نوع فایل: word
قابل ویرایش 140 صفحه
چکیده:
در این پایان نامه سعی بر این است که آتاماتون سلولی، آتاماتون یادگیر و نیز چند نمونه از کاربرد آنها مورد بررسی قرار گیرد. هر آتاماتون سلولی عبارت است از یک سیستم گسسته که بصورت شبکه ای منظم از سلولها بوده و هر سلول آن در بازه های زمانی گسسته برطبق رفتار همسایگانش، تغییر حالت می دهد. آتاماتون یادگیر نیز آتاماتونی است که طبق یک الگورتیم یادگیری و نیز تعامل با محیط، می تواند برداشتهای خود را از محیط بروز کند. در این پروژه سعی شده با معرفی مدل مخفی مارکوف، نوعی از الگوریتمهای تناظر بین دو گراف و نیز ارائه کد منبع تعدادی از برنامه های شبیه سازی، نمونه هایی از کاربردهای گوناگون این دو مفهوم (آتاماتون سلولی و آتاماتون یادگیر) معرفی شود.
مقدمه:
بدون شک گسترش روز افزون علم چه در تئوری و چه در کاربرد، انسانها را موظف کرده زمینه های مختلف علوم را چه در سطح و چه در عمق گسترش دهند. در مورد آتاماتون سلولی و نیز آتاماتون یادگیر و کاربردهای آنها در متون آکادمیک سخن بسیار گفته شده و در این مجموعه ناچیز سعی شده با معرفی آنها و چند نمونه از کاربردهایشان، کلید ورود به این زمینه بی انتها بدست آورده شود. آتاماتون سلولی مدلی است گسسته که در تئوری شمارش پذیری، ریاضیات و علوم نظری کاربردهای زیادی دارد. شاید در سال 1940 که STANISLAW ULAM در حال تحقیق در ازمایشگاه ملی LOS ALAMOS بود هرگز تصور نمی کرد که روزگاری، مطالعه او روی شبکه هایی منظم با عناصری تاثیر پذیر از یکدیگر تا حد بی حد گسترش یابد. چنانچه از این مباحث بگذریم، نخستین چیزی که چارچوب آتاماتون سلولی را شکل میدهد عناصری سلولی شکل هستند که رفتار هر یک از این سلولها متاثر از وضعیت فعلی خود و همسایگانش می باشد. اتاماتون سلولی میتوان چندین بعد داشته باشد و هر سلول می تواند پذیرای چندین حالت باشد. در فصل 2 این مجموعه سعی شده ضمن تعریف آتاماتون سلولی تعدادی اندک از انواع آنها و نیز کاربردهایشان ذکر شود.
در فصل 3 نیز سعی شده ضمن تعریف آتاماتون یادگیر، چند نوع از آنها ونیز نمونه هایی از یکی از انواع ان معرفی شود. در واقع اتاماتون یادگیر یک ماشین حالتی است که برای حل مسائل پیچیده و بهینه سازی و کنترل کردن مسائل قطعی، تصادفی و یاسیستمهای نا مشخص بکار می رود. برای یادگیری آتاماتون محیط نقش اساسی در پاسخ دهی و مطلع کردن آتاماتون دارد. در فصل 4 مدل مخفی مارکوف به تفصیل مورد بررسی قرار گرفته است. دلیل این امر شباهت بسیار بین مدل مخفی مارکوف و آتاماتون سلولی می باشد.
در فصل پنجم در مورد کاربرد آتاماتون یادگیر در تناظر گرافها سخن گفته شده است. اهمیت این کاربرد هنگامی بر ما مشخص می شود که بدانیم طبق روشهای کلاسیک BACK TRACKING ، تعیین تناظر بین دو گراف دارای پیچیدگی زمانی O(n!) خواهد بود! و در نهایت در فصل ششم، 10 برنامه کاربردی که آتاماتونهای سلولی مختلفی راشبیه سازی کرده اند به همراه کد منبعشان معرفی شده اند تا ضمن درک بهتر آتاماتون سلولی و نحوه عمل ان بتوان از نمونه کوچکی از کاربردهای آن آگاه شد. در نهایت و در ضمیمه، اصل منابع اینترنتی این مجموع آورده شده است. تا چنانچه با گذر زمان آدرس آنها تغییر کند، بتوان برای یافتن مطالبی بیشتر به این مراجع دسترسی داشت. لازم به ذکر است در این مجموعه در موقعیتهایی به این منابع ارجاع شده که مطالب تنها جنبه تعریفی داشته و این تعریفها بین مراجع مختلف استاندارد می باشند. انتخاب این منابع از سایتهای اینترنتی تنها به دلیل جمع و جور بودن و نیز نگارش ساده و در عین حال مختصر و مفید آنها می باشد.
فهرست مطالب:
مقدمه
آتاماتون سلولی
مقدمه
تاریخچه آتاماتون سلولی
ساده ترین آتاماتون سلولی
آتاماتون سلولی معکوس پذیر
آتاماتون سلولی Totalistic
استفاده از آتاماتون سلولی در علوم پنهان شناسی
آتاماتونهای وابسته
آتاماتون سلولی در طبیعت
خلاصه
3-آتاماتون یادگیر
3-1- مقدمه
3-2-محیط
3-2-1-تعریف محیط از دیدگاه منطقی
3-2-1-1- موجودیتهای محیط منطقی
3-2-2- رده بندی محیط از دیدگاه خروجی آن
آتاماتون
چگونگی عملکرد آتاماتون
رده بندی آتاماتون بر اساس تابع گذار و تابع خروجی
3-3-2-1- آتاماتون قطعی
3-3-2-2- آتاماتون تصادفی
3-3-2-3- مثالی از آتاماتون قطعی
اتصال بازخوردی بین محیط و آتاماتون
آتاماتون با ساختار ثابت و آتاماتون باساختار متغیر
آتاماتون یادگیر با ساختار ثابت
3-5-1-1- آتاماتون یادگیر دو حالته (L2,2)
3-5-1-2- آتاماتون حافظه دار – با دو عمل Testline))
3-5-1-3- آتاماتون حافظه دار-با بیش از دو عمل Testline))
خلاصه
4-تعریف مدل مخفی مارکوف
مقدمه
تعریف مدل مخفی مارکوف
فرضیات در تئوری HMM
سه مسأله مبنایی در HMM:
4-4-1 مساله تخمین و الگوریتم مورد استفاده
4-4-2- مسأله رمزگشایی و الگوریتم Viterbi
4-4-3- مسأله یادگیری
معیار Maximum Likelihood (ML)
4-5-1- روش Baum-Welch
4-5-2- روش Gradient base
4-5-2-1- گذارهای احتمالاتی در Gradient
احتمال مشاهدات در Gradient
4-6-1- معیار Maximum Mutual Information (MMI)
خلاصه
حل مسائل تناظر گرافها و آتاماتون های یادگیر
مقدمه
استفاده از آتاماتون یادگیر برای تناظر بین دو گراف
5-2-1- ساختن گراف‌های تصادفی
5-2-2- آتاماتون یادگیر و تناظر دو گراف
5-2-2-1- استفاده از اتصال‌های مشابه Tsetline
به عنوان آتاماتون مهاجرت اشیاء
نتایج شبیه‌سازی‌های مختلف برای آتاماتون Tsetline
خلاصه
نمونه برنامه های کاربردی شبیه ساز آتاماتون های سلولی
مقدمه
برنامه pattern matching
6-2-1- ارائه source code برای برنامه pattern matching
برنامه پیاده سازی game of life توسط conway
6-3-1- ارائه source code برای برنامه conway
برنامه شبیه سازی آتاماتون سلولی
6-4-1- ارائه source code برای برنامه midi sampler
پیاده سازی conway بصورت trap door
6-5-1- ارائه source code برای trap door
پیاده سازی conway بصورت population
6-6-1- ارائه source code برنامه population
پیاده سازی یک نمونه آتاماتون سلولی خاص یک بعدی و دو حالته
6-7-1- ارائه source code برای آتاماتونی یک بعدی و دو حالته
برنامه تجسم و creatur sampler
6-8-1- ارائه source code برای برنامه creatur sampler
پیاده سازی دو بعدی Conway
6-9-1- ارائه source code
پیاده سازی یک آتاماتون سلولی دو حالته و دو بعدی عمومی
6-10-1 ارائه source code
برنامه شکار رنگهای Dave
6-11-1 ارائه source code برنامه dave
6-12 خلاصه
ضمیمه
قسمت اول
قسمت دوم
قسمت سوم
قسمت چهارم
پروژه آتاماتون سلولی، آتاماتون یادگیر، و کاربرد آن ها. doc