الگوریتم IBL
الگوریتمهای یادگیری با ناظر
الگوریتمهای یادگیری افزایشی
یادگیری بر مبنای نمونه و الگوریتمهای آن
دانلود مقالات کارشناسی ارشد رشته هوش مصنوعی
دانلود مقالات ارشد هوش مصنوعی
دانلود مقالات هوش مصنوعی
دسته: هوش مصنوعی
لیست تمام تحقیق ها,مقاله ها,پروژه ها و مطالب:
دانلود خوشه بندی (Clustering)
دانلود مقاله خوشه بندی
دانلود مقاله کلاسترینگ
خوشه بندی
کلاسترینگ
روشهای خوشه بندی
یادگیری بدون ناظر
یادگیری ماشین
دانلود مقالات هوش مصنوعی
دانلود مقالات یادگیری ماشین
خوشه بندی (Clustering)
خوشه بندی
خوشه بندی
Clustering
یادگیری بدون ناظر
یادگیری ماشین
روشهای خوشهبندی
1- خوشهبندی انحصاری (Exclusive or Hard Clustering) وخوشهبندی با همپوشی (Overlapping or Soft Clustering)
2- خوشهبندی سلسله مراتبی (Hierarchical) و خوشهبندی مسطح(Flat)
یادگیری با نظارت در مقابل یادگیری بدون نظارت
خوشهبندی در مقابل چندی سازی برداری
روشهای خوشهبندی سلسله مراتبی
خوشهبندی با روش Single-Link
خوشهبندی با روش Complete-Link
خوشهبندی با روش Average-Link
خوشهبندی بر اساس چگالی
دریافت و دانلود فایل”خوشه بندی (Clustering)”
دانلود پروپوزال سیستم گرافولوژی دست نوشته فارسی به کمک کامپیوتر
گرافولوژی فارسی
تحلیل شخصیت با دست خط
گرافولوژی فارسی با استفاده از درخت تصمیم
بررسی شخصیت فرد بر اساس دستنوشته فارسی
بررسی خصوصیات فردی بر اساس دستنوشته فارسی
گرافولوژی دست نوشته فارسی با استفاده کامپیوتر
پروپوزال گرافولوژی
پروپوزال گرافولوژی فارسی
پروپوزال گرافولوژی دست نوشته فارسی
جهت انجام این تحقیق ابتدا نیازمند به یک پایگاه داده بودیم. ولی هیچ پایگاه داده ای توسط محققان قبلی ارایه نشده بود. لذا تصمیم گرفتیم یک پایگاه داده ایجاد نماییم. مرحله بعدی کار استخراج ویژگی ها بود و مرحله آخر دسته بندی به کمک درخت تصمیم انجام شد. جهت انجام این تحقیق ابتدا نیازمند به یک پایگاه داده بودیم. ولی هیچ پایگاه داده ای توسط محققان قبلی ارایه نشده بود. لذا تصمیم گرفتیم یک پایگاه داده ایجاد نماییم.
نیاز تحقیقات گرافولوژی (چه بصورت دستی و چه بوسیله کامپیوتر ) به یک پایگاه داده، ما را برآن داشت تا نسبت به ایجاد و ارائه آن اقدام نماییم. لذا مجموعه ای از دستخط ها ی فارسی جمع آوری و با دقت 600 dpi اسکن گردید. در راستای اخذ دستخط با بهره گرفتن از نظر اساتید روانشناسی برآن شدیم که نوشته ای واحد که متن آن از لحاظ تحریک احساسات خنثی باشد انتخاب کنیم تا هنگام نوشتن، احساسات افراد دستخوش تغییرات ننماید و از طرفی متن روان و ساده ای باشد. لذا یک متن خنثی از کتاب فارسی اول راهنمایی انتخاب گردید و از افراد خواستیم تا از روی آن بنویسند.
از آنجایی که جهت راستی آزمایی تحقیقات گرافولوژی نیازمند به شناختی از شخصیت افرادی که دستخط های آنها بررسی می کنیم داریم ، در کنار اخذ دستخط، از افراد خواستیم تا پرسشنامه ای را پرکنند. لذا پایگاه داده ارائه شده شامل نمونه دستخط ها به همراه پرسشنامه تکمیل شده شخصیتی افراد می باشد. پرسشنامه مورد استفاده ما در این تحقیق فرم کوتاه 71 عبارت پرسشنامه شخصیتی MMPI می باشد .
فهرست مطالب
فصل 1:کلیات تحقیق 5
1-1 گرافولوژی 6
1-2 اهمیت و ضرورت تحقیق: 6
1-3 اهداف تحقیق 7
روش تحقیق 27
3-1 مقدمه 28
3-2 ایجاد پایگاه داده 28
3-2-1 پرسشنامه شخصیتی MMPI 29
مقیاس های پرسشنامهMMPI به دو دسته تقسیم میشوند: 32
الف ) مقیاس های اعتباری 32
ب ) مقیاس های بالینی 33
خصایص و مشکل مراجع شش بعد مهم دارند: 35
3-3 جامعه آماری 36
3-3-1 ملاحضات اخلاقی 37
3-4 نمونه دستخطهای پایگاه داده ارائه شده 37
شکل (3-1) یک نمونه از دستخط ریز 39
شکل )3-2( نتیجه پرسشنامه(نمودارT ) مربوط به شکل )3-1( 39
شکل (3-3) نمونهای از دستخط با جهت پایین رونده 41
شکل )3-4 ( نتیجه پرسشنامه(نمودارT ) مربوط به شکل )3-3( 41
شکل (3-5) نمونهای از دستخط درشت با حاشیههای پهن از اطراف 43
شکل )3-6( نتیجه پرسشنامه(نمودارT ) مربوط به شکل )3-5( 43
شکل (3-7) نمونهای از دستخطی با حرکات دست و قلم به سمت راست و پایین 44
شکل )3-8( نتیجه پرسشنامه(نمودارT ) مربوط به شکل )3-7( 44
شکل(3-9) نمونهای از دستخطی با جهت پایین و حاشیه زیاد از سمت چپ 46
شکل )3-10( نتیجه پرسشنامه(نمودارT ) مربوط به شکل )3-9( 46
شکل (3-11) نمونهای از نوشتهای محکم 47
شکل )3-12( نتیجه پرسشنامه(نمودارT ) مربوط به شکل )3-11( 48
3-5 نتایج کلی پرسشنامهMMPI 48
شکل(3-13) نتیجه کلی پرسشنامه مددجویان شهر سمنان 49
شکل (3-14) نتیجه کلی پرسشنامه دانشجویان پسر 50
شکل (3-15) نتیجه کلی پرسشنامه دانشجویان دختر 50
فهرست منابع
دریافت و دانلود فایل”پروپوزال سیستم گرافولوژی دست نوشته فارسی به کمک کامپیوتر”
دانلود مدلهای گرافیکی و نمایش آنها
مدل های گرافیکی
مسائل پیچیده و غیر قطعی
الگوریتم های بادگیری ماشین
تئوری احتمال
تئوری گراف
مدلهای گرافیکی و نمایش آنها
دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی
دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی
مدلهای گرافیکی و نمایش آنها
مدل های گرافیکی
مسائل پیچیده و غیر قطعی
الگوریتم های بادگیری ماشین
نمایش های مدل گرافیکی ……………………………………. 4
مدل گرافیکی جهت دار ……………………………. 5
مدل گرافیکی بدون جهت ………………………….. 7
الگوریتم های تبادل پیام ……………………………. 15
دریافت و دانلود فایل”مدلهای گرافیکی و نمایش آنها”
دانلود پاورپوینت الگوریتم و انواع اتوماتاهای یادگیر با بررسی معیارهای رفتاری
پاورپوینت اوتوماتای یادگاری هوش مصنوعی
پاورپوینت یادگیری هوش مصنوعی
پاورپوینت تقسیم بندی اتوماتاها
پاورپوینت مدل های محیط
دانلود پاورپوینت الگوریتم و انواع اتوماتاهای یادگیر با بررسی معیارهای رفتاری جهت رشته هوش مصنوعی در قالب 60 اسلاید و با فرمت pptx بصورت کامل و جامع و با قابلیت ویرایش
يک اتوماتاي يادگير را ميتوان بصورت يک شئ مجرد که داراي تعداد متناهي عمل است، در نظر گرفت. اتوماتاي يادگير با انتخاب يک عمل از مجموعه عمل¬هاي خود و اِعمال آن بر محيط، عمل ميکند. عمل مذکور توسط يک محيط تصادفي ارزيابي ميشود و اتوماتا از پاسخ محيط براي انتخاب عمل بعدي خود استفاده ميکند.
در طي اين فرايند اتوماتا ياد ميگيرد که عمل بهينه را انتخاب نمايد. نحوه استفاده از پاسخ محيط به عمل انتخابي اتوماتا که در جهت انتخاب عمل بعدي اتوماتا استفاده ميشود، توسط الگوريتم يادگيري اتوماتا مشخص ميگردد
فهرست :
تعریف یادگیری
تاریخچه اتوماتای یادگیر
تقسیم بندی اتوماتاها
محیط Enviroment
رابطه بین اتوماتای یادگیر و محیط
مدل های محیط
معیارهای رفتار اتوماتای یادگیر
الگوریتم یادگیری
انواع اتوماتاهای یادگیر
انواع اتوماتاهای یادگیر با ساختار ثابت
اتوماتای یادگیر با ساختار متغیر
ويژگيهاي اتوماتاهاي يادگير
محدودیت ها اتوماتاهاي يادگير
اتوماتاي يادگير توزيع شده
دریافت و دانلود فایل”پاورپوینت الگوریتم و انواع اتوماتاهای یادگیر با بررسی معیارهای رفتاری”
دانلود بررسی انواع متفاوت شبکه های عصبی و کاربرد هر یک از آنها
شبکه عصبی
شبکه عصبی مصنوعی
الگوریتمهای ژنتیک در تجارت
رفتار آشوبگونه مدل شبکه عصبی
شبکه های عصبی مصنوعی
شبکه های عصبی آشوبگونه
رفتار آشوبگونه مدل شبکه عصبی و هماهنگ سازی نمایی آن
بررسی انواع متفاوت شبکه های عصبی و کاربرد هر یک از آنها
دانلود پروژه هوش مصنوعی
دانلود پروژه رشته هوش مصنوعی
دانلود پروژه رشته هوش مصنوعی
بررسی انواع متفاوت شبکه های عصبی و کاربرد هر یک از آنها
شبکه عصبی
شبکه عصبی مصنوعی
رفتار آشوبگونه مدل شبکه عصبی
انواع متفاوت شبکه های عصبی
فصل اول: شبکه عصبی 3
فصل دوم: یك شبكه عصبی جدید و كاربرد آن 17
فصل سوم : آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله 30
فصل چهارم: هماهنگ سازی نمایی شبكه های عصبی آشوبگونه با اغتشاش تصادفی 38
فصل پنجم : شناسایی شبكه های آشوبگونه آغشته به نویز بر مبنای شبكه های عصبی feedforward رگولاریزاسیون 57
فصل ششم : شبکه های عصبی و الگوریتم های ژنتیک در تجارت 64
دریافت و دانلود فایل”بررسی انواع متفاوت شبکه های عصبی و کاربرد هر یک از آنها”
دانلود مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation
مقاله رشته هوش مصنوعی با عنوان شبکه های CascadeCorrelation
شبکه های CascadeCorrelation
دانلود مقاله رشته هوش مصنوعی با عنوان شبکه های CascadeCorrelation
شبکه های عصبی
دانلود مقالات کارشناسی ارشد هوش مصنوعی
مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation
مقدمه
در شبکه های عصبی کلاسیک معماری شبکه باید قبل از شروع کار مشخص شود به این معنی که باید تعداد لایه های مخفی و نرونهای هر لایه مشخص شوند ، تشخیص دقیق معماری بهینه در اکثر موارد با پیچیدگی همراه است و معمولا" از سعی و خطا برای پیدا کردن معماری مناسب استفاده میشود. از طرف دیگر آموزش بر روی شبکه بدست آمده بر روی تمامی شبکه همراه با هم صورت میگیرد. آموزش همه نرون ها با یکدیگر این مشکل را دارد که طی فرآیند آموزش در هر مرحله تمامی ضرایب در جهتی تغییر میکنند که خطای کنونی را کاهش دهد و در مراحل مختلف هر بار بزرگترین منبع خطا دنبال میشود و در مراحل بعدی منبع ( یا منابع ) دیگری که در مرحله کنونی خطای بزرگتری دارند دنبال میشود. این باعث میشود که شبکه بین منابع مختلف خطا تا حدی رفت و برگشت داشته باشد.
شبکه عصبی Cascade-Correlation رویکرد متفاوتی را در نظر میگیرند. در این شبکه ها اولا" معماری شبکه با اضافه کردن نرون های جدید بسته به نیاز تعیین میشود و ثانیا" بجای آموزش تمام شبکه در هر مرحله ، در هر مرحله تنها بخشی از شبکه را آموزش میدهد. به این شکل علاوه بر تعیین خودکار معماری ، از رفت و برگشت بین منابع خطا نیز جلوگیری شده و بازدهی افزایش می یابد.
کلمات کلیدی:
شبکه های عصبی
شبکه های Cascade-Correlation
الگوریتم
معماری شبکه
نرون
دریافت و دانلود فایل”مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation”
دانلود پاورپوینت شبکه های عصبی مصنوعی
پاورپوینت شبکه های عصبی
پاورپوینت شبکه عصبی مصنوعی
پاورپوینت شبکه های مصنوعی عصبی
پاورپوینت شبکه های عصب
دانلود پاورپوینت شبکه های عصبی مصنوعی جهت رشته ی مهندسی نرم افزار و هوش مصنوعی در قالب 45 اسلاید و با فرمت pptx به صورت کامل و جامع و با قابلیت ویرایش
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.
فهرست مطالب
مقدمه
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
الهام از طبیعت
مسائل مناسب برای یادگیری شبکه های عصبی
Perceptron
یادگیری یک پرسپترون
توانائی پرسپترون
توابعی که پرسپترون قادر به یادگیری آنها میباشد
توابع بولی و پرسپترون
آموزش پرسپترون
قانون پرسپترون
قانون دلتا Delta Rule
الگوریتم gradient descent
بدست آوردن قانون gradient descent
محاسبه گرادیان
خلاصه یادگیری قانون دلتا
مشکلات روش gradient descent
تقریب افزایشی gradient descent
شبکه های چند لایه
و…
دریافت و دانلود فایل”پاورپوینت شبکه های عصبی مصنوعی”
دانلود بررسی و تشریح کامل شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی
شبكه هاي عصبي مصنوعي چيست
مبانی شبکه های عصبی مصنوعی ساختارها، الگوریتم ها و کاربردها
پروژه شبکه های عصبی مصنوعی doc
پروژه شبکه های عصبی مصنوعی
دانلود پروژه شبکه های عصبی مصنوعی
پروژه کاربرد شبکه های عصبی مصنوعی
پروژه در مورد شبکه های عصبی مصنوعی
ویژگی های شبکه های عصبی مصنوعی
دانلود تحقیق و پروژه رشته هوش مصنوعی
بررسی و تشریح کامل شبکه های عصبی مصنوعی
معرفی شبکه عصبی مصنوعی
شبکه عصبی مصنوعی یک سامانه پردازشی دادهها است که از مغز انسان ایده گرفته و پردازش دادهها را به عهدهٔ پردازندههای کوچک و بسیار زیادی سپرده که به صورت شبکهای به هم پیوسته و موازی با یکدیگر رفتار میکنند تا یک مسئله را حل نمایند. در این شبکهها به کمک دانش برنامه نویسی، ساختار دادهای طراحی میشود که میتواند همانند نورون عمل کند. که به این ساختارداده نورون گفته میشود. بعد باایجاد شبکهای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش میدهند.
در این حافظه یا شبکه عصبی نورونها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) اند و هر یال (سیناپس یا ارتباط بین گرهها) دارای یک وزن میباشد. یالهای با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی میشوند و یالهای با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می کنند .]12[
تاریخچه شبکههای عصبی مصنوعی
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیستها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکههای عصبی مصنوعی است. این مدل فرضیههایی در مورد عملکرد نورونها ارائه میکند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است. چنانچه حاصل جمع ورودیها از مقدار آستانه بیشتر باشد اصطلاحاً نورون برانگیخته میشود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.
نه تنها نروفیزیولوژیستها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکههای عصبی تاثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده میباشد، است. این سامانه میتواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.
سامانه دیگر مدل خطی تطبیقی نورون میباشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکههای عصبی به کار گرفته شده در مسائل واقعی بودند. آدالاین یک دستگاه الکترونیکی بود که از اجزای سادهای تشکیل شده بود، روشی که برای آموزش استفاده میشد با پرسپترون فرق داشت.در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیتهای سامانههای تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکههای عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمیباشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
با وجود اینکه اشتیاق عمومی و سرمایه گذاریهای موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ که شبکهای تحت عنوان آوالانچ را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکههای ART را بنانهادند که با مدلهای طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیکهایی برای یادگیری ایجاد کردند. ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.
پیشرفتهایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکههای عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشتههای متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شدهاست. ]14[
شبکههای عصبی شیوهای متفاوت برای حل مسئله دارند. کامپیوترهای سنتی از شیوه الگوریتمی برای حل مسئله استفاده میکنند که برای حل مسئله مجموعهای از دستورالعملهای بدون ابهام دنبال میشود. این دستورات به زبان سطح بالا و سپس به زبان ماشین که سامانه قادر به تشخیص آن میباشد تبدیل میشوند. اگر مراحلی که کامپیوتر برای حل مسئله باید طی کند از قبل شناخته شده نباشند و الگوریتم مشخصی وجود نداشته باشد، سامانه توانایی حل مسئله را ندارد. کامپیوترها میتوانند خیلی سودمندتر باشند اگر بتوانند کارهایی را که ما هیچ پیش زمینهای از آنها نداریم انجام دهند. شبکههای عصبی و کامپیوترها نه تنها رقیب هم نیستند بلکه میتوانند مکمل هم باشند. کارهایی وجود دارند که بهتر است از روش الگوریتمی حل شوند و همین طور کارهایی وجود دارند که جز از طریق شبکه عصبی مصنوعی قابل حل نمیباشند و البته تعداد زیادی نیز برای بدست آوردن بازده حداکثر، از ترکیبی از روشهای فوق استفاده میکنند. به طور معمول یک کامپیوتر سنتی برای نظارت بر شبکه عصبی استفاده میشود. شبکههای عصبی معجزه نمیکنند، اگر به طور محسوس استفاده شوند کارهای عجیبی انجام میدهند. ] 12[
نورون مصنوعی
یک نورون مصنوعی سامانهای است با تعداد زیادی ورودی و تنها یک خروجی. نورون دارای دو حالت میباشد، حالت آموزش و حالت عملکرد. در حالت آموزش نورون یاد میگیرد که در مقابل الگوهای ورودی خاص برانگیخته شود و یا در اصطلاح آتش کند. در حالت عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود، خروجی متناظر با آن ارائه میشود. اگر ورودی جزء ورودیهای از پیش شناسایی شده نباشد، قوانین آتش برای بر انگیختگی یا عدم آن تصمیم گیری میکند.
از نورونهای انسان تا نورون مصنوعی
با کنار گذاشتن برخی از خواص حیاتی نورونها و ارتباطات درونی آنها میتوان یک مدل ابتدایی از نورون را به وسیله کامپیوتر شبیه سازی کرد.
فهرست مطالب
2-10- شبکه های عصبی مصنوعی ( ANNs ) 12
2-10-1- مقدمه 12
2-10-2- شبکه عصبی 13
2-10-3- معرفی شبکه عصبی مصنوعی 14
2-10-4- تاریخچه شبکههای عصبی مصنوعی 15
2-10-5- چرا از شبکههای عصبی استفاده میکنیم؟ 17
2-10-7- ساختار شبکههای عصبی 19
2-10-8- تقسیم بندی شبکههای عصبی 20
2-10-9- کاربرد شبکههای عصبی 21
2-10-10- معایب شبکههای عصبی 22
2-10-11- مسائل مناسب برای یادگیری شبکه های عصبی 23
2-11- یادگیری یک پرسپترون 24
2-11-1- آموزش پرسپترون 26
2-11-2- الگوریتم یادگیری پرسپترون 27
2-12- مقایسه آموزش یکجا و افزایشی 28
2-13- شبکه های چند لایه 28
2-14- الگوریتم Back propagation 29
2-15- شبکه های عصبی چند لایه پیش خور 34
2-16- انواع شبکه های عصبی : 37
2-16-1- شبکه عصبی پرسپترون 37
2-16-2- شبکه همينگ 39
2-16-3- شبکه هاپفيلد 41
2-16-4- شبکه عصبی خود سازمانده مدل کوهنن 42
2-16-5- شبکه عصبی تأ خير زمانی 43
2-17- مدل ترکیبی شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (NEURO/DEA ) 44
2-17-1- مقدمه 44
2-17-2- الگوریتم تحلیل کارایی 47
2-17-3- نرمال سازی داده ها 48
2-18- مفاهیم کارایی ، بهره وری و اثربخشی 52
2-19- مروری بر مطالعات انجام شده 54
منابع و مراجع
منابع فارسی
منابع انگلیسی
دریافت و دانلود فایل”بررسی و تشریح کامل شبکه های عصبی مصنوعی”
دانلود پاورپوینت و ارائه کامل استفاده از شبكه های عصبی در شناسایی سیستم های غیر خطی
مدلسازی
شبكه های عصبی
شناسایی سیستم های غیر خطی
دانلود پاورپوینت و ارائه کامل استفاده از شبكه های عصبی در شناسایی سیستم های غیر خطی
سیستم همکاری در فروش فایل
همکاری در فروش فایل
همکاری در فروش
فروش فایل
fileina
فروشگاه ساز فایل
فروشگاه فایل
خرید پاورپوینت رشته کامپیوتر