مقاله درباره Network Marketing تجارت الکترونکی

اختصاصی از نیک فایل مقاله درباره Network Marketing تجارت الکترونکی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 64

Rise Yourself

To Help

Mankind

1-Network Marketing از آمریکا آغاز شد وبزرگترین شرکتها در این زمینه در آنجا هستند. در آمریکا از هر چهار نفر یک نفر به نحوی با این صنعت مرتبط است.MWM یک تجارت بهینه است که به شما قدرت ایجاد یک سازمان فروش با درآمد عالی را میدهد. از سالیان گذشته تا بحال شرکتهایی مانندBlue Sky تولید کننده لوازم ورزشی در آلمان و AM Ways ،تولید کننده مواد شوینده در آمریکا، به روش Multi-Level Marketing یا MLM کار می کنند که اشکالاتی به شرح ذیل دارد:

محدودیت زمانی برای پرکردن

پرداخت سودماهانه

پورسانتهای کمتر برای سطوح پایینتر

دریافت حق عضویت ماهانه

محدودیت مکانی

باگسترش ارتباطات مانند پست و اینترنت در دنیا و همچنین مبادلات الکترونیکی مانند کارتهای اعتباری، NWM هم رو به رشد نهاد. برخی از مزایای این تجارت به شرح ذیل می باشند:

حذف تبلیغات

حذف واسطه ها

سرمایه اولیه کم

تولید پس از سفارش

IAC، بخش اقتصادی دیوان لاهه، به شکایتها در زمینه NWM از راه دور رسیدگی میک ند وشرکت گلود کوییست در این دادگاه دارای تریبون است.

دلایل انتخاب NWM توسط گولدکوییست:

Simple To Do :کار را به آسانی یاد می گیریم و به دیگران هم یاد می دهیم.

حذف تبلیغات، حذف واسطه ها،سرمایه اولیه کم، تولید پس از سفارش،خواب پول وسقف درآمد

دلایل انتخاب محصول طلا در گولدکوییست:

فاس نمی شود.

جذابیت جهانی دارد.

فلز ارزشمندی است.

نوعی نقدینگی است.

دماسنج ترس است.

2.شناخت شرکت:

شرکت گولد کوییست در صنعت ساخت محصولات کلکسیونری از طلا ونقره فعال است و شرکت Quest Vacation در زمینه سفرهای تفریحی کار می کند.

شرکت V-Team به کار آموزش راهبری (Leadership) میپردازد چون وجود شبکه ای از راهبرهای (Leaders) بزرگ و موفق که بتوانند هر کالایی را در شبکه بفروشند بسیار مهم است.

نکته: شرکت گولدکوییست مالک 25% سهام هتلهای آسیایی است.

اهداف گولدکوییست:

هدف اقتصادی: راهبرهای گوش به زنگ (Online Leaders) که بتوانند هر سازمان فروشی را حمایت کنند.

هدف معنوی: RHYTHM که مخفف Rise Yourself To

تحقیق درباره Organizational Behavior Management (OBM) Network

اختصاصی از نیک فایل تحقیق درباره Organizational Behavior Management (OBM) Network دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 11

Organizational Behavior Management (OBM) Network

Organizational Behavior Management (OBM) Network

The Organizational Behavior Management (OBM) Network exists to support the growth and vitality of Organizational Behavior Management. This site contains articles and information on the science of applying behavior analysis to business to improve organizational performance and safety.

What is Organizational Behavior Management (OBM)?

Organizational Behavior Management practices help organizations to get the results they want.

Organizational Behavior Management practices produce significant and measurable outcomes.

Organizational Behavior Management comprises a research base of methods and applications with proven effectivenesss in the areas of work motivation, supervisory effectiveness, leadership and executive coaching, injury reduction, quality improvement, change management, incentive and reward systems, reinforcement and feedback systems, performance management, and behavior-based safety.

Organizational Behavior Management has demonstrated performance improvements of more than 100% and savings of millions of dollars in many industries, including: Chemical and petro-chemical, financial, human services, manufacturing, paper, transportation, utilities, and many others!

Organizational Behavior Management is the only scientific approach to improving performance by applying the concepts and principles of applied behavior analysis. Behavior analysis is the psychology aimed at how environmental variables affect behavior. Applying the science of behavior analysis is the only sure way to fully understand behavior at both the organizational and individual levels.

Some of our featured free articles:

A Systems Critique of Gilbert’s PIP’s

In Human Competence: Engineering Worthy Performance, Gilbert describes a seven step ‘performance audit’. Accomplishments and requirements are identified and then exemplar and typical performances are determined. An index of Potential for Improvement Performance (PIP) is computed and then the value or ‘stakes’ of the improvement potential is assessed. Gilbert summarizes this process by stating, “Remember, our only reason for measuring is to discover our opportunities for performance engineering.”

 O Efeito do Observador

Na primeira edição de Values-based Safety Process, o autor Terry Mcsween escreveu "ninguém conduziu até agora uma pesquisa definitiva sobre os efeitos de empregados conduzindo observações nos seus próprios locais de trabalho" (p. 24). Nós achamos essa afirmação interessante e merecedora de uma investigação mais detalhada. Ao discutir esta questão com outros pesquisadores e praticantes da área, decidimos que existia interesse geral suficiente para que pesquisas adicionais sobre o processo de observação fossem realizadas. Muitos praticantes que foram questionados achavam que era evidente que empregados que conduziam observações a respeito da segurança de seus colegas trabalhavam de maneira mais segura como resultado de tais observações. No entanto, essa afirmação não havia sido cientificamente comprovada. Feedback e processos de observação são componentes críticos do gerenciamento de segurança comportamental (behavior-based safety, BBS), mas, curiosamente, existem vários estudos sobre os efeitos de feedback, enquanto estudos sobre os efeito da observação

تحقیق درباره سیستم های NAS

اختصاصی از نیک فایل تحقیق درباره سیستم های NAS دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 5

NAS یا Network Attached Storage

سیستم های NAS دارای دو قسمت NAS Server و NAS Storage هستند که معمولا توسط رابط Ethernet یا FDDI ویا ATM به شبکه متصل می شوند همچنین امکان ارتباط با شبکه را با فیبرنوری دارا هستند(Fiber Chanel) در برخی مواقع خاص امکان ارتباط NAS با حداکثر 30 Interface فراهم است.NAS Server دارای یک پردازنده و سیستم عاملی برای ارتباط با NAS Storage و شبکه می باشد.

NAS Storage در درون خود از تکنولوژی SCSI یا Small Computer Systems Interface استفاده می کند و آن را می توان درهر جای شبکه نصب نمود و برای ایستگاه های کاری و همچنین سرورهای شبکه به اشتراک گذارد. سرورهای شبکه از طریق پورت Ethernet با NAS ارتباط برقرارکرده و از پروتکل های رایج دسترسی به فایل نظیر NFS(Network File System)و (Common Internet File System) CIFS استفاده می کنند. درصورتیکه ایستگاههای کاری فاقد سرور باشند (Desktop Systems) ، NAS بصورت Serverless تنظیم می شود و چنانچه شبکه دارای سرور است تنظیم آن به گونه ای است که Load روی سرورها رامی کاهد. با این سیستم می توان همزمان به کاربران ویندوزی و یونیکسی سرویس داد.

اخیرا اصطلاح "ذخیره‌سازی شبکه" وارد آثار و ادبیات محصول فروشندگانی از جمله شرکت بزرگ ذخیره‌سازی آی‌بی‌ام و Network Appliance و همچنین شرکت‌های جدید بیشمار دیگر شده است. در واقع مفهوم ذخیره‌سازی شبکه به امانت گرفتن اطلاعات از کامپیوترهای شبکه است، مجموعه‌ای از تکنولوژی‌ها که برای ایجاد ابر کامپیوترها در مجموعه پردازنده‌های ارزان قیمت، بکار می‌رود، وجه تشابه آنها در همین جا خاتمه می‌یابد و این دو از نظر کاری شباهت دیگری با یکدیگر ندارند.

ذخیره سازی NAS

ذخیره‌سازی شبکه به دو آیتم اشاره می‌کند: یکی توپولوژی تعیین میزان ظرفیت حافظه ضمیمه شبکه (NAS) در پاسخ به نیازهای برنامه کاربردی و دیگری تکنولوژی مخصوص فعال‌سازی و مدیریت به یک فایل سیستم تنها که می‌تواند ظرفیت قابل افزایش حافظه را اندازه‌گیری نماید.

یک روش برای مشاهده حافظه شبکه، اندازه‌گیری ظرفیت حافظه NAS بطور افقی و عمودی است که جلوی بروز مشکلات مربوط به آن دو را می‌گیرد. در حال حاضر، اندازه‌گیری ظرفیت به طور افقی به معنای افزودن آرایه‌های NAS بیشتر به LAN (شبکه محلی) است و این تا زمانی امکان‌پذیر است که تعداد خانه‌های NAS قابل کنترل باشند.در یک توپولوژی شبکه هدهای (رئوس) NAS با استفاده از کلاستربندی این تکنولوژی برای ایجاد یک هد مجازی به یکدیگر وصل می‌شوند. هدهای NAS اجزایی هستند که یک سیستم عامل کوچکی را که برای پشتیبانی از پروتکل (Network File System (NFS و ضمائم دستگاه ذخیره‌سازی بهینه شده است، در بر می‌گیرند. اندازه‌گیری عمودی NAS بر عکس اندازه‌گیری افقی، با افزودن تعداد درایوهای دیسک (دیسک گردان‌های) بیشتر به یک آرایه انجام پذیر است. این اندازه‌گیری، محدودیت های مربوط به فایل سیستم NAS تحت تاثیر قرار می‌دهد. (چند فایل را شما می‌توانید بخوانید و بنویسید) و همینطور ویژگی‌های معمولی دیگری مثل پهنای باند بین هد NAS و دیسک سرویس دهنده. معمولا هر چه تعداد دیسک قرار گرفته در پشت هد NAS بیشتر باشد احتمال اینکه سیستم در اثر عمل load یا اشباع شدگی کارآیی و بازدهی خود را از دست بدهد، بیشتر است.ذخیره‌سازی شبکه از نظر تئوری با متصل کردن هدهای NAS به کلاسترهای قابل تغییر و با کاهش اجباری و ضروری فضای فایل سیستم با استفاده از یک فایل سیستم قابل توسعه، جلوی این محدودیت‌ها را می‌گیرد.

ذخیره‌سازی شبکه برای چه کسی ضرورت دارد؟

به گفته مدیر یک سرویس پورتال پست الکترونیکی اینترنت ملی که تقاضا کرد از ذکر نامش خودداری شود، ذخیره‌سازی شبکه برای همه افرادی مفید است که دارای آرایه‌های کامل NAS هستند.

شکایت او از این است که صدها دستگاه ذخیره‌سازی NAS فعلی او که محصول یک فروشنده سرشناس NAS می‌باشد، مشکل بزرگی را در مدیریت ایجاد می‌کند. لازمه کنترل ظرفیت هر آرایه، دستیابی او به همان حالت و وضعیتی است که خود آرایه ایجاد کرده و پیکربندی صفحه وب یعنی حرکت و جستجوی هر روز در وب.احتمال وجود یکی از آرایه‌های مجازی NAS که بوسیله یک کلاستر از مجموعه آرایه‌های اختصاصی ایجاد شده است، برای او یک مزیت در مدیریت به حساب می‌آید. توسعه شبکه‌های ذخیره‌سازی امروزه مناسب نیاز کاربران NAS می‌باشد که در ابتدا فروشندگان NAS روی آن تلاش می‌کردند و البته ممکن است روزی بقیه هم از مفهوم ذخیره‌سازی شبکه بهره‌مند شوند، مخصوصا افرادی که دارای ساختار Fiber Channel هستند. برای مثال بیمارستانی در شمال ویرجینیا را در نظر بگیرید که دارای چندین بخش جداگانه، بخش مخصوص ذخیره‌سازی برای هر منطقه (SAN) می‌باشد و در نتیجه این امکان، ذخیره‌سازی ناهماهنگ بدست چندین مالک شرکت در آن منطقه صورت گرفته است. ایجاد ارتباط SANهای مختلف و به اشتراک‌گذاری اطلاعات آنها با یکدیگر به صورت یک وسیله قابل جابجایی و عمل در چند محیط برای بیمارستان دشوار و نگران کننده است. احتمالا بیمارستان با استفاده از دستگاه‌های NAS گروه‌بندی شده‌ای که به عنوان گیت‌وی‌ها و مدیران SANهای سرویس دهنده در نظر گرفته شده‌اند، به ظرفیت توسعه یافته دستیابی و مدیریت و به اشتراک گذاری فایل موفق دست می‌یابد.در مورد سازمان‌هایی با ذخیره‌سازی فایلی که شامل میلیون‌ها فایل جداگانه و مجزا می‌باشند، محدودیت‌های فضای مربوط به فایل سیستم کنونی می‌تواند موجب بروز مشکلات و موانع مهمی برای مدیریت مرکزی و کارآیی از نظر ظرفیت باشد، از جمله اطلاعات درون یک فایل سیستم مبتنی بر شبکه ذخیره‌سازی با قابلیت تغییر فراوان که می‌تواند به اشتراک‌گذاری فایل بهتر و مفیدی را فراهم نماید.

رقابت در تولید

فروشندگان معروف و دیرینه‌ای همچون شرکت (Silicon Graphics (SGI و Network Appliance و شرکت‌های جدیدی مثل Panasas اکنون روی تکنولوژی‌های NAS کلاستربندی شده‌ای کار می‌کنند که گاهی حافظه شبکه نامیده می‌شوند. SGI با برنامه کاربردی سرور اختصاصی خود که این تکنولوژی را روی هد NAS کلاستربندی می‌نماید، از این نظر از همه پیشی گرفته است و Panasas نیز عرضه سیستمی را آغاز کرده که مبتنی بر کلاستربندی Linux Beowulf می‌باشد. محصولات هر دو شرکت از ابتدا روی کامپیوتر خوب اجرا می‌شدند.

Chris Bennet مدیر ارشد شرکت Network Appliance می‌گوید، این شرکت قصد دارد برای ذخیره سازی شبکه از این تکنولوژی استفاده نماید، البته پس از دستیابی به Spinnaker Networks در ماه فوریه. چالشی که این شرکت با آن دست و پنجه نرم می‌کند، نگران کننده است. زمانیکه محصولات filer از اجرای اختصاصی Berkeley Fast File System استفاده می‌کنند، محصولات Spinnaker از Andrews File System استفاده می‌کردند. هر دو فایل سیستم دارای اختلافاتی اساسی از نظر معماری و ساختار هستند که رفع آنها نیاز به خروج از طرح محصول فعلی آنها دارد. Bennet می‌گوید، سالها طول می‌کشد تا این تکنولوژی در سطح code-line قرار گیرد.Network Appliance نیز همچون سایر رقیبان خود به دنبال اصلاح و بهینه‌سازی کنترل هدهای NAS بوده و برای ایجاد یک دایرکتوری منظم و قابل تغییر لازم است که این دایرکتوری تمام فایل‌های ذخیره‌ شده روی همه آرایه‌های NAS توسعه یافته را نشان دهد. در اینجا منظور از ذخیره‌سازی شبکه بیشتر به اشتراک‌گذاری فایل است تا ساختار NAS.

Leo Luan، مدیر تحقیقات روی پروژه (DST) آی‌بی‌ام می‌گوید، در مرکز تحقیقات Almaden شرکت آی‌بی‌ام، کار روی یک پروژه روش ذخیره‌سازی شبکه به منظور ایجاد یک شیوه به اشتراک گذاری فایل وسیع متمرکز شده است. هدف از آن نیز توسعه قابلیت‌ها و کاراییهای موجود در یک "Storage Tank" است، مجموعه‌ای از تکنولوژی‌های ذخیره سازی شامل سرویس‌های مجازی

شبکه های عصبی Neural Network

اختصاصی از نیک فایل شبکه های عصبی Neural Network دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 16

شبکه های عصبی Neural Network

شبکه‌های عصبی مصنوعیArtificial 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- مقدمه1-1- ایده پیدایش شبکه‌های عصبی مصنوعیآیا 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 افرادتحقیق 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- تاریخچهشبکه‌های 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.2- شبکه‌های عصبی مصنوعی2-1- شبکه‌های عصبی مصنوعیشبکه‌های 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 می‌شوند Feed-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 ANN(Artificial Neural

تحقیق درباره شبکه های عصبی Neural Network

اختصاصی از نیک فایل تحقیق درباره شبکه های عصبی Neural Network دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 16

شبکه های عصبی Neural Network

شبکه‌های عصبی مصنوعیArtificial 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- مقدمه1-1- ایده پیدایش شبکه‌های عصبی مصنوعیآیا 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 افرادتحقیق 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- تاریخچهشبکه‌های 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.2- شبکه‌های عصبی مصنوعی2-1- شبکه‌های عصبی مصنوعیشبکه‌های 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 می‌شوند Feed-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.