دانلود اسلاید ارائه پاورپوینت طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب

fvrml110-1

 

در فیلم آموزشی «طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب»، مبانی تئوی همه الگوریتم های مورد اشاره، به همراه ده ها مبحث تخصصی دیگر، به صورت کامل و به زبان ساده مورد بحث و بررسی قرار می گیرند. در ادامه، پس از تشریح مبانی تئوری، با استفاده از امکانات جعبه ابزار (تولباکس) شبکه عصبی متلب و توابع تعبیه شده در آن، با استفاده از متدهای برنامه نویسی متلب، شبکه عصبی LVQ در متلب پیاده سازی شده است و برای حل چند مسأله طبقه بندی مورد استفاده قرار گرفته است. مدرس این مجموعه آموزش، دکتر سید مصطفی کلامی هریس (دکترای مهندسی کنترل از دانشگاه صنعتی خواجه نصیرالدین طوسی) است.

فایل پاورپوینت این آموزش برای دانلود در اختیار مخاطبین عزیز قرار گرفته است.

برای دانلود فایل پاورپوینت به لینک زیر مراجعه بفرمائید:

ادامه مطلب >>

دانلود اسلاید ارائه پاورپوینت شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

hpdm93111
 

در آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب، پس از تشریح کامل مبانی تئوری و شیوه عملکرد الگوریتم GMDH چند جمله ای، پیاده سازی عملی و گام به گام این نوع از شبکه عصبی، به صورت کامل در محیط متلب انجام شده است. در ادامه نیز، با استفاده از برنامه نوشته شده برای ایجاد ساختارهای GMDH، مسائل مختلفی در حوزه های متعدد حل و بررسی شده اند.

فایل پاورپوینت این آموزش برای دانلود در اختیار مخاطبین عزیز قرار گرفته است.

برای دانلود فایل پاورپوینت به لینک زیر مراجعه بفرمائید:

ادامه مطلب >>

آموزش کنترل هوشمند بر پایه شبکه های عصبی

آموزش کنترل هوشمند بر پایه شبکه های عصبی

هدف از این مجموعه، آشنایی با روشهای گوناگون بر اساس استراتژی های مختلف کنترل به وسیله سیستم های عصبی می باشد. در بعضی از روشهای معرفی شده، تنها از کنترلر عصبی کمک گرفته شده و در بعضی دیگر ابزار کنترلر ترکیبی از کنترلرهای کلاسیک و شبکه عصبی مورد استفاده قرار گرفته اند. مزیت این نوع کنترل کننده ها، در مقایسه با کنترل کننده های کلاسیک، این است که وابستگی به مدل کمتر شده و قابلیت این را دارند که با کمترین تغییرات به سیستم های مختلف اعمال شوند.

ادامه مطلب >>

آموزش استفاده از شبکه عصبی مصنوعی بوسیله نرم افزار نروسولوشن

آموزش استفاده از شبکه عصبی مصنوعی بوسیله نرم افزار نروسولوشن

این بسته نرم افزاری دارای اکسون های فازی است و با انتخاب مناسب می توان از شیوه یادگیری فازی- عصبی نیز بهره گرفت، وجود DLL های مختلف مانند تبدیل فوریه و یا استفاده از ژنتیک الگوریتم برای پیش پردازش داده ها آن را به وسیله قدرتمندی تبدیل نموده و حتی در صورت نیاز کاربر می تواند DLL سفارشی خود را به نرم افزار اضافه نموده، در نهایت بعد از ساخت شبکه و اطمینان از کارکرد آن، می تواند کل شبکه را به صورت کدهای زبان C تبدیل و در اختیار کاربر قرار دهد و شما را از نوشتن یک برنامه خسته کننده و در عین حال نامطمئن آسوده کند، از طرفی آشنایی با این بسته نرم افزاری بسیار ساده بوده و دانش پژوهانی که حتی درک درستی از مفاهیم شبکه عصبی مصنوعی نداشته و دیگر کاربران حرفه ای را دربر می گیرد تا بتوانند به راحتی به اهداف خود برسند.

ادامه مطلب >>

آموزش انتخاب ویژگی یا Feature Selection

آموزش در دست انتشار انتخاب ویژگی یا Feature Selection

در این فرادرس، در شروع بحث، مفاهیم پایه مرتبط با کاهش ابعاد (استخراج و انتخاب ویژگی) را با هم مرور خواهیم کرد. تمرکز ما در این بحث بر روی روشهای انتخاب ویژگی خواهد بود و روش های استخراج ویژگی از آن جهت که در فرادرس دیگری به صورت مفصل مورد بررسی قرار گرفته اند، محور بحث نخواهند بود.

ادامه مطلب >>

آموزش شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب

 آموزش در دست انتشار شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب

 

شبکه عصبی گازی یا شبکه گاز عصبی (Neural Gas Network) یکی از انواع شبکه های عصبی رقابتی با الگوی یادگیری غیر نظارت شده است، که کاربرد اصلی آن در حل مسائل خوشه بندی (Clustering) و یادگیری توپولوژی (Topology) است. این نوع از شبکه عصبی، از نظر طبقه بندی در رده الگوریتم های Vector Quantization (به اختصار VQ) قرار می گیرد و ارتباط بسیار نزدیکی با الگوریتم خوشه بندی k-Means، شبکه عصبی SOM (نگاشت های خود سازمان ده) و شبکه عصبی LVQ دارد. شبکه گاز عصبی علاوه بر انجام خوشه بندی و قرار دادن مرکز خوشه ها در محل مناسب، ارتباط های همسایگی میان نورون ها (مراکز خوشه ها) را به صورت پویا ایجاد می کند، که در نهایت این الگوریتم را، قادر به یادگیری توپولوژی می کند.

ادامه مطلب >>

نگاشت خود سازمان ده

 

نگاشت خود سازمان ده

یک نگاشت خودسازمانده (SOM) یا نگاشت خودسازمانده ویژگی (SOFM)، یک نوع از شبکه‌های عصبی مصنوعی است که با یادگیری بدون نظارت، آموزش دیده و هدف آن تولید یک نمایش گسسته و ابعاد-پایین (اغلب دو بعدی) از فضای ورودی نمونه‌های آموزشی می‌باشد که به آن نگاشت می‌گویند. نگاشت‌های خودسازمنده با دیگر شبکه‌های عصبی از این نظر متفاوت هستند که از یک تابع همسایگی برای حفظ ویژگی‌های توپولوژی فضای ورودی استفاده می‌کنند.

ادامه مطلب >>

آموزش شبکه عصبی GMDH و طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ منتشر شدند!

مخاطبین گرامی،

خوشحالیم به اطلاع برسانیم، آموزش های زیر نیز به مجموعه آموزش های فرادرس، اضافه شدند: