیشینه تحقیق شبکه عصبی فازی
تعداد صفحات : 60
فرمت : word (قابل ویرایش)
کاملترین و به روزترین در سطح اینترنت
دارای پیشینه داخلی و خارجی جدید (1389-1397)
دارای منابع فارسی و انگلیسی جدید
فاقد غلط املایی و نگارشی.
رفرنس دهی و پاورقی استاندارد.
بخشی از مطالب فایل :شبکه عصبی فازی
سیستم فازی
در میان روشهای مدل سازی نوین، سیستمهایفازی جایگاه ویژه ای را کسب نموده اند. این امر را می توان معلول توانایی پیاده سازیدانش بشری با استفاده از مفهوم برچسبهای زبانی و قواعد فازی، غیر خطی بودن و قابلیتتطبیق پذیری این نوع سیستمها دانست. به طور خلاصهیک سیستم فازییک سیستم مبتنی برقواعد منطقی اگر- آنگاه است. نقطه شروع ساختیک سیستم فازی به دست آوردن مجموعه ایاز قواعد اگر- آنگاه فازی از دانش فرد خبرهیا دانش حوزه مورد نظر است. به دست آوردناین قواعد مهمترین و سخت ترین مرحله کار است. چرا که نیازمند دانش بالای فرد متخصصو پیاده سازی صحیح آن است. داشتن روشی که در کنار دانش بشری بتوان از اطلاعات عادیموجود برای ساخت قواعد استفاده کرد نیز می تواند در این مرحله بسیار مفید باشد(آذرو افسر،1385). در این بخش به طور مختصر به معرفی سیستمهای فازی که غالبا درمسائلی نظیر پیشبینی به طور مکمل استفاده میشوند، پرداخته میشود. همانطور کهاشاره شد، برای بیان کردن سیستمهای فازی احتیاج به قوانین اگر-آنگاه است. درسیستمهای فازی از متغیرهای فازی استفاده میشود. متغیرهای فازی به عبارات مورداستفاده در زبان طبیعی برای تشریح مفاهیمی که معمولا دارای ابهام و عدم قطعیتهستند، می گویند(کلیر[1]،1995). برای معرفی سیستمهای فازی ابتدا باید با منطق فازی و مفاهیم مرتبط با آنآشنا شد.
2-3-1-منطق فازی
در منطق دودویی که اولین بار توسط ارسطو مطرح شد، شاهد درنظر گرفتن حالات بصورت قطعی درستیا غلط هستیم.یعنی می توان وقایع طبیعی رابدرستی و با قطعیت تعریف و اندازه گیری نمود. در حالیکه در کسب وکار، اقتصاد،مباحث مالی و بسیاری از علوم دیگر، حالات طبیعی مبهم بوده و فاصله بین آنچه هست وآنچه نیست به درستی تعریف نشده است. بهرحال، بطور کلی می توان گفت، فازی عبارتستاز عملیات روی اطلاعات نادقیق و تحلیل نا دقیق اطلاعات(بوزادیو[2]،1997). منطق فازی اولین بار توسط پروفسور لطفی زاده استاد دانشگاه برکلی در مقالهای تحت عنوان" مجموعههای فازی" در سال 1965 به دنیا عرضه شد. لیکن نزدیکچندین سال طول کشید تا دانشمندان به کاربردها آن دستیافتند و منطق فوق در سیستمهایکنترلی مورد استفاده قرار گرفت. این منطق سالها بعد و در اوائل دهه 90 کاربردهایخویش را در عرصههای علوم دیگر همانند مدیریتیافت و راهی تازه برای تحلیل ومدلسازی مسائل در فضای عدم قطیعت پیش روی محققان قرار داد(وونالتراک[3]،1997).
[1] Klir
[2] Bojadziev
[3] VonAltrock
2-4- شبکه عصبی فازی
2-4-1- شبکههای عصبیمصنوعی
هوش مصنوعی اختصارا روشی است در جهت هوشمند ساختن کامپیوتر.این منظور زمانی برآورد میشود که ما قادر باشیم چگونگی تفکرانسان در زمان تصمیمگیرییا حل مساله را بررسی کرده و آن را پس از تقسیم بندی به مراحل پایه ای درقالبیک برنامه کامپیوتری ارائه نمائیم. هوش مصنوعی وسیله ایست ساده و سازمانیافتهبرای طراحی برنامههای تصمیم گیری پیچیده. فکر انسان می تواند اطلاعات را بدون تغییر در روند کار مغز و بدون ایجاداختلال در اطلاعات ذخیره شده قبلی جذب نماید.یک برنامه هوش مصنوعی نیز مشابه اینروش کار میکند. روشهای هوش مصنوعی اجازه می دهند تا ساختاریک برنامه به گونه ایباشد که هر بخش آن مجزا بوده و مشخص کنندهیک گام به سوی حلیک مسالهیایک سری ازمسائل باشد. هر بخش از برنامه مانند قسمتی از اطلاعات مغز انسان میباشد اگر ایناطلاعات دچار اختلال شود، مغز می تواند به طور خودکار رویه تفکرش را به گونه ای تغییر دهد تا واقعیتهای جدید را تنظیمنماید. برای این کار نیاز نیست تمامی پیش آگاهیهاییک فرد مورد بررسی قرار گیرد.بلکه کافی است تنها اطلاعات بخشهایی که مربوط به این تغییر میشوند استفاده گردد.یکبرنامه استاندارد می تواند از پس تمامی قابلیتهای هوش مصنوعی برآید، ولی نمیتواند مثل آن سریع و راحت باشد. هوش مصنوعی در مواردی همچون بازیها، اثبات تئوریها،حل مسائل روزمره و عمومی، ادراک توسط کامپیوتر، فهم زبان طبیعی و حل مسائل خاص وتخصصی کاربر دارد(عربانی،1385). در طی دهه اخیر شاهد حضور موفق شبکههای عصبی مصنوعی[1]بوده ایم. ایده آموزش برای حل مسائل شناسایی الگوهای پیچیده با استفاده از دیدگاهعاملهای داده هوشمند برای محققان دانشگاهی بسیار چالش انگیز شده است. شبکههایعصبی ابزار محاسباتی ساده ای برای آزمون دادهها و ایجاد مدل از ساختار دادههاست.دادههایی که برای ایجاد مدلها استفاده میشوند، به دادههای آموزشی مشهور هستند.هر گاه شبکه عصبی از دادههای آموزش براییادگیری الگوهای موجود در دادههااستفاده کند، می تواند آنها را برای دستیابی به خروجیها و نتایج مختلف به کاربگیرد(سرفراز و افسر،1384).
2-4-2-تاریخچه شبکههای عصبی مصنوعی
مباحثهوش مصنوعی پیش از بوجود آمدن علوم الکتریک، توسط فلاسفه و ریاضی دانانی نظیرارسطو[2]و بول[3]که اقدام به ارائه قوانین و نظریههایی در باب منطق نمودند، مطرح شده بود. در سال1943، با اختراع رایانههای الکترونیک، هوش مصنوعی دانشمندان را به چالشی بزرگفراخواند. چرا که بنظر می رسید فناوری در نهایت قادر به شبیه سازی رفتارهایهوشمندانه خواهد بود. در سال 1950 آلن تورینگ[4]، ریاضیدان انگلیسی، معیار سنجش رفتاریک ماشین هوشمند را چنین بیان داشت: "سزاوارترین معیار برای هوشمند شمردنیک ماشین، اینست که آن ماشین بتواند انسانی رابه گونه ای بفریبد که آن را متقاعد کند بایک انسان روبروست" . در سال 1956طی جلسه ای در کالج دارتموث[5]آمریکا با حضور و همکاری ماروین مینسکی[6]، جان مککارتی[7]،هربرت سایمون[8]،آلن نیوئیل[9]و غیره، اصطلاح هوش مصنوعی ابداع و اولین برنامه کامپیوتری هوش مصنوعی انتشاریافت.با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن مینگریستند، تنها پس از چهار دهه عرصه علم شاهد تولد ماشینهای شطرنج باز و دیگرسیستمهای هوشمند در صنایع گوناگون گردید(رعیتی شوازی،5 138). طیچند دهه اخیر، تلاشهای بسیار جدی جهت طراحی مدارات الکترونیکی که قادر باشند شبکهعصبی زیستی را همانند سازی کنند صورتگرفته است. شبکههای مدل شده که با نام الگوهای شبکههای عصبی شناخته شده اند،گسترشیافته و مدل سازی شده اند. برخی از این نمونهها به گونه ای بسیار نزدیکعملکرد شبکه عصبی زیستی را همانند سازی کرده اند و برخی دیگر تفاوت بسیاریدارند.
[1] Artificial Neural Networks
[2] Aristotle
[3] Bool
[4] Alan Turing
[5] Dartmouth College
[6] Marvin Minsky
[7] John McCarthy
[8] Herbert Simon
[9] Alan Newell
در تحقیقی که آیت (1396) تحت عنوان رده بندی نتایج آنژیوگرافیبا تركیب شبكه عصبی- فازی و الگوریتم ژنتیك انجام دادد به این نتیجه رسیدد که از85 درصد داده ها جهت مرحله آموزش شبكه عصبی- فازی و 15 درصد باقیمانده جهت مرحله آزموناستفاده شد. نتایج حاصل از شبیه سازی در شاخص های صحت، دقت، حساسیت و اختصاصیت در حالتمیانگین به ترتیب 0.9496، 0.9253، 0.9435 و 0.9569 و در بهترین حالت برای هر شاخص معادلعدد 1 به دست آمده است. در نتیجه استفاده از الگوریتم ژنتیك در فرآیند آموزش شبكه عصبی- فازیموجب بهبود سرعت در این شبیه سازی شد. همچنین بالا بودن شاخص های به دست آمده عملكردمناسب سیستم پیشنهادی در رده بندی و تشخیص افراد مبتلا به بیماری عروق كرونری قلب راتایید می كند.
در تحقیقی که دولت کردستانی و همکاران (1397) تحت عنوان ارزیابیکارایی مدل های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانه(مطالعه موردی: حوضه آبخیز گرو) انجام دادند به این نتیجه رسیدند که بهترین پیش بینیبا با ضریب همبستگی 0.96، ضریب کارایی 0.95 و میانگین مربعات خطای 12. 4789 میلی گرمبر لیتر مربوط به الگوی ورودی 2 با متغیر های ورودی دبی جریان روز جاری (Qt) و تاخیر دبی جریانروزانه تا 1 روز قبل از مبدا زمانی پیش بینی (1Qt-) و تاخیر رسوب معلق روزانه تا 1 روزقبل از مبدا زمانی پیش بینی (1St-) می باشد. بررسی نتایج حاصل از مدلهای شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی نشان داد که مدل شبکه عصبی-فازی تطبیقیدر هر سه الگو عملکرد بهتری نسبت به شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانهداشته است.
.
بخشی از منابع :
- دولت كردستانی مجتبی، نوحه گر احمد و جانی زاده سعید. (1397).ارزیابی کارایی مدل های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی در پیش بینی رسوبمعلق روزانه (مطالعه موردی: حوضه آبخیز گرو). پژوهش های ژئومورفولوژی كمی. سال6. شماره 4. صص 12-130.
- نساجی زواره مجتبی، قرمزچشمه باقر و رحیم زاده فاطمه. (1395).بازسازی دبی روزانه با استفاده از روش های شبکه عصبی و فازی- عصبی (مطالعه موردی: سرشاخههای حوزه آبخیز کارون). مرتع و آبخیزداری. دوره 69. شماره 2. صص 503-514.
- الوانی سیدمهدی، معمارزاده طهران غلامرضا و كاظمی حسین. (1392).تبیین مولفه های رهبر معنوی با استفاده از سیستم های عصبی فازی انطباق پذیر. مدیریتفرهنگ سازمانی. دوره 11، شماره 3. صص 95-120.
- افخمی حمیده، طالبی علی، محمدی مژده و فتوحی فرزانه. (1394).بررسی امکان پیش بینی سرعت باد با استفاده از مدل های هیبرید شبکه های عصبی، شبکههای فازی-عصبی و تئوری موجک (مطالعه موردی: ایستگاه سینوپتیک یزد). مجله علوم ومهندسی آبخیزداری ایران. دوره 9. شماره 30. صص 31-40.
- آیت سیدسعید. (1396). رده بندی نتایج آنژیوگرافی با تركیبشبكه عصبی- فازی و الگوریتم ژنتیك. مجله دانش و تندرستی. دوره 12. شماره 2. صص1-8.
- انواری رستمی علی اصغر، آذر عادل و نوروزی محمد. (1393). مدلسازی پیش بینی EPS با استفاده از شبکه های عصبی – فازی. پژوهش های حسابداری مالی و حسابرسی. دوره 6. شماره 23. صص 1-15.
- اخباری محمد،اخباری مهدی. (1390). کاربرد رویکرد منطق فازی در مدلسازی اقتصاد غیر رسمی درایران. فصلنامه پژوهشهای اقتصادی. سال نوزدهم. شماره 59. صص 167-131.
دانلود کتاب صوتی دستان شفابخش اثر خوزه سیلوا بخش چهارم
عصبی ,فازی ,شبکه ,مصنوعی ,استفاده ,های ,شبکه عصبی ,عصبی فازی ,هوش مصنوعی ,استفاده از ,پیش بینی ,روزانه مطالعه موردی
درباره این سایت