اطلاعیه ی سایت
با سلام و احترام خدمت شما بازدیدکنندگان لطفا موارد زیر را به دقت مطالعه نمایید :
  • عزیزانی که به هر دلیل موفق به دریافت و یا دانلود فایل مورد نظرشان نشده اند (می توانند با مراجعه به صفحه تماس با ما مشکل خود را اطلاع داده تا مشکل آن ها برطرف گردد)
  • به اطلاع شما عزیزان می رسانیم با توجه به اینکه شبکه شاپرک اقدام به تهیه پروتکل امنیتی لایه باز کرده است و این شرکت نیز هم اکنون از نسخه 39 و نسخه های پایین تر مرورگر های گوگل کروم و موزیلا فایرفاکس پشتیبانی نمی کند، بنابراین الزامی است که برای پرداخت وجه مرورگر شما به روز شده باشد و از آخرین نسخه مرورگرتان استفاده کنید.
عدم آپدیت (به روز بودن) مرورگر باعث می شود، به جای صفحه درگاه بانک، خطای عدم تایید خرید را مشاهده نمایید. راه حل : با آپدیت نمودن مرورگرتان، می توانید از بروز تراکنش های ناموفق پیشگیری کنید و خریدتان بدون مشکل انجام می شود.

پروژه ارزیابی الگوریتم ژنتیک برای بهبود شبکه BPN

  • موضوع پروژه هوش مصنوعی : پروسه ارزیابی الگوریتم ژنتیک برای بهبود شبکه BPN
  • مربوط به رشته : کامپیوتر (درس هوش مصنوعی)
  • فرمت اجرایی : در قالب Word
  • تعداد صفحات : ۷۳

پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه پس انتشار خطا bpn

این پژوهش یک الگوریتم ژنتیک را بکار می برد تا پارامترها و توپولوژی bpn را با استفاده از یک پروسه ارزیابی دو فاز بهینه سازی  کند. در حین آموزش به bpn ،ابتدا فاکتورهای کمی مناسب و تنظیمات مجاز آنها تعیین می شود و سپس پارامتر ها و توپولوژی bpn روی یک نوع رشته بیت نگاشت داده می شوند. یک الگوریتم ژنتیک باینری استفاده می شود تا پارامتر ها و توپولوژی های مختلف عصبی را کد کند و متغیرهای تصمیم کد شده را به طور مستقیم به زیر رشته ای از کروموزوم ها نگاشت  می دهد. سرانجام ماتریس های وزن غربال شده از هر نسل از الگوریتم ژنتیک برای بهینه سازی پارامترها و توپولوژی bpn جمع آوری شده و دوباره ارزیابی می شوند.

پروژه هوش مصنوعی الگوریتم ژنتیک

پروژه هوش مصنوعی الگوریتم ژنتیک

شناسایی تنظیمات سطح فاکتور bpn

قبل از استفاده از الگوریتم ژنتیک برای بهینه سازی پارامترها و توپولوژی bpn ،لازم است ابتدا متغیرهای تصمیم گیری شان شناسایی شده تا فضای جستجوی روش ها تعیین شود. در بیشتر موارد یک لایه مخفی کافیست تا محدوده تصمیم گیری موردنظر برای خروجی ها بدست آید. در دیگر مقالات از شبکه های عصبی با دو یا سه لایه پنهان برای کاربردهای پیچیده تر استفاده شده است . تعداد نرون های مخفی مورد نیاز بستگی به تعداد لایه های مخفی مورد استفاده دارد ، در بسیاری از کاربردها نیاز است توپولوژی bpn به طور کامل بسط داده شود تا نتیجه مطلوب بدست آید. بنابراین تعداد لایه های مخفی به ۳ لایه در این مقاله گسترش می یابد و تعداد نرون ها در لایه پنهان ۶۳ عدد خواهد بود. تعداد نرون ها در لایه ورودی و خروجی بستگی به مسئله دارد . با توجه به اینکه در این مقاله از مجموعه داده Pima استفاده می شود ،۸ ورودی (ویژگی) و ۳ خروجی (کلاس) وجود دارد. فضای راه حل ها به وسیله تنظیم محدوده وزن های اولیه از bpn به صورت پویا کشف می شود تا فضای جواب را تصدیق نماید وبا این عمل، فرصت بیشتری برای جستجو تخصیص داده ،از بهینه محلی خارج شده و به سمت بهینه عمومی حرکت می کند.از بررسی مقالات قبلی به نظر می رسد که روش آزمایش و خطا عمومی ترین روش برای شناسایی مقدار بهینه نرخ یادگیری و مومنتم یک bpn می باشد . در روش پیشنهادی مرتبا، محدوده وزن های اولیه ،سرعت یادگیری ،مومنتم، تعداد لایه های مخفی ،تعداد نرون ها در لایه اول ،تعداد نرون ها در لایه دوم و تعداد نرون ها در لایه سوم از bpn به یک زیر رشته نگاشت داده می شوند تا احتمال پیدا نمودن بهینه عمومی را بهبود دهند . پس از تعیین حوزه های مناسب برای پارامتر ها و توپولوژی  شبکه ، الگوریتم ژنتیک استفاده می شود تا مقدار دقیق این ویژگی های شبکه را ارزیابی نماید. که آنگاه برای بهینه سازی کارایی bpn استفاده خواهد شد.

فهرست مطالب پروژه شبکه های عصبی ارزیابی الگوریتم ژنتیک برای بهبود شبکه BPN

  1. چکیده
  2. مقدمه
  3.  الگوریتم ژنتیک
  4. روشهای به کار رفته در این گزارش
  5. آموزش شبکه با bp
  6. فاکتور های آموزش bp
  7. شناسایی تنظیمات سطح فاکتور bpn
  8. فاز یک از پروسه ارزیابی الگوریتم ژنتیک
  9. فاز دو از روال ارزیابی الگوریتم ژنتیک
  10. شبیه‌ سازی و ارائه نتایج تجربی
  11. شبیه سازی Back propagation
  12. نتایج دیگر مقالات
  13. نتایج روش پیشنهادی
  14. نتیجه‌ گیری و بحث
  15. منابع و مراجع
  16. پیوست (کد نویسی)

بانک ملت

ایمیل:
کلیه کارت های عضو شبکه شتاب امکان پرداخت اینترنتی را دارند.
لینک دانلود پس از پرداخت در اختیار شما قرار می گیرد.
مبلغ قابل پرداخت: ۴,۰۰۰تومان
2 لایک
۰ تا کنون ثبت شده است
گرافیک و طراحی : پارس تمز

Copyright © 2015 All rights Reserved

تمام حقوق مادی و معنوی و طرح قالب برای "تک آی آر" محفوظ است و هر گونه کپی برداری خلاف قوانین می شود.