پاورپوینت ارتباط شبکه های عصبی با DSS (pptx) 15 اسلاید

دسته بندی : پاورپوینت

نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )

تعداد اسلاید: 15 اسلاید

قسمتی از متن PowerPoint (.pptx) :

ارتباط شبکه های عصبی با DSS نام درس : سیستم های پشتیبانی و تصمیم گیری نیمسال تحصیلی 96-95 فهرست مطالب : مقدمه شبکه عصبی لایه های شبکه های عصبی الگوریتم و معماری شبکه های عصبی مصنوعی ضرورت کاربرد شبکه های عصبی در تصمیم گیری راهبردی پشتیبانی شبکه های عصبی مصنوعی از فرآیند تصمیم گیری کاربرد شبکه های عصبی مصنوعی در تصمیم گیری راهبردی نتیجه گیری برخی از تصمیم گیریهای مدیران ، تصمیم گیری در مورد آینده است و تصمیم گیری نسبت به آینده همیشه با عدم اطمینان همراه است و هیچ قطعیتی برای آینده نمی توان متصور بود .رفتارپدیده های طبیعی در دنیا غیر خطی است و سازمان نیز از این قاعده مستثنی نیست . از طرف دیگر ، تصمیم گیریهای راهبردی مدیران دارای ماهیت کمی و کیفی بوده و نیازمند پردازش اطلاعات کمی و دانش کیفی است .یکی از مهمترین روشهای کیفی که می تواند در تحلیل مسائل کیفی سیستم ها ، تصمیم گیرندگان را مدد رساند، سیستم های هوش مصنوعی است . مقدمه هوش مصنوعی بر دو محور استوار است : مطالعه ی فرآیند تفکر انسانها نمایش این فرآیند ها توسط ماشین ها هوش مصنوعی بر دو محور استوار است : مطالعه ی فرآیند تفکر انسانها نمایش این فرآیند ها توسط ماشین ها شبکه های عصبی تعداد متعدد عناصر پردازش شبیه عصب تعداد متعدد ارتباطات وزن گذاری شده بین این عناصر پردازش و توزیع موازی زیاد ارایه دانش مبتنی بر پردازش موازی انبوه توانایی تشخیص الگوهای مبتنی بر تجربه تاکید بر نمایش های درونی یادگیری به طور خودکار طبقه بندی الگوها از طریق آموزش قابل برنامه ریزی بوده و بنابراین قابلیت یادگیری دارد از روی مثال هایی که در مرحله آموزش به سیستم نشان داده می شود قابلیت تعمیم دارد . اساسی ترین جز مغز انسان یک نوع سلول ویژه است که امکان تفکر ، به خاطر آوری و اعمال تجارب گذشته در کارها را میسر می سازد ، این سلولها به عصب معروف هستند . هر عصب طبیعی از 4 جز اصلی : دندریت ، سما ، آکسون و سیناپس تشکیل شده است . عصب مصنوعی لایه های شبکه عصبی مصنوعی : شبکه عصبی تک لایه : این شبکه یک ساختار ساده است که از m عصب تشکیل و هر کدام n ورودی دارد . این شبکه یک بازنمایی از فضای ورودی n بعدی را برای فضای خروجی m بعدی انجام می دهد . این نوع لایه ها به طور وسیعی در مسائل خطی تفکیک پذیر به کار برده می شوند. شبکه عصبی چند لایه : این شبکه ها مسئله طبقه بندی مجموعه های غیرخطی را به وسیله به کارگیری لایه های پنهان حل می کنند ، که عصب ها به طور مستقیم با خروجی مرتبط نیستند. الگوریتم و معماری شبکه عصبی مصنوعی : پرسپترون ساده : ساده ترین مدل شبکه عصبی ، با یک عصب واحد است. الگوریتم پس انتشار : شبکه های قاعده دلتای پس انتشار از قانون دلتای واحد تکامل یافته که لایه های اضافی مخفی ( لایه های اضافه بر لایه درون داد و برون داد که از خارج اتصالی ندارند ) به آن اضافه شدهه است ، شکل گرفته اند . اتصالات از لایه درون داد به اولین لایه مخفی و از اولین لایه مخفی به دومین لایه و ..... و درنهایت از آخرین لایه مخفی به لایه مخفی برون داد صورت می گیرند . این نوع شبکه ها برای ورودیهای قابل تشخیص غیر خطی مناسب هستند . شبکه های پیشخور : این نوع شبکه ها فقط علایم را به یک روش از ورودی به خروجی حرکت می دهند . هیچ حلقهه بازخوردی وجود ندارد . یعنی خروجی هر لایه نمی تواند در همان لایه تاثیر بگذارد . این نوع شبکه ها به طور گسترده در تشخیص الگو به کار می روند . شبکه های بازخور : این نوع شبکه ها خیلی قدرتمند و در نهایت پیچیده و پویا هستند . الگوریتم و معماری شبکه عصبی مصنوعی : 5. شبکه های خطی : شبکه های خطی یک تابع یکسان و یا خطی را به عنوان تابع انتقال به کار می گیرند . 6. نقشه های ویژگی کوهونن : شبکه های خود سازماندهی ، خودشان را با الگوهای ورودی جدید تنظیم می کنند 7. شبکه های هاپفیلد : شبکه های ارائه شده در قبل شبکه های غیر برگشتی هستند ، یعنی هیچ بازخوری از خروجی خای شبکه به ورودی شان وجود ندارد . 8. شبکه انتشار دو طرفه : شبکه انتشار دو طرفه در واقع ترکیبی از دو الگوریتمم نقشه خود سازماندهی "کوهونن " و شبکه برون داد "گروسبرگ " است . مزین عمده شبکه انتشار دو طرفه این است که شایستگی های هر دو الگوریتم را دارا می باشد