چرا از شبکه های عصبی استفاده می کنیم
چرا از شبکه های عصبی استفاده می کنیم
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
چرا از شبکه های عصبی استفاده می کنیم
شبکه های عصبی
عنوان مقاله : شبکه های عصبی
قالب بندی : PDF
قیمت : رایگان
شرح مختصر : مسئله هماهنگ سازی شبکه های عصبی آشوبگونه با اغتشاش تصادفی مورد بررسی قرار گرفته است. مسئله کنترل و هماهنگ سازی این سیستم ها به شدت مورد توجه قرار گرقت و روش های مختلفی مثل کنترل حلقه بسته خطی و غیرخطی ، کنترل تطبیقی و نظایر آن جهت رسیدن به این هدف ، ارائه گردید . در مدلسازی سیستم ها ، توانایی تقریب به وسیله نورون ها ، شکل شبکه و قانون آموزش ، محدود می گردد. چگونگی بهبود خاصیت ارگادیک ANN یک مسئله مهم جهت تحقیق و یررسی می باشد. سیستم های آشوبگونه دارای مشخصاتی تصادفی هستند و الگوریتم آشوبی باعث ایجاد خاصیت قوی ارگادیک در شبکه می گردد.
این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبکه عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت می پردازیم.
فهرست :
چکیده فارسی
مقدمه
فصل اول
شبکه عصبی
مقدمه
شبکه عصبی
سابقه تاریخی
چرا از شبکه های عصبی استفاده می کنیم
مزیتهای دیگر شبکه های عصبی
شبکه های عصبی در مقابل کامپیوتر های معمولی
انسان و سلول های عصبی مصنوعی در جستجوی شباهت ها
از سلول های عصبی انسانی تا سلول های عصبی مصنوعی
انواع یادگیری برای شبکه های عصبی
زمینهای در مورد perceptron
دنبالههای Perceptron
قضیه بنیادی دنبالهها
هوش جمعی
(Particle Swarm Optimitation(PSO
فصل دوم
یک شبکه عصبی جدید و کاربرد آن
معرفی
نورون با خاصیت آشوبگونه
شکل شبکه
قانون آموزش شبکه
مدلسازی ژنراتور سنکرون دریایی
نتایج مدلسازی
نتیجه فصل
فصل سوم
آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله
مقدمه
آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله
معرفی
منحنی طول – کشش
ساختار برگشتی
تغییرات طیف
نتایج فصل
فصل چهارم
هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی
مقدمه
هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی
معرفی
نمادها و مقدمات
نتیجه فصل
فهرست منابع (ابتدا منابع فارسی و سپس منابع غیر فارسی)
منابع فارسی
منابع لاتین
چکیده انگلیسی
فهرست جداول
شکل نورون آشوب گونه
شکل cnn
شکل سیستم شناسایی ژنراتور سنکرون دریایی به وسیله شبکه عصبی
شکل توان گشتاور ورودی و فرکانس خروجی ژنراتور
شکل جریان تحریک ورودی و ولتاژ خروجی پایانه
شکل منحنی mse هنگام trainin شبکه
شکل فرکانس خروجی ژنراتور ، شبکه و خطای بین آنها
شکل تابع کشش – طول فعال
شکل شبکه برگشتی
شکل نمودار دو شاخه شدن
شکل حساسیت به شرط اولیه
شکل ایجاد طیف پیوسته از طریق افزایش فرکانس های گسسته
شکل نرخ هماهنگ سازی نمایی سیستم با خطای دینامیک
شکل دینامیک های سنکرون نشده در فضای حالت