دانشکده فنی و مهندسی-گروه مهندسی کامپیوتر و فناوری اطلاعات
پایان نامه برای دریافت درجه کارشناسی
مهندسی کامپیوتر گرایش سخت افزار
عنوان :
هوش مصنوعی و کاربردهای آن
چکیده
هدف از این پروژه آشنائی با هوش مصنوعی به عنوان سمبل ونماد دوران فراصنعتی و نقش و کاربرد آن در صنایع و مؤسسات‌تولیدی می‌باشد. بدین منظور،در این پروژه هوش مصنوعی موردمطالعه قرار می‌گیرد و سئوالاتی نظیر این که هوش مصنوعی‌چیست؟ تفاوت هوش‌مصنوعی و هوش طبیعی (انسانی) درچیست؟ شاخه‌های عمده هوش مصنوعی کدامند؟ و نهایتأ، اجزای‌هوش مصنوعی نیز تشریح می‌شود. وسپس کاربردهای هوش مصنوعی‌در صنایع و مؤسسات‌تولیدی، بخصوص در زمینه‌سیستم‌های خبره وشبکه های عصبی و فازی مورد مطالعه وتجزیه و تحلیل قرارگرفته است.
واژه های کلیدی: هوش مصنوعی ، هوش طبیعی ، شبکه عصبی ، سیستمهای فازی ، سیستمهای خبره کربرد هوش مصنوعی در صنایع
فهرست مطالب
عنوان شماره صفحه
تقدیر و تشکر 2
چکیده 3
فصل اول 12
مقدمه ای بر هوش مصنوعی 12
1-1 مقدمه 13
2-1 هوش مصنوعی چیست ؟ 14
3-1 تعریف و طبیعت هوش مصنوعی 15
4-1 تاریخچه هوش مصنوعی 16
1-4-1 تکوین هوش مصنوعی (1955-1943) 17
2-4-1 پیدایش هوش مصنوعی (1956) 18
5-1 ماشینی با هوش مصنوعی 18
6-1 چالش های بنیادین هوش مصنوعی 20
7- 1 شاخه های علم هوش مصنوعی 22
8-1 هوش مصنوعی قوی و ضعیف 23
9-1تکنیک‌ها وزبان‌های برنامه نویسی هوش مصنوعی 24
فصل دوم 26
مفاهیم وتعاریف هوش مصنوعی 26
1-2 مفاهیم و تعاریف هوش مصنوعی 27
2-2 تعاریف هوش مصنوعی 27
3-2 صفات هوش مصنوعی 28
1-3-2 پردازش نمادین 28
فهرست مطالب
عنوان شماره صفحه
2-3-2 یادگیری ماشینی 29
4-2 تکامل هوش مصنوعی 29
5-2- سیستم خبره 30
6-2- ساختار سیستم خبره 32
1-6-2 فواید سیستم خبره 33
2-6-2 تفاوت سیستم خبره و سیستم های پشتیبان تصمیمگیری 34
3-6-2- معماری سیستم خبره 34
7-2- انواع روش های برنامه نویسی و ارتباط با سیستم های خبره 37
1-7-2رویهای 37
2-7-2تابعی 37
3-7-2 امری 37
4-7-2 غیررویهای 37
5-7-2 غیراظهاری 38
6-7-2 اظهاری یا اخباری 38
8-2- ابزارهای ایجاد سیستم خبره 38
فصل سوم 40
کاربردهای هوش مصنوعی 40
1-3 مقدمه 41
2-3 صنعت 41
3-3 هواشناسی 42
4-3 شهرسازی 42
5-3 کشاورزی 42
فهرست مطالب
عنوان شماره صفحه
6-3 علوم نظامی و امنیتی 43
7- 3 نجوم و فضا نوردی 44
8-3 پزشکی 45
9-3 فناوری های علمی 45
10-3 باستان شناسی 46
11-3 تبلیغات 46
12-3 اقتصاد 47
13-3روانشناسی 47
فصل چهارم 48
شبکه های عصبی و سیستمهای فازی 48
1-4 مقدمه 49
2-4- شبکه های عصبی 50
3-4 واحدها در شبکه های عصبی 51
4-4 ساختارهای شبکه 54
5-4 شبکه های عصبی پیشرو تکلایهای (پرسپترونها) 56
6-4شبکه های عصبی پیشرو چندلایهای 63
7-4یادگیری ساختارهای شبکة عصبی 70
8-4 منطق فازی 72
9-4 معرفی شبکه عصبی مصنوعی 73
1-9-4 تاریخچه شبکه‌های عصبی مصنوعی 74
2-9-4 چرا از شبکه‌های عصبی استفاده می‌کنیم 75
1-2-9-4یادگیری تطبیقی 75
فهرست مطالب
عنوان شماره صفحه
2-2-9-4خود سازماندهی 75
3-2-9-4عملگرهای بی‌درنگ 76
4-2-9-4دسته بندی 76
5-2-9-4تعمیم دهی 76
6-2-9-4پایداری- انعطاف پذیری 76
3-9-4 شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی 76
10-4 ساختار شبکه‌های عصبی 77
11-4 معایب شبکه‌های عصبی 78
12-4خصوصیات و تفاوت های سیستم های خبره و شبکه های عصبی 78
13-4 چرا سیستمهای فازی 80
1-13-4 سیستمهای فازی چگونه سیستم‌هایی هستند؟ 81
14-4 انواع سیستمهای فازی 82
1-14-4 سیستم فازی خالص 82
2-14-4 سیستم فازی تاکاگی ـ سوگنو و کانگ 82
3-14-4سیستمهای فازی با فازی‌ساز و غیر فازی ساز 83
1-3-14-4ریاضیات فازی 83
2-3-14-4منطق فازی و هوش مصنوعی 83
3-3-14-4سیستمهای فازی 83
4-3-14-4 عدم قطعیت و اطلاعات 83
5-3-14-4 تصمیمگیری فازی 83
15-4 کاربردهای منطق فازی 84
16-4 منطق فازی و هوش مصنوعی 84
فهرست مطالب
عنوان شماره صفحه
17-4 تاریخچة مجموعه‌های فازی 85
فصل پنجم 89
نتیجه گیری 89
1-5 نتیجه گیری 90
1-1- 5 تاریخ هوش مصنوعی 90
2-1-5 خلاصه ای از تاریخچه هوش مصنوعی 91
منابع 92
پیوست 93
فهرست شکل ها
عنوان شماره صفحه
شکل 1.1 هوش مصنوعی 16
شکل 1-2- معماری سیستم خبره 35
شکل 4- 1 شبکه عصبی 51
شکل 2-4 مدل ریاضی ساده ای برای یک عصب ، فعالیت خروجی واحد برابرai=gi=0nWjiai است که در آن aj فعالیت خروجی از واحد I می باشد و Wji وزن روی پیوند از واحد I به این واحد است. 52
شکل 4-4-با مفروض داشتن ورودی مناسب و وزنهای بایاس، واحدها با وجود یک تابع فعالیت استانه میتوانند به صورت گیت های منطقی عمل کنند. 54
شکل 5-4-یک شبکه عصبی بسیار ساده با دو ورودی، یک لایه پنهان دو واحدی، و یک خروجی. 55
شکل 6-4-(الف) یک شبکه پرسپترون متشکل از سه واحد خروجی پرسپترون که 5 ورودی را به اشتراک میگذارند. با بررسی یک واحد خروجی خاص (مثلا دومی، که درشت و برجسته شده است)، میبینیم که وزنهای روی پیوندهای ورودی ان، هیچ تأثیری روی دیگر واحدهای خروجی ندارند. (ب) نموداری از خروجی یک واحد پرسپترون دو ورودی با یک تابع فعالیت دوهلالی. 57
شکل 7-4-تفکیک پذیری خطی در پرسپترونهای استانه. نقاط سیاه، نشاندهندة نقاطی در فضای ورودی هستند که مقدار تابع در انها 1 است، و نقاط سفید نشان دهنده نقاطی هستند که این مقدار 0 است. پرسپترون در ناحیه طرف غیر سایه دار خط، مقدار 1 را بر می گرداند. در (ج)، هیچ چنین خطی که به درستی، ورودی ها را دسته بندی کند وجود ندارد. 58
شکل 9-4- الگوریتم یادگیری نزول گرادیان برای پرسپترونها، که یک تابع فعالیت مشتق پذیر gرا فرض میکند. درمورد پرسپترونهای استانه ، عامل ازقانون به روز سازی وزن حذف می شود. روال NEURAL-NET-HYPOTHESISفرضی را برمی گرداند که خروجی شبکه را برای هر مثال مفروض محاسبه می کند. 61
شکل 10-4-مقایسه کارایی پرسپترونها و درختان تصمیم. (الف) پرسپترونها در یادگیری تابع اکثریت از 11 ورودی، بهتر از درختان تصمیم اند. (ب) درختان تصمیم در یادگیری گزاره WillWaitدر مثال رستوران بهتر عمل می کنند 62
شکل 11-4-(الف) نتیجه ترکیب دو تابع هموار استانه با رویه های مخالف به منظور تولید یک تابع مرز. (ب) نتیجه ترکیب دو تابع مرز برای به وجود اوردن یک برامدگی. 64
شکل 12-4-یک شبکه عصبی چندلایه ای با یک لایه پنهان و 10 ورودی، که برای مسأله رستوران مناسب است. 65
شکل 13-4-الگوریتم پس-انتشار برای یادگیری در شبکه های چندلایه ای. 68
شکل 14-4-(الف) منحنی اموزشی برای مجموعه مفروضی از مثالها در دامنه رستوران، همانطور که وزنها در طول دوره های مختلف تغییر میکنند، نشان دهنده کاهش تدریجی در خطاست. (ب) منحنیهای یادگیری مقایسهای نشان میدهند که یادگیری درخت تصمیم کمی بهتر از پس-انتشار در یک شبکه چندلایهای است. 70
فهرست شکل ها
عنوان شماره صفحه
جدول 1 – 1 چهار دسته از تعاریف هوش مصنوعی 14
پایان نامه هوش مصنوعی و کاربردهای آن
