طبقه بندی کالا
طبقه بندی کالاهای موجود در فروشگاه های اینترنتی
رده بندی کالاها در فروشگاه های الکترونیکی
یک رهیافت فازی رده بندی کالاها در فروشگاه های الکترونیکی
دانلود مقالات کارشناسی ارشد رشته هوش مصنوعی
دانلود مقالات کارشناسی ارشد هوش مصنوعی
دانلود مقالات ارشد هوش مصنوعی

رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی + 20 اسلاید انگلیسی + داده های همراه

چکیده:

در مکتوبی که پیش رو دارید، روشی برای طبقه بندی کالاهای موجود در فروشگاه های اینترنتی معرفی میگردد. این طبقه بندی بر اساس سلیقه مشتری و همچنین اطلاعات گرفته شده از دیگر موتور جستجوها پیرامون کالای مورد نظر بنا شده است. سلایق مشتری که به صورت زبانی درباره ی کالاها بیان شده (Linguistically defind) ، یا همان خواص محصول، مستقیما از مشتری دریافت می گردد. از طرف دیگر موتورهای جستجو اطلاعاتی پیرامون کالا و بر اساس نظر دیگر مشتریان جمع آوری می کنند. مجموع سلایق مشتری و اطلاعات موتور جستجوها به عنوان مقیاسی جهت آماده سازی اطلاعات جدید و رتبه بندی کالاها مطابق نیاز مشتری استفاده می شود. میانگین وزن دار شده (Weighted average) محصولات، که از اطلاعات پیشین و سلایق عنوان شده توسط مشتری بدست می آید به ما کمک می کند تا محصولات را در فروشگاه اینترنتی رتبه بندی کنیم.

کلمات کلیدی:

سیستم های فازی

رده بندی کالا

رهیافت فازی

رتبه بندی

کمیت سنج زبانی

مقدمه:

در هر دو نوع فروشگاه کلاسیک و آنلاین، یک مشتری مشخصات مورد نظر خود را هنگام خرید کالا مطرح می کند. همزمان مایل است بداند نظر دیگر مشتریان در ارتباط با کالایی که وی قصد خرید ان را دارد چیست.با این پروسه مشتری خواهد فهمید که انتخابش چه قدر با بهترین کالا فاصله دارد. (فاصله صفر وقتی مشتری بهترین انتخاب را دارد). مشتری انتظار دارد این رده بندی و پیشنهادات از طرف خود سیستم بازار الکترونیکی به وی داده شود. در این راه گرفتن اطلاعات، جهت دادن پیشنهاد، کار نسبتا دشواری است.

این دشواری چند برابر می شود وقتی مشتری خواسته ها و سلایق خود را به صورت فازی بیان می کند. سیستم فروش الکترونیک نیاز دارد که در جهت هرچه مشتری مدارتر شدن، این اصطلاحات فازی را نمایش داده و ترکیب کند. یک مشکل دیگر در فروش الکترونیک بیرون کشیدن وزن های پنهان شده درون هر یک از خصوصیاتی است که مشتری بر اساس این وزن های ذهنی، قضاوت و رده بندی نهایی را می طلبد. اعلام این وزن های پنهان، فروش الکترونیکی را هر چه بیشتر بر روی خواست مشتری متمرکز می کند. اما بسیار دشوار است که این وزن ها در فروشگاه های الکترونیکی دریافت و تعریف شوند، زیرا درگیر کردن مشتری با جزئیات از جذابیت خرید خواهد کاست. مطلب بعدی به میزان محبوبیت کالای انتخاب شده بر می گردد. نهایتا سیستم نیاز دراد تمام موارد فوق را با هم ترکیب کرده و رده بندی نهایی را به مشتری اعلام کند.

در این گزارش ما با مشکل اول از طریق نمایش خواص کالا که توسط مشتری بیان می شود، به صورت مجموعه های فازی، روبرو می شویم. مسئله دوم با مفاهیم اپراتور OWA (Ordered Weighted Average) و کمیت سنج زبانی مدیریت می شود. اطلاعات سایر مشتریان از طریق اینترنت و با استفاده از موتورهای جستجو انجام می شود، و نهایتا از ترکیب تمام اطلاعات فوق جهت ارائه یک رده بندی مناسب و دادن اطلاعات جدید جانبی راجع به کالای مورد نظر استفاده خواهد شد.

در بخش 1، مروری بر کارهای انجام شده در این زمینه خواهیم داشت. در بخش 2، به شرح فواید مجموعه های فازی در نمایش یک کالا و کمیت سنج زبانی (Linguistic quantifier)، همراه با توضیح مختصری در ارتباط با اپراتور OWA می پردازیم. در بخش 3، ما به چگونگی رتبه بندی بر اساس اطلاعات گرفته شده از مشتری و همچنین موتورهای جستجو خواهیم پرداخت. در بخش 4، یک مثال عددی را در ارتباط با پروسه فوق از نظر می گذرانیم. مثالی که بررسی خواهد شد مربوط به کاری است که در مقاله مرجع بر روی داده ها انجام شده است. در بخش 5، پیاده سازی روش های رتبه بندی عنوان شده را بر روی داده های گرفته شده از پایگاه اینترنتی UCI، با تغییراتی که جزئیات آن شرح داده خواهد شد، انجام داده و نتایج حاصله را مورد بحث و بررسی قرار می دهیم.

فهرست

چکیده: 3

مقدمه: 3

1_ مروری بر کارهای قبلی: 4

2_ سفارشی کردن کالا: 6

2_1_ مفاهیم فازی در ویژگی های محصول: 6

2_2_ کمیت سنج زبانی (Linguistic Quantifier): 8

2_3_ اپراتور OWA: 9

3_ رتبه بندی محصولات: 9

3_1_ رده بندی از دیدگاه ویژگی های مورد نظر مشتری: 10

3_1_ رده بندی از دیدگاه موتورهای جستجو: 11

4_ رتبه بندی نهایی محصولات: 12

5_ مثال عددی: 13

5_1_ رتبه بندی ماشین ها از دیدگاه مشتری: 14

5_2_ رتبه بندی ماشین ها از دیدگاه مشتری: 14

6_ پیاده سازی روش: 16

6_1_ داده ها: 17

6_2_ مسئله و حل آن: 18

6_3_ بحث و نتیجه گیری: 19

مراجع: 20

دریافت و دانلود فایل”رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی”

هوش مصنوعی

دانلود زبانهای نمایشی و معرفی مدلهای آن

مارس 3, 2022 admin

داده کاوی
اکتشاف دانش
یادگیری ماشین
زبانهای نمایشی
مدلهای زبانهای نمایشی
زبانهای نمایشی و معرفی مدلهای آن
چگونه نشان دادن مسئله به ترمهای محاسباتی در کامپیوتر
دانلود مقالات کارشناسی ارشد نرم افزار
دانلود مقالات کارشناسی ارشد رشته هوش مصنوعی
دانلود مقالات کارشناسی ارشد هوش مصنوعی

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

زبانهای نمایشی و معرفی مدلهای آن

مقدمه:

وقتی میخواهیم یک کاری توسط کامپیوتری حل شود، اولین سوالی که مطرح میشود اینست که چگونه مسئله را باید به ترمهای محاسباتی نشان بدهیم . در یادگیری ماشین این بدان معناست که چگونه مفاهیم، مثالهای آموزشی و دانش اولیه را نمایش دهیم . برای تشریح مفاهیم و نمونه ها از زبانهای نمایشی (Representational Languages) استفاده میکنیم . از نظر قدرت بیان و پیچیدگی میتوان زبانها را طبقه بندی کرد و در یک ترتیب صعودی داریم : Zero-order Logic ، Attribute-value Logic ، Horn Clauses و Second-order Logic . در ادامه به معرفی کوتاهی از این چهار مدل زبان تشریحی میپردازم ولی اساس کار در این مقاله استفاده از Attribute-value Logic میباشد .

کلمات کلیدی:

یادگیری ماشین

زبانهای نمایشی

مدلهای زبانهای نمایشی

دریافت و دانلود فایل”زبانهای نمایشی و معرفی مدلهای آن”

هوش مصنوعی

دانلود حل مساله مسیریابی وسایل نقلیه با پنجره های زمانی با استفاده از الگوریتم ژنتیک

فوریه 27, 2022 admin

الگوریتم ژنتیک
مساله مسیریابی وسیله نقلیه
حل مساله مسیریابی خودرو
حل مساله مسیریابی وسایل نقلیه با پنجره های زمانی با استفاده از الگوریتم ژنتیک
دانلود مقاله رشته هوش مصنوعی

دانلود مقاله رشته هوش مصنوعی

حل مساله مسیریابی وسایل نقلیه با پنجره های زمانی با استفاده از الگوریتم ژنتیک

چکیده:

مشکل مسیریابی خودرو با پنجره های زمانی (NRPTW) یک مسئله ترکیبی شناخته شد. و پیچیده است که در طی سالهای اخیر توجه زیادی را به خود جلب کرده است. این مسئله با استفاده از متون مختلف زیادی که شامل شیوه های مطلق و کامل و آزمایشی است مشخص می شود. معیار مشکلات (NRPTW) از الگوریتم های سولمون (Solomon) برای مسائل مسیریابی و برنامه ریزی با محدودیت های پنجره زمانی می باشد. تحقیق های سازمانی به صورت معمول برای ارزیابی و مقایسه الگوریتم ها انتخاب شده اند.

نتایج حاصل از روشهای مطلق به صورت قابل توجهی توسعه یافته اند که این به علت کاربردهای متوازن و روشهای مدرن شاخه شاخه شده می باشد. به هر حال هنوز 24 مورد از 56 مورد مثال های ترتیبی از مجموعه تست اصل سولمون بدون حل باقی مانده است. به علاوه در بسیاری از روش هایی آزمایشی توسعه یافته راه حل خوبی در مقادیر منطقی زمان می باشند.متأسفانه کلاس های تحقیقاتی که بر پایه روش های دقیقی بوده است، بر روی فاصله طی شده کلی انجام گردیده است و این تمرکز تقریباً بر روی تمام تلاش های انجام شده بر روی تعدادی از متحرکها انجام شده است. در نتیجه مقایسه و بدست آوردن مزیت های نقاط قوت برای رسیدن به هدف مشکل تر خواهد بود.

این مقاله یک شیوه کامل آزمایشی برای NRPTW را با استفاده با مسیر طی شده بعنوان موضوع اصلی در طول الگوریتم ژنتیک کارا و فرمول سازی تقسیم بندی شده را ارائه می دهد. آزمون ها بر اساس تعداد و موضوع نوع اطلاعات تولید شده اند، که اجازه مقایسه مستقیم پیامدهای آن با روش های آزمایشی دقیق گذشته را می دهد. به علاوه، نتایج محاسبه ای نشان می دهد که شیوه پیشنهادی، آزمایشی عملکردها و اجرائیات تمام روشهای شناخته شده قبلی را در دوره هایی با حداقل فاصله طی شده از بین می برد.

کلمات کلیدی:

مسیریابی خودرو

الگوریتم ژنتیک

پنجره های زمانی (NRPTW)

مسئله ترکیبی

الگوریتم های سولمون (Solomon)

مقدمه

مشکل مسیریابی خودرو با پنجره های زمانی(NRPTW ) در جامعه تحقیق سازمانی به صورت گسترده مطالعه شده است. اول، به دلیل اینکه (NRPTW ) یکی از مشکل ترین مسائل در بهینه سازی ترکیبی می باشد و در نتیجه چالش بزرگی را ایجاد می کند، دوم، در مقوله عملی تر مشکل به صورت مستقیم در یک فرصت واقعی برای کاهش هزینه ها در محدوده مهم لژستیکی شرکت می کند. مدیریت حمل و نقل و مخصوصاً مسیریابی خودرو تأثیر اقتصادی قابل توجهی در تمام سیستمهای لژستیکی دارد. در (NRPTW )، در(NRPTW )، ناوگان (انبار) وسایل نقلیه مشخص K ، اجناس را برای مشتریان N تأمین می کنند که تمام خودروها دارای ظرفیت یکسان Q می باشند.

برای هر مشتری i ، ( N ، …، 1=i ، تقاضای کالاها و زمان خدمات و پنجره زمانی برای رفع تقاضاهای i ، شناخته شده اند، ترکیبات بیانگر زمان خدمات بارگیری و یا تخلیه برای مشتری i ، و توصیف کننده زودترین زمانی است که امکان شروع خدمات وجود داشته باشد. اگر هر کدام از خودروها قبل از زمان به مشتری برسند باید مدتی را منتظر بمانند و خودرو باید خدمات مشتری را قبل از شروع کند. این نوع محدودیت های پنجره زمانی بعنوان پنجره های زمانی سخت شناخته شده اند.

تمام مسیرهای خودرو در انبار مرکزی شروع و خاتمه می یابد. هر مشتری باید یک بار ملاقات شود. حداقل فاصله بین مکان های انبار مرکزی و تمام مشتری ها و زمان طی شده بین تمام مکان ها داده شده است. موضوع یافتن راه حلی ساده برای تعیین حداقل مسافت طی شده کلی و یا حداقل تعداد خودروها می باشد. که در این مقاله تنها موضوع اول در نظر گرفته شده است. پیشرفت های زیادی در مسأله معیار سولمون و نمونه های آن توسط روچارت با استفاده از روش فوق آزمایشی تحقیقی به صورت فهرست وار ایجاد شده است. در انتشارات (1995) روچات 47 راه حل آزمایشی را از 56 نمونه اصلی سولمون توسعه داده است.

ویژگی مهم دیگر، متون بهینه سازی قبلی است که توسط روچارت به کار گرفته شده است. این فن شامل حفظ تمام راه حل های جزئی مشخص شده در طول الگوریتم تحقیقی فهرست وار برای کاربردهای بعد می باشد. مسیرهای هر روش میانی در مجموعهT قرار گرفته است. پس بعد از پایان معیار سنجی فهرستی، تحقیقی بدست آمده، ممکن است بهترین راه حلی باشد که با استفاده از حل مسأله تقسیم بندی شده از مسیرهای با استفاده از نرم افزار کشف شود.

فهرست مطالب

خلاصه: 1

مقدمه 2

2- تنظیم مدل تقسیم بندی 7

3) ژنتیک و تنظیم الگوریتم جزء بندی شده دو مرحله ای 9

103 جستجو برای راه حل های کوچک محلی 11

3-1-1 الگوریتم ژنتیک 12

3-1-1-1: مجموعه اولیه 14

3-1-1-2: انتخاب 15

3-1-1-3: تناسبات: 15

3-1-1-4: مجموع (تقاطع) 16

3-1-1-6 تغییر و دگرگونی 18

3-2: الگوریتم کامل 25

4- نتایج محاسبه شده 29

1-4: تنظیم و ارائه کلی پارامترهای GA 30

4-2 پیامدها و نتایج برای حداقل فاصله کلی 33

منبع

دریافت و دانلود فایل”حل مساله مسیریابی وسایل نقلیه با پنجره های زمانی با استفاده از الگوریتم ژنتیک”

هوش مصنوعی

دانلود پاورپوینت معرفی هوش مصنوعی

فوریه 15, 2022 admin

پاورپوینت هوش مصنوعی کامپیوتر
پاورپوينت هوش مصنوعی
پاورپوینت هوش مصنوعی در کامپیوتر
پاورپوينت مبانی هوش مصنوعی
پاورپوينت تاریخچه هوش مصنوعی

دانلود پاورپوینت معرفی هوش مصنوعی جهت رشته ی مهندس نرم افزار در قالب 46 اسلاید و با فرمت pptx به صورت کامل و جامع و با قابلیت ویرایش

اولين ماشين پردازشگر ديجيتال،در سال1944 ساخته شد.

انجام محاسبات سنگين مانند معادلات محاسبه مسير حركت موشک، مقاومت پل ها، محاسبه ماليات ها و …

كامپيوتریعنی محاسبه گر

فهرست مطالب

تاريخچه هوش مصنوعی

تعريف هوش مصنوعی

معرفی شاخه های هوش مصنوعی و مثال ها

دریافت و دانلود فایل”پاورپوینت معرفی هوش مصنوعی”

هوش مصنوعی

دانلود ارایه یک روش جدید خوشه بندی مبتنی بر انرژی خودسازمانده با استفاده از شبکه عصبی SOM به منظور کاهش مصرف انرژی درشبکه های حسگر بی سیم

فوریه 12, 2022 admin

شبکه عصبی SOM
پروتكل‌ مسیریابی مبتنی بر خوشه‌بندی
پروتكل خوشه‌بندی مبتنی بر انرژی خودسازمانده
کاهش مصرف انرژی در شبكه‌های حسگر بی‌سیم
دانلود مقالات کارشناسی ارشد رشته هوش مصنوعی
دانلود مقالات ارشد هوش مصنوعی
دانلود مقالات هوش مصنوعی
کاهش مصرف انرژی درشبکه های حسگر بی سیم

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

ارائه یک روش جدید خوشه بندی مبتنی بر انرژی خودسازمانده با استفاده از شبکه عصبی SOM به منظور کاهش مصرف انرژی درشبکه های حسگر بی سیم

چکیده

پروتكل‌های مسیریابی مبتنی بر خوشه‌بندی یكی از مهمترین روش‌های كاهش مصرف انرژی در شبكه‌های حسگر بی‌سیم هستند. در این مقاله، یك پروتكل خوشه‌بندی جدید، ارایه می‌شود. این پروتكل خوشه‌بندی جدید كه پروتكل خوشه‌بندی مبتنی بر انرژی خودسازمانده (EBCS) نام دارد، با استفاده از شبكة عصبی نقشة خودسازماندهی(SOM)، گره‌های شبكه را براساس دو معیار سطح انرژی و همسایگی خوشه‌بندی می‌نماید و سعی در توازن بهتر انرژی در خوشه‌ها و نهایتاً افزایش طول عمر شبكه و حفظ پوشش شبكه‌ای دارد. در ادامة این مقاله به بیان فرضیات، تشریح مراحل الگوریتم جدید و تفاوت‌های آن با الگوریتم‌های مرتبط پیشین خواهیم پرداخت.

کلمات کلیدی:

شبکه عصبی SOM

پروتكل‌ مسیریابی مبتنی بر خوشه‌بندی

پروتكل خوشه‌بندی مبتنی بر انرژی خودسازمانده

کاهش مصرف انرژی در شبكه‌های حسگر بی‌سیم

مقدمه

برای بهره‌مندی از اثربخشی الگوریتم‌های مسیریابی مبتنی بر خوشه‌بندی در افزایش طول عمر شبكه‌های حسگر بی‌سیم، الگوریتم خوشه‌بندی جدیدی ارایه شده است كه بر اساس انرژی و با استفاده از شبكة عصبی نقشه خودسازماندهی كار می‌كند. انگیزه خلق EBCS، بی‌توجهی الگوریتم‌های خوشه‌بندی قبلی به سطح انرژی گره‌ها به عنوان پارامتر اصلی تشكیل خوشه‌های شبكه بوده است. تلاش تحقیق حاضر این بوده است كه با بهبود ایدة سنتی خوشه‌بندی(خوشه بندی بر حسب مكان)، به منظور رسیدن به هدف اصلی شبكه‌های حسگر بی‌سیم یعنی افزایش طول عمر شبكه همزمان با حفظ پوشش شبكه‌ای، روشی یكپارچه برای خوشه‌بندی مبتنی بر مكان – انرژی ارایه نماید. باور ما برای ارایة الگوریتم جدید این بوده است كه خوشه‌بندی مبتنی بر انرژی می‌تواند خوشه‌هایی با سطح انرژی یكسان ایجاد كرده و مصرف انرژی را به شكل بهتری در بین سراسر گره‌های شبكه توزیع كند.

فهرست مطالب

ارایه یک روش جدید خوشه بندی مبتنی بر انرژی خودسازمانده با استفاده از شبکه عصبی SOM به منظور کاهش مصرف انرژی درشبکه های حسگر بی سیم 2

مقدمه 2

1-1. پروتكل مسیریابی خوشه‌بندی مبتنی بر انرژی خودسازمانده 3

1-2. فرضیات الگوریتم 4

1-3. مراحل خوشه‌بندی 5

1-3-2. مرحلة اول : خوشه‌بندی با شبكة عصبی نقشة خودسازماندهی 7

1-3-3. مرحلة دوم : خوشه‌بندی با الگوریتم K-means 15

1-3-4. مرحلة انتخاب سرخوشه 17

1-4. مرحلة انتقال داده 20

1-5. مرحلة خوشه‌بندی مجدد 22

1-6. جمع‌بندی 27

مراجع 27

دریافت و دانلود فایل”ارایه یک روش جدید خوشه بندی مبتنی بر انرژی خودسازمانده با استفاده از شبکه عصبی SOM به منظور کاهش مصرف انرژی درشبکه های حسگر بی سیم”

هوش مصنوعی

دانلود پاورپوینت ربات های هوشمند

فوریه 11, 2022 admin

دانلود پاورپوینت ربات های هوشمند
دانلود پاورپوینت در مورد ربات های هوشمند

دانلود پاورپوینت روبات های هوشمند جهت رشته هوش مصنوعی در قالب 63 اسلاید و با فرمت pptx به صورت کامل و جامع و با قابلیت ویرایش

موسسه بین المللی استاندارد روبات را بصورت زیر تعریف کرده است:

روبات وسیله ای است که بصورت خودکار کنترل شود، قابل برنامه ریزی مجدد باشد، چند منظوره بوده و با داشتن چندین درجه آزادی قدرت جابجائی داشته باشد. روبات میتواند متحرک و یا ثابت باشد.

امروزه روباتها در انجام بسیاری از کارها به کمک انسان آمده و در برخی کارها نیز جایگزین آدمی گشته اند از جمله:

کار در کارخانه، اکتشافات فضائی، جراحی، بصورت دست آموز خانگی! و….

بطور کلی روباتها در کارهائی استفاده میشوند که خطرناک بوده ( مثل نیروگاههای هسته ای)، مشکل و تکراری باشند (مثل اغلب کار کارخانه ها) و محیط های کثیف (مثل داخل لوله ها).

فهرست مطالب

روبات چیست؟

اهمیت روباتها

روباتیک چیست؟

اجزا یک سیستم روباتیک

روبات هوشمند

روباتیک و هوش مصنوعی

روبات صنعتی هوشمند

توانائی های روبات آدم نما

کاربرد روبات هوشمند

اعمال اصلی یک روبات هوشمند

روشهای مختلف تعامل روبات با محیط

سیر تحول در کنترل روبات

و…

دریافت و دانلود فایل”پاورپوینت ربات های هوشمند”

هوش مصنوعی

دانلود فصل دوم پروژه طراحی لباس

فوریه 6, 2022 admin

فصل دوم پروژه طراحی لباس
فصل دوم پروژه طراحی لباس
فصل دوم پروژه رشته طراحی لباس
دانلودفصل دوم پروژه طراحی لباس
نمونه فصل دوم پروژه طراحی لباس
فصل دوم پروژه طراحی پارچه و لباس
فصل دوم پروژه در مورد طراحی لباس

فصل دوم پروژه طراحی لباس با عنوان مطالعۀ نشانه شناسی طراحی لباس از شاهنامه می باشد. این نوشتار در واقع مبانی نظری و پیشینه تحقیق موضوع خواهد بود.در واقع نشانه شناسی در کهن ترین روزگاران تفکر آدمی ریشه دارد و در هزارتوی تاریخ پر راز و رمزِ او پرورده شده است . پيشينه پژوهش‌های نشانه‌شناختی به دنياي باستان بازمی‌گردد . در نوشته‌های فلسفی، منطقی، دستوری ، پزشكی ، و معرفت‌ شناختی يونان باستان و نيز تأملات چينی ها، هندی‌ها و مسلمانان ،اشارات بسياري به سرشت و نقش نشانه‌ها و دلالت‌هاي آنها می توان يافت.

اين آثار را اگر چه نمی توان به معنای دقيق و امروزين كلمه، آثاري نشانه‌شناختی خواند ، اما بی‌شك نقش برجسته‌اي در تاريخ تفكرات نشانه‌شناختی و پی ريزی دانش نشانه‌شناسی داشته‌اند، پس در واقع دانشی نیست که یک شبه به وجود آمده باشد ، بلکه ریشه هایی عمیق و ستبر در روزگاران کهن دارد. ریشه در کوشش های کهن بقراط و جالینوس برای فهم مناسبات میان جسم و ذهن و برای ربط دادن علائم به امراض دارد. به عبارت دیگر ، یونانیان قدیم را می‌توان نخستین رهروان نشانه‌شناسى دانست ، هر چند نشانه شناسی عمری به درازای تاریخ دارد و نظریه ای نیست که به یک باره شکل گرفته باشد ، و اگر چه ریشه های آن به افلاطون و اگوستین باز می گردد ، با این حال ،رشته ایست جدید از علوم انسانی که در آغاز قرن بیستم، به طور جدی پدید آمد و در نتیجه،هنوز مشروطیت رشته های قدیمی تر همچون فلسفه را ندارد.

با وجودِ تاریخ غنی تفکرات نشانه‌شناختی، «نشانه‌شناسی معاصر عمدتاً بر اساس اندیشه‌های دو متفکر یعنی فردینان دوسوسور زبان‌شناس سوئیسی، و چارلز سندرس پیرس فیلسوف و منطقی امریکایی، استوار شده است. سوسور بیشتر از منظری فنی و زبان شناسانه به این نظریه پرتو افکنده است و رویکرد نشانه شناختی اش بسیار ساده و البته کلاسیک است و پیرس رویکردی مفصل تر و منعطف تر دارد .در واقع هر دو ، میان دانش و نشانه پیوندی تازه برقرار کرده اند و این رویکرد فکری را به قلمرو مطالعات دانشی وارد ساخته اند .» (ضیمران، 1382 :8)اما « ما ایرانیان نه تنها نقشی در تحولاتی که نشانه شناسی در سدۀ بیستم به خود دیده است نداشته ایم ، بلکه در این زمینه با فقر و خلاء نظری عمیقی دست به گریبانیم.»(نرسیسیانس، 1391 : 10)به هر حال نشانه شناسی از دهۀ 1950 میلادی نیز همچون روش پژوهش در شناخت دلالت ها وادراک کارکردهای ارتباطی به کار رفته شده است.

فهرست مطالب
مقدمه 1

فصل اول :کلیات تحقیق 3
1-1) بیان مسئله 4
1-2) اهداف تحقیق 4
1 -3) اهمیت وضرورت تحقیق 5
1-4) سوالات تحقیق 6
1-5) فرضیه ها 6
1-6) روش تحقیق 7
1-7) پیشینۀ تحقیق 8

فصل دوم :مبانی نظری تحقیق 10
2-1 (چهارچوب نظری 11
2-1-1) مروری برعلم نشانه شناسی 11
2-1-2) نشانه شناسی 12
2-1-3) نشانه شناسان 16
2-1-4) رویکرد فردینان دوسوسور 17
2-2) تعریف واژگان اصلی 21
2-2-1) نشانه 21
2-2-2) زبان و نشانه 23
2-2-3) نماد و نشانه 24
2-2-6) بررسی شاهنامه 27
2-3) تعریف واژگان فرعی 32
2-3-1)مروری بر تطور پوشاک 32
2-3-2)فرهنگ پوشش 33

منابع:

گزارش کار عملی
پیوست الف
پیوست ب

دریافت و دانلود فایل”فصل دوم پروژه طراحی لباس”

هوش مصنوعی

دانلود رفتار آشوبگونه مدل شبکه عصبی و هماهنگ سازی نمایی آن

فوریه 3, 2022 admin

شبکه عصبی
شبکه عصبی مصنوعی
الگوریتمهای ژنتیک در تجارت
رفتار آشوبگونه مدل شبکه عصبی
هماهنگ سازی نمایی شبكه های عصبی آشوبگونه
شبکه های عصبی مصنوعی
دانلود پروژه هوش مصنوعی
دانلود پروژه رشته هوش مصنوعی
رفتار آشوبگونه مدل شبکه عصبی و هماهنگ سازی نمایی آن

دانلود پروژه رشته هوش مصنوعی

رفتار آشوبگونه مدل شبکه عصبی و هماهنگ سازی نمایی آن

*ضمیمه شدن پاورپوینت پروژه در قالب 85 اسلاید و بصورت رایگان🙂

چکیده:

این پروژه 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 شبكه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبكه های آشوبگونه آغشته به نویز بر مبنای شبكه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت می پردازیم.

کلمات کلیدی:

شبکه عصبی

شبکه عصبی مصنوعی

الگوریتمهای ژنتیک در تجارت

رفتار آشوبگونه مدل شبکه عصبی

هماهنگ سازی نمایی شبكه های عصبی آشوبگونه

مقدمه:

شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت پیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها و اطلاعات برای یادگیری و ایجاد دانش است.

عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. مثلاً با اعمال سوزش به سلول‎های عصبی لامسه، سلول‎ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثال‎ها وزن سیناپس‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند.

توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‎ای از عناصر پردازش ساده (نورون‌ها) است که می‌تواند رفتار پیچیده کلی تعیین شده‎ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسون‎ها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب) نشأت گرفته‌است که یکی از قابل توجه‎ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می‎دهد. در یک مدل شبکه عصبی، گره‎های ساده (بطور گسترده «نورون»)، «نورون‌ها»، «PEها» (عناصر پردازش) یا واحدها برای تشکیل شبکه‎ای از گره‎ها، به هم متصل شده‌اند. به همین دلیل به آن «شبکه‎های عصبی» اطلاق می‎شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگاری‌پذیر باشد، استفاده عملی از آن بواسطه الگوریتم‌هایی امکان‌پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد.

فهرست مطالب

مقدمه 2

فصل اول: شبکه عصبی 3

یک شبکه عصبی مصنوعی چیست؟ 3

چرا از شبکه های عصبی استفاده می کنیم ؟ 4

شبکه های عصبی در مقابل کامپیوتر های معمولی 5

انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها 6

چگونه مغز انسان می آموزد ؟ 6

از سلول های عصبی انسانی تا سلول های عصبی مصنوعی 7

انواع یادگیری برای شبکه های عصبی 7

زمینه‌ای در مورد perceptron 10

Perceptron های ساده: 10

قدرت Perceptron 10

دنباله‌های Perceptron 11

قضیه بنیادی دنباله‌ها: 12

هوش جمعی 14

(Particle Swarm Optimitation(PSO: 15

Particle swarm Optimitation Algorithm: 16

فصل دوم: یك شبكه عصبی جدید و كاربرد آن 17

یك شبكه عصبی جدید و كاربرد آن 17

معرفی 17

– نورون با خاصیت آشوبگونه : 18

– شكل شبكه: 19

-قانون آموزش شبكه: 21

– مدلسازی ژنراتور سنكرون دریایی 24

5-1 روش مدلسازی دینامیك 24

شكل 4. سیستم شناسایی ژنراتور سنكرون دریایی به وسیله شبكه عصبی 26

شكل 5. توان گشتاور ورودی و فركانس خروجی ژنراتور 27

نتایج مدلسازی 27

شكل 6. جریان تحریك ورودی و ولتاژ خروجی پایانه 28

شكل8. فركانس خروجی ژنراتور، شبكه و خطای بین آن ها 29

نتیجه فصل 29

شكل 9. ولتاژخروجی ژنراتور، شبكه و خطای بین آن ها 29

فصل سوم : آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله 30

۱) معرفی 30

– منحنی طول – کشش 31

– شبکه های عصبی 32

ساختار برگشتی 32

شکل ۲. شبکه برگشتی. 33

مقایسه با مدل های دیگر 33

نتایج تجربی 33

نمودار دوشاخه شدن 33

شکل ۳. نمودار دو شاخه شدن. 34

شکل ۵. نمودار دو شاخه شدن ۱&#۹۴۵; نسبت ۲&#۹۴۵; 35

تغییرات طیف 35

شکل ۶. حساسیت به شرط اولیه.(a : ۰.۲ نسبت به ۰.۲۰۰۱( 36

– نتیجه فصل 37

فصل چهارم: هماهنگ سازی نمایی شبكه های عصبی آشوبگونه با اغتشاش تصادفی 38

1- معرفی 38

2- نمادها و مقدمات 39

3- نتایج مهم 44

اثبات تئوری 1 : 47

شكل 5. نرخ هماهنگ سازی نمایی سیستم با خطای دینامیك. 56

شكل 6. دینامیك های سنكرون نشده در فضای حالت. 56

فصل پنجم : شناسایی شبكه های آشوبگونه آغشته به نویز بر مبنای شبكه های عصبی feedforward رگولاریزاسیون 57

2- شبكه های feedforward رگولاریزاسیون 58

3- طراحی شبیه سازی 60

3-1 سیستم آشوبگونه مورد بررسی 60

3-2 تولید دیتا 60

3-3 روش های ارزیابی شبكه آموزش یافته 61

4- شبیه سازی ها 62

شكل 3. منحنی رگولاریزاسیون (α = 0.5) 64

شكل4. جذب كننده شبكه آموزش یافته (α = 0.5) 64

6- نتیجه 64

فصل ششم : شبکه های عصبی و الگوریتم های ژنتیک در تجارت 64

فناوری شبکه عصبی 67

فناوری الگوریتم ژنتیک 71

مروری بر کاربردهای تجاری 72

بازاریابی 73

بانکداری و حوزه های مالی 75

سایر حوزه های تجاری 78

مزایای استفاده از این فناوریهای هوش مصنوعی 78

نتایج 79

منابع 80

دریافت و دانلود فایل”رفتار آشوبگونه مدل شبکه عصبی و هماهنگ سازی نمایی آن”

هوش مصنوعی

دانلود کاربردهای شبکه عصبی در OCR (نسخه آپدیت شده + فایل ارائه )

ژانویه 12, 2022 admin

پیش پردازش
شبکه عصبی
تشخیص نوری کاراکتر
بازشناسی شناسه های دستنویس
کاربردهای شبکه عصبی در OCR
شناسایی کاراکتر با شبکه عصبی
دانلود مقالات کارشناسی ارشد هوش مصنوعی
دانلود مقالات ارشد هوش مصنوعی

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

کاربردهای شبکه عصبی در OCR

(نسخه آپدیت شده + فایل ارائه )

چكیده

این گزارش به بررسی كاربردهای شبكه های عصبی مصنوعی در بازشناسی شناسه های دستنویس اختصاص دارد. این كاربردها را میتوان به سه دسته تقسیم كرد: كاربرد در پیش پردازش، كاربرد در بخش بندی و كاربرد در دسته بندی. بعضی از كاربردهای پیش پردازشی مربوط به یادگیری فیلترهای مناسب برای بهبود تصویر، تعیین زاویه چرخش شناسه یا سند حاوی شناسه ها برای اصلاح آن و خوشه بندی پیكسل های مربوط به شناسه، برای باریك سازی آن است. در بخش بندی، از شبكه عصبی برای تعیین تعداد شناسه های موجود در تصویر ورودی و جداسازی آنها از هم استفاده می شود. در مهم ترین كاربرد یعنی دسته بندی، از شبكة عصبی برای تعیین دستة مربوط به الگوها استفاده می شود. علاوه بر استفاده از شبكه های عصبی جهت دسته بندی به صورت منفرد، از آنها به صورت تركیبی نیز استفاده می شود. بعضی روش ها، شبكة عصبی را برای تركیب خروجی بدست آمده از دسته بندهای منفرد به كار گرفته اند.

واژه های كلیدی:

پیش پردازش

شبکه عصبی

تشخیص نوری کاراکتر

بازشناسی شناسه های دستنویس

مقدمه

یکی از مسائل مهم در حوزة شناسایی الگو، بازشناسی شناسه‎های دست‎نویس است که تا کنون تحقیقات وسیعی روی آن به انجام رسیده و هنوز از بعضی جهات به عنوان یکی از مسائل باز مطرح است. توسعه روش‎های کارآمد جهت بازشناسی شناسه‎های دست‎نویس می‎تواند در شناسایی خودکار حروف و اعداد درج شده در فرم‎ها، مبالغ چک‎ها و بسیاری کاربردهای دیگر راهگشا باشد. بزرگ‎ترین چالش در این حوزه، تنوع شیوه‎های رسم شناسه‎ها است.یکی از اولین مسائلی که شبکه‎های عصبی به عنوان گزینه‎ای برای حل آن مطرح شد، بازشناسی شناسه‎ها بود. امروزه، شبکه‎های عصبی مصنوعی به صورت گسترده در بازشناسی و تحلیل اسناد به کار می‎رود.

بیشتر این تلاش‎ها به بازشناسی شناسه‎های مجزای دست‎نویس و چاپی اختصاص داشته، که اغلب با موفقیت همراه بوده است. تنوع شبکه‎های عصبی مورد استفاده در این حوزه قابل توجه است. از آن جمله می‎توان به پرسپترون چند لایه (MLP)، ماشین بردار پشتیبان (SVM)، شبکه‎های خود سازمانده (SOM)، شبکه‎های انجمنی و انواع دیگر اشاره کرد.این گزارش، به بررسی کاربرد‎های شبکه‎های عصبی در مراحل مختلف سیستم‎ها بازشناسی شناسه‎های دست‎نویس اختصاص دارد. پس از مقدمه و در بخش دوم، به کاربرد‎های شبکه‎های عصبی در پیش‎پردازش تصاویر ورودی پرداخته می‎شود. در بخش سوم، موارد استفاده از شبکه‎های عصبی در بخش‎بندی مورد بررسی قرار می‎گیرد. در بخش چهارم، کاربردهای شبکة عصبی در دسته‎بندی مورد توجه قرار می‎گیرد. در بخش پنجم نیز، جمع‎بندی و پیشنهادات ارائه شده است.

فهرست مطالب

چكیده 1

واژه های كلیدی 1

مقدمه 1

2- پیش‎پردازش 2

2-1- بهبود تصویر 2

شکل 1-1) بهبود تصویر با استفاده از شبکة عصبی 3

2-2- اصلاح چرخش 4

2-3- باریک‎سازی 4

3- بخش بندی 4

4- دسته‎بندی 6

4-1- بازنمایی الگو و رمزگذاری 7

4-3- رمزگذاری ویژگی‎های ساختاری 9

4-4- ساختارهای ترکیبی 10

5- جمع‎بندی و پیشنهادها 12

مراجع 14

دریافت و دانلود فایل”کاربردهای شبکه عصبی در OCR (نسخه آپدیت شده + فایل ارائه )”

هوش مصنوعی

دانلود پاورپوینت تعریف هوش و هوش مصنوعی

ژانویه 5, 2022 admin

هوش,هوش مصنوعی,هوش چندگانه,هوش هیجانی ,هوش معنوی,سیتم های خبره,عامل های هوشمند,هوش انسانی,AI ,Artificial Intelligence ,

پاورپوینت بصورت فایل قابل ویرایش (pptx) در 102 اسلاید و فایل WORD برای رشته کامپیوتر در پایین همین صفحه قابل دانلود میباشد. شایسته یادآوری است که پروژه از ابتدا تا آخر ویرایش وتنظیم , سکشن بندی (section) ، و فهرست گذاری کامل شده وآماده تحویل یا کپی برداری از مطالب مفید آن است.

فهرصت مطالب

تعریف هوش ……………………………………….. 1

تعریف تربیتی هوش……………………………………. 1

تعریف تحلیلی هوش ………………………………… 1

تعریف کاربردی هوش……………………………….. 2

تاریخچه مطالعات مربوط به هوش ……………………… 2

عوامل موثر بر هوش……………………………….. 3

انواع آزمونهای هوش ……………………………….. 3

طبقات هوش ………………………………………. 4

هوش چندگانه……………………………………….. 4

پوستر…………………………………………….. 4

صوت……………………………………………… 4

نمایش دادن …………………………………………. 5

موسیقی …………………………………………….. 5

هوش هیجانی ………………………………………… 5

اندازه‌گیری هوش هیجانی ………………………………. 6

هوش معنوی …………………………………………. 7

هوش مصنوعی ……………………………………… 10

فلسفۀ هوش مصنوعی………………………………… 13

مدیریت پیچیدگی …………………………………….. 14

سیستم‌های خبره ……………………………………… 16

عامل‌های هوشمند …………………………………….. 16

آینده هوش مصنوعی ………………………………….. 17

تاریخ هوش مصنوعی …………………………………. 17

جان مك كارتی ……………………………………….. 19

هدف هوش مصنوعی ………………………………….. 20

هوش مصنوعی و هوش انسانی………………………….. 20

ویژگی های هوش مصنوعی …………………………….. 21

هوش مصنوعی ترکیبی …………………………………. 23

دین و هوش مصنوعی ………………………………….. 27

اشاره…………………………………………………. 27

بررسی آزمون…………………………………………… 30

دستكاری نمادها ………………………………………… 31

دو فرضیه در هوش مصنوعی …………………………….. 32

استدلال اتاق چینی ……………………………………… 33

دین و برداشت مكانیكی از تفكر …………………………… 38

منابع …………………………………………………. 45

نمونه ای از مطالب پاورپوینت

تعریف هوش

بطور کلی تعاریف متعددی را که توسط روان شناسان برای هوش ارائه شده است، می‌توان به سه گروه تربیتی (تحصیلی) ، تحلیلی و کاربردی تفسیم کرد.

تعریف تربیتی هوش

به اعتقاد روانشناسان تربیتی ، هوش کیفیتی است که مسبب موفقیت تحصیلی می‌شود و از این رو یک نوع استعداد تحصیلی به شمار می‌رود. آنها برای توجیه این اعتقاد اشاره می‌کنند که کودکان باهوش نمره‌های بهتری در دروس خود می‌گیرند و پیشرفت تحصیلی چشم گیری نسبت به کودکان کم هوش دارند. مخالفان این دیدگاه معتقدند کیفیت هوش را نمی‌توان به نمره‌ها و پیشرفت تحصیلی محدود کرد، زیرا موفقیت در مشاغل و نوع کاری که فرد قادر به انجام آن است و به گونه کلی پیشرفت در بیشتر موقعیتهای زندگی بستگی به میزان هوش دارد.

تعریف تحلیلی هوش

بنابه اعتقاد نظریه پردازان تحلیلی ، هوش توانایی استفاده از پدیده‌های رمزی و یا قدرت و رفتار موثر و یا سازگاری با موقعیتهای جدید و تازه و یا تشخیص حالات و کیفیات محیط است. شاید بهترین تعریف تحلیلی هوش به وسیله « دیوید وکسلر » ، روان شناس امریکایی ، پیشنهاد شده باشد که بیان می‌کند: هوش یعنی تفکر عاقلانه ، عمل منطقی و رفتار موثر در محیط.

تعریف کاربردی هوش

در تعاریف کاربردی ، هوش پدیده‌ای است که از طریق تستهای هوش سنجیده می‌شود و شاید عملی‌ترین تعریف برای هوش نیز همین باشد.

این پروژه شامل 46 صفحه word و 102 صفحه اسلاید پاورپوینت است و مناسب برای تحقیقات پروژه و پروژه برای ارائه در دانشگاه میباشد