Submit Search
Upload
Introduction to Neural Network
•
1 like
•
288 views
P
pouriya70
Follow
مقدمه ای بر شبکه های عصبی مصنوعی
Read less
Read more
Engineering
Report
Share
Report
Share
1 of 30
Download now
Download to read offline
Recommended
Neural networks
Neural networks
Meysam Asadi
هوش مصنوعی - شبکه عصبی
هوش مصنوعی - شبکه عصبی
Ali Ghaeni
هوش مصنوعی
هوش مصنوعی
Hadi Sedaghat
(MATLAB) شبکههای عصبی و استفاده از جعبه ابزار آن در محيط متلب
(MATLAB) شبکههای عصبی و استفاده از جعبه ابزار آن در محيط متلب
Hamed Zarei
هوش مصنوعی
هوش مصنوعی
karimimasod
مروری برتکنیکهای با اشکال و بدون اشکال نگاشت در شبکه روی تراشه- سیده مریم سلی...
مروری برتکنیکهای با اشکال و بدون اشکال نگاشت در شبکه روی تراشه- سیده مریم سلی...
tarasad
شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی
dataminers.ir
gis
gis
yaesh
Recommended
Neural networks
Neural networks
Meysam Asadi
هوش مصنوعی - شبکه عصبی
هوش مصنوعی - شبکه عصبی
Ali Ghaeni
هوش مصنوعی
هوش مصنوعی
Hadi Sedaghat
(MATLAB) شبکههای عصبی و استفاده از جعبه ابزار آن در محيط متلب
(MATLAB) شبکههای عصبی و استفاده از جعبه ابزار آن در محيط متلب
Hamed Zarei
هوش مصنوعی
هوش مصنوعی
karimimasod
مروری برتکنیکهای با اشکال و بدون اشکال نگاشت در شبکه روی تراشه- سیده مریم سلی...
مروری برتکنیکهای با اشکال و بدون اشکال نگاشت در شبکه روی تراشه- سیده مریم سلی...
tarasad
شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی
dataminers.ir
gis
gis
yaesh
Nn
Nn
Muhammad Omara
Quantom
Quantom
danesh_fd
report
report
Shakib Sharifian
UploadFile_6976.ppt
UploadFile_6976.ppt
ssuser70b482
111
111
Alireza Nouri
آموزش کوتاه و کاربردی Nmap
آموزش کوتاه و کاربردی Nmap
teknetir
آشنایی با Opnet
آشنایی با Opnet
Fazlollah khodadadi
Network part1
Network part1
parsis com
Final report
Final report
nasim1993
Defense Presentation - Yasin Orouskhani - 92700289
Defense Presentation - Yasin Orouskhani - 92700289
Yasin Orouskhani
درس مهنسی اینترنت فصل 1شبکه
درس مهنسی اینترنت فصل 1شبکه
Navid Einakchi
Network management 2_sample
Network management 2_sample
Paktia University
Least squares based iterative identification for a class of multirate systems
Least squares based iterative identification for a class of multirate systems
Pourya Parsa
شبکههای پتری
شبکههای پتری
Mahdi Dolati
Classification of Iris flower data
Classification of Iris flower data
sahar zare
Anp
Anp
Hossein Zeinivand
Classical cellular automata
Classical cellular automata
mohamad mahmodi
Ahp multi index decision . ms.samaneh mirrahimi and ms.masomeh jahanshahi
Ahp multi index decision . ms.samaneh mirrahimi and ms.masomeh jahanshahi
Hossein Zeinivand
Rough neural networks
Rough neural networks
Alireza Andalib
Mcdm
Mcdm
Meysam Asadi
More Related Content
Similar to Introduction to Neural Network
Nn
Nn
Muhammad Omara
Quantom
Quantom
danesh_fd
report
report
Shakib Sharifian
UploadFile_6976.ppt
UploadFile_6976.ppt
ssuser70b482
111
111
Alireza Nouri
آموزش کوتاه و کاربردی Nmap
آموزش کوتاه و کاربردی Nmap
teknetir
آشنایی با Opnet
آشنایی با Opnet
Fazlollah khodadadi
Network part1
Network part1
parsis com
Final report
Final report
nasim1993
Defense Presentation - Yasin Orouskhani - 92700289
Defense Presentation - Yasin Orouskhani - 92700289
Yasin Orouskhani
درس مهنسی اینترنت فصل 1شبکه
درس مهنسی اینترنت فصل 1شبکه
Navid Einakchi
Network management 2_sample
Network management 2_sample
Paktia University
Least squares based iterative identification for a class of multirate systems
Least squares based iterative identification for a class of multirate systems
Pourya Parsa
شبکههای پتری
شبکههای پتری
Mahdi Dolati
Classification of Iris flower data
Classification of Iris flower data
sahar zare
Anp
Anp
Hossein Zeinivand
Classical cellular automata
Classical cellular automata
mohamad mahmodi
Ahp multi index decision . ms.samaneh mirrahimi and ms.masomeh jahanshahi
Ahp multi index decision . ms.samaneh mirrahimi and ms.masomeh jahanshahi
Hossein Zeinivand
Rough neural networks
Rough neural networks
Alireza Andalib
Mcdm
Mcdm
Meysam Asadi
Similar to Introduction to Neural Network
(20)
Nn
Nn
Quantom
Quantom
report
report
UploadFile_6976.ppt
UploadFile_6976.ppt
111
111
آموزش کوتاه و کاربردی Nmap
آموزش کوتاه و کاربردی Nmap
آشنایی با Opnet
آشنایی با Opnet
Network part1
Network part1
Final report
Final report
Defense Presentation - Yasin Orouskhani - 92700289
Defense Presentation - Yasin Orouskhani - 92700289
درس مهنسی اینترنت فصل 1شبکه
درس مهنسی اینترنت فصل 1شبکه
Network management 2_sample
Network management 2_sample
Least squares based iterative identification for a class of multirate systems
Least squares based iterative identification for a class of multirate systems
شبکههای پتری
شبکههای پتری
Classification of Iris flower data
Classification of Iris flower data
Anp
Anp
Classical cellular automata
Classical cellular automata
Ahp multi index decision . ms.samaneh mirrahimi and ms.masomeh jahanshahi
Ahp multi index decision . ms.samaneh mirrahimi and ms.masomeh jahanshahi
Rough neural networks
Rough neural networks
Mcdm
Mcdm
Introduction to Neural Network
1.
دانشجو:حسنی شیخ پوریا استاد:نیا
رضایی دکتر پائیز1394 مصن عصبی های شبکهوعی
2.
مباحث: مصنوعی و زیستی
عصبی شبکه با آشنایی مصنوعی عصبی شبکه کار نحوه عصبی های شبکه انواع پرسپترون عصبی شبکه آموزش پرسپترون و بولی توابع پرسپترون آموزش مثال
3.
عصبی شبکهزیستی هماهنگ صورت
به که هسنتد نرون نام به موازی های پردازشگر از عظیم بسیار ای مجموعهبرای میکنند عمل مسئله حل. دارند اصلی عضو چهار دندریت سوما آکسون سیناپس المسه حس عصبی سلول مثال
4.
عصبی شبکهمصنوعی بیول عصبی
های شبکه از تقلید با که باشد می اطالعات پردازش برای الگوییانسان مغز وژیک اند شده ساخته ها نود طراحی نودها حالت ها یال
5.
خ غیر یادگیر
ریاضی های سیستم کلی طور به عصبی های شبکههستند طی. صری کامال دستورات نیازمند معمول نویسی برنامه های زبان برخالفو ح تع وسیله به یادگیری قابلیت انسان مانند بلکه نیست مشخصرا مثال دادی دارد. بی ریاضی دقیق روابط که مسائلی حل در میتوان را عصبی شبکهو ها ورودی ن برد بکار نیست برقرار آن های خروجی. های وزن تنظیم جز به چیزی واقع در عصبی های شبکه دیدن آموزش خروجی تا نیست مختلف مثالهای دریافت ازای به ها نرون این ارتباطیشبکه شود همگرا مطلوب خروجی سمت به. افراد چهره تشخیص مثال
6.
شامل سلول هر
ی بدنه2است بخش: ترکیب تابع اول بخش تحریک تابع دوم بخش تحریک تابع انواع: خطی ای آستانه سیگموئید هایپربولیک تانژانت ای آستانه تابع خروجی1است برعکس و مثبت ورودی وقتی تابع خروجی هایپر تانژانت بولیک برابر سگموئید تابع خروجی
7.
م بندی دسته
عصبی های شبکه زیر خصوصیات بوسیلهیشوند: •نوعاتصال ایستا- Static (Feed Forward) ا پویا- Dynamic (Feedback) • عصبی های شبکه انواع
8.
عصب های شبکه
انواعی •توپولوژی الیه تک- Single layer الیه چند- Multilayer بازگشتی- Recurrent
9.
عصبی های شبکه
انواع •روشیادگیری ناظر با- Supervised ناظر بدون- Unsupervisd رقابتی- Reinforcement Piورودیtiمطلوب خروجیaiبدست خروجی وبا آمدهمقایسهشود می محاسبه خطا دو این.و شود می استفاده پارامتر تنظیم جهت. نزدیک هم به دو این دوم بار برایترند. سی پاسخ توسط تنها عصبی شبکه های پارامتراصالح ستم ا قرار که تابعی از ای نمونه هیچ و میشود تنظیم ویاد ست نمیشود داده بگیرد. صور به سامانه عملکرد کیفیت رقابتی دربه گام ت آ الگوی یابد می بهبود زمان به نسبت گامموزشی و سعی پروسه یک طریق از کار این ندارد وجود ش عملکرد نشانگر که عددی شبکه به خطابکه میشود ارائه است.
10.
نوعیازشبکهعصبیبرمبناییکواحدمحاسباتیبهنامپرسپترونساختهمیشود.یک پرسپترونبرداریازورودیهایبامقادیرحقیقیراگرفتهویکترکیبخطیازاین ورودیهارامحاسبهمیکند.اگرحاصلازیکمقدارآستانهبیشتربودخروجیپرسپترون برابربا1ودرغیراینصورتمعادل-1خواهدبود. پرسپترون بایاس و است ثابت
مقدار یک دارای ساختاری های واحد از یک هر مقدار دارای همیشه1ب ترکیب تابع در و است وزن دارای و استه ب و میکند عمل کننده متعادل وزنه یک مانند آید می حسابفهم ه میکند کمک شبکه توسط الگو بهتر
11.
توابعبولیو پرسپترون𝑤1𝑥1 + 𝑤2𝑥2
+ 𝑐 = 0 𝑤1𝑥1 + 𝑤2𝑥2 + 𝑐 > 0 𝑤1𝑥1 + 𝑤2𝑥2 + 𝑐 < 0
12.
𝑥1 + 𝑥2
= 1/5 𝑥1 + 𝑥2 = 0/5
13.
14.
عصبی شبکه های
قابلیت یادگیری:شبک و میکند تغییر شبکه محیط که هنگامی شبکه های پارامتر تنظیم تواناییتجربه را جدید شرایط ه میشود ذخیره ها سیناپس در اطالعات این میکند تعمیمدهی:یک مقابل در میتواند شبکه شد داده آموزش شبکه به اولیه های مثال اینکه از پسورودی دهد ارائه مناسب خروجی و گیرد قرار نشده داده آموزش مقاومبودنر برآیند شبکه کلی رفتار و میکند عمل مستقل طور به سلول هر عصبی شبکه درمحلی های فتار بماند دور خروجی چشم از محلی خطاهای تا میشود باعث ویژگی این است متعدد های سلول.تح ویژگی اینمل میبرد باال را خطا پذیری.
15.
الگوریتمیادگیریپرسپترون .مقادیری 1تصادفیبهوزنهانسبتمیدهیم .پرسپترون 2رابهتکتکمثالهایآموزشیاعمالمیکنیم.اگرمثالغلطارزیابیشودمقادیر وزنهایپرسپترونراتصحیحمیکنیم. .آیا
3تمامیمثالهایآموزشیدرستارزیابیمیشوند: بلهپایانالگوریتم خیربهمرحله2برمیگردیم آموزشپرسپترون
16.
عقب به رو
انتشار شبكه: اینشبکهازخروجی و ورودی های الیه بر عالوه و است شده تشکیل الیه چند کار نظارتی صورت به شبکه این است پنهان الیه به موسوم ای الیه شاملو میکند نیست خودسازماندهیکی وشبک سایر از را ان که ای برجسته خصوصیات ازجدا ها ه است این میکندمقادیر کهو است پیوسته ورودی های نروناینمعنی بدانکه است داد شبکه به ورودی عنوان رابه باینری غیر مقادیر میتوان.یک شبکه ایناز ی ن و خطی غیر شدت به مسایل میتواند که چرا هاست شبکه پرکاربردترینحل را ظارتی کند.
17.
کوهن مدل سازمانده
خود عصبی شبكهن: میدانند الیه تک های شبکه ترین سخت از یکی را شبکه این پژوهان دانش معموال.طراحی ای شبکه کوهننتنها که کرد ک هستند مجهولی پارامترهای عنوان به خروجی های نرون و وزنها که حالی در است ورودی های نرون آن معلوم پارامتره شوند پیدا باید.است آن بودن ده خودسازمان شبکه این خصوصیت مهمترین.صورت این به کوهنن کار روشکه است آورد می بدست را الگو هندسی فاصله ساده منطق یک از و میکند انتخاب را عددی خروجی های نرون تعداد برای.نرون میشوند دهی مقدار باینری مقادیر با خروجی و ورودی های.کار اساس ور الگوهای از خود فاصله کردن کم مبنای بر شبکهودی است.ب شبکه و آید می بدست تکرار با ها وزن مقداره میکند عمل خطی غیر صورت.مدل یک کوهنن مدل است ناظر بدون.ک عصبی سلول تعدادی مدل این دره چیده یکدیگر کنار مسطح توپولوژی یک در ًالمعمومی شبک وظیفه یکدیگر روی متقابل رفتار با ، شوندخود ه کنند می ایفا را سازمانده.ت یک تخمین وظیفه اینابع است توضیع.
18.
همينگ عصبی شبكه: باینری
های الگو شناسایی مسئله حل جهت ًااساس شبکه این(مق دو فقط عنصرشان که برداری های الگودار1یا1-را قبولکند می) .است شده طراحی.س یک از چون ، گیرد می قرار عصبی های شبکه چوب چار در هم شبکه اینری است یافته تشکیل ها گره بین طی ارتبا ی ها وزنه سری یک و ها گره مثابه به ها نرون. سازد می را نرون خروجی که دارد فعال سطح یک گره هر.تش وپسخور پیشخور ساختار دو هر از همینگ شبکهمی کیل شود.الگ به را نزدیکی بیشترین مرجع الگوی کدام تشخیص که است این همینگ شبکه در اصلی هدفو دارد ورودی وی کند می ظاهر شبکه خروجی در را آن سپس.
19.
هاپفي عصبی شبكهلد: کرده
جدا ها سایرشبکه از را آن که است خاصی معماری دارای هاپفیلد شبکهاست.اصوالدار ها شبکه نوع اینالیه یک ای خروجی نرونهای همان ورودی های نرون گفت میتوان نوعی به و است ورودی نرونهای به ورودی های نرون ازهستند. با بلکه کند نمی معین تکرار با را خود های وزن تربیت الگوریتم در شبکه این ها شبکه سایر خالف براین خاصی فرمول با شناسایی،ورودی الگوریتم در و میدهد انجام را کاربه تکرار،تغییررسد می معین شکل یک.شبک این درزمان هر در ها ه ب میگیرد ورودی ها نرون سایر از نرون یک چون عبارتی به است فعال غیر ها نرون سایر و فعال نرون یک فقطهمین ه هستند ثابت ها نرون دیگر و تغییر حال در نرون آن دلیل.از نویز کردن برطرف در معموال ها شبکه نوع این ازو تصویریا هرشود می استفاده دیگر الگوی.
20.
مثال:ارقام تشخیص د شبکه
یک از استفاده با بخواهیم کنید فرضالیه و دهیم تشخیص را دستنویس ارقام. ت را پیکسلها روشنائی شدت اول الیه نرونهایقریب میزنندو میکنند تعیین را ارقام شکل آخر الیه نرونهای. 8 90 1 2 3 4 5 6 7
21.
میشوند گرفته یاد
وزنها که روشی: میشوند اضافه بتدریج فعال پیکسلهای وزنهای و شده ارائه شبکه به تصویر.غی پیکسلهای وزننیز موثر ر میابد کاهش بتدریج. ورودی تصویر 1 2 3 4 5 6 7 8 9 0
22.
وزنها گیری شکل: 1
2 3 4 5 6 7 8 9 0 ورودی تصویر
23.
1 2 3
4 5 6 7 8 9 0 ورودی تصویر
24.
1 2 3
4 5 6 7 8 9 0 ورودی تصویر
25.
1 2 3
4 5 6 7 8 9 0 ورودی تصویر
26.
1 2 3
4 5 6 7 8 9 0 ورودی تصویر
27.
یادگیریوزنها 1 2 3
4 5 6 7 8 9 0 ورودی تصویر
28.
میگیرد؟ یاد را
چیزی چه شبکه سری یک از استفاده با معادل الیه دو با شبکه یک مثال این درقالبشبک که استکه را قالبی ه میگزیند بر باشد داشته را ورودی با تطبیق بهترین! س قالب یک لذا هستند متنوع بسیار ورودی شکلهای دستنویس ارقام مسئله برای اماهمه با که اده ندارد وجود باشد سازگار ورودیها.د مسئله حل راه نمیتواند هم ای شبکه چنین نتیجه درحالت ر باشد کلی! ای مجموعه به ورودی های بایدشکل نمود حل کلی حالت در را مسئله بتوان اینکه برایویژگی از داد آموزش ها ویژگی اساس بر را شبکه و شده تبدیل ها.
29.
مثالیازتنوعارقامدستنویس
30.
نادانم که همي
بدانم که ،من دانش رسيد بدانجا تا شما توجه از تشكر با
Download now