دانلود رایگان پروژه سیستم های شبکه عصبی
فهرست مطالب :
مقدمه ای بر شبکه‌های عصبی مصنوعی
تاریخچه شبکه‌های عصبی مصنوعی
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
الهام از طبیعت
شبکه های عصبی در مقایسه با کامپیوترهای سنتی
مسائل مناسب برای یادگیری شبکه های عصبی
پرسپترون
الگوریتم یادگیری پرسپترون
الگوریتم gradient descent
مشکلات روش gradient descent
تقریب افزایشی gradient descent
الگوریتم Back propagation
قدرت نمایش توابع
انواع آموزش شبکه
برخی زمینه های شبکه های عصبی
سبکهای معماری شبکه‌های عصبی
قواعد یادگیری در شبکه‌های عصبی
آموزش شبکه‌های عصبی
آموزش unsupervised یا تطبیقی (Adaptive)
تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره
انواع یادگیری برای شبکه های عصبی
یادگیری با ناظر
یادگیری تشدیدی
یادگیری بدون ناظر
معایب شبکه های عصبی
مزیتهای شبکه های عصبی
سیستم خبره
سیستم خبره چیست؟
ساختار یک سیستم خبره
استفاده از منطق فازی
مزایا و محدودیت‌های سیستم‌های خبره
کاربرد سیستم‌های خبره
چند سیستم خبره مشهور
مروری بر کاربردهای تجاری
بازاریابی
بانکداری و حوزه های مالی
پیش بینی
سایر حوزه های تجاری
کاربرد مدلهای شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکتهای بازار بورس
کاربرد مدل شبکه عصبی در پیش‌بینی ورشکستگی شرکتهای بازار بورس
تبیین مفهوم ورشکستگی
متغیرهای مدل تحقیق
اطلاعات شرکتهای نمونه تحقیق
تعیین مدل شبکه عصبی سه لایه برای پیش‌بینی ورشکستگی شرکتها
تعیین مدل بهینه شبکه عصبی چهار لایه برای پیش‌بینی ورشکستگی شرکتها
مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیش‌بینی ورشکستگی اقتصادی
پیش‌بینی ورشکستگی اقتصادی شرکتها در سالهای و
روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره ـ
جمع‌بندی و نتیجه‌گیری
منابع
دانلود رایگان
مختصر توضیحات:
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند، و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند، که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیهسازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورونها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است. چنانچه حاصل جمع ورودیها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.
نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیهسازی شبکه‌های عصبی تاثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه می‌باشد، به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده‌است. این سیستم می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سیستم دیگر مدل خطی تطبیقی نورون می‌باشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.
در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیت‌های سیستم‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایهگذاری برای تحقیقات در زمینه شبیهسازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
با وجود اینکه اشتیاق عمومی و سرمایهگذاریهای موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه‌های ART را بنانهادند که با مدلهای طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیکهایی برای یادگیری ایجاد کردند. ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.
پیشرفتهایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده‌است.
سیّد محمّد جعاوله
