دانلود پاورپوینت کامل کار برد شبکه های عصبی در پردازش سریهای زمانی

\n

عنوان قبلی : کار برد شبکه های عصبی در پردازش سریهای زمانی

\n

دانلود پاورپوینت کامل تئوری شبکه های عصبی و طبقه بندی کننده های مرسوم 

\n

عنوان های پاورپوینت  : 

\nکار برد شبکه های عصبی در پردازش سریهای زمانی\n\nمیانگین متحرک\n\nمیانگین متحرک وزندار\n\nپاسخ فرکانس\n\nمدلهایی برای سریهای زمانی\n\nAuto-regressive Model\n\n \n\nشبکه های عصبی جهت پردازش سریهای زمانی\n\n \n\nانواع توابع Radial Basis\n\nدرونیابی\n\nشبکه های عصبی RBF\n\nآموزش\n\nLeast Square Function\n\nآموزش مراکز توابع Basis\n\nآموزش وزنهای لایه خروجی\n\nRBFN\n\n

---

\n\n

 دانلود پاورپوینت کامل شبکه های عصبی مصنوعی وروان عصبی

\nقسمت ها و تکه های اتفاقی از فایل\n\nهمچنین به غیر از مبدأ می توان فاصله را نسبت به یک نقطه دیگر در نظر گرفت.\n\nρ(x,c) = ρ( | | x − c | | )\n\nدر این صورت نقطه c  را مرکز می نامند.\n\nانواع توابع Radial Basis\n\nبرخی از انواع معمول این توابع عبارتند از:\n\nتابع گاوسی\n\nρ(r)  =exp( − βr2)   for some β>0\n\nتابع Multiquadratic:\n\nThin Plate Spline\n\nρ(r)  =r2log(r)\n\nدرونیابی\n\nیک ترکیب خطی از توابع Radial Basis یعنی\n\nرا می توان جهت درونیابی هرتابع پیوسته  در یک بازه ، با دقت دلخواه استفاده کرد.\n\nکه های عصبی RBF\n\nبه طور معمول شبکه های عصبی RBF از سه لایه تشکیل می شوند: لایه ورودی ، یک لایه پنهان که نرونهای آن دارای تابع RBF هستند و لایه خروجی.\n\nخروجی هر یک نرونهای لایه آخر را می توان به شکل کلی زیر نمایش داد.\n\nکه در آن x بردار ورودی ،  N تعداد نرونها در لایه پنهان ، ci بردار مرکز تابع RBF در هر یک از نرونهای لایه پنهان و ai وزنهای ورودی به نرون لایه خروجی می باشند.\n\nنکته : بعد بردار C هر نرون با بعد بردار X برابر است. بنا براین :\n\nکه در آن k  تعداد نرونهای لایه ورودی است.\n\nآموزش\n\nدر یک شبکه RBF سه پارامتر را جهت تطبیق شبکه با کاربرد مورد نظر می توان تنظیم کرد. بردار های مرکز تابع RBF ، وزنهای لایه خروجی wi و پارامتر وزن تابع RBF یعنی  βi .\n\nدر برخی موارد ، استفاده از یک تابع هدف ایده مناسبی است. در این موارد در مرحله آموزش بر اساس تأثیر تغییر هر یک از پارامتر ها بر تابع هدف نسبت به کاهش یا افزایش آن پارامتر در هر مرحله اقدام می شود.\n\nLeast Square Function\n\nکه درآن\n\nکمینه کردن تابع Least Squares از طریق تغییر متناسب وزنها در هر مرحله از فازآموزش صورت می گیرد .\n\nآموزش مراکز توابع Basis\n\nمراکز توابع Basis را می توان به طور تصادفی از مقادیر ممکن برای ورودی نمونه برداری کرد . همچنین می توان پس از خوشه بندی (Cluster) نمونه ها میاینگین هر نمونه به عنوان مرکز تابع انتخاب کرد.\n\nآموزش وزنهای لایه خروجی\n\nیکی از روشهای آموزش وزنهای لایه خروجی الگوریتم Gradient Descent است. در این الگوریتم وزنها در هر مرحله با انتقال در خلاف جهت گرادیان تابع هدف تصحیح می شوند.یعنی :\n\nکه در آن ν ”ضریب یادگیری“ می باشد.\n\nRBFN\n\nاز شبکه عصبی RBF  نیز می توان جهت پیش بینی سریهای زمانی استفاده کرد.\n\nتوضیحات مربوط به این شبکه در صفحات قبل ارائه شد.\n\nمعادله عملکرد این شبکه به شکل زیر است:\n\nکه در آن V ها بردارهای مرکز RBF نرونهای لایه میانی و w ها وزنهای لایه آخر می باشند.\n\nاثر فیلتر پایین گذر میانگین متحرک بر شاخص هفتگی بازار سهام داو جونز در یک دوره ۱۰ ساله\n\nالف)شاخص هفتگی\n\nب) میانگین متحرک ۵۱ روزه  اعمال شده به الف\n\nج) میانگین متحرک ۲۰۱ روزه\n\nمدلهایی برای سریهای زمانی\n\nجهت پردازش سریهای زمانی لازم است که مدلی از این سریها داشته باشیم تا بتوانیم عملیاتی چون پیش بینی آینده سری و یا دسته بندی آن را بر اساس آن مدل انجام دهیم. در اینجا به معرفی سه مدل رایج برای این منظور می پردازیم:\n\nمدل Auto-regressive (AR)\n\nمدل Moving Average (MA)\n\nمدل ARMA که ترکیب دو مدل بالاست.\n\nAuto-regressive Model\n\nدر این مدل فرض می شود مقدار کنونی سری را می توان به صورت تابعی (خطی یا غیر خطی ) از پنجره ای از مقادیر گذشته سری به دست آورد:\n\nAuto-regressive Model\n\nمدل خطی دارای دو محدودیت مهم است : اولا مستلزم فرض وجود رابطه حطی بین عناصر پیشین سری می باشند و ثانیا فرض می کنند سری Stationary می باشد.\n\nدر مقابل با استفاده از مدل غیر خطی می توان تخمین دقیقتری از ویزگیهای سری زمانی مورد نظر به دست آورد. البته در صورت استفاده از مدل غیر خطی نیاز به نمونه های بیشتری در مرحله آموزش می باشد .\n\nMoving Average\n\nمی توان فرض کرد مقدار سری زمانی در یک مرحله را به صورت یک میانگین متحرک از نویزهای مراحل قبل قابل محاسبه است ، یعنی\n\nMoving Average\n\nسوالی که مطرح می شود آن است که چگونه مقدار سری در یک نقطه که یک مقدار غیر تصادفی است را می توان با مجموع تعدادی متغیر تصادفی مدل کرد. در پاسخ می توان گفت همانطور که در معرفی Moving Average توضیح دادیم این عملگر به صورت یک فیلتر عمل می کند و با توجه به اینکه عموما نویز فرآیندی است که شامل طیف گسترده ای از فرکانسها می گردد ، بنابراین فیلتر میانگین متحرک می تواند از این طیف ، فرکانسهای مطلوب را گزینش کند تا  یک سری زمانی غیر تصادفی حاصل شود.\n\nARMA Model\n\nهمچنین می توان دو مدل قبلی را ترکیب کرده و مقدار سری در یک نقطه را بر اساس تابعی از مقادیر و نویزهای مراحل قبل بیان کرد ، یعنی\n\nشبکه های عصبی جهت پردازش سریهای زمانی\n\nدر این قسمت به بررسی برخی از مهمترین انواع شبکه های عصبی مورد استفاده جهت سریهای زمانی می پردازیم :\n\n \n\nMulti Layer Perceptron\n\nاز یک شبکه Perceptron چند لایه می توان جهت پیش بینی سری زمانی استفاده کرد. معماری شبکه به شکل زیر است.\n\n \n\nتابع نرونها می تواند انواع توابع Sigmoid باشد.\n\nعملکرد این شبکه بر مبنای مدل Auto-Regressive می باشد.\n\nدر زمینه آموزش شبکه های چند لایه در جلسات آینده به طور کامل بحث خواهد شد.\n\nJordan Network\n\nاین شبکه از مدل ARMA جهت مدلسازی سریهای زمانی استفاده می کند.\n\nدر این شبکه از لایه خروجی به لایه ای به نام Context (که هم سطح با لایه ورودی است) ، feedback وجود دارد.\n\nتابع فعالیت نرونهای می توان از انواع توابع Sigmoid  باشد.\n\nیک شبکه دارای Feed Back از لایه خروجی به لایه Context که بر مبنای مدل ARMA عمل می کند.\n\nشبکه جردن در واقع تعمیمی از شبکه فوق به اضافه وجود Self recurrent loop  در لایه Context می باشد.\n\nElman Network\n\nمی توان یک سری زمانی را به صورت حاصل ضرب یک ماتریس در یک بردار حالت وابسته زمان مدل کرد. یعنی :\n\nکه در آن\n

دانلود پاورپوینت لایه های شبکه های عصبی الگوریتم و معماری شبکه های عصبی مصنوعی 

\n۳۰ تا ۷۰ درصد پروژه / پاورپوینت / پاور پوینت / سمینار / طرح های کار افرینی / طرح توجیهی /  پایان نامه/  مقاله ( کتاب ) های اماده   به صورت رایگان میباشد