کوشا فایل

کوشا فایل بانک فایل ایران ، دانلود فایل و پروژه

کوشا فایل

کوشا فایل بانک فایل ایران ، دانلود فایل و پروژه

Artificial intelligence هوش مصنوعی - فایل به همراه ترجمه

اختصاصی از کوشا فایل Artificial intelligence هوش مصنوعی - فایل به همراه ترجمه دانلود با لینک مستقیم و پر سرعت .

بخشی از فایل انگلیسی و ترجمه آن به شرح ذیل می باشد:

 

Introduction

Although there is no clear definition of AI (not even of intelligence), it can be described as the attempt to build machines that think and act like humans, that are able to learn and to use their knowledge to solve problems on their own.

A 'by-product' of the intensive studies of the human brain by AI researchers is a far better understanding of how it works.

مقدمه :

اگر چه تعریف دقیق و واضحی از AI وجود ندارد ( حتی برای هوش ) ولی می توان تعریفی از ماشینی که بتواند فکر کند و یا مثل انسان عمل کند که می تواند یاد بگیرد و رد علوم مختلف برای حل مسائل استفاده می شود. برای تولید پژوشگران AI ، مشتاقانه ، مغز انسان را مورد مطالعه قرار می دهند تا بفهمند چگونه کار می کند .


دانلود با لینک مستقیم


شبکه های عصبی درهوش مصنوعی

اختصاصی از کوشا فایل شبکه های عصبی درهوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

شبکه های عصبی درهوش مصنوعی


شبکه های عصبی  درهوش مصنوعی

شبکه

فرمت: word

 

تعدادصفحات : 84

 

  یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد. 

 

سابقه تاریخی

 

به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است. خیلی از پیشرفت های مهم با تقلید ها و شبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky و Papert شناسانده شد. Minsky و Papert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد . اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.  

های عصبی  درهوش مصنوعی

 


دانلود با لینک مستقیم


مقاله هوش مصنوعی

اختصاصی از کوشا فایل مقاله هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

مقاله هوش مصنوعی


مقاله هوش مصنوعی

مقاله هوش مصنوعی نوشته دکتر استوارت راسل و پیتر نورویگ

 


دانلود با لینک مستقیم


پروژه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی

اختصاصی از کوشا فایل پروژه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

پروژه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی


پروژه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی

 

 

 

 

 

 

 



فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:145

فهرست مطالب:

چکیده: 5
فصل اوّل: 1
مقدمه 1
مقدمه: 2
فصل دوم: 5
مقدمه‌ای بر مقایسه‌ی شبکه‌های عصبی بیولوژیکی و مصنوعی و شیوه‌های یادگیری در آنها 5
1-2 انسان و کامپیوتر: 6
2-2 ساختار مغز: 8
شکل 1-2 مشخصات اصلی یک نرون بیولوژیک 9
شکل 2-2 ورودی‌های نرون باید از آستانه معینی تجاوز کند تا نرون بتواند کنش کند. 11
1-2-2 یادگیری در سیستم‌های بیولوژیک: 11
2-2-2 سازمان مغز: 12
3-2 یادگیری در ماشین‌ها: 13
4-2 تفاوت‌ها: 14
چکیده نکات مهم فصل دوم: 16
فصل سوم: 17
بازشناسی الگوها 17
بازشناسی الگوها: 18
1-3 مقدمه: 18
2-3 چشم‌انداز طرح شناسی: 18
3-3 تعریف بازشناسی الگوها: 19
4-3 بردارهای مشخصات و فضای مشخصات: 20
شکل 1-3 یک فضای مشخصات دوبعدی اقلیدسی 21
5-3 توابع تشخیص‌دهنده یا ممیز 21
شکل 2-3 محدوده‌ی تصمیم یک طبقه‌بندی خطی. 23
6-3 فنون طبقه‌بندی: 23
1-6-3 روش طبقه‌بندی «نزدیک‌ترین همسایه»: 23
شکل 3-3 طبقه‌بندی به وسیله مقایسه با «نزدیکترین همسایه» 24
شکل 4-3 اندازه‌گیری تا نزدیک‌ترین همسایه گاه باعث خطا می‌شود. 25
2-6-3 میزان‌های اندازه‌گیری فاصله 25
فاصله‌ی همینگ 25
شکل 5-3  فاصله اقلیدسی 27
8-3 بازشناسی الگوها – خلاصه : 32
چکیده نکات مهم فصل سوم: 32
فصل چهارم: 33
نرون پایه 33
2-4 مدل‌سازی نرون تنها: 34
شکل 2-4 نمای مدل اصلی نرون. 36
3-4 تابع آستانه 37
شکل 8-4 آیا می‌توانیم Aها را از Bها تمیز دهیم؟ 42
1-3-4 الگوریتم فراگیری پرسپترون: 45
1-4-4 یادگیری و تعدیل وزنها در آدالاین: 48
جدول 3-4) جدول ارزش گزاره مربوط به تابع   52
2-4-4 قاعده دلتا برای ورودی‌ها و خروجی‌های دوقطبی: 54
جدول 8-4) الگوی مرحله دوم استفاده از مجموعه آموزش، برای تابع   56
جدول 9-4) 57
شکل 9-4 دو مجموعه‌ی مجزا از الگوها در فضای دوبعدی. 58
شکل 10-4 رفتار بردار ضرایب وزنی در فضای الگوها. 59
شکل 11. 60
تعاریف: 61
7-4 محدودیت‌های پرسپترون: 65
8-4 آیا این به معنای پایان راه است؟ 67
1-8-4 نتیجه‌گیری: 68
فصل پنجم: 69
پرسپترون چندلایه‌ای 69
1-2-5 رفع مشکل: 70
شکل 2-5 دو راه ممکن برای توابع آستانه‌ای. 72
شکل 3-5 پروسپترون چند لایه‌ای. 73
شکل 5-5) نمایش مدل پرسپترون چند لایه به صورت اختصاری 74
1-4-5 ریاضیات: 76
5-5 الگوریتم پرسپترون چند لایه‌ای: 80
شکل 6-5 یک راه برای مسئله XOR. 82
7-5 تجسم رفتار شبکه : 85
8-5 پروسپترون چند لایه‌ای به عنوان دستگاه طبقه بندی:‌ 89
شکل 18-5 95
آموزش تدریجی: 98
آموزش یکباره: 98
12-5 تعمیم‌دهی: 100
13-5 تحمل نقص: 102
14-5 مشکلات آموزش 103
کاهش ضریب بهره: 104
افزایش تعداد گره‌های داخلی 104
1-14-5 سایر مشکلات آموزش: 105
1-15-5 شبکه‌ی گویا: 105
2-15-5 فیلتر کردن اغتشاش ای – سی – جی (ECG) 106
3-15-5 کاربردهای مالی: 107
4-15-5 بازشناسی الگوها: 108
فصل ششم: 111
بررسی ویژگی‌ها و مدل‌سازی رآکتور شیمیایی مورد بحث در این پروژه: 111
1-1-6) پرسپترون‌های چندلایه: 112
شکل 2-6) یک پرسپترون سه‌لایه 113
3-6- آزمون صحت عملکرد مدل: 118
4-6- کنترل غیر خطی پیش‌بین: 120
5-6- ویژگی‌های رآکتور مورد مطالعه: 122
شکل 5-6) شکل شماتیک از رآکتور مورد مطالعه 122
شکل 7-6) مدل دینامیکی 124
7-6) نتایج شبیه‌سازی: 127
جدول 1-6) دقت تخمین، برای مدل‌های مختلف آموزش 128
فصل هفتم: 130
نتیجه‌گیری 130
پیوست‌ها: 133
بخش دوم: 136
2-ب- برنامه‌ی آموزش به شبکه: 137
3-ب- برنامه بررسی صحت عملکرد پاسخ‌های پیش‌بینی شده‌: 138
مراجع: 139
 

 

 

چکیده:
در این پروژه، ورودی‌ها و خروجی‌های یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکه‌های عصبی مصنوعی  از نوع پرسپترون‌های چندلایه  برای این منظور مناسب است. در کنار این نوع از مدل‌سازی، استفاده از یک شیوه‌ی مناسب برای کنترل پیشگویانه (پیش بینانه)ی مدل یاد شده، ضروری است.
مدل‌های برگشتی تصحیح شونده که از قوانین تعدیل ماتریس‌های وزنی مسیرهای ارتباطی بین نرون‌های مدل استفاده می‌کنند، در این پروژه به کار گرفته شده‌اند.
این قوانین برای آموزش سیستم، جهت کنترل و دستیابی به خروجی مطلوب در زمان‌های بعدی به کار می‌روند.
فراگیری در این سیستم نیز از نوع فراگیری با سرپرست  می‌باشد؛ به این صورت که معادله‌ی دیفرانسیل دینامیکیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، که سیستم باید به آن برسد، برای زمان‌های آینده مشخص می‌باشد و خروجی سیستم با استفاده از یک کنترل‌کننده‌ی پیش‌بین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یک رآکتور شیمیایی است که برای اختلاط پیوسته‌ی مواد شیمیایی واکنش دهنده با غلظت‌ها و مقادیر تعریف شده و تولید یک ماده‌ی محصول با یک غلظت متغیر با زمان  به کار می‌رود؛ که میزان مطلوب این غلظت در یک زمان خاص، به‌عنوان هدف مطلوبی است که سیستم باید به آن دست یابد.
همچنین به‌جای یک سیستم واقعی، از یک مدل نرم‌افزاری برای جمع‌آوری داده‌های ورودی و خروجی استفاده می شود و در نهایت، نتایج این مدل سازی موفقیت‌آمیز، توانایی روش‌های مدل سازی هوشمند را همان‌گونه که در این تحقیق آمده است، اثبات می‌کند.
کلمات کلیدی: هوش مصنوعی، شبکه های عصبی مصنوعی، رآکتور شیمیایی، کنترل پیش‌بین، نرون، پتانسیل فعالیت، پرسپترون چندلایه غیر خطی، تورش، سیستم‌های غیر خطی، بازشناسی الگو، دستگاه‌های طبقه‌بندی خطی و غیر خطی، قاعده‌ی پس انتشار خطا، تعدیل ضرایب وزنی، شبیه‌سازی، مدل دینامیکی کامل / ناکامل شبکه‌‌ی عصبی مصنوعی


دانلود با لینک مستقیم


دانلود پایان نامه کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی

اختصاصی از کوشا فایل دانلود پایان نامه کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی دانلود با لینک مستقیم و پر سرعت .

دانلود پایان نامه کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی


دانلود پایان نامه کاربرد  مدل شبکه عصبی مصنوعی  در مدیریت منابع آب زیرمینی

لینک پرداخت و دانلود *پایین مطلب*

 

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 

تعداد صفحه:120

فهرست مطالب

فهرست

 

مقدمه.................................................................................................................................................................... 1

فصل اول: مروری بر پیشینه پژوهش....................................................................................................................... 3

1-1- مقدمه........................................................................................................................................................... 3

1-2- مروری بر تحقیقات انجام یافته....................................................................................................................... 3

فصل دوم: روش پژوهش، ابزار و مواد...................................................................................................................... 11

2-1-مقدمه........................................................................................................................................................... 11

2-2-  معرفی شبکه عصبی مصنوعی..................................................................................................................... 11

2-2-1- مزیت های شبکه های عصبی:............................................................................................................. 11

2-2-2- کاربردهای شبکه عصبی:.................................................................................................................... 12

2-2-3- اجزای کلی شبکه عصبی مصنوعی..................................................................................................... 13

2-2-4- ساختار های شبکه عصبی مصنوعی................................................................................................... 15

2-2-4-1- شبکه های پیشرو(Feedforward).......................................................................................... 15

2-2-4-2- شبکه های برگشتی(Backforward) ...................................................................................... 15

 2-2-4-3- شبکه های شعاعی(Radial Basis Function Networks )................................................... 16

2-2-5- معرفی انواع شبکه عصبی ساده: ........................................................................................................ 16

2-2-5-1- پرسپترون(Perceptron)......................................................................................................... 16

2-2-5-2- شبکه همینگ(Haming)........................................................................................................ 17

2-2-5-3- شبکه هاپفیلد(Hopfield)....................................................................................................... 17

2-2-6- الگوریتمهای مختلف آموزش.............................................................................................................. 17

2-2-6-1-الگوریتم لونبرگ-مارکورت (LM) Levenberg-Marquardt..................................................... 17

2-2-6-2-گرادیان نزولی انتشار خطا به عقب با ممنتم................................................................................. 18

2-2-6-3-تنظیم بایزین (BR) Bayesian Regulazation........................................................................ 18

2-2-7- تقسیم بندی شبکه ها از نظر نوع توابع عملگر..................................................................................... 18

2-2-8- تقسیم بندی شبکه ها از نظر نوع آموزش............................................................................................. 19

2-2-8-1- آموزش نظارت شده(Supervised)............................................................................................ 19

2-2-8-2- آموزش غیرنظارت شده(Unsupervised).................................................................................. 19

2-2-9- آموزش شبکه های عصبی مصنوعی.................................................................................................... 20

2-2-10- صحت سنجی.................................................................................................................................... 21

2-2-11- معیار ارزیابی کارایی و خطای مدل..................................................................................................... 22

2-3- ویژگیهای منطقه مورد مطالعه...................................................................................................................... 22

2-3-1- موقعیت جغرافیایی محدوده مورد مطالعه............................................................................................ 22

2-3-2- زمین شناسی منطقه مورد مطالعه:..................................................................................................... 24

2-3-2-1- تشکیلات کرتاسه...................................................................................................................... 26

2-3-2-2- رسوبات نوع فلیش................................................................................................................... 27

2-3-2-3- تشکیلات پالئوژن.................................................................................................................... 27

2-3-2-4- تشکیلات نئوژن....................................................................................................................... 27

2-3-2-5- رسوبات کواترنر....................................................................................................................... 28

2-3-3- زمین‏شناسی ساختمانی منطقه‏ مورد مطالعه....................................................................................... 28

2-3-4- هواشناسی........................................................................................................................................ 29

2-3-4-1- بارندگی.................................................................................................................................... 29

2-3-4-2- درجه حرارت :......................................................................................................................... 32

2-3-4-3- تبخیر و تعرق.......................................................................................................................... 33

2-3-4-4-  رطوبت نسبی:........................................................................................................................ 34

2-3-4-5- طبقه بندی اقلیمی منطقه........................................................................................................ 35

2-3-5-  بررسی های اکتشافی دشت بیرجند.................................................................................................. 37

2-3-5-1-  مطالعات ژئوفیزیک................................................................................................................. 37

2-3-5-2- نقشه هم ضخامت آبرفت.......................................................................................................... 38

2-3-5-3-  نقشه مقاومت عرضی.............................................................................................................. 39

2-3-5-4-  نقشه هم ارتفاع سنگ کف دشت بیرجند................................................................................. 39

2-3-6-  هیدروژئولوژی دشت بیرجند............................................................................................................. 41

2-3-6- 1- بررسی ضرایب هیدرودینامیکی:............................................................................................... 41

2-3-6-2- رفتار سنجی چاههای مشاهده ای............................................................................................. 43

2-3-6-3- هیدروگراف واحد دشت........................................................................................................... 53

2-3-7-  نقشه های هیدروژئولوژی.................................................................................................................. 55

2-3-7-1- نقشه هم پتانسیل دشت بیرجند............................................................................................... 55

2-3-7-2- نقشه هم عمق دشت بیرجند.................................................................................................... 57

2-3-7-3-  نقشه هم افت دشت بیرجند.................................................................................................... 58

2-3-8-  بهره برداری از منابع آب زیرزمینی دشت بیرجند.............................................................................. 59

2-3-8-1-  چاه........................................................................................................................................ 59

2-3-8-2-  چشمه..................................................................................................................................... 61

2-3-8-3-  قنات...................................................................................................................................... 62

2-3-9-  محاسبه بیلان دراز مدت آبخوان دشت بیرجند................................................................................... 62

2-3-9-1- مدت یا دوره بیلان.................................................................................................................... 63

2-3-9-2-  مجموعه ورودی آب زیرزمینی................................................................................................. 63

2-3-9-3-  مجموعه خروجی آب زیرزمینی................................................................................................ 65

2-3-9-4-  تغییرات حجم مخزن در دوره بیلان(∆X)................................................................................. 66

2-3-10- محاسبه بیلان کوتاه مدت آبخوان آبرفتی دشت................................................................................. 67

2-3-10-1- مدت یا دوره بیلان:................................................................................................................. 67

2-3-10-2-  مجموعه ورودی آب زیرزمینی:............................................................................................... 67

2-3-10-3-  مجموعه خروجی آب زیرزمینی............................................................................................... 69

2-3-10-4- تغییرات حجم مخزن در دوره بیلان(∆X)................................................................................. 70

فصل سوم: بحث، تجزیه و تحلیل........................................................................................................................... 71

3-1- مقدمه........................................................................................................................................................ 72

3-2- انجام آنالیز حساسیت و تعیین ساختار شبکه عصبی و پارامترهای موثر بر نوسانات سطح آب......................... 72

3-3- مدلسازی سطح آب زیرزمینی در چاه مشاهده ای محمدیه در منطقه مورد مطالعه.......................................... 79

3-4- مدلسازی سطح آب زیرزمینی در چاههای مشاهده ای موجود در منطقه مورد مطالعه.................................... 83

3-5- پیش بینی سطح آب زیرزمینی در چاههای مشاهده ای موجود در منطقه مورد مطالعه.................................... 91

3-6- پیش بینی سطح آب در مناطق فاقد چاه مشاهده ای در محدوده مورد مطالعه  و ترسیم منحنی هم تراز.......... 99

فصل چهارم: نتیجه گیری و پیشنهاد................................................................................................................... 114

4-1- نتیجه گیری.............................................................................................................................................. 114

4-2- پیشنهادها........................................................................................................................................... 116

منابع و ماخذ...................................................................................................................................................... 117

  1. Reference....................................................................................................................................................... 118

  1-1- مقدمه

در طی دهه اخیر استفاده از شبکه های عصبی مصنوعی بطور روز افزونی در حیطه منابع آبی بویژه آبهای زیرزمینی در سراسر دنیا انجام شده است. با توجه به اینکه مدلهای شبکه عصبی نتایج خوبی ارائه می کنند استفاده از این مدلها در زمینه منابع آبی از مقبولیت خوبی برخوردار هستند.  دراین فصل به بیان مختصری از کارها و تحقیقات قبلی در زمینه شبکه عصبی مصنوعی پرداخته شده است.

1-2- مروری بر تحقیقات انجام یافته

اخیراً از شبکه های عصبی مصنوعی که یکی از شاخه های هوش مصنوعی محسوب می شود، به عنوان روشی کارا در حل مسائل به روش معکوس به طور روز افزونی استفاده می شود.

از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا  مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط  McCulloch and Pitts(1984)  انجام شد که  امروز بلوک اصلی سازنده‌ی اکثر شبکه های عصبی مصنوعی است . این مدل فرضیه‌هایی در مورد عملکرد نرونها ارائه می کند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است . چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده منطقی مثل OR وAND بود.

 نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تأثیر داشتند. اولین بار توسطRosenblatt (1985)  شبکه پرسپترون معرفی شد. این شبکه نظیر واحدهای مدل شده‌ی قبلی بود. این سیستم می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.

سیستم دیگری از مدل خطی تطبیقی نرون توسط Widrow and Hoff(1960)  به نام Adalalin  ایجاد شد که اولین شبکه های عصبی بکار گرفته شده در مسائل واقعی بود.  Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.

کتابی توسط Minisky and Papert (1969) نوشته شد که محدودیتهای سیستمهای تک لایه و چند لایه پرسپترون را تشریح میکرد. نتیجه این کتاب پیشداوری و قطع سرمایه گذاری برای تحقیقات  در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله مهمی نمی‌باشد تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

با وجود اینکه اشتیاق عمومی و سرمایه گذاری های موجود به حداقل خود رسیده بود برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند ادامه دادند. از جمله 1980))Grossberg که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او شبکه های A


دانلود با لینک مستقیم