پاورپوینت مدلسازی سیستم های بیولو ژیکی توسط شبکه های عصبی بازگشتی

نوع فایل:power ppoint

قابل ویرایش:42 اسلاید

قسمتی از اسلایدها:

شبکه های عصبی به طور کلی سیستمهای ریاضی یادگیر غیر خطی هستند. طرز کار این شبکه ها از روش کار مغز انسان الگو برداری شده است. در واقع شبکه های عصبی طبق تعریف ماشینی است برای ساخت یک مدل که می توان آن را بوسیله سخت افزار یا نرم افزار شبیه سازی کرد و عملکردی شبیه مغز انسان دارند.

یک شبکه عصبی بر خلاف کامپیوترهای رقومی که نیازمند دستورات کاملا صریح و مشخص است٬ به مدل های ریاضی محض نیاز ندارد بلکه مانند انسان قابلیت یادگیری به وسیله تعدادی مٽال مشخص را دارد.
هر شبکه عصبی سه مرحله آموزش٬ اعتبار سنجی و اجرا را پشت سر می گذارد. در واقع شبکه های عصبی را می توان در حل مسایلی که روابط دقیق ریاضی بین ورودی ها و خروجی های آن برقرار نیست بکار برد.

 آموزش دیدن شبکه های عصبی در واقع چیزی جز تنظیم وزن های ارتباطی این نرون ها به ازائ دریافت مٽال های مختلف نیست تا خروجی شبکه به سمت خروجی مطلوب همگرا شود

ها در واقع مثلثی هستند با سه ضلع مفهومی  :

Iسیستم تجزیه و تحلیل داده ها

IIنورون یا سلول عصبی

IIIقانون کار گروهی نورونها (شبکه)

vANN ها دست کم از دو جهت شبیه مغز انسا ن اند:

Iمرحله ای موسوم به  یاد گیری دارند.

IIوزن های سیناپسی  جهت ذخیره ی دانش به کار می روند.     

هوش مصنوعی و مدل سا زی شناختی سعی بر این دارند که بعضی خصوصیا ت شبکه های عصبی را شبیه سازی کنند. گرچه این دو روش ها یشان شبیه هم است، اما هدف هوش مصنوعی از این کار حل مسائل شخصی و هدف مدل سا زی شناختی ،ساخت مدلهای ریا ضی سیستم های نورونی زیستی می باشد

فهرست مطالب واسلایدها:

آشنایی با شبکه های عصبی  زیستی

مبانی ANN ها

مدل ریاضی یک نورون

ایده ی اصلی عملکرد شبکه های عصبی مصنوعی

مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر

شبکه های عصبی در مقابل کامپیوترهای معمولی

معایب ANN ها

کاربردهای شبکه های عصبی مصنوعی

فرآیند یادگیری شبکه

یادگیری تحت نظارت یا( supervised )

توپولوژی شبکه

شبکه عصبی بازگشتی

برگشت کلی

برگشت محلی

شبکه های انجمنی

شبکه هاپفیلد

ماشین بولتزمان

شبکه های لایه ای

تصمیم‌گیری ادراکی

مدل‌های ازشبکه‌های جمع‌کننده‌ی زمانی

 تصمیم‌گیری تشویقی

رفتار تطبیقی و رفتار بهینه

منابع وماخذ:

nComputational algorithms and neuronal network models underlying decision processes Yutaka Sakaia,1, Hiroshi Okamotob,2, Tomoki Fukaic, Neural Networks 19 (2006)

پایان نامه دکترای مهندسی پزشکی – بیوالکتریک- محمد ضایزدچی- دانشکده مهندسی پزشکی دانشگاه امیرکبیر تهران

 جزوه درسی دکتر سید علی سید صالحی

http://www.wikipedia.com

http://dbase.irandoc.ac.ir