حل مسائل سینماتیک مستقیم ربات های کابلی با استفاده از تحلیل پایداری شبکه عصبی

حل مسائل سینماتیک مستقیم ربات های کابلی با استفاده از تحلیل پایداری شبکه عصبی

در ربات های سریال معمولا حل مساله سینماتیک مستقیم بسیار ساده است و جواب های این مساله قابل محاسبه هستند. اما یافتن پاسخ مساله سینماتیک معکوس بسیار سخت تر می باشد. به عکس در ربات های کابلی مساله سینماتیک معکوس دارای قابلیت حل به صورت تحلیلی است ولی مساله سینماتیک مستقیم اغلب ...

دریافت فایل

تشخیص ترک در تیر های هدفمند در راستای طولی به کمک شبکه عصبی مصنوعی

تشخیص ترک در تیر های هدفمند در راستای طولی به کمک شبکه عصبی مصنوعی

با توجه به هزینه تولید و کاربردهای حساس مواد هدفمند عیب یابی این مواد از اهمیت بالایی برخوردار است. در این پژوهش به بررسی اثرات ترک بر فرکانسهای طبیعی تیر هدفمند محوری و سپس شناسایی ترک در تیر مورد بررسی به کمک شبکه عصبی مصنوعی پرداخته می شود. آنالیز مودال انجام شده بر روی یک ...

دریافت فایل

استخراج چهره عدم وابسته به چرخش با شبکه های عصبی در نرم افزار matlab

استخراج چهره عدم وابسته به چرخش با شبکه های عصبی در نرم افزار matlab

چهره اولین و مهمترین عامل توجه در تعاملات انسانی است و درحوزههای مختلف و برای سالهای متمادی مورد تجزیه و تحلیل قرارگرفته است. چهره اطلاعات مهمی از شخص مانند سلامتی، وضعیت روحی و ... را در بردارد و هر فرد با توجه به این اطلاعات با افراد دیگر تعامل میکند. انسانها در تحلیل و تفسیر ...

دریافت فایل

پایان نامه برق - تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی

پایان نامه برق - تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی

چکیده: در این پایان نامه ابتدا عیوب الکتریکی و مکانیکی در ماشینهای الکتریکی بررسی گردیده و عوامل به وجود آورنده و روشهای رفع این عیوب بیان شده است . به دنبال آن ، به کمک روش تابع سیم پیچی ماشین شبیه سازی و خطای مورد نظر یعنی خطای سیم بندی استاتور به آن اعمال و نتایج مورد بررسی ...

دریافت فایل

پایان نامه کارشناسی کامپیوتر - آشنایی با شبکه های عصبی مصنوعی

پایان نامه کارشناسی کامپیوتر - آشنایی با شبکه های عصبی مصنوعی

پایان نامه کارشناسی کامپیوتر آشنایی با شبکه های عصبی مصنوعی فایل WORD قابل ویرایش با همراه شبیه سازی های متلب در توضیحات فایل بدون صفحات فرعی، 70 صفحه مفید. ...

دریافت فایل

مبانی شبکه های عصبی

» :: مبانی شبکه های عصبی
--- خرید و دانلود محصول

1394/06/16

---

مبانی شبکه های عصبی , شبکه های عصبی , کنترل هوشمند و شبکه های عصبی , پروژه

---

لینک محصول

http://kavoshgar.zepo.ir/post/6987

انواع شبکه های عصبی و کاربرد آنها در الکترونیک

» :: انواع شبکه های عصبی و کاربرد آنها در الکترونیک

خرید و دانلود محصول

1395/03/25

---

آشکارسازی چهره , آموزش دلتا , استخراج رنگ پوست , انواع توابع انتقال , تاریخچۀ شبکه های عصبی , شباهت شبکۀ عصبی زنده و مصنوعی , شبکه های پسخور , شبکه های پیش خور , شبکه های عصبی مصنوعی , شبکۀ هاپفیلد , قابلیت یادگیری , کاربرد شبکه های عصبی , معایب شبکه های عصبی , مقدمه

---

لینک محصول

http://kavoshgar.zepo.ir/post/58218

صنایع 5. طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج

» :: صنایع 5. طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج

طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج

چکیده.

به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و در حوزه های کاربردی طرح شناختی فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs سنتی روش کارامدی را برای تعیین حالت سیستم مورد بحث و تعیین کردن کمیت تلفاتی که مبنای نظریه FCMs را مشخص می کنند ایجاد می کند. بنابراین در بسیاری از موارد، ایجاد FCMs برای سیستم های پیچیده بستگی به توان کارشناسی دارد.مدل های ایجاد شده دستی دارای کمبودهایی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی به حد معقول خود دارند.در این مقاله ما یک شبکه عصبی فازی را برای بالا بردن توان یادگیری FCMs مطرح می کنیم به گونه ای که تعیین اتوماتیک تابع عضویت و مشخص کردن دلایل مربوط به آن با مکانیسم اثباتی FCMs سنتی ادغام می گردد. به این ترتیب، مدل FCMs از سیستم های تحقیقی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از موارد کارشناسی شده می باشند.به این ترتیب تفاسیر مشخصی در ارتباط با دلایل FCMsایجاد شده و به این ترتیب فرایند استنباط درکش اسان تر می گردد. به منظور ایجاد صحت در عملکرد، روش های بیان شده در پیش بینی بی نظمی های سری زمانی تست می گردد.بررسی های شبیه سازی شده کارای رویکردهای مطرح شده را نشان می دهد.

خرید و دانلود محصول

1394/09/28

---

نقشه های شناختی فازی , فازی , شبکه های عصبی , پیش بینی , پیش بینی سری زمانی پر هرج و مرج , پیش بینی سری زمانی , سری زمانی پر هرج و مرج , FCMs , طرح شناختی فازی , مقاله انگلیسی مهندسی صنایع با ترجمه فارسی , مقاله انگلیسی مهندسی صنایع با ترجمه , fuzzy cognitive maps , neural networks , مقاله انگلیسی مهندسی صنایع

---

لینک محصول

http://kavoshgar.zepo.ir/post/28850

سیمولینک و اعمال شبکه عصبی برای کنترل سرعت موتور ELLIPTEC

» :: سیمولینک و اعمال شبکه عصبی برای کنترل سرعت موتور ELLIPTEC

موتور های آلتراسونیک به علت غیر خطی بودن و حساس بودن به شرایط محیطی بهتر است توسط روش های هوشمند مانند شبکه عصبی مدل شوند. با استفاده از روش مرحله ای می توان لبه های تیز نمودار سرعت به فرکانس را از بین برد.

با استفاده از روش شبکه عصبی GMDH، بدون آنکه نیازی به پارامتر های ریاضی موتور باشد، میتوان سرعت موتور را کنترل نمود. این قسمت از دو شبکه عصبی تشکیل شده که قسمت اول شناسایی کننده این موتور و قسمت دوم کنترل کننده موتور است.

در هر کدام از این شبکه ها می توان با استفاده از تغییر در پارامتر های شبکه از جمله تغییر تعداد لایه های پنهان و ... کنترل کننده دقیق تری به دست آورد و همچنین استفاده از کنترل کننده فازی تک ورودی که ورودی کنترل کننده، خطای بین سرعت واقعی و سرعت مطلوب است می توان سرعت موتور را در حد مطلوبی کنترل کرد.

برای از بین بردن اعوجاج در زمانی که ورودی اغتشاش به موتور اعمال می شود، می توان از کنترل کننده فازی با دو ورودی که ورودی اول عبارت است از: اختلاف بین خروجی سرعت موتور و سرعت مورد نظر و ورودی دوم آهنگ تغییرات این اختلاف است. در مقایسه با روش کنترل شبکه عصبی، کنترل فازی ساده تر و با پیچیدگی های کمتر است که در زمینه کنترل موتور الیپتک مناسب تر به نظر می رسد.

این کتاب الکترونیکی در قالب فلش و آماده ارائه در جلسات شامل مطالب زیر می باشد:

فهرست مطالب:

فصل اول: مقدمه

مدل موتور بر اساس تحلیل امواج

مدل الکتریکی موتور

مدل طرح محدود

فصل دوم: تئوری پیرو الکتریک

مقاومت پیزو

پیزوالکتریک

موتور آلتراسونیک

موتور موجی آلتراسونیک

اصول کار موتور موجی آلتراسونیک

موتورهای ناخنی شکل

موتور الیپتک

تأثیر دما بر سرعت موتور الیپتک

تأثیر فرکانس بر سرعت موتور الیپتک

تأثیر گشتاور (بار) بر سرعت موتور الیپتک

درایو موتور الیپتک

درایو موتور با استفاده از سیگنال ژنراتور

درایو موتور با استفاده از میکروکنترلر

درایو موتور با استفاده از dspace

فیدبک گرفتن از سرعت

فیدبک جریان

روش نوری

بینایی تصویر

مزیای موتور های آلتراسونیک

معایب موتور های آلتراسونیک

فصل سوم: مدلسازی موتور الیپتک

مدل الکتریکی موتور الیپتک

مدلسازی موتور الیپتک با استفاده از روش GMDH

اثر دما

اثر فرکانس

اثر ولتاژ

مدل موتور با در نظر گرفتن تشابه نمودار سرعت فرکانس در ولتاژ های مختلف

مدل موتور با استفاده از روش مرحله ای

برنامه متلب برای روش مرحله ای

فصل چهارم: شبیه سازی موتور الیپتک

شبیه سازی اثر فرکانس ورودی

شبیه سازی اثر ولتاژ

مقایسه خروجی موتور مدل شده و واقعی در گشتاور و ولتاژ ثابت

مقایسه خروجی موتور مدل شده و واقعی در فرکانس و گشتاور ثابت

مقایسه خروجی موتور مدل شده و واقعی در در شرایط فرکانس و ولتاژ ثابت

فصل پنجم: شبکه عصبی و استفاده از آن در کنترل سرعت موتور الیپتک

تاریخچه شبکه های عصبی

شبکه های عصبی بازگشتی

آموزش شبکه

آموزش نظارت شده

آموزش غیر نظارت شده

معرفی الگوریتم شبکه های عصبی از نوع GMDH

تشریح ماهیت شبکه های عصبی از نوع GMDH

الگوریتم GMDH

مبنای ریاضی الگوریتم

معرفی الگوریتم GMDH بر اساس تئوری و آنالیز مدلسازی سیستم ها

مدلسازی سیستم های جزئی

شبکه های عصبی GMDH

ویژگی های عمومی شبکه های GMDH

طراحی ساختار های گوناگون برای شبکه های GMDH

کنترل سیستم های غیر خطی با استفاده از شبکه عصبی

کنترل کننده مدل مبنا

کنترل سرعت موتور الیپتک با استفاده از شبکه عصبی

شناسایی کننده سرعت

کنترل کننده سرعت

استفاده از بلوک mrc برای کنترل سرعت موتور الیپتک

خرید و دانلود محصول

1395/01/11

---

سیمولینک , ELLIPTEC , الیپتیک , کنترل سرعت موتور , موتور های آلتراسونیک , تحلیل امواج

---

لینک محصول

http://kavoshgar.zepo.ir/post/32100

شبکه های عصبی مصنوعی

» :: شبکه های عصبی مصنوعی
در این نوشتار به معرفی شبکه های عصبی زیستی و شبکه های عصبی مصنوعی و ساختارهای آنها می پردازیم.در ابتدا نرونهای شبکه های عصبی زیستی معرفی شده و طرز کار آنها نشان داده شده است.سپس مدل مصنوعی این نرونها و ساختار آنها،مدل ریاضی آنها،شبکه های عصبی مصنوعی و نحوه آموزش و بکارگیری این شبکه ها نشان داده شده است.تمرکز بیشتر بر نوعی از این شبکه ها به نام شبکه های عصبی مصنوعی چند لایه می باشد.سپس الگوریتم ژنتیک که جزو پرکاربردترین الگوریتمهای پیاده سازی شبکه عصبی مصنوعی است مورد بررسی قرار گرفته است.

شبکه های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه زیادی را صرف آن کرده و می کنند.این موضوع یا ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تاحال به خوبی پیش رفته است.همچنین در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفا تئوری به تحقیقات کاربردی بخصوص در زمینه پردازش اطلاعات برای مساولی که برای آنها راه حلی موجود نیست و یا به راحتی قابل حل نیستند بوده ایم. باعنایت به این امر علاقهای فزاینده در توسعه تئوریکی سیستمهای دینامیکی هوشمند مدل آزاد2که مبتنی بر داده های تجربی می باشند-ایجاد شده است .ANNها جزء این دسته از سیستمهای مکانیکی قرار دارند که با پردازش روی داده های تجربی،دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند.به همین خاطر به این سیستم ها هوشمند گفته می شود.زیرا براساس محاسبات روی داده های عددی یا مثالها قوانین کلی را یاد می گیرند.این سیستمها در مدل سازی ساختار نرو سیتاپتیکی3 مغز بشر می کوشند.البته این سخن اغراق آمیز می باشد.دانشمندان هرچه بیشتر درمورد مغز بشر تحقیق می کنند و می آموزند،بیشتر در می یابند که مغز بشر دست نیافتنی است.در حقیقت در مورد مغز و ساختار سیستم عصبی انسان اطلاعات زیادی به دست آمده است ولی پیاده سازی ساختاری با پیچیدگی مغز انسان براساس اطلاعاتی و تکنولوژی که امروزه وجود دارد غیر ممکن می باشد.

فهرست :

فصل اول مقدمه

شبکه عصبی زیستی

سابقه تاریخی

آیده پیدایش شبکه های عصبی مصنوعی

شبکه های عصبی در مقابل کامپیوترهای معمولی

تفاوت شبکه های عصبی با روش های محاسباتی متداول (سیستم های خبره)

مزایای استفاده از شبکه های عصبی مصنوعی

معایب استفاده از شبکه های عصبی مصنوعی

کاربردهای شبکه های عصبی مصنوعی

توپولوژی شبکه های عصبی مصنوعی

انواع یادگیری شبکه های عصبی مصنوعی

نحوه عملکرد شبکه های عصبی مصنوعی

انواع شبکه عصبی مصنوعی

شبکه هاپفیلد

شبکه پروسپترون چند لایه

خروجی پروسپترون

نقش تابع در خروجی شبکه

توانایی پروسپترون

توابع بولی و پروسپترون

اضافه کردن بایاس

آموزش پروسپترون

الگوریتم یادگیری پروسپترون

شبکه کوهونن

فصل دومالگوریتمهای یادگیری شبکه های عصبی مصنوعی

الگوریتم ژنتیک

کاربردهای الگوریتم ژنتیک

به دنبال تکامل

ایده ی اصلی استفاده از الگوریتم ژنتیک

درباره علم ژنتیک

تاریخچه علم ژنتیک

تکامل طبیعی (قانون انتخاب طبیعی داروین)

رابطه تکامل طبیعی با روشهای هوش مصنوعی

الگوریتم جستجو

الگوریتمهای جستجوی ناآگاهانه

جستجوی لیست

جستجوی درختی

جستجوی گراف

الگوریتمهای جستجوی آگاهانه

جستجوی خصمانه

مسائل NPHARD

هیوریستیک

انواع الگوریتمهای هیوریستیک

فصل سوم

الگوریتم ژنتیک

مکانیزم الگوریتم ژنتیک

عملگرهای الگوریتم ژنتیک

چارت الگوریتم به همراه شبه کد آن

تابع هدف

روشهای کد کردن

کدینگ باینری

کدینگ جایگشتی

کدگذاری مقدار

کدینگ درخت

نمایش رشته ها

انواع روش های تشکیل رشته

بازگرداندن رشته ها به مجموعه متغیرها

تعداد بیتهای متناظر با هر متغیر

جمعیت

ایجاد جمعیت اولیه

اندازه جمعیت

محاسبه برازندگی(تابع ارزش)

انواع روشهای انتخاب

انتخاب چرخ رولت

انتخاب حالت پایدار

انتخاب نخبه گرایی

انتخاب رقابتی

انتخاب قطع سر

انتخاب قطعی بریندل

انتخاب جایگزینی نسل اصلاح شده

انتخاب مسابقه

انتخاب مسابقه تصادفی

انواع روشهای ترکیب

جابه جایی دودویی

جابه جایی حقیقی

ترکیب تک نقطه ای

ترکیب دو نقطه ای

ترکیب n نقطه ای

ترکیب یکنواخت

ترکیب حسابی

ترتیب

چرخه

محدّب

بخش_نگاشته

احتمال ترکیب

تحلیل مکانیزم جابجایی

جهش

جهش باینری

جهش حقیقی

وارونه سازی بیت

تغییر ترتیب قرارگیری

وارون سازی

تغییر مقدار

محک اختتام اجرای الگوریتم ژنتیک

انواع الگوریتم‌های ژنتیکی

الگوریتم ژنتیکی سری

الگوریتم ژنتیکی موازی

مقایسه الگوریتم ژنتیک با سیستم‌های طبیعی

نقاط قوّت الگوریتم‌های ژنتیک

محدودیت‌های GAها

استراتژی برخورد با محدودیت‌ها

استراتژی اصلاح عملگرهای ژنتیک

استراتژی رَدّی

استراتژی اصلاحی

استراتژی جریمه‌ای

بهبود الگوریتم ژنتیک

چند نمونه از کاربردهای الگوریتم‌های ژنتیک

فصل چهارم

مقدمه

حلّ معمای هشت وزیر

جمعیت آغازین

تابع برازندگی

آمیزش

جهش ژنتیکی

الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دوره‌گرد

حل مسأله TSP به وسیله الگوریتم ژنتیک

مقایسه روشهای مختلف الگوریتم و ژنتیک برای TSP

نتیجه گیری

حلّ مسأله معمای سودوکو

حل مسأله

تعیین کروموزم

ساختن جمعیت آغازین یا نسل اول

ساختن تابع از ارزش

ترکیب نمونه‌ها و ساختن جواب جدید

ارزشیابی مجموعه جواب

ساختن نسل بعد

مرتب سازی به کمک GA

صورت مسأله

جمعیت آغازین

تابع برازندگی

انتخاب

ترکیب

جهش

نتیجه گیری

فهرست منابع

خرید و دانلود محصول

1395/04/14

---

الگوریتم یادگیری پروسپترون , الگوریتمهای جستجوی ناآگاهانه , انواع الگوریتمهای هیوریستیک , تاریخچه علم ژنتیک , تعیین کروموزم , توابع بولی و پروسپترون , توپولوژی شبکه های عصبی مصنوعی , حل معمای هشت وزیر , رابطه تکامل طبیعی با روشهای هوش مصنوعی , شبکه های عصبی مصنوعی

---

لینک محصول

http://kavoshgar.zepo.ir/post/60891