مقالات انگلیسی ترجمه شده شبکه های عصبی ۲۰۲۴-۲۰۲۳

مدیریت 3,766 بازدید

در این صفحه مجموعه مقالات انگلیسی علمی پژوهشی و علمی ترویجی (مروری) جدید در رشته شبکه های عصبی Neural Networks با ترجمه تخصصی مربوط به سال های ۲۰۲۴ – ۲۰۲۳-۲۰۲۲ و … از مجلات (ISI, JCR, اسکوپوس Scopus و…) و نشریات معتبر الزویر ( ساینس دایرکت ) ، امرالد ، اسپرینگر ، وایلی و .. موجود می باشد- مقالات ترجمه شده در مورد شبکه های عصبی کاملا تخصصی ، روان و سلیس به زبان فارسی به صورت فایل وورد WORD ترجمه و تایپ شده اند. این مقالات به عنوان مقاله بیس برای نگارش پروپوزال ها و پایان نامه های مرتبط با شبکه های عصبی (مقاله بیس در مورد شبکه های عصبی ۲۰۲۳- ۲۰۲۲) نیز قابل استفاده می باشند- دانلود مقالات انگلیسی ، رایگان می باشد – مقالات ISI در مورد شبکه های عصبی ۲۰۲۳-۲۰۲۴ به لیست اضافه گردید.

برای مشاهده جزییات و دانلود مقاله انگلیسی ترجمه شده شبکه های عصبی

بر روی عنوان مقاله مورد نظر کلیک نمائید

مقالات انگلیسی در مورد شبکه های عصبی بدون ترجمه

مقالات انگلیسی ترجمه شده درباره شبکه های عصبی

شبکه عصبی چیست

توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‌ای از عناصر پردازش ساده (نورونها) است، که می‌تواند رفتار پیچیده کلی تعیین شده‌ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد

شبکه‌های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغز انسان نامید. مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل‌های الکترونیکی شبکه‌های عصبی طبیعی نیز بر اساس همین الگو بنا شده‌اند و روش برخورد چنین مدل‌هایی با مسائل، با روش‌های محاسباتی که به‌طور معمول توسط سیستم‌های کامپیوتری در پیش گرفته شده‌اند، تفاوت دارد. می‌دانیم که حتی ساده‌ترین مغز‌های جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل می‌شوند.

مزایای شبکه های عصبی

شبکه های عصبی ، با قابلیت قابل توجه در استنتاج معانی از داده های پیچیده یا مبهم ، برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته می شوند. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان برای بر آورد وضعیت های دخواه جدید و جواب سؤال های ” چه می شد اگر ” استفاده کرد.

مزیت های دیگر آن شامل موارد زیر می شود :

۱. یادگیری انطباق پذیر: قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین وتجربه های مقدماتی .

۲. سازماندهی توسط خود: یک ANN می تواند سازماندهی یا ارائه اش را ، برای اطلا عاتی که در طول دوره یادگیری در یافت می کند، خودش ایجاد کند.

۳. عملکرد بهنگام(Real time ) : محاسبات ANN می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوصی طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند.

تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری اطلاعات : خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگر چه تعدادی از قابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند

کاربردهای شبکه های عصبی مصنوعی

امروزه شبکه های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو(Pattern Recognition) که خود شامل مسائلی مانند تشخیص خط(Character Recognition)، شناسایی گفتار(Speech Recognition)، پردازش تصویر (Image Processing) و مسائلی ازاین دست میشود و نیز مسائل دستهبندی(Classification) مانند دسته بندی (Classification Problems)متون و یا تصاویر،به کار میروند.درکنترل یا مدلسازی سیستمهایی که ساختار داخلی ناشناخته یا بسیار پیچیدهای دارند نیز به صورت روز افزون از شبکههای عصبی مصنوعی استفاده میشود . به عنوان مثال میتوان در کنترل ورودی یک موتور از یک ANN استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت.

شبکه های عصبی و کامپیوترهای معمولی

شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند . کامپیوتر های معمولی یک مسیر الگو ریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ، خیلی پر فایده تر بودند.

شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند .شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است.

از طرف دیگر ، کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند . راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.

شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های الگو ریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند . حتی فراتر از این ، مسائلی وجود دارد که نیازمند به سیستمی است که از تر کیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید.

پارس پروژه پرتال خدمات دانشگاهی