بهترين و سريعترين مرجع دانلود كارآموزي و پروژه و پايان نامه

تعداد صفحات:119
نوع فايل:word
فهرست مطالب:
فصل اول
مقدمه
هوش مصنوعي
به سوي آينده
تاريخچه
تعريف
تاريخچه و تعاريف سيستمهاي خبره
بعضي از تعاريف سيستمهاي خبره
تاريخچه سيستمهاي خبره
الگوريتم ژنتيك
تابع سازگاري (FitnessFunction)
Mutation(جهش ژنتيكي)
مقدمه اي بر سيستم هاي فازي و كنترل فازي
سيستمهاي فازي چگونه سيستمهايي هستند؟
سيستمهاي فازي كجا و چگونه استفاده ميشوند؟
زمينه‌هاي تحقيق عمده در تئوري فازي
تاريخچه مختصري از تئوري و كاربردهاي فازي
فصل دوم
شبكه هاي عصبي
مقدمه
ساختار مغز
ساختار نرون
چگونه مغز انسان مي آموزد ؟
معناي شبكه هاي عصبي
قوانين هب
از سلول هاي عصبي انساني تا سلول هاي عصبي مصنوعي
روياي جايگزيني ويژگي هاي مغز در يك سيستم مصنوعي چقدر ممكن گرديده؟
تاريخچه شبكه‌هاي عصبي
چرا از شبكه هاي عصبي استفاده مي كنيم؟
شبكه هاي عصبي در مقابل كامپيوتر هاي معمولي
مزايا و محدوديت هاي شبكه عصبي
چه كساني به شبكه عصبي علاقه‌مند هستند؟
نرم‏ افزارها و سخت افزارهاي شبكه‏ هاي عصبي
كاربرد شبكه هاي عصبي
يكپارچگي منطق فازي و شبكه هاي عصبي
مدل رياضي يك نرون
يك نرون ساده
قوانين برانگيختگي
يك نرون پيچيده تر
ساختار شبكه هاي عصبي
مراحل طراحي شبكه
اهداف شبكه هاي عصبي
تقسيم بندي شبكه هاي عصبي
انواع يادگيري براي شبكه هاي عصبي
توپولوژي شبكه هاي عصبي
شبكه‏ هاي پيش‏خور (Feed Forward)
شبكه‏ هاي برگشتي (Recurrent)
پرسپترون چند لايه
Perceptronهاي ساده
قدرت Perceptron
دنباله‌هاي Perceptron
آموزش پر سپترون
الگوريتم يادگيري پرسپترون
قانون پرسپترون
قانون دلتا
روش هاي ديگر
شبكه هاي هاپفيد
شبكه‌هاي داراي پس‌خور
شبكه عصبي تركيبي المن- جردن
پس انتشار خطا
چند بررسي از كاربردهاي شبكه هاي عصبي
فصل سوم
نتيجه گيري
منابع و مأخذ

مقدمه:
هوش محاسباتي يا (Computational-Intelligence) CI به معناي استخراج هوش، دانش، الگوريتم يا نگاشت از دل محاسبات عددي براساس ارائه به روز داده‌هاي عددي است. سيستم‌هاي CI در اصل سيستم‌هاي ديناميكي مدل آزاد (Model-free) را براي تقريب توابع و نگاشت ها ارائه ميكند. در كنار اين ويژگي بسيار مهم بايد از ويژگي مهم ديگري در ارتباط با خصوصيات محاسباتي سيستم‌هاي CI نام برد، كه در آن دقت، وجه‌المصالحه مقاوم بودن، منعطف‌ بودن و سهولت پياده‌سازي قرار ميگيرد.
مولفه‌هاي مهم و اساسي CI، شبكه‌هاي عصبي محاسبات نوروني، منطق فازي محاسبات تقريبي و الگوريتم ژنتيك محاسبات ژنتيكي است، كه هر يك به نوعي مغز را الگو قرار داده‌اند. شبكه‌هاي عصبي ارتباطات سيناپسي و ساختار نوروني، منطق فازي استنتاجات تقريبي و محاسبات ژنتيكي محاسبات موتاسيوني مغز را مدل ميكنند.

تعداد صفحات:119
نوع فايل:word
فهرست مطالب:
فصل اول
مقدمه
هوش مصنوعي
به سوي آينده
تاريخچه
تعريف
تاريخچه و تعاريف سيستمهاي خبره
بعضي از تعاريف سيستمهاي خبره
تاريخچه سيستمهاي خبره
الگوريتم ژنتيك
تابع سازگاري (FitnessFunction)
Mutation(جهش ژنتيكي)
مقدمه اي بر سيستم هاي فازي و كنترل فازي
سيستمهاي فازي چگونه سيستمهايي هستند؟
سيستمهاي فازي كجا و چگونه استفاده ميشوند؟
زمينه‌هاي تحقيق عمده در تئوري فازي
تاريخچه مختصري از تئوري و كاربردهاي فازي
فصل دوم
شبكه هاي عصبي
مقدمه
ساختار مغز
ساختار نرون
چگونه مغز انسان مي آموزد ؟
معناي شبكه هاي عصبي
قوانين هب
از سلول هاي عصبي انساني تا سلول هاي عصبي مصنوعي
روياي جايگزيني ويژگي هاي مغز در يك سيستم مصنوعي چقدر ممكن گرديده؟
تاريخچه شبكه‌هاي عصبي
چرا از شبكه هاي عصبي استفاده مي كنيم؟
شبكه هاي عصبي در مقابل كامپيوتر هاي معمولي
مزايا و محدوديت هاي شبكه عصبي
چه كساني به شبكه عصبي علاقه‌مند هستند؟
نرم‏ افزارها و سخت افزارهاي شبكه‏ هاي عصبي
كاربرد شبكه هاي عصبي
يكپارچگي منطق فازي و شبكه هاي عصبي
مدل رياضي يك نرون
يك نرون ساده
قوانين برانگيختگي
يك نرون پيچيده تر
ساختار شبكه هاي عصبي
مراحل طراحي شبكه
اهداف شبكه هاي عصبي
تقسيم بندي شبكه هاي عصبي
انواع يادگيري براي شبكه هاي عصبي
توپولوژي شبكه هاي عصبي
شبكه‏ هاي پيش‏خور (Feed Forward)
شبكه‏ هاي برگشتي (Recurrent)
پرسپترون چند لايه
Perceptronهاي ساده
قدرت Perceptron
دنباله‌هاي Perceptron
آموزش پر سپترون
الگوريتم يادگيري پرسپترون
قانون پرسپترون
قانون دلتا
روش هاي ديگر
شبكه هاي هاپفيد
شبكه‌هاي داراي پس‌خور
شبكه عصبي تركيبي المن- جردن
پس انتشار خطا
چند بررسي از كاربردهاي شبكه هاي عصبي
فصل سوم
نتيجه گيري
منابع و مأخذ

مقدمه:
هوش محاسباتي يا (Computational-Intelligence) CI به معناي استخراج هوش، دانش، الگوريتم يا نگاشت از دل محاسبات عددي براساس ارائه به روز داده‌هاي عددي است. سيستم‌هاي CI در اصل سيستم‌هاي ديناميكي مدل آزاد (Model-free) را براي تقريب توابع و نگاشت ها ارائه ميكند. در كنار اين ويژگي بسيار مهم بايد از ويژگي مهم ديگري در ارتباط با خصوصيات محاسباتي سيستم‌هاي CI نام برد، كه در آن دقت، وجه‌المصالحه مقاوم بودن، منعطف‌ بودن و سهولت پياده‌سازي قرار ميگيرد.
مولفه‌هاي مهم و اساسي CI، شبكه‌هاي عصبي محاسبات نوروني، منطق فازي محاسبات تقريبي و الگوريتم ژنتيك محاسبات ژنتيكي است، كه هر يك به نوعي مغز را الگو قرار داده‌اند. شبكه‌هاي عصبي ارتباطات سيناپسي و ساختار نوروني، منطق فازي استنتاجات تقريبي و محاسبات ژنتيكي محاسبات موتاسيوني مغز را مدل ميكنند.