بیا تو پروژه

چکیده 1

مقدمه. 2

فصل اول:مروری بر تاریخچه و کاربرد شبکه های عصبی

1-1-معناي شبكه‌هاي عصبي.. 4

1-2-انگيزه هاي بيولوژيكي.. 6

1-3-تشابهات و انتظارات... 10

1-3-1-تشابهات... 10

1-3-2-انتظارات... 11

1-4-تاريخچة شبكه‌هاي عصبي.. 13

1-5-كاربرد شبكه‌هاي عصبي.. 15

فصل دوم: معرفی شبکه های عصبی

2-1- مدل نرون.. 20

2-1-1-مدل تك ورودي.. 20

2-2-توابع محرك... 21

2-3- ساختار شبكه هاي عصبي.. 22

2-3-1- شبكه تك لايه. 22

2-3-2- شبكه چند لايه. 22

فصل سوم: یادگیـری شبکـه و الگوریتم پس از انتشار BP

3-1- يادگيري شبكه. 24

3-2- انواع يادگيري.. 25

3-2-1- يادگيري با ناظر. 25

3-3-الگوريتم پس انتشار BP.. 26

3-3-1- شاخص اجرايي.. 27

3-3-2- فرمول بندي الگوريتم BP.. 29

3-3-2- الف) تنظيم پارامترهاي لايه خارجي.. 29

3-3-2-ب) تنظيم پارامترهاي لايه مياني.. 32

3-3-3-پس انتشار حساسيتها 34

3-3-4-خلاصه الگوريتم BP.. 35

3-3-5- محدوديت الگوريتمBP.. 37

3-4- شبكه‌هاي عصبي قابل انعطاف... 38

3-4-1- توابع زيگموئيد يك قطبي قابل انعطاف... 39

3-4-2-توابع زيگموئيد دو قطبي قابل انعطاف... 40

فصل چهارم: کنـتـرل

4-1- رفتار سيستم‌هاي خطي.. 41

4-2- رفتار سيستم آزاد. 43

4-2-1- رفتار آزاد سيستم رسته يك.... 44

4-2-2-رفتار آزاد سيستم رسته n.. 44

4-2-3-حل سيستم آزادبااستفاده ازتبديل معكوس لاپلاس.... 47

4-2-4- رفتار سيستم رسته n با ورودي  u(t) 48

4-2-5-پايداري سيستم‌هاي خطي.. 49

4-3- نمايش و ساختمان يك سيستم كنترل فيدبك: 51

4-3-1-كنترلرهاي خطي.. 54

فصل پنجم:شبکه عصبی رقابتی

5-1 آشنایی با شبکه های عصبی رقابتی.. 57

5-2 شبکه های خودسازمان ده 57

5-2-1 شبکه های خود سازمان ده دارای وزن.. 58

5-2-1-1 شبکه ی ماکس نت(MaxNet) 58

5-2-1-2 شبکه ی کلاه مکزیکی(Mexican Hat Network) 59

5-2-1-3  شبکه همینگ (Hamming Network) 62

5-3 ساختار شبکه همینگ.... 64

5-3-1 لایه رقابتی.. 66

5-3-2 یادگیری رقابتی.. 67

5-4 لایه های رقابتی در شبکه های عصبی بیولوژیکی.. 67

5-6 شبکه های خود سازمان ده کوهونن.. 69

5-6-1 نحوه ی پیاده سازی شبکه های خود سازمان ده  SOMدر مجموعه ی Matlab: 70

5-6-1-1 ساختار لایه ی رقابتی در نرم افزار مطلب... 70

5-6-2 الگوریتم کوهونن.. 75

5-6-3 الگوریتم شبکه کوهونن.. 76

5-6-4 نحوه نمایش نگاشت... 80

5-6-5 یک مسئله خاص در مورد  SOM.... 82

5-6-6 برخی کاربردهای شبکه های som... 82

5-6-7 مرتب کردن اعداد با استفاده از SOM.... 83

5-6-8چند کاربرد از شبکه کوهونن.. 85

5-6-9 بهبود SOM با رفع نرون مرده 86

5-7  بررسی کاربرد شبکه  MSOM در متراکم سازی تصویر. 87

5-8 کاربرد شبکه MSOM در آستانه گیری.. 88

5-9 کاربرد شبکه MSOM در جداسازی تصاویر باینری.. 89

5-10 معرفی مدل DSOM.... 90

5-10-1 مدل DSOM.... 91

5-10-2 تصحیح توپولوژی.. 91

5-10-3 شبیه سازی.. 92

5-11 کاربرد سیستم های خود سازمانده 93

5-11-1 کاربرد SOM در پردازش تصویر: 93

5-11-2 کاربرد شبکه DSOM در پردازش تصویر: 94

5-12 کاربرد SOM در پخش بار بلادرنگ در سیستم های قدرت: 96

فصل ششم: نتیجـه‌گيري

6-1- پروژه 98

فصل هفتم:مقالات تخصصي رابطه شبکه عصبي با برق

بررسی بار زدایی تطبیقی در سیستم‌های قدرت با استفاده از شبکه‌های عصبی.. 108

پيش بيني بـاركوتاه مدت بـا استفاده از شبكه‌هاي عصبي – فازي.. 123

پيش بيني تقاضاي ماهيانه برق با استفاده از مدل‌هاي شبكه عصبي مصنوعي و آريما در ايران.. 136

پیش بینی کوتاه مدت تقاضاي برق کشور با استفاده از شبکه هاي عصبی و تبدیل موجک.... 150

منابع و مآخذ. 171