مبانی نظری و پیشینه تحقیق شبکه عصبی فازی مصنوعی
فرمت فایل دانلودی: .zipفرمت فایل اصلی: DOCX
تعداد صفحات: 60
حجم فایل: 662
قیمت: 25000 تومان
بخشی از متن:
مبانی نظری و پیشینه تحقیق شبکه عصبی فازی
تعداد صفحات : 60
فرمت : word (قابل ویرایش)
کاملترین و به روزترین در سطح اینترنت
دارای پیشینه داخلی و خارجی جدید (1389-1397)
دارای منابع فارسی و انگلیسی جدید
فاقد غلط املایی و نگارشی.
رفرنس دهی و پاورقی استاندارد.
بخشی از مطالب فایل :
شبکه عصبی فازی
سیستم فازی
در میان روشهای مدل سازی نوین، سیستمهای
فازی جایگاه ویژه ای را کسب نموده اند. این امر را می توان معلول توانایی پیاده سازی
دانش بشری با استفاده از مفهوم برچسبهای زبانی و قواعد فازی، غیر خطی بودن و قابلیت
تطبیق پذیری این نوع سیستمها دانست. به طور خلاصهیک سیستم فازییک سیستم مبتنی بر
قواعد منطقی اگر- آنگاه است. نقطه شروع ساختیک سیستم فازی به دست آوردن مجموعه ای
از قواعد اگر- آنگاه فازی از دانش فرد خبرهیا دانش حوزه مورد نظر است. به دست آوردن
این قواعد مهمترین و سخت ترین مرحله کار است. چرا که نیازمند دانش بالای فرد متخصص
و پیاده سازی صحیح آن است. داشتن روشی که در کنار دانش بشری بتوان از اطلاعات عادی
موجود برای ساخت قواعد استفاده کرد نیز می تواند در این مرحله بسیار مفید باشد(آذر
و افسر،1385). در این بخش به طور مختصر به معرفی سیستمهای فازی که غالبا در
مسائلی نظیر پیشبینی به طور مکمل استفاده میشوند، پرداخته میشود. همانطور که
اشاره شد، برای بیان کردن سیستمهای فازی احتیاج به قوانین اگر-آنگاه است. در
سیستمهای فازی از متغیرهای فازی استفاده میشود. متغیرهای فازی به عبارات مورد
استفاده در زبان طبیعی برای تشریح مفاهیمی که معمولا دارای ابهام و عدم قطعیت
هستند، می گویند(کلیر[1]،
1995). برای معرفی سیستمهای فازی ابتدا باید با منطق فازی و مفاهیم مرتبط با آن
آشنا شد.
2-3-1-
منطق فازی
در منطق دودویی که اولین بار توسط ارسطو مطرح شد، شاهد در
نظر گرفتن حالات بصورت قطعی درستیا غلط هستیم.یعنی می توان وقایع طبیعی را
بدرستی و با قطعیت تعریف و اندازه گیری نمود. در حالیکه در کسب وکار، اقتصاد،
مباحث مالی و بسیاری از علوم دیگر، حالات طبیعی مبهم بوده و فاصله بین آنچه هست و
آنچه نیست به درستی تعریف نشده است. بهرحال، بطور کلی می توان گفت، فازی عبارتست
از عملیات روی اطلاعات نادقیق و تحلیل نا دقیق اطلاعات(بوزادیو[2]،
1997). منطق فازی اولین بار توسط پروفسور لطفی زاده استاد دانشگاه برکلی در مقاله
ای تحت عنوان" مجموعههای فازی" در سال 1965 به دنیا عرضه شد. لیکن نزدیک
چندین سال طول کشید تا دانشمندان به کاربردها آن دستیافتند و منطق فوق در سیستمهای
کنترلی مورد استفاده قرار گرفت. این منطق سالها بعد و در اوائل دهه 90 کاربردهای
خویش را در عرصههای علوم دیگر همانند مدیریتیافت و راهی تازه برای تحلیل و
مدلسازی مسائل در فضای عدم قطیعت پیش روی محققان قرار داد(وونالتراک[3]،
1997).
[1] Klir
[2] Bojadziev
[3] VonAltrock
2-4- شبکه عصبی فازی
2-4-1- شبکههای عصبی
مصنوعی
هوش مصنوعی اختصارا روشی است در جهت هوشمند ساختن کامپیوتر.
این منظور زمانی برآورد میشود که ما قادر باشیم چگونگی تفکرانسان در زمان تصمیم
گیرییا حل مساله را بررسی کرده و آن را پس از تقسیم بندی به مراحل پایه ای در
قالبیک برنامه کامپیوتری ارائه نمائیم. هوش مصنوعی وسیله ایست ساده و سازمانیافته
برای طراحی برنامههای تصمیم گیری پیچیده.
فکر انسان می تواند اطلاعات را بدون تغییر در روند کار مغز و بدون ایجاد
اختلال در اطلاعات ذخیره شده قبلی جذب نماید.یک برنامه هوش مصنوعی نیز مشابه این
روش کار میکند. روشهای هوش مصنوعی اجازه می دهند تا ساختاریک برنامه به گونه ای
باشد که هر بخش آن مجزا بوده و مشخص کنندهیک گام به سوی حلیک مسالهیایک سری از
مسائل باشد. هر بخش از برنامه مانند قسمتی از اطلاعات مغز انسان میباشد اگر این
اطلاعات دچار اختلال شود، مغز می تواند به طور
خودکار رویه تفکرش را به گونه ای تغییر دهد تا واقعیتهای جدید را تنظیم
نماید. برای این کار نیاز نیست تمامی پیش آگاهیهاییک فرد مورد بررسی قرار گیرد.
بلکه کافی است تنها اطلاعات بخشهایی که مربوط به این تغییر میشوند استفاده گردد.یک
برنامه استاندارد می تواند از پس تمامی قابلیتهای هوش مصنوعی برآید، ولی نمی
تواند مثل آن سریع و راحت باشد. هوش مصنوعی در مواردی همچون بازیها، اثبات تئوریها،
حل مسائل روزمره و عمومی، ادراک توسط کامپیوتر، فهم زبان طبیعی و حل مسائل خاص و
تخصصی کاربر دارد(عربانی،1385). در طی دهه اخیر شاهد حضور موفق شبکههای عصبی مصنوعی[1]
بوده ایم. ایده آموزش برای حل مسائل شناسایی الگوهای پیچیده با استفاده از دیدگاه
عاملهای داده هوشمند برای محققان دانشگاهی بسیار چالش انگیز شده است. شبکههای
عصبی ابزار محاسباتی ساده ای برای آزمون دادهها و ایجاد مدل از ساختار دادههاست.
دادههایی که برای ایجاد مدلها استفاده میشوند، به دادههای آموزشی مشهور هستند.
هر گاه شبکه عصبی از دادههای آموزش براییادگیری الگوهای موجود در دادهها
استفاده کند، می تواند آنها را برای دستیابی به خروجیها و نتایج مختلف به کار
بگیرد(سرفراز و افسر،1384).
2-4-2-
تاریخچه شبکههای عصبی مصنوعی
مباحث
هوش مصنوعی پیش از بوجود آمدن علوم الکتریک، توسط فلاسفه و ریاضی دانانی نظیر
ارسطو[2]
و بول[3]
که اقدام به ارائه قوانین و نظریههایی در باب منطق نمودند، مطرح شده بود. در سال
1943، با اختراع رایانههای الکترونیک، هوش مصنوعی دانشمندان را به چالشی بزرگ
فراخواند. چرا که بنظر می رسید فناوری در نهایت قادر به شبیه سازی رفتارهای
هوشمندانه خواهد بود. در سال 1950 آلن تورینگ[4]، ریاضی
دان انگلیسی، معیار سنجش رفتاریک ماشین هوشمند را چنین بیان داشت: "
سزاوارترین معیار برای هوشمند شمردنیک ماشین، اینست که آن ماشین بتواند انسانی را
به گونه ای بفریبد که آن را متقاعد کند بایک انسان روبروست" . در سال 1956
طی جلسه ای در کالج دارتموث[5]
آمریکا با حضور و همکاری ماروین مینسکی[6]، جان مک
کارتی[7]،
هربرت سایمون[8]،
آلن نیوئیل[9]
و غیره، اصطلاح هوش مصنوعی ابداع و اولین برنامه کامپیوتری هوش مصنوعی انتشاریافت.
با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن می
نگریستند، تنها پس از چهار دهه عرصه علم شاهد تولد ماشینهای شطرنج باز و دیگر
سیستمهای هوشمند در صنایع گوناگون گردید(رعیتی شوازی،5 138). طی
چند دهه اخیر، تلاشهای بسیار جدی جهت طراحی مدارات الکترونیکی که قادر باشند شبکه
عصبی زیستی را همانند سازی کنند صورت
گرفته است. شبکههای مدل شده که با نام الگوهای شبکههای عصبی شناخته شده اند،
گسترشیافته و مدل سازی شده اند. برخی از این نمونهها به گونه ای بسیار نزدیک
عملکرد شبکه عصبی زیستی را همانند سازی کرده اند و برخی دیگر تفاوت بسیاری
دارند.
[1] Artificial Neural Networks
[2] Aristotle
[3] Bool
[4] Alan Turing
[5] Dartmouth College
[6] Marvin Minsky
[7] John McCarthy
[8] Herbert Simon
[9] Alan Newell
در تحقیقی که آیت (1396) تحت عنوان رده بندی نتایج آنژیوگرافی با ترکیب شبکه عصبی- فازی و الگوریتم ژنتیک انجام دادد به این نتیجه رسیدد که از 85 درصد داده ها جهت مرحله آموزش شبکه عصبی- فازی و 15 درصد باقیمانده جهت مرحله آزمون استفاده شد. نتایج حاصل از شبیه سازی در شاخص های صحت، دقت، حساسیت و اختصاصیت در حالت میانگین به ترتیب 0.9496، 0.9253، 0.9435 و 0.9569 و در بهترین حالت برای هر شاخص معادل عدد 1 به دست آمده است. در نتیجه استفاده از الگوریتم ژنتیک در فرآیند آموزش شبکه عصبی- فازی موجب بهبود سرعت در این شبیه سازی شد. همچنین بالا بودن شاخص های به دست آمده عملکرد مناسب سیستم پیشنهادی در رده بندی و تشخیص افراد مبتلا به بیماری عروق کرونری قلب را تایید می کند.
در تحقیقی که دولت کردستانی و همکاران (1397) تحت عنوان ارزیابی کارایی مدل های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانه (مطالعه موردی: حوضه آبخیز گرو) انجام دادند به این نتیجه رسیدند که بهترین پیش بینی با با ضریب همبستگی 0.96، ضریب کارایی 0.95 و میانگین مربعات خطای 12. 4789 میلی گرم بر لیتر مربوط به الگوی ورودی 2 با متغیر های ورودی دبی جریان روز جاری (Qt) و تاخیر دبی جریان روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (1Qt-) و تاخیر رسوب معلق روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (1St-) می باشد. بررسی نتایج حاصل از مدل های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی نشان داد که مدل شبکه عصبی-فازی تطبیقی در هر سه الگو عملکرد بهتری نسبت به شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانه داشته است.
...............
......
..
بخشی از منابع :
- دولت کردستانی مجتبی، نوحه گر احمد و جانی زاده سعید. (1397). ارزیابی کارایی مدل های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانه (مطالعه موردی: حوضه آبخیز گرو). پژوهش های ژئومورفولوژی کمی. سال 6. شماره 4. صص 12-130.
- نساجی زواره مجتبی، قرمزچشمه باقر و رحیم زاده فاطمه. (1395). بازسازی دبی روزانه با استفاده از روش های شبکه عصبی و فازی- عصبی (مطالعه موردی: سرشاخه های حوزه آبخیز کارون). مرتع و آبخیزداری. دوره 69. شماره 2. صص 503-514.
- الوانی سیدمهدی، معمارزاده طهران غلامرضا و کاظمی حسین. (1392). تبیین مولفه های رهبر معنوی با استفاده از سیستم های عصبی فازی انطباق پذیر. مدیریت فرهنگ سازمانی. دوره 11، شماره 3. صص 95-120.
- افخمی حمیده، طالبی علی، محمدی مژده و فتوحی فرزانه. (1394). بررسی امکان پیش بینی سرعت باد با استفاده از مدل های هیبرید شبکه های عصبی، شبکه های فازی-عصبی و تئوری موجک (مطالعه موردی: ایستگاه سینوپتیک یزد). مجله علوم و مهندسی آبخیزداری ایران. دوره 9. شماره 30. صص 31-40.
- آیت سیدسعید. (1396). رده بندی نتایج آنژیوگرافی با ترکیب شبکه عصبی- فازی و الگوریتم ژنتیک. مجله دانش و تندرستی. دوره 12. شماره 2. صص 1-8.
- انواری رستمی علی اصغر، آذر عادل و نوروزی محمد. (1393). مدل سازی پیش بینی EPS با استفاده از شبکه های عصبی – فازی. پژوهش های حسابداری مالی و حسابرسی. دوره 6. شماره 23. صص 1-15.
- اخباری محمد، اخباری مهدی. (1390). کاربرد رویکرد منطق فازی در مدلسازی اقتصاد غیر رسمی در ایران. فصلنامه پژوهشهای اقتصادی. سال نوزدهم. شماره 59. صص 167-131.