هدف از این تحقیق بررسی نرون ها و شبکه عصبی مصنوعی با فرمت docx در قالب 19 صفحه ورد بصورت کامل و جامع و با قابلیت ویرایش می باشد

فهرست مطالب

شبکه­های عصبی مصنوعی

2-7-1-مقدمه

2-7-2-تاریخچه شبکه­های عصبی30

2-7-3-نرون طبیعی

2-7-4-نرون مصنوعی

2-7-5- معماری شبکه عصبی

2-7-5-1- شبکه های پیشرو

2-7-5-2- شبکه­های بازجریانی

2-7-6-یادگیری در شبکه­های عصبی

2-7-7-شبکه پرسپترون چندلایه

 2-7-8-مزایا و معایب شبکه­های عصبی

2-7-9-کاربرد شبکه­های­ عصبی در مدیریت

منابع

شبكه عصبی مصنوعی(ANN) یک سامانه ی پردازش اطلاعات است که به دنبال تقلید از رفتار سیستم­های بیولوژیکی عصبی، مانند مغز انسان می­باشد. یک شبکه ­عصبی از تعداد زیادی نرون به هم پیوسته تشکیل شده که به صورت متحد برای حل مشکلات خاص با یکدیگر کار و تعامل می­کنند. کامپیوتر­های معمولی برای حل مسأله، از رویکرد الگوریتمی‌‌ تحت مجموعه­ای از دستورالعمل­ها استفاده می­کنند. این بدان معنی است که آنها فقط می­توانند مشکلاتی را حل کند که در حال حاضر به­خوبی درک شده است. با این حال، شبکه­­های­ عصبی مصنوعی بیشتر شبیه انسانها‌‌ هستند که برای حل مشکل می­توانند از طریق استفاده از مثال­ها، حتی زمانی که داده­ها پیچیده یا مبهم هستند، آموزش ببینند (بوهمن، 1993).

تاكنون از شبكه‌های عصبی در بسیاری از زمینه‌ها نظیر تجارت، صنعت و علوم تجربی استفاده شده است. سیستم عصبی انسان از یک سری عناصر پردازش ساده به نام نرون یا گره تشکیل شده است (زراءنژاد و همكاران، 1387).  هركدام از این نرون‌ها یک سیگنال اولیه را كه اطلاعاتی از یک نرون دیگر و یا محرک خارجی است، دریافت می‌كند و آن را با استفاده از یک تابع فعال‌سازی یا تبدیل، پردازش و یک خروجی پردازش شده را تولید می‌كند. در مرحله بعد، خروجی مربوط را، به نرون‌های داخلی‌تر یا نرون‌های دیگر می‌فرستد. این ویژگی، یعنی پردازش اطلاعات، شبكه‌های عصبی مصنوعی را به یک روش محاسباتی قدرتمند، برای یادگیری از مثال‌ها و تعمیم این یادگیری به مثال‌هایی كه تاكنون مشاهده نشده است، تبدیل می‌كند )هیكین، 1999)