منطق فازی

منطق فازی

شبکه های عصبی فازی‎

عنوان پایان نامه  :  بررسی پارامترهای مهم در شبکه های عصبی فازی‎

قالب بندی :  PDF

قیمت :   رایگان

شرح مختصر : منطق فازی که در آن «زبان طبیعی» به جای متغیرهای عددی برای تشریح رفتار و عملکرد سیستم ها به کار می رود.،بیشترین کاربرد این مقوله به ترتیب در سازماندهی و فراهم  آوری اطلاعات بوده است. اکنون برای تضمین امنیت شبکه  های اطلاعاتی، از منطق فازی بهره -برداری می شود. در برخی زمینه  ها مانند مستند سازی و مدیریت رکوردها نیز تاکنون پژوهشی با موضوع فازی به انجام نرسیده است. در سالهای اخیر، رویکرد عمده این بحث به سمت نظام های خبره و هوش مصنوعی سوق یافته است. به نظر می‌رسد برای حل بسیاری از گره‌ های موجود در حوزه مدیریت اطلاعات، می توان از منطق فازی کمک گرفت.

شبکه های عصبی فازی‎ یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهده پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند.

شبکه های عصبی فازی‎ یک سیستم ارگانی شامل نورون‌ها می‌باشد که اعمال و واکنش جانداران را هماهنگ می‌سازد و سیگنال‌ها را به بخشهای متفاوت بدن می‌فرستد. در بیشتر جانداران سیستم عصبی شامل دو بخش مرکزی و بخش جانبی است. در استفاده‌های جدیدتر این عبارت به شبکه عصبی مصنوعی که از نورون‌هایی مصنوعی ساخته شده‌است هم اشاره دارد. بنابراین عبارت ‘شبکه عصبی’ در حالت کلی به دو مفهوم مختلف شبکه عصبی زیستی و شبکه عصبی مصنوعی مختلف اشاره دارد.

شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌های پیچیده می‌توانند در استخراج الگوها و شناسایی گرایش‌های مختلفی که برای انسان‌ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند.

تنظیم پارامترهای شبکه عصبی مصنوعی را میتوان به عنوان یکی از مهمترین مشکلات استفاده از آن عنوان کرد. روش شبکه عصبی فازی نسبت به سایر روش ها قدرت بالایی در شناخت روند موجود بر داده ها دارد و در تمامی روشهای اندازه گیری خطا نسبت به سایر روشها خطای کمتری دارد . نتایج تحقیق بیانگر آن است که روش شبکه عصبی فازی با توجه به میزان کم خطا دارای همگرایی سریع و توانایی تقریب بالایی است و برای پیش بینی مناسب است.

فهرست :

فصل اول: منطق فازی

مقدمه ای بر چیستی منطق فازی

مثالی از منطق فازی در زندگی روزمره

چرا سیستم فازی؟

سیستم های فازی چگونه سیستم هایی هستند؟

سه سیستم فازی وجود دارد

مشکلات عمده سیستم فازی TSK عبارتند از

منطق فازی و مدیریت اطلاعات در کتابخانه

تاریخچه منطق فازی

منطق فازی چیست؟

سیستم های فازی کجا و چگونه استفاده می شوند ؟

کاربردهای منطق فازی

کاربردهای منطق فازی سازماندهی اطلاعات

فصل دوم: شبکه عصبی (Neural Network)

مقدمه

شبکه عصبی

توصیف شبکه های عصبی

شبکه‌های عصبی زیستی

معرفی شبکه عصبی مصنوعی

تاریخچه شبکه‌های عصبی مصنوعی

چرا از شبکه‌های عصبی استفاده می‌کنیم

شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی

شباهت با مغز

شبکه عصبی دقیقاً چیست

ساختار شبکه‌های عصبی

تقسیم بندی شبکه‌های عصبی

ویژگی‌های یک شبکه‌عصبی‌

روش کار نرون‌ها

نورون عصبی

یک نورون مصنوعی چه شکلی است؟

چطور از یک نورون مصنوعی استفاده می کنید؟

پیاده‌سازی‌های الکترونیکی نرون‌های مصنوعی

مدل ریاضی

کاربرد شبکه‌های عصبی

معایب شبکه‌های عصبی

چگونگی یادگیری شبکه های عصبی

ساختار نورون و لایه ی نورون

تعریف کلاس

توضیح لوپ اصلی

فصل سوم : بررسی ساختار و پارامترهای مهم شبکه های عصبی فازی

مقدمه

یکپارچگی منطق فازی و شبکه های عصبی

برخی از کاربردهای سیستم های فازی  عصبی

انواع شبکه عصبی فازی و نوروفازی

پارامترهای مهم سیستم های عصبی فازی

سامانه استنتاج تطبیقی عصبی فازی

موتور استنتاج فازی

انواع موتور استنتاج

تفسیری کامل شبکه تطبیقی بر اساس سیستم های با منطق فازی

مرور ادبیات

تعیین معیار های عملکرد شبکه عصبی مصنوعی همراه با وزن هریک از آنها

تعیین عوامل کنترلی که بیشترین تاثیر را بر روی معیارهای عملکرد تعیین شده دارند

آنالیز واریانس هر یک از معیارهای عملکرد به صورت جداگانه

استفاده از روش برنامه ریزی فازی جهت یافتن بهترین ترکیب عوامل کنترلی تاثیرگذار

مثال عددی

تعیین معیارهای عملکرد شبکه عصبی مصنوعی همراه با وزن هر یک از آنها

تعیین عوامل کنترلی که بیشترین تاثیر را بر روی معیارهای عملکرد تعیین شده دارند

آنالیز واریانس هر یک از معیارهای عملکرد بصورت جداگانه

تکنیک تبدیل   هدف را دنبال میکند :

استفاده از روش برنامه ریزی فازی جهت یافتن بهترین ترکیب عوامل کنترلی تاثیر گذار

تحقیقات و پژوهش های صورت گرفته در زمینه استفاده از شبکه های عصبی فازی

پیش بینی عوامل موثر بر قیمت طلا

مدل سازی پیش بینی قیمت سهام

مدل سازی پیش بینی با استفاده از شبکه عصبی   فازی : قیمت نفت

مدلسازی پیش بینی جایگاه تیم ملی فوتبال ایران در رده بندی فیفا با استفاده از شبکه های عصبی فازی

برنامه ریزی تعمیرات و نگه داری پیش گویانه ایستگاه های گاز با رویکرد PCA و شبکه های عصبی فازی

نتیجه گیری

منطق فازی

عنوان پاورپوینت:  کلاسترينگ فازی‎

قالب بندی :  پاورپوینت

قیمت :   رایگان

شرح مختصر :  : یکی از روش های طراحی سیستم های فازی، استفاده از رویکردهای خوشه بندی یا Clustering است. تکنيکهای کلاسترينگ فعلی تمامی ملزومات را به اندازه کافی و به طور همزمان برآورده نميکنند. افزايش زياد آيتمهاي ورودی پيچيدگی زمانی را به شدت افزايش ميدهد. ميزان موثر بودن يک روش خاص به تعريف ”فاصله“ وابسته است ( در کلاسترينگ مبتنی بر فاصله ). در صورت يافت نشدن يک معيار فاصله مشخص، يافتن آن اجباری و البته ممکن است بسيار سخت باشد. نتايج يک الگوريتم کلاسترينگ ميتواند از ديدگاه های متفاوتی تفسير گردد.

فهرست :

مروري بر کلاسترينگ

مروري بر منطق فازی

کلاسترينگ فازی

يادگيری با نظارت – يادگيری بدون نظارت

کلاسترينگ در مقابل طبقه بندی

تعريف کلی کلاسترينگ

انواع کلاسترينگ

کاربردهای کلاسترينگ

الزامات اصلی که يک الگوريتم کلاسترينگ بايستی برآورده کند

مسائل و چالشها در کلاسترينگ

روش هاي کلاسترينگ

يادگيری با نظارت – يادگيری بدون نظارت

طبقه بندی – کلاسترينگ

منطق فازی

عنوان پایان نامه:  کاربردهای منطق فازی در یادگیری ماشین‎

 قالب بندی :  PDF

قیمت :   رایگان

شرح مختصر :  بي‌گمان رايانه در چند دهه كنوني از عوامل اصلي و كليدي پيشرفت شناخته شده است. گردش درست امور، سرعت (تندي) در كارها و روش‌هاي اداري، بهره‌وري و خدمات عمومي، دسترسي به اطلاعات شركت‌ها همه از مزایای رایانه‌هاست. امروزه سازمان‌ها جهت پردازش كارهايي چون نگهداري و به ‌روز رساني حساب‌ها و دارايي‌های خود، راهشان را به سوي استفاده از رایانه‌ها باز نموده‌اند. كاربردهایي چون لوازم خانگي،‌ خودروها، هواپيماها و ابزار صنعتي، دستگاه‌هاي الكتريكي، كنترل انتقال نيرو و خطوط كارخانه‌ها و گيرنده ماهواره توسط رايانه سرویس‌دهی می‌شوند. همزمان با   پيشرفت و سازماندهي سازمان‌ها و بنگاه‌هاي كوچك و متوسط، كشاورزي، صنعتي و … خدمات رايانه‌اي هر روز نفوذ خود را در زندگي اجتماعي و اقتصادي انسان نیز نشان مي‌دهند. ولی دیگر رایانه‌های دومنطقی صفر و یک جوابگوی نیازهای بشر نیست و باید سیستم‌هایی ساخت که به به شیوه‌های چندمقداری تفکر و تعلم انسان نزدیک باشد و ابهام و عدم قطعیت را هم شامل شود. در این راستا منطق جدیدی به نام منطق فازی توسط پروفسور لطفی‌زاده معرفی شد و از آن پس انبوه مقالات برای پیاده سازی این منطق در سیستم‌های کامپیوتری و الگوریتم‌های موجود، ارائه شد. هدف ما در این پژوهش هم بررسی جامعی پیرامون این مبحث و کاربردهای آن در یادگیری ماشین است. لذا پس از بیان تعاریف و تاریخچه و انواع روش‌های منطق فازی و یادگیری ماشین، مروری بر مقالات معتبر و جدید ارائه شده در این زمینه داشته و ایده‌های جدیدی که داده شده است را خواهیم گفت.

کلمات کلیدی : محاسبات نرم، منطق فازی، سیستم های فازی، یادگیری ماشین چیست؟، یادگیری با ناظر، یادگیری بدون ناظر، یادگیری تقویتی، یادگیری نیمه نظارتی، انواع ماشین های یادگیرنده، روشهای یادگیری عامل، طراحی یک سیستم یادگیری، تکنیکهای یادگیری ماشین، درخت تصمیم، کاربرد درخت تصمیم، کاربردهای شبکه عصبی مصنوعی، مزیت های شبکه عصبی مصنوعی، پایه های منطق محاسباتی، الگوریتم ژنتیک، سیستم خبره، یادگیری بیزین، ماشین بردار پشتیبان، مدل هوش محاسباتی، سیستم های رابطه ای عصبی ،شبکه های مبتنی بر منطق فازی، استنتاج قوانین فازی، الگوریتم های هوشمند، مزایای سیستم خبره، کاربردهای سیستم خبره، مزایای الگوریتم ژنتیک، نقاط ضعف الگوریتم ژنتیک، مسئله درخت اشتاینر، فیلتر کالمن، فیلتر کالمن فازی،