
•از یک سری اطلاعات اولیه بر اساس یک سری قواعد، نتایجی استخراج کنیم که در اطلاعات اولیه وجود نداشته باشد
•در برابر اتفاقات جدید به کمک تجربیات قبلی نتایج جدید بگیریم
•قدرت تصمیم گیری در برابر شرایط دیده شده و دیده نشده
پاورپوینت درس هوش مصنوعی
•از یک سری اطلاعات اولیه بر اساس یک سری قواعد، نتایجی استخراج کنیم که در اطلاعات اولیه وجود نداشته باشد
•در برابر اتفاقات جدید به کمک تجربیات قبلی نتایج جدید بگیریم
•قدرت تصمیم گیری در برابر شرایط دیده شده و دیده نشده
بررسی چرم مصنوعی و تأثیر فرمولاسیون در خواص فیزیکی چرم به انضمام تست کدر شدن و بخار گرفتگی روی منسوجات و چرم
87 صفحه فایل ورد و قابل ویرایش
- موضوع و زمینة کاربرد
این روش به منظور اندازه گیری «کدری» ایجاد شده توسط مواد بکار رفته در قطعات داخلی خودرو، می باشد. این روش مربوط به تمام مواد تزئینی داخلی (منسوجات، چرمها، منسوجات پلاستیکی و غیره) و قطعات داخل بدنة خودرو (عایق صوتی تشک صندلی، قطعات جلو داشبورد، قطعات ریختگی مانند طاقچة عقب یا رودری و غیره) میباشد.
این روش همچنین برای محصولات خمیری شکل یا مایعات بکار برده میشود (روکش های پلاستیکی، مواد اولیه و غیره).
این روش از استاندارد آلمانی DIN 75 201 «تعیین بخار گرفتگی مواد تزئینی داخل خودروها» اقتباس شده است.
2- مبنای آزمایش
نمونه ای آزمایشی را در ته بشری قرار دهید و بشر را با صفحه ای شیشه ای بپوشانید به طوریکه مواد فرار نمونه آزمایشی بتوانند به مایع تبدیل شوند. (میعان)
بشر را حرارت دهید و همزمان صفحة شیشه ای را برای اینکه امکان میعان مواد وجود داشته باشد، سرد کنید.
رسوب را آزمایش کنید، با اندازه گیری ضریب انعکاس در دمای 60 درجه میزان «بخار گرفتگی» را تعیین کنید.
3- تعریف عبارات و علائم
«بخار گرفتگی» یا «کدر شدن»: میعان مواد فرار جدا شده از مواد داخل اتومبیل، روی شیشه ها و به ویژه روی شیشه جلو و عقب
اندیس بخار گرفتگی F : از دست دادن ضریب انعکاس را بر حسب درصد می دهد، این ضریب مربوط به نسبت ضریب انعکاس اندازه گیری شده پلاکی شیشه ای در دمای 60 درجه قبل و بعد از آزمایش می باشد.
4- تجهیزات و شناساگرها
1-4- محفظة آماده سازی
تشکیل شده از ظرفی مجهز به یک ترموستات می باشد و 6 بشر درون آن جای می گیرد. ابعاد داخلی ظرف باید حداقل 260mm * 270mm*550 mm باشد.
دمای محفظه توسط ترموستات طوری تنظیم میشود که آزمایش بین 60 درجه سانتیگراد و 130 درجه سانتیگراد انجام شود. پیش بینی های ایمنی باید جزء لاینفک سیستم باشند تا از بالا رفتن بیش از حد گرما جلوگیری شود. گردش، حجم سیال، گرم کردن باید پیش بینی شده باشند تا دمای مجموعة محفظه از 5/0 درجه سانتیگراد دمای آزمایش تفاوت نکند.
محفظه باید طوری ساخته شده باشد که بعد از وارد کردن بشرها درون محفظه ریسک افت دما بیشتر از 3 درجه سانتیگراد نباشد، و دمای آزمایش حداکثر در 10 دقیقه مجدداً به حالت اول برگردد، فاصله می نیمم بین بشرها و جدار mm30 می باشد و فاصله ته حوض و ته بشرها mm75 میباشد.
توجه: جهت اطلاع، می توان از وسایل با مارک Haake که از طریق شرکت Roucaire عرضه می شود، استفاده کرد.
(Roucaire.BP 65.20 av.de I'Europe.78143 V'elizy-Villacoublay)
2-4- سیستم تبرید
تشکیل شده از صفحة خنک کنندة توخالی از فلز ضدرنگ (مثل آلومینیوم)، با دو انشعاف آب خنک کننده که طوری قرار گرفته اند تا آب خنک کننده درون پلاک گردش کند.
سطح اتصال با صفحه شیشه ای باید صاف باشد، جرم صفحة خنک کنندة پر از آب باید حداقل 1kg باشد تا فشار عمودی ناشی از فرو بردن بشر به درون محفظه حذف گردد. برای هر محل باید یک صفحة خنک کننده در نظر گرفته شود.
برای محدود کردن اختلاف دما بین ورودی و خروجی مدار به حداکثر 1 درجه سانتگیراد در حدود دمای متوسط آب 21 درجه سانتیگراد صفحه های خنک کننده و کریوستات (سرماپا) باید پیش بینی شده باشند.
3-4- بشرها و تجهیزات آنها
1-3-4- بشرهای ته صاف شیشه ای
فهرست مطالب
عنوان صفحه
تقدیر
پیشگفتار
مقدمه (چکیده)1
- فصل اول (مباحث نظری)
پلیوینیل کلراید (P.V.C)6
مخلوطهای PVC-NBR10
مخلوطهای PVC-ACRYLIC16
مخلوطهای PVC-ELATOMER25
مخلوطهای PVC-POLYALKENE27
مخلوطهای PVC-CPE, PVC-CSR30
مخلوطهای PVC-poly urethane37
مخلوطهای PVC-EVAC,PVC/EVAC-VC39
مخلوطهای PVC-ABS43
مخلوطهای رزین مهندسی و PVC
آلیاژ با PVC48
آلیاژ با COPO49
عنوان صفحه
آلیاژ با PC51
آلیاژ با POM52
آلیاژ با PI52
آلیاژ با PVP54
- Reasons for benefits and problems of blending55
- فصل دوم (مباحث عملی)
یک فوم از چه اجزائی تشکیل شده است؟59
عناوین آزمایشات صورت گرفته روی فوم59
آزمایش اول (اگر افزایش مواد فوماز با پارامترهای فوم Dop= 65gr)61
آزمایش دوم (اثر افزایش Dop بر پارامترهای فوم)62
آزمایش سوم (اثر افزایش مواد فوماز بر پارامترهای فوم Dop= 85 gr)62
آزمایش چهارم (اثر افزایش کربنات کلسیم بر پارامترهای فوم)63
آزمایش پنجم (اثر افزایش ASUA بر پارامترهای فوم)64
فرمول ماده فوماز و درصد ترکیبات آن64
- فصل سوم (تست کدر شدن- بخارگرفتگی (fogging) روی منسوجات و چرم
موضوع و زمینه کاربرد66
مبنای آزمایش66
عنوان صفحه
تعریف عبارات و علائم67
تجهیزات و شناساگرها67
آمادهسازی نمونهها72
روش انجام آزمایش73
تشریح نتایج79
گزارش آزمایش83
فرمت :PDF
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...
هوش مصنوعی، دانش ساختن ماشین ها یا برنامههای هوشمند است. » همانگونه که از تعریف فوق-که توسط یکی از بنیانگذاران هوش مصنوعی ارائه شده است- برمیآید،حداقل به دو سؤال باید پاسخ داد:
1ـ هوشمندی چیست؟
2ـ برنامههای هوشمند، چه نوعی از برنامهها هستند؟تعریف دیگری که از هوش مصنوعی میتوان ارائه داد به قرار زیر است:
« هوش مصنوعی، شاخهایست از علم کامپیوتر که ملزومات محاسباتی اعمالی همچون ادراک (Perception)، استدلال(reasoning) و یادگیری(learning) را بررسی کرده و سیستمی جهت انجام چنین اعمالی ارائه میدهد.» و در نهایت تعریف سوم هوش مصنوعی از قرار زیر است: