دانلود مقاله اختلالات تیک یا تیک عصبی

اختصاصی از یارا فایل دانلود مقاله اختلالات تیک یا تیک عصبی دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:30

فهرست مطالب:

 اختلالات تیک یا تیک عصبی
نگاهی کوتاه به انواع تیکها
پیشگیری:
انواع تیک ها و درمان آنها:
تیکهای مزمن
علتها
کاهش فشار روحی
تیک عصبی در کودکان
حذف عاملهای محرک
بررسی کمبودهای غذایی
خودآگاهی
شناسایی محرک
تیک عصبی در کودکان
تیکها در کودکان(1)
تیکهای گذرا
تیکهای مزمن
علتها
پیشگیری عادت
کاهش فشار روحی
تهران پایتخت می‌ماند؟
 نوزادان ناقص‌الخلقه در چین
مطابق تعریف DSM  IV   :
سبب شناسی:
شایع ترین تیک ها:
آسیب شناسی و ارزیابی آزمایشگاهی :
درمان :
همه گیر شناسی :
تیک یا اختلال حرکات بدنی
● مقدمه
● اختلال تیک حرکتی مزمن
اختلال تورت
سیر اختلال سلوک:  
تشخیص وخصوصیات بالینی:
پرخاشگری نسبت به انسانها و حیوانات :
تقلب یا دزدی:
نقض جدی مقررات:
نوع شروع شونده در دوران کودکی:
نوع شروع شونده در نوجوانی:
نوع نا متمایز:
نوع شروع در دوران کودکی:
نوع شروع در نوجوانی:
منابع :  

چکیده:

نگاهی کوتاه به انواع تیکها
شاید یکی از چیزهایی که در خیابان یا در یک مهمانی یا هر جای دیگر شما را به خنده وا دارد دیدن حرکات عجیب و غریب و تکراری یک نفر باشد.(البته خندیدن کار صحیحی نیست ولی بعضی اوقات از دست آدم در میره، چاره ای نیست).امروزه به ویژه با زیادتر شدن بازیهای کامپیوتری و گیم نت ها این حرکات بیشتر شده و بخصوص در بچه هایی که زیاد بازی کامپیوتری می کنند.دیدم بد نیست نگاهی هر چند کوتاه و مختصر به این موضوع داشته باشم.امیدوارم خوشتان بیاید.
البته با تیک تیک ساعت اشتباه نگیرید که فکر کنم از آن بدتان بیاید.(چون گذر زمان را نشان می دهد.)   
تعریف تیک:          
حرکات غیر ارادی، اجباری، تکراری و کلیشه ای را در اصطلاح تیک می نامند.این حرکات شبیه حرکات با هدف است چون هماهنگ بوده و در عضلاتی دیده می شود که رابطه طبیعی هماهنگ با هم دارند.تیک معمولا" در صورت و شانه ها دیده می شود.این حرکات غیر ارادی، جدا از هم، تکراری، کوتاه و ناگهانی ممکن است به صورت ساده دیده شوند مانند تکان دادن بینی، چشمک زدن یا حرکات سر و یا دارای طبیعت حسی باشند و یا به صورت کلامی یا صوتی بروز کنند که در این حالت از صاف کردن گلو تا نشانه های پیچیده تر مثل تکرار غیر ارادی سخن دیگران(اکولالیا echolalia) یا ناسزا گفتن غیر ارادی و نا مناسب(کوپرولالیا coprolalia) می توانند گسترده باشند.
پیشگیری:
معمولا" می توان به طور ارادی از بروز نشانه های تیک جلوگیری کرد ولی با بروز استرس شدت پیدا می کنند و با سرگرم شدن بیمار از شدت آنها کاسته می شود.


انواع تیک ها و درمان آنها:
بعضی از تیک ها در خواب هم ادامه دارند.شایع ترین علت بروز این نوع تیک ها سندرم تورت(Tourette Syndrome سندرم ژیل دولاتورت) است.در این حالت آشفتگی های رفتاری به همراه تیک وجود دارد.این بیماری اصولا" یک بیماری ژنتیک است و از دوره کودکی شروع می شود، ولی ممکن است به علت مصرف بعضی مواد(مانند داروهای آنتی سایکوتیک) ،تروما، عفونت استرپتوکوکی و یا آنسفالیت ویروسی تشدید شود.
شدت نشانه های بسیاری از بیماران متغیر است و کم و زیاد می شود و رفتار درمانی و اطمینان بخشیدن به بیمار برای رفع تیک های خفیف کافی است.
تیک های شدید و آنهایی که موجب نگرانی است بایستی با دارو درمان شوند.در اکثر اوقات بلوکرهای دوپامین، و معمولا" پیموزاید یا هالوپریدول باعث کاهش کثرت و وخامت تیک شده و ممکن است آشفتگی های رفتاری همراه آن را نیز کاهش دهد.
برتری استفاده از داروهای دیگر بر اساس تأ ثیر یا عوارض مضر آنها هنوز در هاله ای از ابهام است.
معمولا" توصیه می شود دوز داروی استفاده شده تا حد امکان کم باشد.در ضمن باید توجه داشت که درمان مناسب بدین معنی نیست که کلیه نشانه ها را کنترل کند.(وگرنه که دیگه کسی تیک نداشت).به این موضوع هم توجه کنید که بعضط عوارض داروها را باید در کنار آثار درمانی آنها قرار داد.(خیلی نباید به عوارض سطحی داروها توجه کرد.چون داروی بدون عارضه مرگ است!!!!!!)
غالبا" مصرف دارو را پس از چند سال می توان قطع کرد.در بیمارانی که به هالوپریدول و پیموزاید پاسخ نمی دهند و یا نسبت به این داروها حساسیت دارند، می توان از داروهای جایگزین استفاده کرد.
بعضی داروهای دیگر که در کنترل تیک و یا آشفتگی های رفتاری سندرم تورت به کار می روند عبارتند از:
کلونیدین، سولپیرید، باکلوفن، توکسین بوتولینوم، کلونازپام، فلوفنازین، لوودوپا، پرگولید، ریسپریدون و تیاپرید.
در بعضی بیماران، در آغاز می توان از کلونیدین استفاده کرد چون از نظر عدم بروز عوارض جانبی بر هالوپریدول و پیموزاید ارجحیت دارد.
همچنین دانشمندان متوجه شده اند که نیکوتین به تنهایی یا همراه با هالوپریدول در آنهایی که هالوپریدول به تنهایی اثر نداشته است، مفید بوده است.
تیک های عصبی چیست ؟
تیک ها حرکات غیر اردای و انقباضات عضلانی نا گهانی بوده و حداقل بطور گذرا در درصد قابل توجهی از افراد دیده می شوند .

تیک های صوتی نیز بیشتر به صورت اصواتی مثل سرفه کردن، صاف کردن گلو، تیک هایی که به تازگی آغاز شده اند، اغلب نیاز به درمان ندارند.
توصیه مناسب به والدین و اطرافیان کودک مبتلا به تیک این است که توجهی به تیک ها نداشته باشند، چرا که تمرکز روی تیک، باعث تشدید آن می شودغرغر کردن، بالا کشیدن بینی و… تظاهر می کند.
اکثر تیک هایی که تازه آغاز شده اند، مسیر محدود و گذرایی دارند و به سمت اختلال جدی تری پیش نمی روند و حداکثر در طی دوره های استرس آور عود می کنند.
معدودی از تیک ها بیشتر از یک سال طول می کشند.
تیک در مردها سه برابر بیشتر از زن هاست و تیکهای مزمن بیشتر بین سنین شش تا دوازده سالگی دیده می شود.
تیک می تواند با رفتارهایی نظیر بالا انداختن شانه ، پلک زدن، تنگ کردن چشمها، تکانهای تند سر یا شانه، شکلک در آوردن، تکان دادن سر به طرفین یا پایین آوردن سر و یا چین دادن بینی دیده شود.
این تیکهای حرکتی در دوران کودکی کاملاً معمول هستند. با آماری که انجمن روانپزشکی آمریکا گزارش داده است، پنج الی بیست و چهاردرصد از کودکان دارای نوعی تیک هستند.
شایع ترین نواحی از بدن که تیک های حرکتی در آنها دیده می شوند، عبارت اند از: سر و صورت و دست ها و بازوها و بیشترین حرکات به صورت چشمک زدن، شکلک در آوردن، چین دادن به پیشانی، بالا انداختن ابروها، پلک زدن زیاد، چرخش سر، پرتاب کردن دست ها و بازوها، بالا انداختن شانه و نیز تکان دادن پا و … است.
تیکهای گذرا
تیکهای حرکتی معمول که اغلب در حدود سه و نیم سالگی شروع می شوند به کودکان کمک می کنند تا انرژی عصبی را آزاد کنند. هفتاد و پنج درصد از کودکان این نوع تیک را در عرض شش ماه پست سر می گذارند.
اگر کودک شما گرفتار تیک شد، بهترین راه ، نادیده گرفتن آن است. هیچگاه او را سرزنش نکرده و یا تنبیه نکنید.
شما می توانید برای جلوگیری از تبدیل شدن این عمل به یک عادت، با تمرین کردن روشهای پیشگیرانه که بعداً در این سلسله مقالات توضیح داده می شود، به کودکانتان کمک کنید ولی تیکهای گذرا نباید در برنامه ی کامل ترک عادت مورد توجه قرار گیرد.
تیکهای مزمن
اگر تیک بیش از دوازده ماه ادامه یابد، تیک مزمن محسوب می شود.
تیکهای مزمن پایدار هستند و معمولاً انقباض ماهیچه در آنها بیش از حد و بسیار شدید است.
این تیکها مشخصاً به صورت حمله های دوره ای صورت می گیرند و غالباً شدت آنها ماه به ماه، روز به روز یا حتی ساعت به ساعت تغییر می کند. در حقیقت رفتار تیکی ممکن است برای هفته ها یا ماهها کاملاً محو شود اما دوباره ظاهر گردد.
علتها
زمانی اعتقاد بر این بود که تیکها علامت بیرونی احساسات سرکوب شده و تعارضات و کشمکشهای درونی اند. امروزه در بسیاری از نقاط جهان آن را ترکیبی از عوامل محیطی و زیستی می دانند.
تقریباً در یک سوم موارد پایه ی ژنتیکی دارد اما در برخی حالات ممکن است این عادت از طریق تقلید به دست آید.
همچنین مشخص شده است که رفتارهای تیکی در زمان فشارهای عصبی افزایش می یابد که این امر به «تیک عصبی» منجر می شود.
در صورتیکه از وجود تیک های عصبی در کودکتان رنج می برید ، نکات زیر را مد نظر داشته باشید :
کاهش فشار روحی
به لحاظ این که رفتارهای تیکی غالباً با فشار روحی تشدید می شوند، عناصری را در زندگی کودکتان جستجو کنید که ممکن است منشأ ناراحتی یا نگرانی او گردند. آیا آنان تلاش می کنند که از تکالیف مدرسه و درسها عقب نمانند؟ آیا انتظارات ورزشی آنان بالاست؟ آیا مشکلات زناشویی شما باعث پریشانی آنها می شود؟
برای کاهش تنش های احتمالی کودکان، تا آن جایی که ممکن است برای ایجاد آرامش و اطمینان و حذف موقعیتهای فشارزا بکوشید و با آنان رئوف و مهربان باشید.
تعداد تیک اغلب با کاهش فشار روحی، تقلیل می یابد.

تیک عصبی در کودکان
حذف عاملهای محرک
آغاز برخی تیکها همانند یک واکنش طبیعی به تحریک بدنی است. یک یقه ی خیلی تنگ یا خیلی بلند می تواند باعث تکان دادن سر یا بالا کشیدن شانه شود. عینکهای نامناسب یا خستگی چشم می تواند عادتهای پلک زدن، تنگ کردن چشم یا چین دادن بینی را موجب شود. کلاه هایی که بند دارند و بندشان زیر چانه قرار می گیرد می تواند باعث تکان دادن سر به طرفین یا به طرف پایین شود. بعضی اوقات شما می توانید با گوش به زنگ بودن به علایم ناراحت کننده و با حذف منبع تحریک، از عادت تیک پیشگیری کنید.
بررسی کمبودهای غذایی
اکثر متخصصان تغذیه بر این باورند که تیکهای پایدار ممکن است به علت کمبود پتاسیم یا منیزیم یا هر دو باشد.
 غذاهای خیلی شیرین و کافئین موجود در شکلاتها و نوشابه ها عدم تعادل پتاسیم و منیزیم را تشدید می کنند. اگر تمایل دارید روش پیشگیرانه ای اتخاذ کنید، برنامه ی غذایی کودکتان را تنظیم کنید و از پزشک معالجتان بخواهید که برنامه ی غذایی مکمل و قابل دسترس را برای بازگشت دوباره ی پتاسیم و منیزیم مورد نیاز آنان، به شما ارائه دهد.
شناسایی محرک
رفتارهای تیکی در یک الگوی غیرقابل پیش بینی ظاهر و محو می شوند. ولی اگر شما به مدت دو هفته با استفاده از نمودار ترک عادت، رفتار کودکتان را در نظر داشته باشید، ممکن است قادر شوید انواع معین حالتهایی که تیک را تحریک می کند، مشخص کنید. نظارت خود را در طی زمانی که انتظار می رود با کودکتان باشید مثلا در تعطیلات آخر هفته، شروع کنید. هر رویداد تیکی را روی نمودار علامت بزنید و قبل از تیک و در طی تیک به فعالیت کودک توجه ویژه ای مبذول دارید. این اطلاعات به شما برای کاهش یا حذف موقعیتهای تشدید کننده ی تیک کمک خواهد کرد.
خودآگاهی
در اکثر موارد کودکان از تیکهایشان کاملاً بی اطلاعند. به لحاظ این که آنان نمی توانند عملی را که از آن آگاهی ندارند متوقف سازند، اولین گام در ترک عادت این است که به آنان دقیقاً نشان دهیم در حین یک تیک چگونه به نظر می رسند. در زمانی که احتمالاً بر طبق نمودار نظارت بر عادت، انتظار تیک وجود دارد با کودکتان در جلوی آینه بایستید و با هم مراقب حرکت تیک باشید. خودتان تیک را تقلید کنید و سپس کودکتان را به انجام حرکت ارادی تیک تشویق کنید.

تحقیق تشخیص خودکار عنبیه به کمک بعد فرکتال و شبکه عصبی 15MLPص + 33 اسلاید + منابع انگلیسی کامل

اختصاصی از یارا فایل تحقیق تشخیص خودکار عنبیه به کمک بعد فرکتال و شبکه عصبی 15MLPص + 33 اسلاید + منابع انگلیسی کامل دانلود با لینک مستقیم و پرسرعت .

فهرست مطالب:

چکیده
1. مقدمه
2.1- خصوصیات عنبیه چشم انسان :
2.2- آثار پیشین :
- گرفتن تصویر:
3.2- جدا سازی عنبیه :
الف. فیلتر بالاگذر:
3.4- تشخیص الگوی عنبیه :
4- نتیجه
5. منابع :
6- ضمیمه : کد برنامه

چکیده:
پیشرفتهای اخیر در زمینه نرم‌افزار و سخت‌افزار کامپیوتر، صنعت را قادر ساخته است تا سیستم‌های موثق زیست سنجی قابل استفاده‌ای را توسعه دهد. از آنجا که عنبیه چشم انسان بسیار بافت پیچیده‌ای دارد، شیوه مختصری بر اساس بعد فرکتال جهت آشنا شدن با عنبیه چشم انسان در این تحقیق ارائه شده است.
میزان ابعاد فرکتال، انسدادهای عنبیه با استفاده از پنج بعد شکست متفاوت با تخمین الگوریتم‌ها محاسبه شده‌اند و تفکیک شناختی برای تشخیص الگوهای عنبیه‌ای از نظر اعتبار شخصی بکار گرفته شده‌اند. سیستم نمونه اصلی بنام سیستم شناخت خودکار عنبیه(AIRIS) توسعه داده شده و نتایج صوری آن ارائه شده است.
کلمات کلیدی
تشخیص عنبیه، پردازش تصویر، فرکتال، شبکه عصبی MLP

مقاله مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن

اختصاصی از یارا فایل مقاله مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:145

چکیده:

مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن:

امروزه با شکسته شدن پی در پی استقلال ، شاخه های مختلف علوم و بهره وری شاخه ای از شاخه ی دیگر و پیشبرد مسائل پیچیده خود، پیوستگی و لاینفک بودن تمامی شاخه های علوم را نمایان تر می سازد که سرمنشأ تمامی آنها از یک حقیقت نشأت گرفته و آن ذات باری تعالی است.اولین تلاش ها به منظور ارائه ی یک مدل ریاضی برای سیستم عصبی انسان در دهه 40 توسط Mcculloch , pitts انجام شد ، که حاصل آن یک نورون ساده ی تک لایه ویک روش برای آموزش آن بود . در ادامه ی این کار Hebb نتایج آزمایشات پاولف را در مورد شرطی شدن ،گسترش داد و یک روش برای یادگیری ارائه کرد . در سال 1958 ،Rossonblatt شبکه ی پرسپترون را ارائه کرد . بعد از مدتی اثبات شد شبکه ی عصبی پرسپترون تک لایه نمی تواند تابع ساده ای مانند EX-OR را بیاموزد .بنابراین تقریباً تا دهه ی 80 تلا ش ها برای گسترش شبکه ی عصبی بسیار کم بود. سپس در طی یک مقاله اثبات شد که شبکه ی عصبی پرسپترون چند لایه می تواند به عنوان یک تخمین گر جهانی مطرح شود . بدین معنی که این شبکه قابلیت دارد هر تابع غیرخطی را با دقت دلخواه مدل سازی کند . از آن به بعد شبکه های عصبی مصنوعی گسترش یافتند و در زمینه های بسیاری از آنها استفاده شد .

سیستم شبکه ی عصبی مصنوعی از مغز وسیستم عصبی انسان الهام گرفته شده و مانند مغز انسان از تعداد زیادی نورون تشکیل شده است . این شبکه ها مانند مغز انسان دارای قابلیت یادگیری هستندکه از مزیت های عمده ی این سیستم هاست در مواردی که نتوانیم یک الگوریتم حل به صورت فرمولی بیابیم یا تعداد زیادی مثال از ورودی و خروجی سیستم موردنظرمان در اختیار داشته باشیم و بخواهیم برای آن سیستم ، مدل ارائه کنیم یا اینکه یک ساختار از اطلاعات موجود بدست آوریم ، استفاده از شبکه های عصبی مصنوعی سودمند است . تاکنون برای شبکه های عصبی توپولوژی های مختلف همراه با کاربردهای متنوع ارائه شده است که طیف وسیعی از موضوعات را پوشش می دهد . 

الهام از نورون واقعی :

سیستم عصبی انسان و مغز وی متشکل از ترکیب و به هم پیوستن تعداد زیادی سلول به نام نورون می باشد . تعداد نورون های مغز انسان به طور متوسط حدود 100 تریلیون می باشد . یک نورون دارای تعداد زیادی ورودی و یک خروجی است . خروجی می تواند دو حالت فعال یا غیرفعال را اختیار کند . در یک نورون ورودی ها تعیین می کنند که خروجی نرون فعال یا غیرفعال باشد . یک نرون از یک حجم سلولی ، تعداد زیادی « دنوریت » به عنوان ورودی و یک « اکسون » به عنوان خروجی تشکیل شده است.

به محل اتصال اکسون یک سلول به دنوریت های یک سلول دیگر نیز «سیناپس » می گویند که نقش بسزایی در سیستم عصبی ایفا می کند . سیناپس می تواند در طول دوره ی یادگیری نسبت به سیگنال های ورودی تغییر کند .در این قسمت به قانون یادگیری «هبی» اشاره می کنیم . این قانون به طور ساده به این صورت می باشد که اگر ورودی های یک نرون به طور مکرر منجر به فعال شدن خروجی شود ، یک تغییر متابولیک در سیناپس اتفاق می افتد که در طی آن مقاومت سیناپس نسبت به آن ورودی خاص کاهش می یابد. 

مدل ریاضی نرون :

یک نرون مجموع وزن های ورودی را حساب کرده و براساس یک تابع فعالیت ( که در حالت ساده می تواند یک Threshold باشد ) خروجی را تعیین می کند . اگر این مجموع از ترشلد بیشتر باشد خروجی نرون  « یک » می شود در غیر این صورت خروجی نرون منفی یک ( 1- ) خواهد شد . 

به عنوان مثال یک شبکه عصبی ساده به نام perceptron را در نظر می گیریم این شبکه در شکل زیر نشان داده شده است در این شبکه چند ورودی وجود دارد که یکی از آنها مربوط به بایاس است . تابع فعالیت نورون نیز به صورت یک ترشلد خطی می باشد و شبکه دارای یک خروجی است . در این شبکه سیناپس ها به صورت وزن های اتصالات در نظر گرفته شده است . به عنوان مثال فرض کنید که می خواهیم یک OR منطقی را به وسیله ی این شبکه مدل کنیم. هدف از الگوریتم یادگیری ، بدست آوردن وزن های مناسب برای حل مسئله ی مورد نظر ما می باشد .

قانون یادگیری شبکه به صورت زیر است که بیان کننده ی تغییرات وزن ، نرخ سرعت یادگیری و یک عدد ثابت می باشد .D بیان کننده ی خروجی مطلوب است که در الگوهای آموزشی وجود دارد Y بیان کننده ی خروجی به دست آمده از شبکه است و بیان کننده ورودی است .یادگیری همان طور که قبلاً اشاره شد ، از شبکه های عصبی مصنوعی برای مدل کردن سیستم هایی که غیرخطی یا جعبه سیاه هستند و ما از دینامیک داخلی سیستم خبری نداریم و فقط یک سری (ورودی – خروجی ) از سیستم داریم ، می توان استفاده کرد . بدین ترتیب که ابتدا یک توپولوژی مناسب از شبکه در نظر می گیریم، تعداد و نحوه ی اتصالات نورون ها را مشخص می کنیم و یک سری وزن های ابتدایی برای اتصالات در نظر می گیریم . در مرحله ی آموزش، هدف این است که با اعمال مجموعه «ورودی – خروجی » های سیستم مورد نظر وزن های اتصالات را طوری تنظیم کنیم که بتوانیم با دادن ورودی هایی غیر از ورودی های مجموعه ی آموزشی مان خروجی متناسب با سیستم مورد نظر بدست بیاوریم . به بیان دیگر بتوانیم سیستم رامدل کنیم.

در شکل توپولوژی یک شبکه عصبی که دارای لایه های مختلفی است ، این شبکه ، ازلایه های مختلفی تشکیل شده که بیان کننده ی نحوه ی اتصال نورون ها به یکدیگر می باشد . لایه ی ورودی شامل نورون نبوده و فقط بیان کننده ی ورودی هاست . به نورون هایی که مستقیم ، به خروجی متصل می شوند، لایه ی خروجی گفته می شود .بقیه لایه ها - غیر از ورودی و خروجی - لایه های پنهان نام دارند . به طور کلی فرآیند یادگیری را می توان به 3 دسته تقسیم کرد.

1- یادگیری نظارت شده Supervised Learning در این روش همان طور که قبلاً اشاره شد یک مجموعه ی آموزشی در نظر گرفته می شود و یادگیرنده بر اساس یک ورودی عمل کرده و یک خروجی به دست می آورد . سپس این خروجی توسط یک معلم که می تواند خروجی مورد نظر ما باشد مورد ارزیابی قرار می گیرد و براساس اختلافی که با خروجی مطلوب دارد یک سری تغییرات در عملکرد یادگیرنده به وجود می آید . این تغییرات می تواند، وزن های اتصالات باشد . یک مثال برای این روش الگوریتم « پس انتشار خطا »Back propagation error می باشد که در شبکه های پرسپترون برای آموزش ، مورد استفاده قرار می گیرد.

2- یادگیری نظارت نشده unsupervised Learning در این روش، حین فرآیند یادگیری از مجموعه های آموزشی استفاده نمی شود و به اطلاعات در مورد خروجی مطلوب نیز نیاز ندارد . در این روش معلمی وجود ندارد . و معمولاً برای دسته بندی وفشرده سازی اطلاعات استفاده می شود . یک مثال برای این روش الگوریتم kohonen می باشد .

3- یادگیری تقویتی Rein forcement learning در این روش یک معلم به عنوان یاد دهنده وجود ندارد و خود یادگیرنده با سعی و خطا آموزش می بیند . در این روش یک استراتژی اولیه در نظر گرفته می شود . سپس این سیستم بر اساس همان رویه عمل می کند و یک پاسخ از محیطی که در آن فعالیت می کند، دریافت می کند. سپس بررسی می شود که آیا این پاسخ ، مناسب بوده یا خیر و با توجه به آن ، یادگیرنده یا مجازات می شود یا پاداش می گیرد . اگر مجازات شود عملی را که منجر به این مجازات شده در دفعات بعدی کمتر تکرار می شود و اگر پاداش بگیرد سعی می کند آن عملی که منجر به پاداش شده است ، بیشتر انجام دهد.

یک دیدگاه دیگر نسبت به یادگیری می تواند به تقسیم بندی زیر منجر شود :

1- یادگیری Off Line : در این روش وزن ها طی زمانی که سیستم در حال اجرای کار اصلی خودش می باشد ، ثابت هستند و تغییرات وزن ها درطول یادگیری صورت می پذیرد .

2- یادگیری On Line : در این روش وزن ها در دوره ی عملکرد واقعی سیستم نیز تغییر می کنند و دوره ی یادگیری و عملکرد سیستم از یکدیگر جدا نیستند . بدین ترتیب این سیستم دارای قابلیت بیشتری برای مقابله با تغییرات دینامیک محیط است . اما منجر به شبکه هایی با ساختار پیچیده تر می شود . چند نکته : ابتدا این که تعداد بهینه ی نورون های لایه های مخفی همچنین تعداد لایه های مخفی چقدر است؟ باید گفت به طور کلی برای این مسئله ، یک جواب تئوریک وجود ندارد بلکه به صورت تجربی و با توجه به کاربرد آن می توان به یک ساختار مناسب رسید . البته می توان از روش های بهینه سازی مانند « ژنتیک الگوریتم » برای حل این مسئله استفاده کرد . مسئله ی مهم دیگر بحث Overtraining می باشد که از اهمیت زیادی برخوردار است . این مورد بیان می کند که اگر تعداد داده های آموزش بسیار زیاد باشد شبکه بیشتر به عنوان حافظه عمل خواهد کرد و نمی تواند پاسخ مناسبی برای مدل سیستم ما باشد . از سوی دیگر اگر داده های آموزشی ما در تمام فضای مسئله پراکنده نباشد یا تعداد آنها کافی نباشد، شاید شبکه ی ما همگرا نشود . 

کاربردها :
شبکه های عصبی در موارد زیر دارای کارایی زیادی می باشند :

• پیداکردن الگوهای پیچیده از میان یک سری اطلاعات
• درمسایلی که با اطلاعات غیر دقیق سروکار داریم. 
• در مسایلی که با اطلاعات نویزی سروکار داریم . مانند

1-prediction 
2-Classification 
3-Dataassociation
4-Dataconceptualizefion 
5-filtering 
6- planning

چند کاربرد عملی و مفید آن که تاکنون بر روی آنها فعالیت زیادی انجام شده عبارتند از :

1- پیشگویی prediction ) از اطلاعات بدست آمده در گذشته(
- پیش بینی وضعیت آب و هوا 
- پیش بینی وضعیت سهام در بورس 
- پیش بینی سری های زمانی 
2- کلاسه بندی Classification 
- پردازش تصویر 
- دسته بندی اهداف در رادارها 
3- تشخیص Recognition 
- تشخیص نوع بمب درصنایع نظامی 
- تشخیص حرو ف 
- تشخیص امضاء
- تشخیص چهره
4- دیگر کاربردهای آن به صورت کلی شامل موارد زیر است : 

Regularitydetection 
- speechanalysis 
- optimizationproblems 
- Robotstearing 
- Processing of inaccurate or in complteinputs 
- Stock market forecasting simulation 

به عنوان مثال کاربری می توان تخمین موقعیت کاربر مخابرات سیار در محیط شهری را بیان کرد . برای این کار می توان مکان کاربر را با تلفیق زاویه و زمان دریافت ، سیگنال را بهوسیله ی شبکه های پرسپترون چند لایه و RBF تخمین زد . بدین منظور دو روش مختلف در نظر گرفته شده است . در روش اول تنها از یک شبکه ی عصبی استفاده می شود . و در روش دوم که سلسله مراتبی نامیده می شود عمل تخمین توسط بیش از یک شبکه ی عصبی صورت می پذیرد. به این ترتیب که نخست موقعیت کاربر به صورت تقریبی توسط شبکه ی لایه ی اول انجام می شود و سپس با استفاده از شبکه عصبی لایه ی دوم که برای ناحیه ی کوچکتری آموزش دیده است ، تخمین بهتری از موقعیت کاربر بدست می آید با افزایش تعداد لایه ها می توان به دقت بهتری دست یافت برای انتشار مسیر غیر خط دیده (NLOS ) امواج ، از دو روش استفاده شده است . در روش اول ( محیط غیر شهری ) دایره ای به مرکز فرستنده و شعاع مشخص به عنوان ناحیه ی پراکندگی در نظر گرفته شده که امواج در این ناحیه پراکنده شده وبه گیرنده می رسند. در روش دوم ، از محیط های شهری که دارای ساختار مشخصی هستند ، استفاده شده است . برای شبیه سازی انتشار امواج در محیط های شهری ، نرم افزاری نوشته شده و پرتوهایی که از فرستنده ساطع می شوند را به صورت دو بعدی دنبال می کند . این عمل تا هنگامی که توان پرتو از یک مقدار آستانه کمتر نشده و یا پرتو از محیط مورد نظر خارج نگردیده ادامه می یابد نتایج شبیه سازی نشان می دهد که در محیط غیر شهری با شعاع ناحیه ی پراکندگی 300 متر و نسبت سیگنال به نویز بی نهایت ، در صورت استفاده از یک ایستگاه پایه وپرسپترون با ساختار سلسله مراتبی در66 % موارد کاربر با خطای کمتر از 125 متر تخمین زده می شود . نتایج مشابه برای محیط شهری نشان می دهد با استفاده از پنج لایه ، احتمال خطای کمتر از 125 متر در تخمین موقعیت کاربر به 86% افزایش می یابد . در صورت استفاده از دو ایستگاه پایه ی این احتمال به 91% می رسد . نتایج حاصل از شبکه عصبی RBF نشان می دهد که دقت های مشابهی توسط این شبکه بدست می آید ضمن آنکه آموزش شبکه اخیر حدود پنجاه برابرسریع تر از شبکه پرسپترون است . این نتایج نشان می دهد دقت مورد نظر استاندارد E-911 باروش های پیشنهادی به دست می آید.{5}

تاریخچه :

شبکه‌های عصبی دهها سال است که جلب توجه می‌کنند وتاکنون راه حلهایی برای استفاده از هوش بشری ارائه شده است. اولین نرون مصنوعی درسال 1943 توسط نروفیزیولوژیست وارن‌مک‌کالوک و منطق دان والتر‌پیتز تولید شد.در دهه 60 به دلایلی که خارج از بحث این مقاله است مردم به‌سوی شبکه‌های عصبی متمایل شدند و تنها در دهه 80 دانشمندان توانایی‌های واقعی شبکه‌های عصبی را دیدند .

شبکه عصبی چیست؟

شبکه های عصبی مصنوعی (Artificial Neural Network) الگویی برای پردازش اطلاعات می باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده اند.عنصر کلیدی این الگو ساختار جدید سیستم پردازش اطلاعات آن می باشد و از تعداد زیادی عناصر (نرون) با ارتباطات قوی داخلی که هماهنگ با هم برای حل مسائل مخصوص کار می کنند تشکیل شده اند. شبکه های عصبی مصنوعی با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کند که به این عمل یادگیری می گویند. اصولاً توانایی یادگیری مهمترین ویژگی یک سیستم هوشمند است. سیستمی که بتواند یاد بگیرد منعطف تر است وساده تر برنامه ریزی میشود، بنابراین بهتر میتواند در مورد مسایل و معادلات جدید پاسخگو باشد. انسانها از زمانهای بسیار دور سعی بر آن داشتند که بیوفیزیولوژی مغز را دریابند چون همواره مسئله هوشمندی انسان و قابلیت یادگیری ،تعمیم،خلاقیت،انعطاف پذیری و پردازش موازی در مغز برای بشر جالب بوده و بکارگیری این قابلیتها در ماشینها بسیار مطلوب می نمود.روشهای الگوریتمیک برای پیاده سازی این خصایص در ماشینها مناسب نمی باشند در نتیجه می بایست روشها مبتنی بر همان مدلهای بیولوژیکی باشد.ANN درست مثل انسانها با استفاده از مثالها آموزش می بیند ; همانطور که یک بچه با دیدن انواع مختلف از یک حیوان قادر به تشخیص آن می باشد.{6}

2- شبکه‌های عصبی مصنوعی:
2-1- شبکه‌های عصبی مصنوعی:

شبکه‌های عصبی شبیه به مغز انسان اطلاعاتی را پردازش می‌کنند. شبکه‌ از تعداد زیادی سلولهای عصبی(Neuron ها) تشکیل شده با پردازشی بسیار بزرگ و به‌هم پیوسته که در حل موازی مسائل ویژه مشغول به کارند.یادگیری شبکه‌های عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامه‌ریزی نشده‌اند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.شبکه‌های عصبی مصنوعی یک ترکیبی از مجموعه نرون‌هاست و البته نرونهای مصنوعی‌ای که بسیار شبیه به نرونهای زیستی کار می‌کنند. و بدین گونه است که ورودیهای زیادی با وزنهای مختلف می‌گیرد و یک خروجی که به ورودی وابسته است تولید می‌کند. نرونهای زیستی می‌توانند در حال برانگیزش باشند یا نباشند. (وقتی یک نرون برانگیخته می‌شود ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است) شبکه‌های عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را دارند که بطور عمومی به ورودی‌های غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها می‌آموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعه‌ای از الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو می‌باشد وکمترین تفاوت را با ورودی دارد انتخاب می‌کند. این روال عموما فراخوانی می‌شود.

مثال:
وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شده‌اند و وقتی ورودی‌های 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که نرونها مایلند برانگیخته شوند وقتی که ورودی‌ها 0111 ، 1011 ، 1101 ، 1110 یا 1111 باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به برانگیخته شدن نیستند.شناسایی الگوهای پیچیده سطح بالا می‌تواند به وسیله شبکه‌ای از نرونها انجام شود و بدین ترتیب نام آن را شبکه‌های عصبی مصنوعی گذاشتند. اکنون شبکه‌های عصبی کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامی‌تواند به‌طور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکه‌های عمومی که برای شناسایی الگوها استفاده می‌شوندFeed-Forward نامیده می‌شدند زیرا آنها یک بازخورد (Feed-Back) داشتند. آنها به‌طور ساده ورودی‌ها را با خروجی‌ها می‌آمیختند. اما شناسایی الگوها به تدریج کاملتر شد به‌طوریکه بر روی کامپیوترهای عمومی با سیستم خاص خودشان به‌سختی انجام می‌شد پس برای شناسایی الگوها شبکه‌های Feed-Forward کافی نبودند.در شبکه‌های عصبی خروجی هر نرون به ورودی نرونهای مجاورش متصل شده است. شبکه‌های عصبی نمی‌توانند معجزه کنند اما اگر به درستی استفاده شوند نتایج شگفت‌انگیزی خواهند داشت .

2-2- مشخصات مسائل در خور شبکه‌های عصبی مصنوعی Network) Artificial Neural          

(ANN

تقلید از ساختارهای محاسباتی سیستم زیستی ممکن است ایده اصلی نمونه‌های محاسباتی برای ساخت کلاسهایی از مسائل باشد. از جمله این مسائل می‌توان از مسائل مشکل NP که شامل مسائل طبقه‌بندی شده، زمانبندی‌شده، جستجو وغیره نام برد، کلاس مسائل شناسایی الگوها، افراد و موضوعات مشخص را در دیدار و تماس با آنها می‌شناسد و کلاس مربوط به داده‌های ناقص، اشتباه، متناقض، فازی و احتمالی. این مسائل توسط همه یا برخی از موارد زیر توصیف می‌شوند :

یک فضای مسئله با بعد بزرگ، پیچیده، ناشناخته با اثرات متقابل پیچیده ریاضی‌وار بین متغییرها و یک فضای راه‌حل که ممکن است خالی باشد(شامل یک راه‌حل یکتا یا بیشتر ، شامل تعدادی از راه‌حلهای مفید)به نظر می‌رسد ANN ها راه‌حلهایی برای مسائلی که با ورودی‌های حسی بیشتر درگیرند ارائه می‌دهد(صحبت‌کردن، دیدن، شناسایی دستخط و…).

2-3- کاربردهای شبکه‌های عصبی مصنوعی ANN :

می‌توان موارد زیر را از کاربردهای شبکه‌های عصبی مصنوعی ذکر کرد :

پردازش تصویر و دید : ( Image processing and computer vision )

پردازش علائم ( Signal processing ): شامل ریخت‌شناسی و تجزیه و تحلیل علائم مربوط به زمین‌لرزه‌ها و…

شناسایی الگوها( Pattern recognition ): شامل شناسایی چهره، اثر انگشت، تشخیص نوع صدا و نوع صحبت کردن، دستخط و …

پزشکی( Medicine ): شامل تجزیه و تحلیل و تشخیص علائم دستگاه ضربان‌نگار قلب

(الکتروکاردیوگرافیک)، تشخیص امراض گوناگون و …

سیستم‌های نظامی( Military systems ): شامل ردیابی مین‌های زیردریایی، دسته‌بندی صداهای نابه‌هنجار و مخل در رادارها و شناسایی گوینده رزمی.

سیستم‌های تجاری( Financial systems ): شامل تجزیه و تحلیل انبار مغازه‌ها، ارزیابی واقعی املاک و …

برنامه‌ریزی، کنترل و جستجو( Planning, control, and search ): شامل اجرای موازی مسائل و کنترل رباتها.

هوش مصنوعی( Artificial intelligence ): شامل برخی سیستم‌های طبی و اجرای سیستم‌های خبره.

سیستم‌های قدرت( Power systems ): شامل برآورد وضعیت سیستم، ردیابی سریع و دسته‌بندی ردیابی، ردیابی خطا و ترمیم آن، پیش‌بینی و برآورد تخمین امنیت.

انواع یادگیری برای شبکه های عصبی:
1. یادگیری با ناظر:

در یادگیری با ناظر به قانون یاد گیری مجموعه ای از زوجهای داده ها به نام داده های یادگیری (Pi,Ti)i={1 … l } می دهند که در آن Pi ورودی به شبکه و Ti خروجی مطلوب شبکه برای ورودی Pi است. پس از اعمال ورودی Pi به شبکه عصبی در خروجی شبکه ai با Ti مقایسه شده و سپس خطای یادگیری محاسبه و از آن در جهت تنظیم پارامترهای شبکه استفاده می شود به گونه ای که اگر دفعه بعد به شبکه همان ورودی Pi اعمال شود خروجی شبکه به Ti نزدیکتر می گردد با توجه به این نکته که معلم سیستمی است که بر محیط وقوف دارد ( مثلا می داند که برای ورودی Pi خروجی مطلوب Ti است ).توجه داریم که محیط برای شبکه عصبی مجهول است . در لحظه k بردار ورودی (Pik) با تابع توضیع احتمال معینی که برای شبکه عصبی نا معلوماست انتخاب و بطور همزمان به شبکه عصبی و معلم اعمال می شود . جواب مطلوب (Tik) نیز توسط معلم به شبکه عصبی داده می شود . در حقیقت پاسخ مطلوب پاسخ بهینه ای است که شبکه عصبی برای ورودی مفروض باید به آن برسد . پارامترهای شبکه عصبی توسط دو سیگنال ورودی و خطا تنظیم می شود.به این صورت که پس از چند تکرار الگوریتم یادگیری که عموما توسط معادله تفاضلی بیان می شودبه پارامترهایی در فضای پارامترهای شبکه همگرا می شوند که برای آنها خطای یادگیری بسیار کوچک است و عملا شبکه عصبی شبکه عصبی معادل معلم می شود . یا به عبارتی دیگر اطلاعات مربوط به محیط (نگاشت بین TiوPi )که برای معلم روشن است به شبکه عصبی منتقل می شود و پس از این مرحله عملا می توان بجای معلم از شبکه عصبی استفاده کرد تا یادگیری تکمیل شود .

1. یادگیری تشدیدی:

یک اشکال یادگیری با ناظر این است که شبکه عصبی ممکن است بدون معلم نتواند مواضع جدیدی را که توسط مجموعه داده های جدید تجربی پوشانده نشده است یاد بگیرد . یادگیری از نوع تشدیدی این محدودیت را برطرف می کند . این نوع یادگیری بطور on-line صورت می گیرد در حالی که یادگیری با ناظر را به دو صورت on-line & off-line می توان انجام داد. در حالت off-line می توان از یک سیستم محاسب با در اختیار داشتن داده های یادگیری استفاده کرد و طراحی شبکه عصبی را به پایان رساند . پس از مرحله طراحی و یادگیری شبکه عصبی به عنوان یک سیستم استاتیکی عمل می کند . اما در یادگیری on-line شبکه عصبی همراه با خود سیستم یادگیر در حال انجام کار است و از این رو مثل یک سیستم دینامیکی عمل می کند . یادگیری از نوع تشدیدی یک یادگیری on-line از یک نگاشت ورودی-خروجی است . این کار از طریق یک پروسه سعی و خطا به صورتی انجام می پذیرد که یک شاخص اجرایی موسوم به سیگنال تشدید ماکزیمم شود و بنابر این الگوریتم نوعی از یادگیری با ناظر است که در آن به جای فراهم نمودن جواب واقعی ، به شبکه عددی که نشانگر میزان عملکرد شبکه است ارایه می شود. این بدین معنی است که اگر شبکه عصبی پارامترهایش را به گونه ای تغییر داد که منجر به یک حالت مساعد شد آنگاه تمایل سیستم یادگیر جهت تولید آن عمل خاص تقویت یا تشدید می شود . در غیر این صورت تمایل شبکه عصبی جهت تولید آن عمل خاص تضعیف می شود . یادگیری تقویتی مثل یادگیری با ناظر نیست و این الگوریتم بیشتر برای سیستمهای کنترلی کاربرد دارد .

1. 3. یادگیری بدون ناظر:

در یادگیری بدون ناظر یا یادگیری خود سامانده پارامترهای شبکه عصبی تنها توسط پاسخ سیستم اصلاح و تنظیم می شوند . به عبارتی تنها اطلاعات دریافتی از محیط به شبکه را برداغرهای ورودی تشکیل می دهند. و در مقایسه با مورد بالا (یادگیری با ناظر) بردار جواب مطلوب به شبکه اعمال نمی شود . به عبارتی به شبکه عصبی هیچ نمونه ای از تابعی که قرار است بیاموزد داده نمی شود . در عمل می بینیم که یادگیری با ناظر در مورد شبکه هایی که از تعداد زیادی لایه های نرونی تشکیل شده باشند بسیار کند عمل می کند و در این گونه موارد تلفیق یادگیری با ناظر و بدون ناظر پیشنهاد می گردد .

دانلود مقاله شبکه‌های عصبی

اختصاصی از یارا فایل دانلود مقاله شبکه‌های عصبی دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:83

فهرست مطالب:

فصل اول

مقدمه
 
فصل 2
کلیات روشهای پیش بینی بار کوتاه مدت

فصل 3
شبکه‌های عصبی مصنوعی

فصل چهارم
انتخاب متغیرهای ورودی در پیش بینی بار

فصل اول

مقدمه
 
فصل اول : مقدمه
1-1 پیشگفتار
انرژی الکتریکی به عنوان محور اصلی توسعه صنعتی در میان انواع انرژی از اهمیت خاصی برخوردار است. این انرژی با آنکه خود به انواع دیگر انرژی وابستگی دارد، اتکا شاخه‌های مختلف اقتصادی به آن در حدی است که براحتی می‌توان حد مصرف معقول این انرژی در یک جامعه را به عنوان شاخص عمده‌ای برای تعیین حد پیشرفت اقتصادی آن جامعه دانست.
بر خلاف سهولت استفاده از این نوع انرژی و مطلوبیت آن، تولید و انتقال این انرژی از پیچیدگی زیادی برخوردار بوده و در مجموع صنعت برق با ویژگی‌هایی در میان سایر صنایع شاخص است، از جمله این ویژگی‌ها باید از لزوم همزمانی تولید و مصرف آن نام برد، به عبارت دیگر تولید برق فقط در مقابل مصرف آن مطرح می‌گردد و بطور معمول قابل ذخیره کردن نیست. دیگر ویژگی این صنعت سرمایه طلب بودن طرح‌ها و پروژه‌های آن و زمان بر بودن آنها است.
مجموعه این خصوصیات و حساسیت‌ها است که پیش‌بینی صحیح نیاز مصرف برای این نوع انرژی در آینده را طلب می‌نماید. چون هرگاه پیش‌بینی نیاز مصرف یا بار شبکه بیش از حد واقعی باشد، سرمایه‌ گذاری بیهوده در این صنعت را بدنبال خواهد داشت و هر پیش بینی بار کمتر از واقعیت باعث لطمات شدید اقتصادی شده و جبران آن به مناسبت زمان بر بودن پروژه‌های توسعه‌ای امکانات تولید و انتقال برق، غیر ممکن است.
انرژی الکتریکی در مقیاس وسیع به طور اقتصادی قابل ذخیره نمی‌باشد. بدین دلیل بر خلاف شاخه‌های دیگر اقتصاد، در اقتصاد الکتریسیته باید همزمان با مصرف، انرژی الکتریکی تولید گردد. میزان مصرف بار الکتریکی ثابت نمی‌باشد بلکه به صورت پیچیده و غیر خطی تابعی از پارامترهای متعددی می‌باشد. با توجه به متغییر بودن میزان مصرف بار الکتریکی، شرکتهای تولید کننده برق، موظفند با پیش بینی آن در زمانبندی‌های مختلف اطلاعات مورد نیاز برای تصمیم‌گیریهای خود در سیستم قدرت را حاصل نماید.
در دنیای خصوصی سازی جدید هر شرکت سعی در افزایش قابلیت اطمینان محصول خود و تولید بهینه توان برای مصرف کنندگان خود دارد. این وظیفه عموماً از طریق پیش بینی فراهم می‌شود. پیش بینی بارهای ساعتی تا یک هفته جلوتر برای کارهای برنامه‌ریزی از قبیل هماهنگی بین واحدهای آبی و حرارتی و سنجش تبادل با دیگر رقبا و برای آنالیزهای کوتاه مدت از قبیل پخش توان در مراکز دیسپاچینگ و پخش بهینه توان لازم است. به طور کلی پیش بینی بار بر اساس دوره پیش بینی به دسته‌هایی تقسیم می‌شود :
-    برنامه ‌ریزی بسیار کوتاه مدت (چند دقیقه تا چندین ساعت) : برنامه ریزی بسیار کوتاه مدت اطلاعات مورد نیاز در پخش بار اقتصادی و تخمین اطمینان را تأمین می‌نماید. همچنین پیش بینی بسیار کوتاه مدت (چند دقیقه تا چند ساعت) برای زمانبندی تعویض قدرت بین شرکتها و مطالعه تحمیلات انتقال مفید می‌باشد.
-    برنامه ‌ریزی کوتاه مدت (یک روز تا یک هفته) : برنامه ریزی کوتاه مدت برای برنامه ریزی روزانه و هفتگی، در مدار قرار گرفتن بهینه نیروگاهها (بهینه سازی ولتاژ/ توان راکتیو، برنامه‌ریزی برای انرژی رزرو مورد نیاز، زمان بهره‌برداری پمپی از نیروگاه‌های پمپ ذخیره‌ای) و تبادل انرژی با شرکا استفاده می‌شود.
-    برنامه‌ریزی میان مدت (1 ماه تا 5 سال) : در برنامه‌ریزی میان مدت، با در نظر گرفتن توان و ترکیب نیروگاههای موجود، میزان ذخیره سوخت، میزان ذخیره آب مخزنها، در مورد نحوه و زمان بکارگیری نیروگاههای حرارتی و آبی، تهیه سوخت، میزان تبادل انرژی الکتریکی با سیستم‌های همسایه در سیستم‌های بهم پیوسته، زمان‌بندی بهینه برای بازرسی و تعمیرات نیروگاهها و شبکه تصمیم‌گیری می‌شود.
-    برنامه ریزی بلند مدت (5 تا 30 سال): در برنامه ریزی بلند مدت با در نظر گرفتن توان و ترکیب و طول عمر نیروگاههای موجود، توانایی شبکه انتقال و توزیع، قراردادهای بلند مدت برای تبادل انرژی الکتریکی با سیستم‌های مجاور (کشورهای همسایه) در سیستم‌های بهم پیوسته، در مورد نوع، اندازه و محل احداث نیروگاه‌های جدید، نحوه گسترش شبکه، بستن و یا تجدید نظر در قراردادها و ... تصمیم‌گیری می‌شود.
بار در یک شبکه برقرسانی به مجموع مصارف مختلف انرژی الکتریکی در یک واحد زمانی اتلاق می‌گردد. بار شبکه به مناسب همزمانی و غیر همزمانی مصرف انرژی در بخش‌های مختلف دستخوش تغییراتی در طول شبانه روز، هفته، ماه و سال می‌گردد.
اگر به یک منحنی تغییرات بار بیست‌و چهار ساعته در الگوی مصرف انرژی الکتریکی ایران توجه کنیم ملاحظه می‌شود که منحنی از یک حداقل غیر صفر شروع می‌شود و پس از عبور از آن، با یک شیب نسبتاً تند به سمت کوهان دوم که بزرگتر از کوهان اول است میل نموده، پس از گذر از آن دوباره به سمت حداقل میل می‌کند. باید توجه داشت که ظهور این دو کوهان ناشی از همزمانی مصرف انرژی الکتریکی بخشهای مختلف مصرف در طول یک شبانه‌روز است. جالب توجه است که منحنی تغییرات بار در طول ماه و سال نیز تقریباً روند مشابهی با تغییرات بار بیست و چهار ساعته دارد. در مطالعه بار بخصوص در پیش بینی بار اعم از پیش‌بینی بار ساعتی روزانه جهت تنظیم برنامه بهره‌برداری از نیروگاهها تا بار ماههای سال برای تنظیم برنامه تعمیرات منظم و دوره‌ای و بارهای سالهای آینده برای برنامه‌ریزی توسعه‌ای این متغیرها و عوامل مؤثر در پیدایش آنها مورد توجه قرار می‌گیرد.
منحنی مصرف برای مصرف کننده کاملاً تصادفی و غیر مشخص بوده وقابل پیش‌بینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف کننده‌ها منحنی مصرف مخصوص به خود را دارا است، همچنین مصرف بار الکتریکی تابعی کاملاً غیر خطی و بسیار پیچیده از پارامترهایی از جمله شرایط آب و هوایی، شرایط اقتصادی، زمان و عوامل تصادفی می‌باشد. همچنین تقریباً هر روز هفته منحنی خاص خود را دارد. لذا مدل مورد نظر باید توانایی این کار راد اشته باشد که اثر تمامی این عوامل را بر منحنی مصرف در نظر بگیرد، همچنین بایستی خطای پیش بینی تا حدامکان کم باشد، از طرفی دارای ساختاری ساده باشد و در کوتاهترین زمان ممکن به جواب نهایی برسد، و از همه مهمتر اینکه استفاده از آن برای برنامه‌ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه پیش‌بینی بار بر شمردیم، روشهای مختلفی در این زمینه ارائه شده است که هر یک به نوعی دارای برخی کاستی‌ها (و بخصوص در پیش بینی روزهای تعطیل) بودند، با وارد شدن شبکه‌های عصبی در این عرصه تقریباً تمامی مدلها وروشهای قبلی کنار گذاشته شد، چراکه این شبکه‌ها دارای توانایی‌های بسیار زیادی رد بیان روابط غیر خطی می‌باشند. در شکل صفحه بعد موارد استفاده پیش‌بینی بار کوتاه مدت آمده است.

دانلود مقاله شبکه های عصبی Neural Network

اختصاصی از یارا فایل دانلود مقاله شبکه های عصبی Neural Network دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:16

فهرست مطالب:

چکیده:

مقدمه
1-2- بررسی سلولهای مغزی افراد

1-3- تاریخچه

2- شبکه‌های عصبی مصنوعی

2-1- شبکه‌های عصبی مصنوعی


2-2- مشخصات مسائل در خور شبکه‌های عصبی مصنوعی ANN(Artificial Neural Network)

2-3- کاربردهای شبکه‌های عصبی مصنوعی ANN

--انواع یادگیری برای شبکه های عصبی:
--2.یادگیری تشدیدی:

1.یادگیری با ناظر

--3. یادگیری بدون ناظر

2-4- زمینه‌ای در مورد perceptron

قضیه بنیادی دنباله‌ها:

شبکه های عصبی Neural Network

شبکه‌های عصبی مصنوعی
Artificial Neural Network

چکیده:
شبکه‌های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده‌اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه بسیاری را صرف آن کرده و می‌کنند. این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه‌سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تا حال به خوبی پیشرفته است. از جمله کاربردهای این بحث می‌توان از شناسایی الگوها, پردازش تصویر و رویت, هوش مصنوعی, کنترل رباتها و موارد بسیار دیگر نام برد. ما در این مقاله پس از مقدمه به مسائل در خور شبکه‌های عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه Perceptron ها را که یکی از مهمترین الگوریتم‌های شبکه‌های عصبی مصنوعی می‌باشد معرفی می‌کنیم.

1- مقدمه
1-1- ایده پیدایش شبکه‌های عصبی مصنوعی
آیا کامپیوتر میتواند همان نوع از محاسباتی را که یک فرد هوشمند انجام میدهد به کار گیرد؟
بسیاری از دانشمندان عقیده داشته ودارند که این بحث باید مورد توجه قرار گیرد. شبکه‌های عصبی در حل مسائل یک جهت جدید و متمایز نسبت به کامپیترهای عمومی می‌گشود. کامپیوترهای عمومی از یک الگوریتم استفاده می‌کنند یعنی برای حل مسائل از یک سری دستورات از پیش تعیین شده پیروی می‌کنند مگر در مواقع ویژه‌ای که کامپیوتر نیاز به یک‌سری اطلاعات برای حل مسئله دارد. و همین مسئله توانایی پردازش را از کامپیوترهای عمومی به مسائلی که ما قبلا فهمیده‌ایم و روش حل آنها را شناخته‌ایم محدود می‌کند و تنها سرعت عمل و قدرت در حل نمونه‌های بزرگتر را به همراه دارند. اما کامپیوترها باید به قدری مفید باشند که بتوانند کارهایی را انجام دهند که واقعا ما نمی‌دانیم چگونه باید آنها را انجام دهیم.

1-2- بررسی سلولهای مغزی افراد
تحقیق درباره سلولهای مغزی افراد و همچنین شناخت ‌‌Neuron ها یا رشته‌های مغزی وبیان یک راه نسبتا متفاوت که یک سیستم هوشمند را بنا می‌کند شروع شد. مغز بشر متشکل از میلیونها نرون عصبی منحصر بفرد است واین رشته‌های عصبی به اشکال و اندازه‌های مختلف تغییر می‌کنند.. هر نرون عموما یک هسته دارد و یک‌سری سلولهای عصبی Axon (آکسون)ـ که علائم خروجی را به سلولهای عصبی نرون دیگر حمل می‌کنندـ و Dendrite ها (شاخه‌های سلولهای عصبی). علائم در سلولهای عصبی میان شاخه‌های سلولهای عصبی ونواحی خروجی جریان دارند.
در اینجا برای حالت برانگیزش باید آشفتگی از یک حدی تجاوز کند که آستانه یا سرحد نامیده می‌شود و پس از برانگیزش نرون‌ها پیامهایی برای نرون‌های دیگر می‌فرستند و خود را برای دریافت و پاسخ به اطلاعات عمومی آماده می‌کنند.

1-3- تاریخچه
شبکه‌های عصبی دهها سال است که جلب توجه می‌کنند وتاکنون راه حلهایی برای استفاده از هوش بشری ارائه شده است. اولین نرون مصنوعی درسال 1943 توسط نروفیزیولوژیست وارن‌مک‌کالوک و منطق دان والتر‌پیتز تولید شد.در دهه 60 به دلایلی که خارج از بحث این مقاله است مردم به‌سوی شبکه‌های عصبی متمایل شدند و تنها در دهه 80 دانشمندان توانایی‌های واقعی شبکه‌های عصبی را دیدند.