از جهات مختلفی می‌توان گراف ها و شبکه ها را دسته بندی کرد. در واقع این دسته بندی ها نمایان گر ویژگی های مشترک اعضای آنها می‌باشد. به عنوان مثال، از لحاظ نوع یال ها، می‌توان گراف ها را به دو گروه گراف های جهت دار و بدون جهت؛ و گراف های وزن دار و […]
تاریخچه تعداد علومی که بتوان به وضوح زمانی را برای شروع آنها تعیین کرد زیاد نیست. نظریه گراف که یکی از بنیان های ریاضی دانش شبکه ها است در سال 1736 میلادی توسط اویلر[1]، ریاضی دان سوئیسی در پی حل معمای پل های کونیگزبرگ[2] مطرح کرد. این پل های هفت گانه (همانطور که در شکل
الگوریتم ژنتیک روشی است برای بهینه سازی مسائل محدود و نامحدود و بر اساس فلسفه انتخاب اصلح در طبیعت بنا شده است. الگوریتم ژنتیک به صورت تکراری جمعیتی از راه حل ها را اصلاح می کند. در هر مرحله ، الگوریتم ژنتیک تعدادی از افراد را به صورت تصادفی از جمعیت کنونی انتخاب می کند
همگام با پيشرفت و توسعه شبكه هاي عصبي مبتني بر FAM، بخصوص در پانزده سال اخير، كاربردها و رويكردهاي نويني در استفاده عملي از آن ها ظهور كرده است. يكي از نخستين كاربردها، استفاده از اين شبكه ها در بازشناسي خودكار هدف بر اساس پروفايل هاي برد رادار مي باشد [8]. به عنوان كاربرد قديمي
كاربردهاي پيشرفته شبكه هاي عصبي مبتني بر FAM بیشتر بخوانید »
متدهاي مختلف آموزش FAM نظير تك كراري[1]، كامل[2] و آموزش همراه با مجموعه ارزيابي[3] در [27 و 16] به تفصيل مورد بحث قرار گرفته اند. در روش تك تكراري همه الگوهاي آموزش به صورت يك دنباله و فقط يك بار به شبكه ارائه مي شوند در آموزش به روش آموزش كامل دنباله اي كه از
پس از طرح الگوريتم و ساختار FAM در مجامع بين المللي و كنفرانس هاي علمي در سال 1992 ميلادي، پيشرفت و نوآوري در زمينه بهينه سازي الگوريتم و پيكربندي اين شبكه ها و واريته هاي آن به شكل روزافزوني گسترش يافت. اين پيشرفت ها را مي توان به دو دسته كلي تقسيم بندي نمود: يكي
پيشرفت هاي اخير در زمينه شبكه هاي عصبي بر اساس FAM بیشتر بخوانید »
ART [1]يا همان تئوري رزونانس تطبيقي، توسط گراسبرگ[2]، به عنوان تئوري شناختي پردازش اطلاعات درانسان، در سال 1976(م)، ابداع شد. در 1987(م) در رويكردي جهت حل مسئله پايداري – انعطاف پذيري[3] در شبكه هاي عصبي، كارپنتر[4] و گراسبرگ اولين عضو خانواده ART را تحت عنوان ART1، ارائه كردند. هر چند، اين مدل به خاطر پيچيدگي
معرفی شبکه عصبی ART یا Adaptive Resonance Theory بیشتر بخوانید »
يادگيري بر اساس تطابق نمونه هاي جديد با نمونه هاي ديده شده در اكثر طبقه بندها الگوريتم آموزش بر اساس نوعي اصلاح خطا در خروجي بوده و الگوريتم سعي در كم كردن فاصله بين خروجي مطلوب و خروجي واقعي شبكه دارد. به علت خصوصيات ذاتي در اين نوع الگوريتم ها از مشتقات و ماتريسهاي گراديان
ویژگیهای شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي بیشتر بخوانید »
در شبكه هاي عصبي پرسپترون چند لايه يكي از پارامترهاي طبقه بند، سايز يا تعداد گره‌هاي هر لايه از شبكه مي‌باشد. اكثر مسايل طبقه بندي با استفاده از يك شبكه عصبي پرسپترون سه لايه (تك لايه مخفي) قابل حل هستند. اما سايز لايه مخفي شبكه كه عملكرد بهينه را تضمين مي كند به تعداد نمونه
فزايش پيچيدگي شبكه با افزايش تعداد نمونه هاي آموزش بیشتر بخوانید »
منظور از اعمال PCA كاهش ابعاد فضاي ویژگی است. با مولفه هاي اساسي بدست آمده از اعمال PCA بر روي يك مجموعه داده، فضاي جديدي ایجاد می شود كه داراي ابعادي برابر با ابعادفضاي اوليه است. خاصيت PCA این است كه بردارهاي فضاي جديد را در راستاي بيشترين اختلاف، انتخاب مي كند. بنابراین چنانچه تنها
روند کلی بازشناسي چهره با استفاده از مولفه هاي اساسي بیشتر بخوانید »