پديد آورنده :
حسيني، مرضيه السادات
عنوان :
توسعه شبكه هاي عصبي مصنوعي مبتني بر انرژي با استفاده از روش هاي فازي
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
هوش مصنوعي و رباتيك
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر
صفحه شمار :
سيزده، ۷۸ص.: مصور، جدول، نمودار
استاد راهنما :
مهران صفاياني
استاد مشاور :
عبدالرضا ميرزايي
توصيفگر ها :
شبكه هاي عصبي مبتني بر انرژي , ماشين بولتزمن محدود , شبكه باور عميق , اعداد فازي , الگوريتم واگرايي متقابل
استاد داور :
محمدرضا احمدزاده، مريم ذكري
تاريخ ورود اطلاعات :
1396/10/18
رشته تحصيلي :
برق و كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
چكيده فارسي :
1 چكيده در دنياي كنوني با پيشرفتهاي شگرف اخير تحليل دادهها با حجم وسيعي انجام ميشود در اين بين به منظور تحليل دقيقتر و دستيابي به روشهاي جديدتر پژوهشهاي زيادي با روشهاي مبتكرانهاي در حوزههاي مختلف از جمله هوش مصنوعي صورت پذيرفته است يكي از روشهاي موجود در اين حوزه براي پردازش دادهها و اطالعات و تحليل آنها شبكههاي عصبي مصنوعي است كه الهام گرفته از سيستم عصبي مغز انسان ميباشد و در مواردي همچون پردازش تصوير مدلسازي موضوع و به طور كلي دستهبندي الگوها كاربرد فراوان دارد جهت توسعه و ارتقاي شبكههاي عصبي روشهاي بسياري وجود دارد كه ميتوان به استفاده از منطق فازي اشاره نمود كه در اين پژوهش مورد استفاده قرار گرفته است در اين پژوهش از روشهاي ماشين بولتزمن محدود فازي نوع دو و شبكه باور عميق فازي نوع يك و دو بر روي مجموعه دادههاي ارقام دستنوشته انگليسي و فارسي استفاده شده است اين روشها با افزودن عدم قعطيت به شبكههاي عصبي مصنوعي مبتني بر انرژي باعث بهبود عملكرد آنها در مسائل پيچيدهتر و همچنين مدلسازي آنها با تعداد متغيرهاي بيشتر شدهاند و بهكارگيري اين روشها باعث ارتقاي دقت دستهبندي گرديده است به طوريكه شبكه باور عميق فازي نوع دو به دقتي بيش از 69 درصد براي دستهبندي مجموعه داده ارقام دستنوشته فارسي و بيش از 79 درصد براي دستهبندي مجموعه ارقام دستنوشته انگليسي دست يافته است كه با توجه به پژوهشهاي صورت گرفته در اين حوزه از دقت مناسبي برخوردار است كلمات كليدي شبكههاي عصبي مبتني بر انرژي ماشين بولتزمن محدود شبكه باور عميق اعداد فازي الگوريتم واگرايي متقابل
چكيده انگليسي :
74 واژهنامه چكيده Abstract يادگيري فعال Active Learning هوش مصنوعي Aritficial Intelligence شبكههاي عصبي مصنوعي Artificial Neural Networks رمزگذار خودكار Autoencoder برچسبزني خودكار دادههاي چندرسانهاي Automatic Multimedia Tagging انتشار به عقب Back Propagation پيشقدر Bias دستهبندي Classification مدلهاي شرطي Conditional Models واگرايي متقابل Contrastive Divergence محدب Convex شبكههاي عصبي پيچشي Convolutional Neural Networks ارزش متوسط احتمالي عددي Crisp Possibilistic Mean Value مجموعههاي قطعي Crisp Sets آنتروپي متقاطع Cross Entropy شبكه باور عميق Deep Belief Network يادگيري عميق Deep Learning
استاد راهنما :
مهران صفاياني
استاد مشاور :
عبدالرضا ميرزايي
استاد داور :
محمدرضا احمدزاده، مريم ذكري
