سمینار ارشد برق تشخیص اثر انگشت توسط شبکه عصبی

اختصاصی از هایدی سمینار ارشد برق تشخیص اثر انگشت توسط شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

چکیده:

برای اینکه تشخیص اثر انگشت به صورت کامل و درست صورت گیرد موارد زیادی را می توان در نظر گرفت که در نهایت باعث رسیدن به جواب مطلوب گردد. در فصل اول سعی بر آن شده تا کلیات و تاریخچه ای از اثرانگشت بیان شود. چرا که شناخت هرچه بیشتر یک پدیده باعث راحتی در کار با آن پدیده می گردد.

در فصل دوم کلیاتی از شبکه عصبی آنالیز موجک و الگوریتم SVM آورده شده است. این کلیات در فصل های بعدی کاربرد زیادی دارند. در فصل سوم به حافظه های انجمنی و نحوه برخورد آنها با یک الگو را بیان می کنیم. در فصل های بعد روش های مختلف پردازش و پیش پردازش برای بالا بردن کیفیت این سازوکار آورده خواهد شد. در نهایت نتایج آزمایش شده از این علمکردها باهم مقایسه می گردند.

مقدمه:

شبکه های عصبی مصنوعی که در واقع الگو برداری شده از شبکه های عصبی طبیعی هستند کاربردهای زیادی در حل مسائل گوناگون دارند. در این سمینار سعی بر آن است تا بتوان از قابلیت های بالای این شبکه ها در شناخت یکی از موارد زیست سنجی انسان یعنی اثرانگشت استفاده کرد.

بررسی این موضوع از این جهت صورت گرفته که امروزه تشخیص اثر انگشت به یک امر ضروری تبدیل شده است. باید اضافه نمود که استفاده از شبکه عصبی می تواند از چند دیدگاه جالب باشد. اول اینکه شناخت اثر انگشت در نگاه کلی یک پردازش تصویر و یک شناخت الگو است که توسط شبکه عصبی انجام می شود دوم قابلیت تعمیم این شبکه هاست که کمک می کنند تا در شرایط سخت هم خروجی قابل قبولی داشته باشیم.

بنابراین برای تشخیص اثر انگشت باید از روش های مختلفی برای کمک به شبکه عصبی استفاده کنیم.

فصل اول:

کلیات اثر انگشت

1-1) هدف

با توجه به اینکه در بسیاری از کارهای امروزی نظیر بانکداری الکترونیک، کارت های اعتباری، کارت های هوشمند و بسیاری از کارها که اطلاعات باید به صورت الکترونیکی ذخیره شوند، نقش سیستم هایی که توانایی تشخیص خودکار مشخصات افراد را دارند بسیار مهم است. در این بین نقش اثر انگشت بسیار تا بسیار مهم است.

با توجه به اینکه برای پیاده سازی این موارد شرایط بسیار خوبی مانند حسگرهای کوچک و ارزان قیمت وجود دارد بررسی و تحقق اهداف در این زمینه بسیار آسان تر گردیده است. در این فصل به بررسی کلیاتی از اثر انگشت می پردازیم که در فصل های بعد لازم می باشند.

1-2) تاریخچه

اولین نشانه های بیان شده در مورد اثر انگشت مربوط می شود به 5000 سال پیش در نزدیکی بین النهرین. اما اولین بار در کشور چین از اثر انگشت در کارهای دفتری، خرید، قراردادها، وام ها و بدهی ها استفاده گردید. قدیمی ترین اثر یافت شده در این زمینه مربوط به 300 سال پیش است.

اولین مقاله علمی معتبر در مورد اثر انگشت توسط دکتر NEHEMIAH GREW که از دانشمندان مورفولوژی بودند نوشته شد. مورفولوژی در واقع عمان علم مربوط به ریخت شناسی یا شکل شناسی است. این مقاله در مورد لبه ها، منفذها و شیارهایی بود که در ساختار هر اثر انگشت دیده می شود.

تعداد صفحات: 76

پروژه با عنوان کنترل دور موتور القایی به روش شبکه عصبی - 162 صفحه

اختصاصی از هایدی پروژه با عنوان کنترل دور موتور القایی به روش شبکه عصبی - 162 صفحه دانلود با لینک مستقیم و پر سرعت .

مقدمه :

مطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل در کار یادگیری دخیل هستند.گمان میرود که مغز انسان از تعداد ۱۰ ۱۱ نرون تشکیل شده باشد که هر نرون با تقریبا ۱۰۴ نرون دیگر در ارتباط است.سرعت سوئیچنگ نرونها در حدود ۱۰-۳ ثانیه است که در مقایسه با کامپیوترها ۱۰ -۱۰ ) ثانیه ( بسیار ناچیز مینماید. با این وجود آدمی قادر است در ۰٫۱ ثانیه تصویر یک انسان را بازشناسائی نماید. این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد. شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.یادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده است. این روش در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد. در این پروژه ابتدا به بررسی کنترل دور موتور القایی به صورت تثبیت ولتاژ و فرکانس، کنترل دور با داخل کردن مقاومت در مدار روتور و … اشاره شده است و سپس برمبنای توانایی شبکه عصبی در تقریب و کنترل توابع غیر خطی و با توجه به اینکه موتور القایی خود ساختار غیر خطی دارد ، یک مدل شبکه عصبی برای موتور القایی ساخته می شود . برای ایجاد این مدل ولتاژ و جریان موتور به عنوان ورودی و گشتاور و سرعت موتور به عنوان خروجی فرض می شود . و شبکه عصبی به ازای تعدادی از داده های ورودی – خروجی آموزش داده خواهد شد . مدل بدست آمده تقریب خوبی نسبت به مقادیر واقعی موتور بدست می دهد …

.

.

.

.

بهبود کارایی شبکه عصبی در بازشناسی الگو با استفاده از خوشه بندی FCM

اختصاصی از هایدی بهبود کارایی شبکه عصبی در بازشناسی الگو با استفاده از خوشه بندی FCM دانلود با لینک مستقیم و پر سرعت .

در این مقاله روشی برای بهبود کارایی شبکه عصبی MLP در باز شناسی الگو با استفاده از خوشه بندی FCM پیشنهادی برای بازنشناسی ارقام دستنویس فارسی استفاده شده است ونتایج حاصله کارایی روش را تایید میکند.

دانلود پایان نامه شبکه های عصبی مصنوعی

اختصاصی از هایدی دانلود پایان نامه شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

پایان نامه شبکه های عصبی

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:77

فهرست مطالب:

مقدمه

فصل اول:

سابقه تاریخی

استفاده های شبکه عصبی

مزیتهای شبکه عصبی

شبکه های عصبی در مقابل کامپیوتر های معمولی

شباهت های انسان و سلول های عصبی مصنوعی

چگونه مغز انسان می آموزد

انواع یادگیری برای شبکه های عصبی

هوش جمعی

فصل دوم:

معرفی

نورون با خاصیت آشوبگونه

شکل شبکه

قانون آموزش شبکه

مدلسازی ژنراتور سنکرون دریایی

نتایج فصل

فصل سوم :

معرفی

منحنی طول - کشش

شبکه های عصبی

نتایج تجربی

نتیجه فصل

فصل چهارم:

معرفی

نمادها و مقدمات

نتایج مهم

شرح مثال

نتیجه فصل

فصل پنجم:

معرفی

شبکه های feedforward رگولاریزاسیون

طراحی شبیه سازی

شبیه سازی ها

نتیجه فصل

فصل ششم :

فناوری شبکه عصبی

فناوری الگوریتم ژنتیک

بازاریابی

بانکداری و حوزه های مالی

منابع

چکیده :

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 های 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.

یک شبکه عصبی مصنوعی چیست؟
یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.   سابقه تاریخی
به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است. خیلی از پیشرفت های مهم با تقلید ها و شبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky و Papert شناسانده شد. Minsky و Papert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد .
اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.   چرا از شبکه های عصبی استفاده می کنیم ؟
شبکه های عصبی ، با قابلیت قابل توجه آنها در استنتاج معانی از داده های پیچیده یا مبهم ، میتواند برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان برای بر آورد وضعیت های دلخواه جدید و جواب سؤال های " چه می شد اگر " استفاده کرد.   مزیتهای دیگر شبکه های عصبی
یادگیری انطباق پذیر: قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین و تجربه های مقدماتی.
سازماندهی توسط خود: یک ANN می تواند سازماندهی یا ارائه اش را ، برای اطلاعاتی که در طول دوره یادگیری در یافت می کند، خودش ایجاد کند. عملکرد بهنگام(Real time ) : محاسبات ANN می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوصی طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند.
تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری اطلاعات : خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگر چه تعدادی از قابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند.

شبکه های عصبی در مقابل کامپیوتر های معمولی
شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند . کامپیوتر های معمولی یک مسیر الگو ریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ، خیلی پر فایده تر بودند.
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.
از طرف دیگر ، کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند . راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.
شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های الگو ریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند . حتی فراتر از این ، مسائلی وجود دارد که نیازمند به سیستمی است که از تر کیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید. شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق میکنند.

و...

NikoFile

کد متلب گیت های and و or با شبکه عصبی پرسپترون (perceptron) در متلب

اختصاصی از هایدی کد متلب گیت های and و or با شبکه عصبی پرسپترون (perceptron) در متلب دانلود با لینک مستقیم و پر سرعت .

    کد متلب  گیت های and و or  با شبکه عصبی پرسپترون (perceptron) در متلب