پایان نامه هوش مصنوعی

اختصاصی از کوشا فایل پایان نامه هوش مصنوعی دانلود با لینک مستقیم و پرسرعت .

هوش مصنوعی یا هوش ماشینی (به انگلیسی: Artificial Intelligence) هوش مصنوعی به هوشی که یک ماشین در شرایط مختلف از خود نشان می‌دهد، گفته می‌شود. به عبارت دیگر هوش مصنوعی به سیستم‌هایی گفته می‌شود که می‌توانند واکنش‌هایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیه‌سازی فرایندهای تفکری و شیوه‌های استدلالی انسانی و پاسخ موفق به آنها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند

به صورت پی دی اف میباشد

آنالیز و طراحی سازه های فضاکار گنبدی با شبکه های عصبی مصنوعی

اختصاصی از کوشا فایل آنالیز و طراحی سازه های فضاکار گنبدی با شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پرسرعت .

• پایان نامه دکترای تخصصی مهندسی عمران گرایش سازه با عنوان: آنالیز و طراحی سازه های فضاکار گنبدی با شبکه های عصبی مصنوعی 

• دانشگاه علم و صنعت ایران 

• استاد راهنما: دکتر علی کاوه 

• پژوهشگر: مرتضی رئیسی دهکردی 

• سال انتشار: شهریور 1382 

• فرمت فایل: PDF و شامل 327 صفحه

چکیــــده:

شبکه های عصبی مصنوعی شاخه ای از هوش محاسباتی است و روز به روز نقش بارزتری در دنیای فنی - مهندسی پیدا می‌کند. علی رغم اینکه مدت زیادی از پیدایش و توسعه این روش محاسباتی نمی‌گذرد ولی بواسطه خصوصیات پردازشی خود نظیر توانایی تقریب توابع و نگاشت‌ها، دقت، مقاوم بودن، انعطاف پذیری و سهولت پیاده سازی بسرعت جا پای محکم و استواری در شاخه‌های مختلف مهندسی درکشورهای پیشرفته و صنعتی پیدا نموده است ولی متاسفانه ما در کشور در آغاز راه هستیم.

در این رساله بررسی کاربرد این ابزار محاسباتی قوی در پروسه تحلیل و طراحی دسته‌ای از سازه‌های بزرگ مقیاس موسوم به سازه‌های فضاکار گنبدی مدنظر است و تلاش شده که یک پیوند عمیق و منطقی بین مهندسی سازه و علم شبکه‌های عصبی مصنوعی برقرار شود. برای تحقق این هدف در فصل دوم سازه‌های فضاکار گنبدی معرفی و خصوصیات رفتاری، روش تاشه پردازی، بارگذاری، مشخصات مدل‌ها و ... آنها ارائه شده است. در فصل سوم بطور جامع در مورد اصول، مفاهیم، معماری و قوانین یادگیری شبکه‌های عصبی بحث و از بین الگوریتم‌های متفاوت، فرمولاسیون سه الگوریتم RBF، BP، SOM ارائه شده است. فصل چهارم به آنالیز و طراحی خطی سازه‌های گنبدی تحت بار قائم و بارباد بوسیله شبکه‌های عصبی اختصاص دارد. برای آماده سازی اطلاعات آموزشی و آزمایشی این فصل 1000 مدل سازه‌ای آنالیز، 200 مدل طراحی و مجموعا 3000 زوج اطلاعاتی تولید شده است. برای بررسی توانایی شبکه‌های عصبی در نگاشت اطلاعات ورودی - خروجی 570 شبکه با معماری و الگوریتم متفاوت طراحی، تربیت و آزمایش گردیده است. در فصل پنجم کارایی شبکه‌های عصبی در پردازش مدهای ارتعاشی سازه مورد توجه است. در این بررسی 100 مدل گنبد به روش مودال آنالیز شده و 43 معماری و الگوریتم متفاوت برای پردازش پریود مد اول سازه طراحی، تربیت و آزمایش شده است.

در این رساله برای اولین با کاربرد شبکه‌های عصبی مصنوعی در پردازش رفتار غیرخطی سازه‌ها مطرح گردیده است. در فصل ششم این ایده در تحلیل غیرخطی هندسی بافتار دیاماتیک از سازه‌های فضاکار گنبدی تک لایه استفاده شده است.

______________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **

** درخواست پایان نامه:

با ارسال عنوان پایان نامه درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **

بررسی مقایسه ای کاربرد شبکه عصبی مصنوعی و رگرسیون خطی در مدل تحلیل منطقه ای سیلاب

اختصاصی از کوشا فایل بررسی مقایسه ای کاربرد شبکه عصبی مصنوعی و رگرسیون خطی در مدل تحلیل منطقه ای سیلاب دانلود با لینک مستقیم و پرسرعت .

• مقاله با عنوان: بررسی مقایسه ای کاربرد شبکه عصبی مصنوعی و رگرسیون خطی در مدل تحلیل منطقه ای سیلاب 

• نویسندگان: هدیه فیاض بخش ، محمدرضا کاویانپور ، مهرنوش هدایتی زاده 

• محل انتشار: دهمین کنگره بین المللی مهندسی عمران - دانشگاه تبریز - 15 تا 17 اردیبهشت 94 

• فرمت فایل: PDF و شامل 7 صفحه می باشد.

چکیــــده:

برآورد دبی اوج سیلاب برای حوضه‌های فاقد ایستگاه در طراحی سازه‌های آبی از اهمیت زیادی برخوردار است. یکی از مهمترین روش‌های برآورد دبی اوج سیلاب در مناطق فاقد آمار روش تحلیل منطقه‌ای (مدل بندی) سیلاب می‌باشد. مدل بندی سیلاب براساس رابطه علت و معلولی و برقراری رابطه ریاضی بین سیلاب و عوامل تولید آن، مورد تایید بسیاری از پژوهشگران قرار گرفته است. در این تحقیق از قابلیت شبکه‌های مفهومی (شبکه‌های عصبی مصنوعی) در شبیه سازی مشخصات فیزیوگرافیک و هیدرولوژیک حوضه آبریز جهت مدلسازی و پیش بینی دبی سیلاب حوضه استفاده شده است. نتایج حاصل از این مدل با نتایج روش رگرسیون که یکی از رایج ترین روش‌های مدل بندی منطقه‌ای سیلاب می‌باشد، مقایسه شدند. مطالعه موردی بر روی حوضه آبریز قزل اوزن سفیدرود، یکی از مهمترین حوضه‌های آبریز کشور و دارای رودخانه‌های پر آب و مهم، انجام گرفت. معماری مختلف شبکه‌های عصبی مصنوعی برای آموزش و تست شبکه مورد استفاده قرار گرفت و نتایج شبکه‌های ساخته شده با این توابع با هم مقایسه و بهترین شبکه پیش بینی سیلاب برای دبی با دوره بازگشت مختلف ارائه می‌شود. نتایج نشان دهنده دقت شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا می‌باشد. در انتها برای تعیین درجه اهمیت پارامترهای ورودی شبکه از آنالیز حساسیت استفاده شد و تاثیر ورودی های کم اثر شامل زمان تمرکز و طول آبراهه در خروجی شبکه مشخص شد. مقایسه نتایج حاصل نشان دهنده دقت بیشتر مدل سیستم شبکه عصبی در مقایسه باروش رگرسیون دارد.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **

کاربرد شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایین دست سرریز سیفونی

اختصاصی از کوشا فایل کاربرد شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایین دست سرریز سیفونی دانلود با لینک مستقیم و پرسرعت .

• مقاله با عنوان: کاربرد شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایین دست سرریز سیفونی 

• نویسندگان: علی توکلی پسند ، ابراهیم جباری ، سروش بردبار ، محمود حمزه ضیابری 

• محل انتشار: هشتمین کنگره ملی مهندسی عمران - دانشگاه صنعتی نوشیروانی بابل - 17 و 18 اردیبهشت 93  

• محور: سازه های هیدرولیکی 

• فرمت فایل: PDF و شامل 8 صفحه می باشد.

چکیــــده:

یکی از مهمترین پدیده‌های مرتبط با سازه‌های هیدرولیکی، پدیده آبشستگی می‌باشد. آبشستگی در پایین دست سرریزها و دانشی که به کمک آن بتوان، دامنه گسترش حفره آبشستگی را پیش بینی نمود، با توجه به خطراتی که این پدیده برای پایداری سد دارد، همواره از موضوعات مورد توجه محققین بوده است. سرریز سیفونی نیز یکی از انواع سرریزها می‌باشد که با توجه به قابلیت‌های خاص خود در سدهای مختلفی طی قرن اخیر، مورد استفاده قرار گرفته است. در این تحقیق با جمع آوری داده‌های آزمایشگاهی و استفاده از سه نوع پرکاربرد شبکه‌های عصبی مصنوعی یعنی شبکه با تغذیه رو به جلو و الگوریتم پس انتشار خطا (FFBP) و شبکه CFBP با تابع آموزش Levenberg-Marquardt و شبکه تابع پایه شعاعی (RBFN) عمق آبشستگی در پایین دست سرریز سیفونی، تخمین زده شده است. شاخص‌های آماری عملکرد قابل قبول شبکه FFBP را با R2=0.94 و RMSE=0.06 در مقایسه با دو نوع دیگر شبکه عصبی و مدل های رگرسیونی خطی و غیر خطی نشان می‌دهد.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **

شبکه های عصبی مصنوعی در بهینه سازی سازه ها

اختصاصی از کوشا فایل شبکه های عصبی مصنوعی در بهینه سازی سازه ها دانلود با لینک مستقیم و پرسرعت .

• رساله دکترای تخصصی در رشته مهندسی عمران گرایش سازه با عنوان: شبکه های عصبی مصنوعی در بهینه سازی سازه ها  

• دانشگاه علم و صنعت ایران  

• استاد راهنما: دکتر علی کاوه  

• پژوهشگر: عباس ایران منش  

• سال انتشار: پاییز 1377  

• فرمت فایل: PDF و شامل 143 صفحه

چکیــــده:

با توجه به توانایی شبکه‌های عصبی مصنوعی، کاربرد آنها در علوم مختلف و مهندسی گسترش قابل ملاحظه داشته است. در این پایان نامه کاربرد شبکه‌های عصبی در بهینه سازی سازه‌ها مورد توجه بوده است. در بهینه سازی سازه‌ها به واسطه تغییر متوالی متغییرها، تحلیل سازه در دفعات صورت می‌گیرد که این امر موجب افزایش زمان محاسبه می‌گردد. برای کاهش این زمان می‌توان از شبکه‌های عصبی بعنوان یک تحلیل سریع سازه در بهینه سازی سازه‌ها به طور مطلوب استفاده نمود. دو نمونه از شبکه‌های عصبی مصنوعی که در رشته مهندسی در تقریب توابع بکار گرفته می‌شوند عبارتند از: شبکه عصبی انتشار برگشتی و شبکه عصبی انتشار متقابل. یکی از معایب از شبکه عصبی انتشار برگشتی در بهینه سازی سازه‌ها،سرعت کند همگرایی این شبکه است. این مشکل زمانی بیشتر مشهود می‌گردد که مسائل با مقیاس بزرگ مورد بررسی قرار می‌گیرند. زیرا در این مسائل تعداد واحدهای ورودی و خروجی به تعداد قابل ملاحظه‌ای افزایش می‌یابد.

برای بهینه سازی موثر سازه شبکه عصبی با سرعت آموزش بالا مورد نیاز است که بتوان پس از آموزش از آن بعنوان یک تحلیل گر سریع استفاده نمود. بدین منظور اصلاحاتی بر روی شبکه انتشار متقابل انجام گردیده است که بکارگیری آن منجر به سرعت زیاد آموزش و پاسخ شبکه با خطای قابل قبول شده است. در این تحقیق دو شبکه عصبی مصنوعی آموزش داده شده است که شبکه اول برای قیود و شبکه دوم برای مشتقات قیود مورد استفاده قرار گرفته است. این شبکه‌های عصبی آموزش داده شده با پاسخ سریع، نیاز بهینه ساز به قیود و یا مشتقات مربوطه را تامین می‌نماید. روش ارائه شده کلی بوده و قابل استفاده در خرپاهای مستوی و فضایی می‌باشد و در مقایسه با روش‌های متداول منجر به نتایج بسیار مطلوب شده است. توانایی‌های نرم افزارهای تهیه شده با ارائه چند مثال عملی با روش‌های کلاسیک بهینه سازی مورد ارزیابی قرار گرفته است.

______________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **

** درخواست پایان نامه:

با ارسال عنوان پایان نامه درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **