خرید و دانلود فصل دوم پایان نامه نرون ها و شبکه عصبی مصنوعی با فرمت docx در قالب 19 صفحه ورد بصورت کامل و جامع با قابلیت ویرایش

    یک شبکه  عصبی می تواند برای تبدیل شدن به یک نوع سیستم هوشمند، بر اساس داده های قبلی و یا   داده های نمونه های دیگر که به دقت توسط کارشناسان متخصص انتخاب می شوند، آموزش ببیند. در واقع، یک شبکه  عصبی پس از یک بار آموزش دیدن، به سرعـت به یک متخصـص تبدیل می شود که قادر به حل مسائل مشابه می باشد. همان طور که لی و اویانگ  (2009) بیان کردند، «شبکه  عصبی می تواند از مثال ها یاد بگیرد و در میان داده ها، روابط دقیق عملکردی را متوجه شود. حتی اگر روابط اساسی مجهول، و توصیف آن ها مشکل باشد». 

   مشخصه دیگر شبکه های  عصبی این است که در عمل پردازش اطلاعات مانند جعبه سیاه  عمل می کند. کاربران متوجه نمی-شوند، و البته نیاز نیست که بدانند، چه اتفاقی داخل سیستم می افتد. کاربران تنها باید در ساخت و آموزش شبکه های عصبی بر اساس اهداف و داده ها خود تمرکز کنند در این روش از یک نقاد که به نتایج نامربوط اعتراض می‌‌ کند، استفاده می‌‌ شود و برمبنای اطلاعات انتقادی، شبکه خود را تصحیح می‌‌ کند (عباسی نژاد و محمدی، 1386). . علاوه بر این نوع، میزان و مقدار جزئیات اطلاعات مورد نیاز در کاربردهای مختلف متفاوت است. به منظور توسعه یک شبکه  عصبی، سه مرحله اصلی ساخت، آزمون و کاربرد شبکه وجود دارد. ساخت شبکه های  عصبی را می توان به دو فعالیت تعریف معماری شبکه و تعریف پارامترهای داخلی شبکه تقسیم کرد. آزمون شبکه، شامل ارزیابی عملکرد شبکه با تجزیه و تحلیل انتقادی ظرفیت آن به پاسخ مناسب برای اطلاعات جدید و تحمل نویز  است. در نهایت، در مرحله سوم شبکه در موقعیت های واقعی تصمیم گیری بکار گرفته می‌‌ شود (هاسون ، 1996). 

فهرست مطالب

شبکه­های عصبی مصنوعی

2-7-1-مقدمه

2-7-2-تاریخچه شبکه­های عصبی30

2-7-3-نرون طبیعی

2-7-4-نرون مصنوعی

2-7-5- معماری شبکه عصبی

2-7-5-1- شبکه های پیشرو

2-7-5-2- شبکه­های بازجریانی

2-7-6-یادگیری در شبکه­های عصبی

2-7-7-شبکه پرسپترون چندلایه

 2-7-8-مزایا و معایب شبکه­های عصبی

2-7-9-کاربرد شبکه­های­ عصبی در مدیریت

منابع