no-img
شبیه سازی، برنامه نویسی، پایان نامه

شبکه های عصبی و کاربردهای آن در مهندسی مکانیک، پایان نامه مهندسي مکانیک | شبیه سازی، برنامه نویسی، پایان نامه


شبیه سازی، برنامه نویسی، پایان نامه
adsads

ادامه مطلب

DOC
پایان نامه شبکه های عصبی و کاربردهای آن در مهندسی مکانیک، مهندسی مکانیک
doc
آگوست 27, 2015
۳۰,۰۰۰ تومان
8 فروش
۳۰,۰۰۰ تومان – خرید

پایان نامه شبکه های عصبی و کاربردهای آن در مهندسی مکانیک، مهندسی مکانیک


عنوان: پایان نامه شبکه های عصبی و کاربردهای آن در مهندسی مکانیک، مهندسی مکانیک

رشته:  پروژه پایانی دوره کارشناسی‌،مهندسی مکانیک گرایش حرارت و سیالات

فرمت فایل: WORD (قابل ویرایش)

تعداد صفحه: ۲۰۰

 

چکیده:
شبکه های عصبی مصنوعی ( ANN)، بیانگر دانش در حال گسترشی است که در بسیاری از زمینه ها وارد شده است. این شبکه ها یک سری ویژگی های منحصر به فردی دارند: تقریبی جامع ( نگاشت ورودی –خروجی )، قابلیت یادگیری و تطبیق با محیط اطراف و توانایی استناد به فرضیات ضعیفی که به پدیده های فیزیکی به وجود آورنده داده های ورودی مربوط می شوند. این پروژه با نگاهی مهندسی نوشته شده است و به معرفی شبکه های عصبی و چند نوع پایه آن همراه با مثال ها، الگوریتم های کامپیوتری می پردازد. کاربردهای شبکه های عصبی به ویژه در مهندسی مکانیک را نیز بیان می کند. یک شبکه عصبی نیز برای کمانش ستون ترک دار طراحی شده است. این پروژه در ۹ فصل تدوین شده است.

فهرست مطالب
عنوان
مقدمه
فصل اول: شبکه عصبی مصنوعی
۱-۱- مقدمه
۱-۲- تعریف هوش مصنوعی
۱-۳- تعریف شبکه عصبی
۱-۴- انسان و کامپیوتر
۱-۵- ساختار مغز
۱-۶- یادگیری در سیستم های بیولوژیک
۱-۷- یادگیری در ماشین ها
۱-۸- تشابهات
۱-۹- تفاوت ها
۱-۱۰- مزایا و انتظارات
۱-۱۰-۱- قابلیت یادگیری
۱-۱۰-۲- پراکندگی اطلاعات
۱-۱۰-۳- قابلیت تعمیم
۱-۱۰-۴- پردازش موازی
۱-۱۰-۵- مقاوم بودن
۱-۱۰-۶- غیر خطی بودن
۱-۱۱- معایب
۱-۱۲- کاربرد های شبکه های عصبی
۱-۱۳- تاریخچه شبکه های عصبی
فصل دوم: بازشناسی الگوها
۲-۱- مقدمه
۲-۲- چشم انداز طرح شناسی
۲-۳- تعریف بازشناسی الگوها
۲-۴- طبقه بند های دیگر الگو
۲-۵- بردارهای مشخصات و فضای مشخصات
۲-۶- توابع تشخیص دهنده یا ممیز
۲-۷- فنون طبقه بندی
۲-۷-۱- روش طبقه بندی «نزدیک ترین همسایه»
۲-۷-۲- معیارهای اندازه گیری فاصله
۲-۸- دستگاه های طبقه بندی خطی
۲-۹- فنون آماری
۲-۱۰- مثالی از الگو شناسی: تشخیص حروف
فصل سوم: نرون پایه
۳-۱- مقدمه
۳-۲- روش های کلاسیک شبکه های عصبی
۳-۳- روش های جدید شبکه عصبی
۳-۴- مدل سازی نرون
۳-۴-۱- مدل نرون تک ورودی
۳-۴-۲- توابع محرک
۳-۴-۲-۱- تابع محرک خطی
۳-۴-۲-۲- تابع محرک آستانه ای دو مقداره حدی
۳-۴-۲-۳- تابع محرک لگاریتمی سیگموئید
۳-۴-۲-۴- تابع انتقال تانژانت هذلولوی
۳-۴-۳- مدل نرون چند ورودی
۳-۴-۴- شبکه تک لایه
۳-۴-۵- شبکه های چند لایه
۳-۴-۶- لایه خروجی
۳-۵- شبکه های بازخور یا برگشتی
۳-۶- شبکه های عصبی به شکل گراف
فصل چهارم: پرسپترون
۴-۱- مقدمه
۴-۲- یادگیری در نرون های ساده
۴-۳- یادگیری شبکه
۴-۴- روش های یادگیری
۴-۴-۱- یاد گیری با ناظر
۴-۴-۲- یادگیری تشدیدی ( تقویتی )
۴-۴-۳- یادگیری بدون ناظر
۴-۵- الگوریتم یادگیری پرسپترون
۴-۶- پرسپترون؛ یک رویکرد برداری
۴-۷- محدودیت های پرسپترون
۴-۷-۱- آیا این به معنای پایان راه است؟
۴-۸- تأملی در تاریخ
۴-۹- نتیجه گیری
فصل پنجم: پرسپترون چند لایه
۵-۱- مقدمه
۵-۲- تغییر مدل پرسپترون
۵-۲-۱- رفع مشکل
۵-۳- مدل جدید
۵-۴- قاعده جدید یادگیری
۵-۴-۱- ریاضیات
۵-۵- الگوریتم پرسپترون چند لایه ( پس انتشار )
۵-۵-۱- الگوریتم پس انتشار خطا
۵-۵-۲- در مورد واحد های لایه خارجی
۵-۶- بررسی مجدد مسأله یای انحصاری
۵-۶-۱- حل مسأله XOR با استفاده از قاعده پس انتشار
۵-۷- تجسم رفتار شبکه
۵-۸- پرسپترون چند لایه به عنوان دستگاه طبقه بندی
۵-۹- داده‌های آموزش
۵-۱۰-تعداد لایه های پنهان
۵-۱۱- تعمیم دهی
۵-۱۲- تحمل نقص
۵-۱۳- آموزش مبالغه ای و توقف آموزش
۵-۱۳-۱- روش تعیین اعتبار
۵-۱۳-۲- روش کاهش وزن
۵-۱۳-۳- روش شبکه بیزین
۵-۱۴- مشکلات آموزش
۵-۱۴-۱- کاهش ضریب بهره
۵-۱۴-۲- افزایش تعداد گره های داخلی
۵-۱۴-۳- عبارت گشتاور
۵-۱۴-۴- افزایش اغتشاش
۵-۱۵- سایر مشکلات آموزش
۵-۱۶- کاربردها
۵-۱۶-۱- شبکه گویا:
۵-۱۶-۲- برنامه ریزی فروش بلیت هواپیما:
۵-۱۶-۳- کاربردهای مالی:
۵-۱۶-۴- بازشناسی الگوها:
۵-۱۷- نتیجه گیری
فصل ششم: شبکه های خود سازمان ده کوهونن
۶-۱- مقدمه
۶-۱-۱- مفهوم خود سازمان دهی
۶-۱-۲- شرحی مختصر
۶-۲- الگوریتم کوهونن
۶-۲-۱- توجیه بیولوژیکی
۶-۳- اصلاح ضرایب وزنی
۶-۳-۱- تعیین مقادیر اولیه ضرایب وزنی
۶-۴- همسایگی
۶-۵- کاهش شعاع همسایگی
۶-۶- مقداری کردن بردار آموزشی
۶-۷- کاربردی از شبکه کوهونن ماشین تحریر صوتی
۶-۷-۱- پیش پردازش
۶-۷-۲- نقشه های کمکی
۶-۷-۳- پس پردازش
۶-۷-۴- اجرای سخت افزاری سیستم
۶-۷-۵- عملکرد
۶-۸- نتیجه گیری
فصل هفتم: شبکه های هاپفیلد
۷-۱- مقدمه
۷-۲- الگوریتم شبکه هاپفیلد
۷-۳- صفحه انرژی
۷-۳-۱- ذخیره الگوها
۷-۳-۲- یادآوری
۷-۳-۳- مثال
۷-۴- مقایسه سه نوع شبکه
فصل هشتم: طراحی یک شبکه عصبی
۸-۱- مقدمه
۸-۲- کمانش
۸-۳- طراحی شبکه
۸-۳-۱- داده های آموزشی
۸-۳-۲- پیاده سازی شبکه
۸-۳-۳ برنامه اول
۸-۳-۴- برنامه دوم
۸-۴- نتیجه گیری
فصل نهم: کاربردهای شبکه های عصبی در مهندسی مکانیک
۹-۱- مقدمه
۹-۲- نرم افزارهای مورد استفاده در آموزش شبکه های عصبی
۹-۳- پیش بینی خیز سازه
۹-۳-۱- نتیجه
۹-۴- تعیین مقادیر شاخص های رفتار مکانیکی بدنه خودرو
۹-۴-۱- کلیات
۹-۴-۲- به دست آوردن اطلاعات لازم برای تربیت و آزمایش شبکه
۹-۴-۳- طراحی شبکه
۹-۴-۴- نتیجه
۹-۵- نظارت بر ارتعاشات یک جعبه دنده
۹-۵-۱- مدل سازی دینامیکی جعبه دنده
۹-۵-۲- کارایی شاخص های بهینه
۹-۵-۳- تأثیر محل اندازه گیری ارتعاشات بر کارایی شبکه عصبی
۹-۶- تشخیص عیب دستگاه تزریق پلاستیک
۹-۶-۱- معرفی
۹-۶-۲- شبکه عصبی
۹-۶-۳- آموزش شبکه
۹-۶-۴- قدرت تعمیم شبکه به اشکالات چند تایی
۹-۷- طراحی سیستم کنترل جهت سیستم های با دینامیک نا معلوم
۹-۷-۱- معرفی
۹-۷-۲- شرح روش کنترل
۹-۷-۳- طراحی شبکه
۹-۷-۴- آموزش شبکه
۹-۷-۵- بررسی نتایج اعمال این نوع کنترل کننده ها
۹-۷-۶- نتیجه
منابع :


فهرست اشکال
عنوان
شکل۱-۱: مشخصات اصلی یک نرون بیولوژیکی
شکل ۱-۲: ورودی نرون باید از آستانه معینی تجاوز کند تا نرون فعال شود.
شکل ۱-۳: ناقل شیمیایی آزادشده از شکاف سیناپسی می گذردودریافت کننده های دندریت نرون دیگرراتحریک می کنند.
شکل ۲-۱: محدوده تصمیم یک طبقه بندی خطی
شکل ۲-۲: طبقه بندی به روش نزدیک ترین همسایه
شکل ۲-۳: فاصله شهری
شکل ۲-۴: فاصله مربعی
شکل ۲-۵: اضافه شدن بردار وزن ها در طبقه بندی خطی
شکل ۲-۶: طبقه بندی خطی جزء به جزء
شکل ۲-۷: ورودی و خروجی مطلوب مسأله
شکل ۲-۸: موضوعات تداعی استخراج شده از جداول ۲-۱
شکل ۲-۹: زمانی که الگوی ورودی تقریباً شبیه الگوی T
شکل ۲-۱۰: زمانی که الگوی ورودی تقریبا شبیه الگوی H
شکل ۳-۱: نمای مدل اصلی نرون
شکل ۳-۲: مدل نرون تک ورودی
شکل ۳-۳: تابع محرک خطی
شکل ۳-۴: تابع محرک آستانه ای دو مقداره
شکل ۳-۵: تابع محرک سیگموئیدی
شکل ۳-۶: تابع محرک تانژانت هذلولوی
شکل ۳-۷: مدل نرون با R ورودی
شکل ۳-۸: شبکه تک لایه با S نرون
شکل ۳-۹: شبکه پیش خور دو لایه
شکل ۳-۱۰: بلوک تأخیر زمانی
شکل ۳- ۱۱: شبکه پس خور
شکل ۳-۱۲: نمایش نرون تک ورودی به صورت گراف
شکل ۴-۱: دو مجموعه مجزا از الگوها در فضای دو بعدی
شکل۴-۲: تکامل خط تفکیک کننده از حالت تصادفی اولیه به خطی که به درستی دو گروه را طبقه بندی می کند.
شکل ۴-۳: مسأله یای انحصاری در فضای الگوها
شکل ۵-۱: شیوه برخورد با مسأله یای انحصاری
شکل ۵-۲: دو راه ممکن برای توابع آستانه ای
شکل ۵-۳: پرسپترون چند لایه
شکل ۵-۴: یک راه حل برای مسأله XOR
شکل ۵-۵: شبکه ای که مسأله XOR را بدون اتصال مستقیم گره های ورودی و خروجی حل می کند.
شکل ۵-۶: یک شبکه سه لایه برای حل مسأله یای انحصاری
شکل ۵-۷: تابع انرژی یک بعدی بر حسب تغییرات یکی از ضرایب وزنی.
شکل ۵-۸: تابع انرژی در دو بعد. به نقاط کمینه و بیشینه توجه کنید.
شکل ۵-۹: تغییر مقدار انرژی با تغییر ضرایب وزنی
شکل ۵-۱۰: دو پرسپترون می توانند ترکیب شوند و ورودی پرسپترون دیگر را فراهم کنند.
شکل ۵-۱۱: ترکیب پرسپترون ناحیه تصمیم از ترکیب دو پرسپترون دیگر به وجود می آید.
شکل ۵-۱۲: مثال هایی از نواحی دلخواه که از ترکیب نواحی محدب پدید می آید.
شکل ۵-۱۳: شبکه های عصبی و توانایی تفکیک فضاهای داخلی
شکل ۵-۱۴: نحوه تشکیل محدوده های فضا توسط تعداد مختلف لایه های پرسپترون
شکل ۵-۱۵: خطای مرتبط با مجموعه های آموزش و آزمون
شکل ۶-۱: یک شبکه کوهونن
شکل ۶-۲: تابع کلاه مکزیکی، تأثیرات جانبی را نشان می دهد.
شکل ۶-۳: آموزش همسایگی محلی
شکل ۶-۴: نمایی از ماشین تحریر کوهونن بر اساس شبکه های عصبی
شکل ۶-۵: نقشه مسیر فنوتوپیک تلفظ کلمه فنلاندی humpilla
شکل ۷-۱: شبکه هاپفیلد
شکل ۷-۲: نمایش شبکه هاپفیلد به صورت گراف
شکل ۷-۳: مجموعه آموزشی شبکه هاپفیلد
شکل ۷-۴: ابتدا الگوی درهمی به شبکه عرضه می شود. ترتیب الگوهای میانی نشان می دهد که چگونه شبکه از یک دوره به دوره دیگر رفته و نهایتاً به جواب پایدار می رسد.
شکل ۸-۱: تغییرات بار بحرانی نسبت به حجم الیاف
شکل ۸-۲: تغییرات بار بحرانی نسبت به مکان ترک
شکل ۸-۳: تغییرات بار بحرانی نسبت به زاویه الیاف
شکل ۸-۴: تغییرات بار بحرانی نسبت به عمق ترک
شکل ۸-۵: نمودار خروجی های مطلوب و واقعی بر حسب ورودی ها بازای ۱۰۰ نرون پنهان
شکل ۸-۶: نمودار خروجی های مطلوب و واقعی بر حسب ورودی ها بازای ۵۰ نرون پنهان
شکل ۸-۷: نمودار خروجی های مطلوب و واقعی بر حسب ورودی ها بازای ۲۰۰ نرون پنهان
شکل ۸-۸: نمودار خروجی های مطلوب و واقعی در برنامه دوم
شکل ۹-۱: ساختار شبکه مناسب برای پیش بینی خیز
شکل ۹-۲: الف و ب) نتایج حاصل از آزمایش شبکه برای پیش بینی خیز سازه
شکل ۹-۳: طراحی شبکه
شکل ۹-۴: محاسبه مقادیر شاخص های سه گانه رفتار مکانیکی بدنه خودرو را با تقریب قابل قبول ۹۳% به کمک این شبکه
شکل ۹-۵: یک شبکه عصبی پیشرو چند لایه
شکل ۹-۶: نمایش مسیر آموزش شبکه هنگامی که از تعداد گره های پنهان مختلف استفاده شده است
شکل ۹-۷: الگوریتم کنترل
شکل ۹-۸: رابطه ی بین ورودی و خروجی مطلوب برای کنترل سیستم
شکل ۹-۹: کنترل سیستم در مرحله آموزش
شکل ۹-۱۰: کنترل سیستم توسط شبکه آموزش دیده
شکل ۹-۱۱: سیستم ناپایدار قدرت کنترل کننده شبکه عصبی در محیط های نامطمئن
شکل ۹-۱۲: کنترل سیستم شبکه عصبی بدون آموزش مجدد


فهرست جداول
عنوان
جدول ۲-۱: سه سلول عصبی
جدول ۴-۱: ورودی و خروجی مثال XOR
جدول ۵-۱: ورودی خروجی مسأله XOR
جدول ۸-۱: داده های آموزش برای طراحی یک شبکه عصبی
جدول ۹-۱: ساختار شبکه مناسب برای پیش بینی خیز
جدول ۹-۲: مقایسه خیز به دست آمده از آنالیز دقیق و شبکه عصبی
جدول ۹-۳: عملکرد شبکه عصبی در تشخیص لقی و ترک را با اعمال گروه های مختلف شاخص ها
جدول ۹-۴: شبکه عصبی برای هر شش حالت، با شاخص های بهینه آموزش دیده و نتیجه آن

 

 

مقدمه

این پروژه مقدمه ای بر شبکه های عصبی است که به تشریح مفاهیم و نظریات این رشته از مبانی ابتدایی ساده تا سیستم های محاسباتی پیشرفته تر می پردازد. یکی از اهداف این پروژه، ارائه مفاهیم پایه شبکه های عصبی می باشد. در این پروژه سه شبکه پرسپترون، کوهونن و هاپفیلد که در واقع شبکه های عصبی پایه می باشند، معرفی می گردند و مثال هایی نیز از کاربرد های آنان بیان می شود. البته انواع دیگر شبکه های عصبی مانند بولنی، آماری، in-star و out-star نیز وجود دارند که به دلیل نا مربوط بودن مباحث آن ها در این پروژه به آن ها پرداخته نشده است.
هدف دیگر این پروژه نشان دادن گسترش موارد استفاده شبکه های عصبی به سایر زمینه های علمی و کاربرد های مفید آن می باشد.
سعی شده است علاوه بر صورت های ریاضی در روش های موجود در شبکه های عصبی، از الگوریتم‌ها نیز استفاده شود. این الگوریتم ها، گام های مرحله به مرحله هر شیوه را به وضوح بیان می کنند و به روشن شدن موضوعات مورد بحث کمک می کنند.
فصل اول به معرفی شبکه های عصبی و زمینه پیدایش آن، انگیزه های بیولوژیکی و سیر تاریخی آن اشاره دارد و به بیان تفاوت ها و تشابهات شبکه عصبی طبیعی و مصنوعی می پردازد و حدود انتظارات از شبکه عصبی مصنوعی را بیان می کند.
فصل دوم شامل بحثی در مورد مفاهیم پایه در زمینه بازشناسی الگو است که از جمله مباحث بسیار مهم می باشد زیرا به اکثر موارد کاربردی شبکه های عصبی مربوط می شود. این فصل چشم اندازی از شیوه‌های جاری در این زمینه را ارائه می کند، به طوری که جایگاه و نقش شبکه های عصبی را به روشنی تبیین می کند.
فصل سوم به معرفی مدل مصنوعی نرون و نحوه عملکرد آن به صورت بلوک های ریاضی جهت توضیح و فهم اولیه شبکه های عصبی و انواع شبکه های عصبی می پردازد.
فصل چهارم مدل پرسپترون تک لایه ای و قاعده یادگیری، نحوه عمل، ویژگی ها و نحوه تقسیم فضای الگوها بیان می گردد. در این فصل مشکلات مربوط به تقسیم بندی فضا در مسائل جدایی ناپذیر خطی نظیر یای انحصاری بحث می شود.
در فصل پنجم پرسپترون چند لایه ای که حالت بسط داده شده پرسپترون تک لایه می باشد، توضیح داده می شود و نشان داده می شود که این مدل جدید چگونه نواقص مدل قبلی را برطرف کرده و به ابزاری توانمند تبدیل می گردد. در این فصل مفاهیم پس انتشار خطا شامل قاعده عمومی دلتا، گرادیان و مفاهیم مربوط به استخراج مشخصات الگوها توسط نرون های لایه پنهان بحث می شود. از صفحه انرژی برای تجسم نحوه کمینه شدن انرژی و مسائل مربوط به نقاط کمینه محلی استفاده می شود.
فصل ششم به شبکه خود سازمان ده کوهونن می پردازد که اصطلاحاً آموزش بدون سرپرست نام دارد و فصل هفتم به نوع دیگری از شبکه های عصبی به نام شبکه هاپفیلد یا انجمنی می پردازد.
در فصل هشتم به طراحی یک شبکه عصبی پرداخته ایم و نمونه ای از کاربرد مباحثی که در فصول ابتدایی در مورد آن ها بحث شد را نشان می دهیم. در این فصل نشان داده می شود که چگونه می توان از یک شبکه عصبی پرسپترون برای مدل سازی یک فرآیند مکانیکی استفاده کرد و اندکی نیز با نحوه کارکرد برنامه MATLAB در زمینه شبکه های عصبی نیز آشنا می شویم.
در فصل نهم ابتدا نرم افزارهای پیاده سازی شبکه های عصبی توضیح داده شده است و سپس مثال‌هایی از موارد کاربرد شبکه های عصبی در مهندسی مکانیک آورده شده است تا نشان داده شود که علی رغم ظاهر شبکه های عصبی که بیشتر به مباحث رشته های برق و کامپیوتر مربوط است، می توان از شبکه‌های عصبی در زمینه های دیگر به خصوص مهندسی مکانیک نیز استفاده کرد و نتایج خوبی گرفت. البته در طول پروژه به محدودیت های این نوع شبکه ها نیز اشاره می شود و این که هر نوع فرآیندی را نمی‌توان با این شبکه ها تحلیل کرد.

این پایان نامه با آیین نامه نحوه نگارش و تدوین پایان نامه تهیه شده و آماده ارائه میباشد.

 

 



ads

درباره نویسنده

admin 786 نوشته در شبیه سازی، برنامه نویسی، پایان نامه دارد . مشاهده تمام نوشته های

دیدگاه ها


دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *