هوش مصنوعی

پاورپوینت ربات های هوشمند

پاورپوینت ربات های هوشمند

دانلود پاورپوینت ربات های هوشمند
دانلود پاورپوینت در مورد ربات های هوشمند
پاورپوینت ربات های هوشمند

دانلود پاورپوینت روبات های هوشمند

مشخصات فایل

تعداد صفحات 63
حجم 2263 کیلوبایت
فرمت فایل اصلی ppt
دسته بندی هوش مصنوعی

توضیحات کامل

دانلود پاورپوینت روبات های هوشمند جهت رشته هوش مصنوعی در قالب 63 اسلاید و با فرمت pptx به صورت کامل و جامع و با قابلیت ویرایش

 

 

 

موسسه بین المللی استاندارد روبات را بصورت زیر تعریف کرده است:

روبات وسیله ای است که بصورت خودکار کنترل شود، قابل برنامه ریزی مجدد باشد، چند منظوره بوده و با داشتن چندین درجه آزادی قدرت جابجائی داشته باشد. روبات میتواند متحرک و یا ثابت باشد.

امروزه روباتها در انجام بسیاری از کارها به کمک انسان آمده و در برخی کارها نیز جایگزین آدمی گشته اند از جمله:

 کار در کارخانه، اکتشافات فضائی،  جراحی، بصورت دست آموز خانگی! و….

بطور کلی روباتها در کارهائی استفاده میشوند که خطرناک بوده ( مثل نیروگاههای هسته ای)، مشکل و تکراری باشند (مثل اغلب کار کارخانه ها) و محیط های کثیف (مثل داخل لوله ها).

 

 

 

فهرست مطالب

روبات چیست؟

اهمیت روباتها

روباتیک چیست؟

اجزا یک سیستم روباتیک

روبات هوشمند

روباتیک و هوش مصنوعی

روبات صنعتی هوشمند

توانائی های روبات آدم نما

کاربرد روبات هوشمند

اعمال اصلی یک روبات هوشمند

روشهای مختلف تعامل روبات با محیط

سیر تحول در کنترل روبات

و…


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

دانلود فایل-پاورپوینت ربات های هوشمند

 

هوش مصنوعی

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

شبکه عصبی
تشخیص کاراکتر
شبکه عصبی LVQ
ساختار شبکه های LVQ
شبکه های عصبی با الگوی یادگیری نظارت شده
تشخیص کاراکتر با استفاده از شبکه عصبی LVQ
دانلود مقالات کارشناسی ارشد هوش مصنوعی
دانلود مقالات ارشد هوش مصنوعی
تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

هدف از این مقاله تشخیص کاراکتر با استفاده از شبکه عصبی LVQ می باشد

مشخصات فایل

تعداد صفحات 13
حجم 0 کیلوبایت
فرمت فایل اصلی doc
دسته بندی هوش مصنوعی

توضیحات کامل

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

 
 
چکیده
Learning Vector Quantization یا LVQ یک روش کلاس بندی الگو است که هر کدام از خروجی ها نمایش دهنده یک کلاس می باشند و هر کدام توسط بردار وزن آن کلاس مشخص می شود . بردار وزن هر کدام از کلاسها توسط یکی مجموعه های آموزشی مقدار دهی اولیه شده و سپس توسط الگوریتم های یادگیری (با نظارت) بهینه می شود.  بعد از یادگیری ، شبکه LVQ ورودی را به کلاسی که برداری با نزدیک ترین فاصله به آن باشد ، نسبت می دهد . 
 
شبیه سازی فعالیت های انسان توسط ماشین ها یکی از زمینه های تحقیقاتی از زمان اختراع کامپیوترهای دیجیتال بوده است . در برخی زمینه ها که نوع خاصی از هوشمندی را نیاز داشته ؛ مانند بازی شطرنج ؛ پیشرفت های خوبی صورت گرفته است اما در مسائلی مانند بینایی ماشین حتی قدرتمندترین کامپیوترها نیز به راحتی از انسان شکست می خورند . شبیه سازی خواندن انسان نیز یکی از بخشهای جذابی است که طی سه دهه گذشته موضوع تحقیقات بسیاری از دانشمندان بوده و هنوز تا تکامل آن راه بسیاری در پیش است .
 
 
کلمات کلیدی:

شبکه عصبی

تشخیص کاراکتر

شبکه عصبی LVQ

ساختار شبکه های LVQ

شبکه های عصبی با الگوی یادگیری نظارت شده

 
 
 
مقدمه:
شبیه سازی خواندن و تشخیص متن توسط ماشین به 2 گروه کلی تقسیم می شود 
1.    جمع آوری اطلاعات برای تشخیص :
الف.    Offline : 
شامل تصاویری است که از نوشته ها تهیه می شود . مانند عکس توسط دوربین دیجیتالی ، اسکن نامه ها و صفحه های کتاب و از این دست تصاویر .
ب.    Online : 
در این مدل تشخیص متن ، همزمان با نوشتن آن ، متن ِ نوشته شده تشخیص داده شده و تبدیل به کاراکترهای آن می شود . مانند تشخیص دست خط در handled ها و یا در TabletPC ها .
 
2.    نوع متن
الف.    دست نویس
ب.    متن تایپ شده که توسط ماشین چاپ شده است ، مانند کتابها ، مجلات و …
 
 
 
 

عملیات تشخیص متن عموما ً شامل مراحل زیر است :

1.    پیش پردازش : شامل روش های مختلف پردازش تصویر است که تصویری بدون نویز و مناسب برای قطعه بندی را آماده می کند .
 
2.    قطعه بندی : مهمترین و مشکلترین کاری که برای تشخیص متن باید انجام شود  قطعه بندی تصویر به قطعاتی است که توسط قسمت تشخیص متن باید به کاراکتر یا کلمه تفسیر شود . قطعه بندی اشتباه تصویر منجر به تفسیری اشتباه از کاراکتر نقاشی شده در آن می شود . انواع قطعه بندی به شرح زیر است :
الف.    External Segmentation : هدف در این نوع قطعه بندی جدا کردن اجزای کلی متن مانند پاراگراف و سطرها می باشد . امکان برچسب زنی بر روی اجزای صفحه ، مانند عنوان یا چکیده نیز در این نوع قطعه بندی می تواند وجود داشته باشد .
ب.    Internal Segmentation : برای جدا کردن کاراکترها از یکدیگر استفاده می شود .
یک.    Implicit segmentation : تشخیص کاراکترها با توجه به معانی که از قطعات جدا شده قابل تفسیر است صورت می گیرد .
دو.    Explicit Segmentation : جدا کردن کاراکترها با توجه مشخصه هایی که برای آنها قابل تصور است . مثلا ً horizontal projection که از روی قله ها یا دره ها در هیستوگرام افقی یا عمودی سطر، کلمه یا حرف را پیدا می کند .
 
 
3.    آموزش و تشخیص کاراکترها : بعد از قطعه بندی ، تصویر قطعه قطعه شده می بایست توسط الگوریتمی به متن تفسیر شود . روشهای مختلفی برای این کار وجود دارد که هر کدام از آنها را می توان با دو دیدگاه اجرایی کرد.  در دیدگاه اول قطعات تصویر حاوی "کلمه" های متن اصلی هستند و الگوریتم باید کلمه ها را تشخیص دهد . در این دیدگاه دایره لغات کم خواهد بود ولی مشکل قطعه قطعه کردن تصویر کمتر است . برای تفسیر دست خط با توجه به تعدد روش نوشتن یک کلمه ، نرخ تفسیر کمتری از متن تایپی دارد . روش دوم روشهای analytic است که از پایین به بالا عمل کرده و سعی می کند کاراکترها را شناسایی کرده و با ترکیب آنها لغت ها را بسازد . در عمل از ترکیب روشهای زیر استفاده می شود :
الف.    Template Matching : تعدادی template از کاراکترها یا کلمات از قبل حاضر شده است . عکسهای قطعه قطعه شده با این template ها مقایسه می شود و با توجه به شباهت برنده انتخاب می شود . 
 
 
ب.    روشهای آماری : با استفاده از برخی مشخصه های آماری و توابع تصمیم گیری آماری کار تشخیص نوع هر کدام از تصاویر قطعه قطعه شده را انجام می دهد . روشهای non-paramteric ، parametric ، cluster analysis و hidden markov modeling از انواع این روش است . 
پ.    روشهای ساختاری : با توجه به تعدادی الگوی پایه که از قبل تعریف شده است و میزان استفاده هر کدام از تصاویر از این الگوهای پایه عملیات تشخیص انجام می شود . Grammatical methods و  graphical methods از انواع این روشها می باشد .
ت.    شبکه های عصبی : با توجه به خاصیت شبکه های عصبی که قابلیت تطبیق پذیری با اطلاعات جدید و مختلف را در حد بالایی دارند ، از آنها برای تشخیص استفاده می شود .
 
4.    پس پردازش : بعد از بدست آوردن متن از تصویر می توان آنها را با توجه به اطلاعاتی که درباره آن عکس داریم تصحیح کرد. مثلا ً با توجه به موضوع متن ، لغت هایی که احتمالا ً اشتباهی جزو متن تشخیص داده شده را حذف یا تصحیح کرد . استفاده از لغت نامه نیز یکی از ابزارهایی است که در این مرحله قابل استفاده می باشد .
 
در ادامه خلاصه ای از تئوری شبکه عصبی LVQ و مباحث مربوطه به قطعه بندی شامل بهبود تصویر و روش projection افقی و عمودی شرح داده شده است . پس از آن روش پیاده سازی و نمونه اجرایی در حالت تک کاراکتر و تصویر اسکن شده آمده است . 
 
 
 
 
 
 
 
فهرست
مقدمه 1

شبیه سازی خواندن و تشخیص متن توسط ماشین به 2 گروه کلی تقسیم می شود 1

1.    جمع آوری اطلاعات برای تشخیص : 1
الف.    Offline : 1
ب.    Online : 1
2.    نوع متن 2
الف.    دست نویس 2
ب.    متن تایپ شده که توسط ماشین چاپ شده است ، مانند کتابها ، مجلات و … 2
عملیات تشخیص متن عموما ً شامل مراحل زیر است : 2
شبکه عصبی LVQ 3
ساختار شبکه های LVQمانند شکل زیر است : 3

در الگوریتم یادگیری LVQ از عبارتهای زیر استفاده شده است : 4

بهبود تصاویر 5

Adaptive Median Filter 5
Spatial Smoothing 6
Thresholding 6
Projection افقی و عمودی6
حذف نقاط تنها 7
پیاده سازی و اجرا 8
آزمایش یک کاراکتر 9

آزمایش تصویر اسکن شده 9

منابع 13
 

 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

دانلود فایل-تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

 

هوش مصنوعی

مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation

مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation

مقاله رشته هوش مصنوعی با عنوان شبکه های CascadeCorrelation
شبکه های CascadeCorrelation
دانلود مقاله رشته هوش مصنوعی با عنوان شبکه های CascadeCorrelation
شبکه های عصبی
دانلود مقالات کارشناسی ارشد هوش مصنوعی
مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation

مقاله رشته هوش مصنوعی با عنوان شبکه های CascadeCorrelation

مشخصات فایل

تعداد صفحات 7
حجم 0 کیلوبایت
فرمت فایل اصلی doc
دسته بندی هوش مصنوعی

توضیحات کامل

مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation

 

مقدمه

در شبکه های عصبی کلاسیک معماری شبکه باید قبل از شروع کار مشخص شود به این معنی که باید تعداد لایه های مخفی و نرونهای هر لایه مشخص شوند ، تشخیص دقیق معماری بهینه در اکثر موارد با پیچیدگی همراه است و معمولا" از سعی و خطا برای پیدا کردن معماری مناسب استفاده میشود. از طرف دیگر آموزش بر روی شبکه بدست آمده بر روی تمامی شبکه همراه با هم صورت میگیرد. آموزش همه نرون ها با یکدیگر این مشکل را دارد که طی فرآیند آموزش در هر مرحله تمامی ضرایب در جهتی تغییر میکنند که خطای کنونی را کاهش دهد و در مراحل مختلف هر بار بزرگترین منبع خطا دنبال میشود و در مراحل بعدی منبع ( یا منابع ) دیگری که در مرحله کنونی خطای بزرگتری دارند دنبال میشود. این باعث میشود که شبکه بین منابع مختلف خطا تا حدی رفت و برگشت داشته باشد.

شبکه عصبی Cascade-Correlation رویکرد متفاوتی را در نظر میگیرند. در این شبکه ها اولا" معماری شبکه با اضافه کردن نرون های جدید بسته به نیاز تعیین میشود و ثانیا" بجای آموزش تمام شبکه در هر مرحله ، در هر مرحله تنها بخشی از شبکه را آموزش میدهد. به این شکل علاوه بر تعیین خودکار معماری ، از رفت و برگشت بین منابع خطا نیز جلوگیری شده و بازدهی افزایش می یابد.

 

 

کلمات کلیدی:

شبکه های عصبی

شبکه های Cascade-Correlation

الگوریتم

معماری شبکه

نرون 

 

 

فهرست مطالب
مقدمه 1
معماری شبکه 1
الگوریتم 2
افزودن نرون جدید 2
الگوریتم : 3
انواع شبکه های Cascade-Correlation 3
شبکه های Pruned-Cascade-Correlation 3
شبکه های Recurrent-Cascade-Correlation 4
شبکه های Genetic-Cascade-Correlation 4
نتیجه گیری 5
مراجع 6
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

دانلود فایل-مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation

 

هوش مصنوعی

پاورپوینت شبکه های عصبی مصنوعی

پاورپوینت شبکه های عصبی مصنوعی

پاورپوینت شبکه های عصبی
پاورپوینت شبکه عصبی مصنوعی
پاورپوینت شبکه های مصنوعی عصبی
پاورپوینت شبکه های عصب
پاورپوینت شبکه های عصبی مصنوعی

دانلود پاورپوینت شبکه های عصبی مصنوعی

مشخصات فایل

تعداد صفحات 45
حجم 337 کیلوبایت
فرمت فایل اصلی pptx
دسته بندی هوش مصنوعی

توضیحات کامل

دانلود پاورپوینت شبکه های عصبی مصنوعی جهت رشته ی مهندسی نرم افزار و هوش مصنوعی در قالب 45 اسلاید و با فرمت pptx به صورت کامل و جامع و با قابلیت ویرایش

 

 

 

شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.

یادگیری شبکه عصبی در برابر خطاهای  داده های آموزشی مصون بوده  و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار،  شناسائی و  تعبیر تصاویر،  و یادگیری روبات  اعمال شده است.

 

 

 

فهرست مطالب

مقدمه

شبکه عصبی چیست؟

شبکه  عصبی چه قابلیتهائی دارد؟

الهام از طبیعت

مسائل مناسب برای یادگیری شبکه های عصبی

Perceptron

یادگیری یک پرسپترون

توانائی  پرسپترون

توابعی که پرسپترون قادر به یادگیری آنها میباشد

توابع بولی و پرسپترون

آموزش پرسپترون

قانون پرسپترون

قانون دلتا Delta Rule

الگوریتم gradient descent

بدست آوردن قانون gradient descent

محاسبه گرادیان

خلاصه یادگیری قانون دلتا

مشکلات روش gradient descent

تقریب افزایشی gradient descent

شبکه های چند لایه

و…


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

دانلود فایل-پاورپوینت شبکه های عصبی مصنوعی

 

هوش مصنوعی

اتوماتای سلولی یادگیر و کاربرد آن در پردازش تصاویر و تولید یک مدل تکاملی

اتوماتای سلولی یادگیر و کاربرد آن در پردازش تصاویر و تولید یک مدل تکاملی

اتوماتای یادگیر
اتوماتای سلولی
اتوماتای سلولی یادگیر
اتوماتای سلولی یادگیر و کاربرد آن در پردازش تصاویر و تولید یک مدل تکاملی
دانلود مقالات کارشناسی ارشد رشته هوش مصنوعی
دانلود مقالات ارشد هوش مصنوعی
دانلود مقالات هوش مصنوعی
اتوماتای سلولی یادگیر و کاربرد آن در پردازش تصاویر و تولید یک مدل تکاملی

در این مقاله اتوماتای سلولی یادگیر را معرفی می کنیم برای درک اتوماتای سلولی یادگیر ابتدا باید به اتوماتای سلولی و پس از آن با اتوماتای یادگیر آشنا شد پس از آشنایی با این دو مدل ، اتوماتای سلولی یادگیر مطرح می شود و کاربردهای آن مطرح می شود

مشخصات فایل

تعداد صفحات 42
حجم 2 کیلوبایت
فرمت فایل اصلی doc
دسته بندی هوش مصنوعی

توضیحات کامل

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

اتوماتای سلولی یادگیر و کاربرد آن در پردازش تصاویر و تولید یک مدل تکاملی

 
*قابل استفاده برای رشته مهندسی کامپیوتر،صنایع و هوش مصنوعی
 
آپدیت شد:
ضمیمه شدن مقاله اتوماتای یادگیری سلولی و کاربرد‌های آن در قالب 24 صفحه بصورت رایگان🙂
 
کل محتوا: 42 صفحه اولیه + 24 صفحه آپدیت
 
چکیده
در این مقاله اتوماتای سلولی یادگیر را معرفی می کنیم. برای درک اتوماتای سلولی یادگیر  ابتدا باید به اتوماتای سلولی و پس از آن با اتوماتای یادگیر آشنا شد. پس از آشنایی با این دو مدل ، اتوماتای سلولی یادگیر مطرح می شود و کاربردهای آن مطرح می شود. دو کاربرد اتوماتای سلولی یادگیر در پردازش تصاویر و استفاده از آن برای تولید یک مدل تکاملی به شکل دقیق مورد بررسی قرار می گیرد.
 
 
کلمات کلیدی:

اتوماتای یادگیر

اتوماتای سلولی

اتوماتای سلولی یادگیر

 
 
مقدمه
اتوماتای سلولی یادگیر[1] تشکیل شده از اجزایی است که در همسایگی یکدیگر قرار می گیرند و رفتار این اجزا بر اساس رفتار همسایگان و تجربیات خودش و همسایه ها تعریف می شود. برای این که با این مدل آشنا شویم ابتدا باید دو مدل اتوماتای یادگیر[2] و اتوماتای سلولی[3] را به خوبی بشناسیم. پس از شناخت این دو مدل ، اتوماتای سلولی یادگیر را که ترکیبی ار دو مدل گفته شده است را مطرح می کنیم.
 
اتوماتای سلولی یک مدل ریاضی است که می تواند برای محاسبات و شبیه سازی سیستمها به کار رود. اتوماتای سلولی سیستمهای ساده ی گسسته ای هستند که با قوانین ساده و محلی می توانند محاسبات و رفتار پیچیده ای از خود بروز دهند. حلی بودن به این معناست که در تعیین مقدار جدید هر سلول، سلولهایی که در همسایگی وی هستند تاثیرگذار هستند و سلولهای دورتر، تاثیری ندارند. هر سلول برای خود مجموعه ای از حالات دارد که در هر لحظه با توجه به حالت خودش و همسایه ها تصمیم می گیرد که به چه حالتی برود. قوانین تغییر حالت در اتوماتای سلولی در طول کار ثابت است و تغییر نمی کند. .
 
 شبکه سلولها می تواند ابعاد متفاوتی داشته باشند و یک , دو و یا بیشتر بعد داشته باشند. با توجه به تعداد مقادیری که سلولها می توانند اختیار کنند, اتوماتای سلولی به دو نوع دودویی و چند مقداره تقسیم می شود. درک رفتار اتوماتای سلولی از روی قوانین آن بسیار مشکل می باشد و درک آن نیاز به شبیه سازی دارد.یکی از مشکلات استفاده از اتوماتای سلولی طراحی قوانینی است که عمل دلخواه ما را انجام دهد. انواع متفاوتی از قوانین به روز رسانی سلولها وجود دارند که باعث ایجاد انواع متفاوت اتوماتای سلولی میشوند. به عنوان مثال، قوانین میتوانند به صورت قطعی و یا احتمالی بیان گردند و این دو دسته از قوانین منجر به دو دسته اتوماتای سلولی قطعی و اتوماتای سلولی احتمالی میشوند. ویژگیهای اتوماتای سلولی را به اختصار میتوان به صورت زیر بیان نمود: فضا و زمان به صورت گسسته پیش میروند. 
 
 
فهرست مطالب 
1.  مقدمه
1.1.  اتوماتای سلولی
1.2.  اتوماتای یادگیر
1.2.1.  اتوماتان  L2N2
1.2.2.  اتوماتان G2N2
1.2.3.  اتوماتان Krinsky
1.2.4.  اتوماتان Krylov
1.2.5.  اتوماتان Ponomarev
1.3.  اتوماتای یادگیر سلولی

2.  انواع اتوماتای سلولی یادگیر

2.1.  توماتای یادگیر سلولی ناهمگن
2.2.  اتوماتای یادگیر سلولی دارای ورودی (باز)
2.3.  اتوماتای یادگیر سلولی با شعاع همسایگی متغیر
2.4.  اتوماتای یادگیر سلولی با متغیر سراسری

3.  کاربردهای اتوماتای سلولی یادگیر

3.1.  پردازش تصویر

3.2.  محاسبات تکاملی به کمک اتوماتای سلولی یادگیر

4.  نتیجه گیری
منابع
 
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

دانلود فایل-اتوماتای سلولی یادگیر و کاربرد آن در پردازش تصاویر و تولید یک مدل تکاملی