شماره پروژه : 325

عنوان پروژه :پیش بینی سری زمانی به کمک شبکه عصبی جردن

تعداد صفحات : 71

شرح مختصر پروژه: در این پست سایت ویکی پاور سعی و تلاش شده اطلاعات مفیدی  با عنوان پیش بینی سری زمانی به کمک شبکه عصبی جردن در اختیار شما عزیزان قرار بگیرد.

زمان پیدایش شبکه‌های عصبی به سال 1911 برمی‌گردد، زمانی که سگال بافت شناس و آسیب شناس اسپانیایی موفق به کشف نرون شد. حدود 30 سال بعد از آن در دهه ی 40 قرن بیستم بود که دیدگاه جدیدی در رابطه با شبکه‌های عصبی مطرح شد و وارن مک کلوث و والتر پیتز نشان دادند که شبکه‌های عصبی می‌توانند هر تابع حسابی و منطقی را محاسبه کنند. از آن زمان تاکنون شبکه‌های عصبی سرگذشت پر فراز و نشیبی را پشت سر گذاشته اند و حالا، در ابتدای قرن بیست و یکم، به یکی از بروزترین و پرکاربردترین مباحث دانش بشری تبدیل شده اند. امروزه این شبکه‌ها در مسائل کنترلی، مدلسازی، شبیه سازی، بهینه‌سازی، طبقه بندی، شناسایی و تشخیص الگو، پردازش سیگنال، پیش بینی سری‌های زمانی و. . . استفاده گسترده ای پیدا کرده اند. در این نوشتار قطره ای از این دریای بیکران را برای شما به ارمغان می‌آوریم، باشد که مقبول تشنگان راه دانش افتد.

سری زمانی چیست؟

• سری زمانی به مجموعه ای از مشاهدات کمی گفته می شود که در فواصل زمانی و به صورت متوالی اندازه گیری می شود. به بیان دیگر،سری زمانی مجموعه ای از مشاهدات یک متغیر است که در نقاط گسسته ای از زمان،که معمولا فاصله های مساوی دارند، اندازه گیری شده و بر حسب زمان مرتب شده اند.

بنابراین یک سری زمانی از مشاهده یک پدیده در طول زمان به دست می آید.

مهم‌ترین گامی که یک تحلیل‌گر در تحلیل سری زمانی فروش بایستی بردارد این است که هر یک از تغییرات و روندها را تشریح کرده و میزان آن را تحلیل کند. یک تحلیل‌گر بایستی برای هر سه روند بلندمدت، فصلی و ادواری وضعیت خود را با وضعیت مطلوب مقایسه کند. فرض کنید که روند بلندمدت سری زمانی نشان می‌دهد که به صورت متوسط ۲% رشد داشته است. حال بایستی به سوالات زیر پاسخ داد:

فهرست مطالب کاربرد شبکه عصبی جردن در پیش بینی سری زمانی

چکیده

کلمات کلیدی.

مقدمه

فصل 1 آشنایی با شبکه‌های عصبی.

مقدمه

شبکه‌های عصبی

قابلیت یادگیری

پراکندگی اطلاعات

قابلیت تعمیم

پردازش موازی

مقاومبودن

شبکه عصبی از دید کاربر

شبکه عصبی بیولوژیکی

فرایند یادگیری.

یادگیری با ناظر

یادگیری بدون ناظر

یادگیری تشدیدی

فصل 2 شبکه عصبیMLP

مدل ریاضی نرون

توابع محرک

تابع محرک خطی

تابع محرکت انژانت هیپربولیک

مدل نرون چندورودی

فرم خلاصه شده نرون چند ورودی

ساختارشبکه‌های عصبی

شبکه عصبی تک‌لایه

شبکه‌های عصبی چندلایه

مزیت شبکه‌های عصبی چندلایه

شبکه عصبیMLP.

الگوریتم پس‌انتشارخطا

انتشار

بروزرسانی وزن‌ها

فرمول بندی الگوریتم پس‌انتشارخطا برای یک شبکهMLP.

محدودیت‌های الگوریتم پس‌انتشارخطا

خلاصه

فصل 3 شبکه‌های برگشتی المان وجردن

مقدمه

شبکه عصبی المان

فرمول بندی الگوریتم پس‌انتشارخطابرای شبکه عصبی المان

شبکه عصبی جردن

فرمول بندی الگوریتم پس‌انتشارخطابرای شبکه عصبی جردن

فصل 4 نتایج بدست آمده از شبیه سازی شبکه‌های عصبی.

پیشبینی سری زمانی به کمک شبکه عصبیMLP.

پیشبینی سری زمانی به کمک شبکه عصبی المان

پیشبینی سری زمانی به کمک شبکه عصبی جردن

مقایسه نتایج بدست آمده ازشبیه سازی شبکه‌ها

انواع خطاهای اندازه‌گیری شده

نتایج شبیه سازی.

فصل 5 نتیجه گیری وپیشنهادات.

پیوست 1 – کد تولید کننده سری زمانی

پیوست 2 – کد تشخیص خطا

پیوست 3- تأثیر تغییرات در پارامترهای طراحی شبکه

مراجع

 

——————-—————————–———-———–—-— wikipower.ir ——————-————————–———-—————–—-

  دانلود مستقیم  :    پیش بینی سری زمانی به کمک شبکه عصبی جردن

  رمز عبور فایل    :   فاقد رمز

  حجم فایل        :  3.33 MB

  منبع فایل         :  ویکی پاور   |   www.wikipower.ir

——————-—————————–——-————–—-— wikipower.ir ——————-————————–———-—————–—-

خرید فایل word

شماره پایان نامه : 325

قیمت فایل ورد : ۷۰۰۰ تومان

آموزش کامل نحوه خرید

فایل pdf پروژه را از قسمت فوق به صورت رایگان دانلود و مشاهده کنید. برای دریافت فایل word پروژه، روی تصویر زیر کلیک نمایید. لینک دانلود فایل word بعد از پرداخت مبلغ به صورت آنی برای شما فعال می شود.(پرداخت با کلیه بانک های عضو شتاب)