شبکه های عصبی

شبکه های عصبی

پردازش تصویر

عنوان پایان نامه  :  سیستم حضور و غیاب اتوماتیک با استفاده از پردازش تصویر

قالب بندی :  PDF

قیمت :   رایگان

شرح مختصر :  تشخیص و شناسایی چهره یکی از مباحث مطرح در بینایی ماشین و پردازش تصویر می باشد. به علت خصوصیات خاص مساله و کاربردهای فراوان آن الگوریتم های متعددی برای آن ارائه شده است. از آنجا که هر روشیی به گونه ای متفاوت سعی در تشخیص چهره دارد، می توان امیدوار بود که یک روش ترکیبی می تواند جوابی به مراتب بهتر و کاراتر از روش های تکی ارائه دهد. در این پژوهش سعی شده است با ترکیب روش هایی از جمله شبکه عصبی و الگوریتم PCA نتیجه قابل قبولی را برای سیستم حضور غیاب و کنترل ورود و خروج افراد ارائه دهیم. لازمه شناسایی چهره تشخیص چهره می باشد. یعنی در ابتدا باید چهره تشخیص داده شود و بعد از یافتن چهره مشخص شود این چهره متعلق به چه شخصی است.

 فهرست :

مقدمه

هدف از پژوهش

فصل دوم پردازش تصویر

مقدمه

بینایی ماشین و پردازش تصویر در اتوماسیون صنعتی

نرم افزارهای قابل استفاده برای پردازش تصویر

OpenCV

چه نرم افزارهایی از OpenCV استفاده می کنند

OpenCV بر روی چه سیستم عامل هایی اجرا می شود

MATLAB

فصل سوم

مقدمه

سابقه تاریخی شبکه عصبی

شبکه های عصبی

شبکه های عصبی مصنوعی چیست؟

چرا از شبکه های عصبی استفاده می کنیم

ایده پیدایش شبکه های عصبی مصنوعی

شبکه های عصبی در مقابل کامپیوتر های معمولی

بررسی سلولهای مغزی افراد

از سلول های عصبی انسانی تا سلول های عصبی مصنوعی

انواع یادگیری برای شبکه های عصبی

یادگیری با ناظر

یادگیری تشدیدی

یادگیری بدون ناظر

مشخصات مسائل در خور شبکههای عصبی مصنوعی

کاربردهای شبکه های عصبی مصنوعی

عملیات شبکه های عصبی

آموزش شبکه های عصبی

تفاوتهای شبکه های عصبی با روشهای محاسباتی متداول و سیستمهای خبره

شباهت با مغز

زمینهای در مورد perceptron

قدرت Perceptron

دنبالههای Perceptron

قضیه بنیادی دنبالهها

فصل چهارم

مقدمه

رابط گرافیکی کاربری چیست

مزیت های طراحی رابط کاربری در متلب

نمایی از رابط گرافیکی برنامه

منابع و مراجع

پیوستها

لبه یابی

ویژگی های لبه

الگوریتم لبه یابی سوبل

شبکه های عصبی

عنوان پایان نامه : وب کاوی در صنعت‎

قالب بندی : Word

قیمت : رایگان

شرح مختصر : با افزایش چشمگیر حجم اطلاعات و توسعه وب، نیاز به روش ها و تکنیک هایی که بتوانند امکان دستیابی کارا به داده‌ها و استخراج اطلاعات از آنها را فراهم کنند، بیش از پیش احساس می شود. وب کاوی یکی از زمینه های تحقیقاتی است که با به کارگیری تکنیک های داده کاوی به کشف و استخراج خودکار اطلاعات از اسناد و سرویس‌های وب می پردازد. در واقع وب کاوی، فرآیند کشف اطلاعات و دانش ناشناخته و مفید از داده های وب می باشد. روش های وب کاوی بر اساس آن که چه نوع داده ای را مورد کاوش قرار می دهند، به سه دسته کاوش محتوای وب، کاوش ساختار وب و کاوش استفاده از وب تقسیم می شوند. طی این گزارش پس از معرفی وب کاوی و بررسی مراحل آن، ارتباط وب کاوی با سایر زمینه های تحقیقاتی بررسی شده و به چالش ها، مشکلات و کاربردهای این زمینه تحقیقاتی اشاره می شود. همچنین هر یک از انواع وب کاوی به تفصیل مورد بررسی قرار می گیرند که در این پروژه بیشتر به وب کاوی در صنعت می پردازم. برای این منظور مدل ها، الگوریتم ها و کاربردهای هر طبقه معرفی می شوند.

فهرست :

مقدمه

فصل دوم: داده کاوی

مقدمه ای بر داده کاوی

چه چیزی سبب پیدایش داده کاوی شده است؟

مراحل کشف دانش

جایگاه داده کاوی در میان علوم مختلف

داده کاوی چه کارهایی نمی تواند انجام دهد؟

داده کاوی و انبار داده ها

داده کاوی و OLAP

کاربرد یادگیری ماشین و آمار در داده کاوی

توصیف داده ها در داده کاوی

خلاصه سازی و به تصویر در آوردن داده ها

خوشه بندی

تحلیل لینک

مدل های پیش بینی داده ها

دسته بندی

رگرسیون

سری های زمانی

مدل ها و الگوریتم های داده کاوی

شبکه های عصبی

درخت تصمیم

Multivariate Adaptive Regression Splines(MARS)

Rule induction

Knearest neibour and memorybased reansoning(MBR)

رگرسیون منطقی

تحلیل تفکیکی

مدل افزودنی کلی (GAM)

Boosting

سلسله مراتب انتخابها

داده کاوی و مدیریت بهینه وب سایت ها

داده‌کاوی و مدیریت دانش

فصل سوم: وب کاوی

تعریف وب کاوی

مراحل وب کاوی

وب کاوی و زمینه های تحقیقاتی مرتبط

وب کاوی و داده کاوی

وب کاوی و بازیابی اطلاعات

وب کاوی و استخراج اطلاعات

وب کاوی و یادگیری ماشین

انواع وب کاوی

چالش های وب کاوی

مشکلات ومحدودیت های وب کاوی در سایت های فارسی زبان

محتوا کاوی وب

فصل چهارم: وب کاوی در صنعت

انواع وب کاوی در صنعت

وب کاوی در صنعت نفت، گاز و پتروشیمی

مهندسی مخازن/ اکتشاف

مهندسی بهره برداری

مهندسی حفاری

بخشهای مدیریتی

کاربرد های دانش داده کاوی در صنعت بیمه

کاربردهای دانش داده کاوی در مدیریت شهری

کاربردهای داده کاوی در صنعت بانکداری

بخش بندی مشتریان

پژوهش های کاربردی

نتیجه گیری

منابع و ماخذ فارسی

مراجع و ماخذ لاتین و سایتهای اینترنتی

شبکه های عصبی

عنوان پایان نامه : ارائه مدل مقایسه ای بر پایه ارزیابی عملکرد روشهای تشخیص و تفکیک عیوب متداول جعبه دنده ها‎

قالب بندی : PDF

قیمت : رایگان

شرح مختصر : امروزه پایش وضعیت تولیدات مکانیکی مخصوصاً ماشین های دوار ، به منظور بالا بردن سطح کیفی و اطمینان از صحت عملکرد آنها ، کاربرد زیادی پیدا کرده است . در این راستا سیستم های مبتنی بر هوش مصنوعی به طور گسترده ای برای یافتن عیوب پیش آمده مورد استفاده قرار گرفته اند . ولی پراکندگی موجود در انواع روش های بکارگرفته شده ، انتخاب یک روش کاربردی را مشکل ساخته است . به همین علت در این پژوهش مطالعه ای بر روی طیف وسیعی از این روش ها که اغلب در سال های اخیر مطرح شده اند ، صورت گرفته است .همچنین در رابطه با پیشینه و تئوری آنها مطالبی بیان شده است . سپس برای یافتن راهکاری مناسب ، مزایا و معایب هر روش در جدول هایی گردآوری شده و در نهایت تحت یک مدل مقایسه ای ارزیابی شده اند . تلاش شده این مزایا و معایب بر پایه ی مکتوبات و مستندات سال های اخیر جمع آوری شود . نتایج نشان می دهد که برای یافتن عیوب یک چرخ دنده ، بکار گیری سیگنال ارتعاشی و آنالیز موجک بسته ای به همراه روش PCA برای انتخاب ویژگی های موثر و شبکه ی عصبی برای تفکیک عیوب ، بسیار مناسب می باشد . در پایان این پژوهش برای یافتن سلامت چرخ دنده ی یک جعبه دنده ی نمونه از توالی روش های گفته شده استفاده گردیده و نتایج آن نشان داده شده است

فهرست :

فصل اول: مقدمه

مقدمه

اهمیت موضوع تحقیق

ضرورت انجام تحقیق

مراحل انجام تحقیق

روشهای موجود و نحوه انجام تحقیق

فصل دوم : کلیات تحقیق

بخش اول : پیشینه تحقیق

مقدمه

روش های پردازش سیگنال

روش های حوزه زمان

روش های حوزه فرکانس

روش های زمان فرکانس

روش های مبتنی بر هوش مصنوعی

بخش دوم : تئوری تحقیق

تئوری تحقیق

نوع سیگنال نمونه برداری ، صوت یا ارتعاش

روش های استخراج ویژگی

روش های حوزه زمان

روش های حوزه فرکانس

روش های زمان فرکانس

تبدیل موجک پیوسته

تبدیل موجک گسسته

تبدیل موجک بسته ای

روش های انتخاب ویژگی

روش الگوریتم ژنتیک

روش IDE

روش PCA

روش های طبقه بندی

روش K نزدیک ترین همسایه

ماشین بردار پشتیبان

شبکه های عصبی

شبکه های شعاع محوری

سیستم استنتاج فازی عصبی تطبیقی

ساختار ANFIS

الگوریتم یادگیری

فصل سوم : ارائه ی مدل مقایسه ای

مقدمه

ضرورت ارائه مدل در روشهای عیب یابی

تفسیر مدل مقایسه ای

گام اول : انتخاب نوع سیگنال برداشت شده ، صوت یا ارتعاش

گام دوم : انتخاب روش استخراج ویژگی به همراه جداول SW

گام سوم : انتخاب روش انتخاب ویژگی به همراه جداول SW

گام چهارم : انتخاب روش طبقه بندی به همراه جداول SW

گام پنجم : ترکیب روشها و مشخص کردن توالی ها

گام ششم : جداول SW سه توالی انتخاب شده

گام هفتم: تحلیل نتایج جداول بر اساس معیارهای هزینه، سرعت ، پیچیدگی و درصد موفقیت

ارائه مدل مقایسه ای یکپارچه در روشهای عیب یابی

فصل چهارم : تجزیه و تحلیل عیوب یک جعبه دنده نمونه

مقدمه

توالی منتخب

داده های نمونه برداری

سیستم داده پرداری

آماده سازی داده ها

استخراج ویژگی

آنالیز موجک بسته ای

بردار ویژگی اولیه

انتخاب ویژگی های موثر

نرمال سازی ویژگی ها

ماتریس ویژگی نهائی

طبقه بندی وضعیت ها

معماری شبکه عصبی

آموزش شبکه

الگوریتم آموزش RP

الگوریتم آموزش SCG

فصل پنجم : نتیجه گیری و پیشنهادات

مراجع

شبکه های عصبی

عنوان مقاله : شبکه عصبی کامپیوتری  با استفاده حالت ریسک و تقویت یادگیری

قالب بندی : Power Point

قیمت :  رایگان

شرح مختصر : حفاظت از شبکه های عصبی کامپیوتری در رابطه زیر ساخت های فن آوری اطلاعات،حوادث مخرب و اتفاقی فعال هستند. با توجه به پیچدگی روبه و با سرعتی که رشد از سیستم های حملات می توانند به طور خودکار راه اندازی شوند اقدامات موثر لازم برای کاهش حادثه در شبکه  انجام می شود. این جا به حفاظت  شبکه کامپیوتری عصبی که می توان با استفاده از تقویت یادگیری  و ارزیابی ریسک برای عمل مطلوب ، یا سیاستی که داده های  شبکه کامپیوتری  در این شرایط بهبودی خود را  بدست می آورند اشاره میشود.

شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند .شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است.

کلمات کلیدی : شبکه های عصبی ، شبکه های حسگر بی سیم، امنیت شبکه های عصبی ، امنیت در شبکه های حسگر بی سیم، محاسابات عصبی، حفاطت از شبکه های عصبی، آزمایش چارپوب معماری عصبی، گسست رویدادها زمانبندی، محیط تصادفی، مد گراف، ارزیابی ریسک، الگوریتم RL ، اکتشاف و همگرایی، محمد موسی پور، امیر داداش زاده،