• بازدید : 27 views
  • بدون نظر

قیمت : ۶۰۰۰۰ ريال    تعداد صفحات : ۴۶    کد محصول : ۱۷۴۵۹    حجم فایل : ۶۴ کیلوبایت   

بطور کلی تعاریف متعددی را که توسط روان شناسان برای هوش ارائه شده است، می‌توان به سه گروه تربیتی (تحصیلی) ، تحلیلی و کاربردی تفسیم کرد. به اعتقاد روانشناسان تربیتی ، هوش کیفیتی است که مسبب موفقیت تحصیلی می‌شود و از این رو یک نوع استعداد تحصیلی به شمار می‌رود. آنها برای توجیه این اعتقاد اشاره می‌کنند که کودکان باهوش نمره‌های بهتری در دروس خود می‌گیرند و پیشرفت تحصیلی چشم گیری نسبت به کودکان کم هوش دارند. مخالفان این دیدگاه معتقدند کیفیت هوش را نمی‌توان به نمره‌ها و پیشرفت تحصیلی محدود کرد، زیرا موفقیت در مشاغل و نوع کاری که فرد قادر به انجام آن است و به گونه کلی پیشرفت در بیشتر موقعیتهای زندگی بستگی به میزان هوش دارد. بنابه اعتقاد نظریه پردازان تحلیلی ، هوش توانایی استفاده از پدیده‌های رمزی و یا قدرت و رفتار موثر و یا سازگاری با موقعیتهای جدید و تازه و یا تشخیص حالات و کیفیات محیط است. شاید بهترین تعریف تحلیلی هوش به وسیله « دیوید وکسلر » ، روان شناس امریکایی ، پیشنهاد شده باشد که بیان می‌کند: هوش یعنی تفکر عاقلانه ، عمل منطقی و رفتار موثر در محیط.

  • بازدید : 55 views
  • بدون نظر
دانلود رایگان تحقیق بینایی ربات ها”ماشین”-خرید اینترنتی تحقیق بینایی ربات ها”ماشین”-دانلود رایگان مقاله بینایی ربات ها”ماشین”-تحقیق بینایی ربات ها”ماشین”
این فایل در ۵۷صفحه قابل ویرایش تهیه شده وشامل موارد زیر است:

از میان همه شاخه‌های هوش مصنوعی، شاید کاربردی‌ترین آن‌ها کامپیوتری و مکانیزه کردن سیستم‌های بینایی باشد. دامنه کاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از کاربردهای عادی و معمولی مثل کنترل کیفیت خط تولید و نظارت ویدئویی گرفته تا تکنولوژی‌های جدید مثل اتومبیل‌های بدون راننده را دربرگرفته است
 عکس‌برداری 
در این مثال ما سعی در مکانیزه کردن فرآیندی یکنواخت داریم که به‌صورت معمول و تکراری توسط انسان انجام می‌شود. اولین مسأله و مشکل ما این است که چگونه عکس‌های تهیه شده از اشیایی که در حال حرکت بر روی نوار نقاله هستند را تبدیل به داده‌های قابل فهم و تفسیر برای سیستم نماییم، که این مشکل توسط دوربین CCD  حل می‌شود. عملکرد این دوربین را می‌توان به عملکرد چشم انسان که قادر است  سطوح  مختلف نور را تشخیص دهد تشبیه نمود. 
چشم انسان 
چشم انسان که در شکل ۲ نشان داده شده است، تقریباً یک عدسی کروی با قطر ۵/۲ سانتی‌متر   می‌باشد که از چندین لایه مختلف که درونی‌ترین آن‌ها شبکیه نام دارد تشکیل شده است. ماهیچه‌های اطراف چشم اندازه لنز را تنظیم می‌کنند که این‌کار چشم را قادر به زوم (zoom) کردن روی اشیاء می‌کند. 
شکل ۲- نمای داخلی چشم انسان
وظیفه عدسی چشم، فرم و شکل دادن به تصویری است که توسط میلیون‌ها سلول گیرنده مخروطی (Cone) و میله‌ای (rod) گرفته شده و برروی پرده شبکیه افتاده است، می‌باشد. سلول‌های میله‌ای به یک عصب معمولی که از انتها به شبکیه ختم می‌شود و فقط در سطح نور پایین فعال است متصلند و سلول‌های مخروطی هر کدام به یک عصب اتصال دارند. آن‌ها در نورهای شدیدتر، بیشتر فعالند  و میزان درک ما از رنگ‌ها را نوع فعالیت این‌ مخروط‌ها مشخص می‌کند. 
در میان شبکیه ناحیه‌ای به‌نام نقطه کور وجود دارد که در آن هیچ‌ گیرنده‌ای موجود نیست. در این ناحیه اعصاب به‌صورت جداگانه به عصب بینایی که سیگنال‌های دریافت شده را به قشر بینایی مخ انتقال می‌دهند، وصل می‌شود. 
 دوربین CCD  
CCD از جهت عملکرد تقریباً مانند چشم انسان کار می‌کند. نور از طریق یک عدسی وارد دوربین و برروی یک پرده مخصوص تصویر می‌شود که تحت عنوان تراشه CCD شناخته می‌شود. تراشه Charge Coupled Device) CCD) که تصاویر با استفاده از آن گرفته می‌شوند از تعداد زیادی سلول تشکیل شده که همگی در یک  تراشه با الگوی خاصی مرتب شده‌اند و تحت عنوان پیکسل (pixels) شناخته می‌شوند. 
شکل۳- تصویر وسط یک نمای نزدیک از چشم ماهی را نمایش می دهد و نشان می دهد که هر قسمت از یک تصویر چگونه با تعدادی مقادیر عددی ذخیره می شود. به تعداد داده های عددی مورد نیاز برای ذخیره یک فضای کوچک از تصویر توجه کنید.
زمانی که تراشه CCD این اطلاعات را دریافت می‌کند، آن‌ها را به شکل سیگنال‌های دیجیتالی از طریق کابل‌هایی به سیستم دریافت‌کننده  می‌فرستد و بعد تصاویر در این سیستم به صورت مجموعه‌ای از اعداد ذخیره می‌شوند. همان‌طور که در شکل ۳ می‌بینید هر عدد نماینده یک پیکسل است. 
 درک تصویر
با هر تصویر، چه با دوربین گرفته شود و چه با چشم انسان، مقداری تحریف و تغییر شکل و 
به عبارتی “نویز (noise) ” وجود دارد. البته در مورد مثال ما در سیستم خط تولید این مسأله چندان اهمیت ندارد اما در موقعیت‌هایی که نیاز به دقت بالا وجود دارد باید از نورپردازی خاصی برای تصویربرداری استفاده شود. 
شکل ۴- ترسیم لبه. شکل اول تصویر اصلی می‌باشد. در شکل وسط نویزها  با فیلترنمودن ا‌ز بین رفته است. در نهایت شکل ۳، تصویر حاصل از به‌کار بردن الگوریتم ترسیم لبه می‌باشد.
انسان‌ برای درک تصاویری که می‌بیند نیازی ندارد هیچ کاری در مورد فیلتر کردن و از بین بردن نویزهای  یک تصویر انجام دهد. مثلاً در یک روز ابری که مه همه جا را فرا گرفته، دید ما به شدت ضعیف و دچار مشکل می‌شود. اما هر آنچه را که قادر به دیدنش باشیم  درک می‌کنیم. یعنی برای درک اشیاء نیازی به حذف نویزهای تصویر نیست. مثلاً اگر در این روز در حال رانندگی در یک جاده باشید و تصویر مبهمی از یک ماشین را مقابل خود ببینید، بالطبع عکس‌العمل نشان می‌دهید و به عبارتی سرعت خود را کم می‌کنید. 
و این یعنی ما هنوز تصویر ماشین را علیرغم وجود مه می‌توانیم تشخیص دهیم و در مقابل آن عکس‌العمل نشان‌دهیم. و یا مثلاً زمانی که دچار سرگیجه می‌شوید، علیرغم این‌که تصاویر اطراف خود را تار و مبهم می‌بینید اما قادر به درک و تشخیص وسایل و تصاویر اطراف خود هستید. یعنی ابتدا صبر نمی‌کنید تا سرگیجه‌تان به پایان برسد و بعد تصاویر را تشخیص دهید و این یعنی با قدرت بینایی انسان، علیرغم خراب شدن تصاویر اطراف، می‌توانیم متوجه فضای اطراف خود بشویم. اما برای بینایی ماشین ابتدا باید این  نویزها طی فرآیندی که تصفیه کردن یا فیلترینگ نامیده می‌شود، از بین برود و بعد هر آنچه برای پردازش عکس لازم است انجام شود. 
خوشبختانه در حال حاضر تکنیک‌هایی برای انجام این کار وجود دارد. از بین بردن نویزها به‌صورت نرمال توسط تعدادی از توابع ریاضی یا الگوریتم‌هایی که تحت عنوان ‘treshholding’ یا ‘quantizing’ نامیده می‌شود انجام می‌گردد. این فرآیند بسیار حرفه‌ای و پیچیده‌ای است و نیاز به دانش و پشتوانه بالای ریاضی دارد. زمانی که خرابی‌ها از بین رفت، می‌توانیم پردازش عکس‌ها را ادامه دهیم  که این کار با استخراج صورت‌ها و حالت‌ها از یک تصویر انجام می‌شود. یک شیوه معمول که غالباً مورد استفاده قرار می‌گیرد استخراج لبه‌ها که در شکل ۴ دیده می‌شود، می‌باشد. 
در مورد مثال ما در سیستم خط تولید، وظیفه اصلی یک اپراتور کنترل کیفیت این است که به سرتاسر محصول تولید شده نگاه کرده و با مقایسه آن با استانداردهای مورد قبول، برای محصول تولید‌شده جواز عبور یا عدم عبور صادر کنند. 
اگر این کار با استفاده از بینایی ماشین صورت گیرد باید عکس گرفته شده از محصول تولید شده با عکسی که از یک محصول استاندارد وجود دارد مقایسه ‌شود. یکی از روش‌های انجام این کار به این صورت است:
برای انجام این‌کار، یک تصویر از محصول استاندارد در کامپیوتر ذخیره می‌شود و سپس از محصولا‌تی که از  خط تولید عبور می‌کنند. تصویر گرفته می‌شود و به عنوان نقشه لبه ذخیره می‌شود. و بعد سیستم، تصویر گرفته شده را از چپ به راست و از بالا به پایین به‌گونه‌ای که در هر زمان فقط یک رقم عبور کند، می‌لغزاند و عدد ظاهر شده در هر موقعیت را با عدد همان موقعیت در تصویر اصلی مقایسه می‌کند و در صورت تفاوت آن را اعلا‌م می‌نماید. 
لذا عملیات بینایی کامپیوتر در حقیقت مقایسه دو مجموعه عدد است که اگر تفاوت این دو مجموعه از یک محدوده خاص فرارتر برود، از پذیرفتن محصول امتناع شده و در غیر این‌صورت محصول‌ پذیرفته می‌شود. 
  یک مثال پیچیده‌تر 
در مثال قبل سیستم مورد مطالعه بسیار محدود بود و فقط یک تصویر دو بعدی از یک محصول را با تصویر اصلی و ایده‌آل مقایسه می‌کرد و احتیاجی به بررسی مقادیر اندازه و زاویه نبود. 
در این مثال می‌خواهیم به سیستم بینایی که برای یک ربات خانگی که قادر به تمیز کردن خانه، پختن غذا و … طراحی شده نگاهی بیاندازیم. این مثال بسیار پیچیده‌تر از مثال قبلی است و نیاز به آگاهی از تغییرات محیط دارد. به عبارت بهتر نیاز به یک سیستم هوشمندتر داریم. قبلاً دیدیم که تصاویر چگونه ذخیره و تفسیر می‌شوند. غالب تکنیک‌های گذشته دوباره در این مثال به‌کار گرفته می‌شوند. تفاوت اصلی در تفسیر تصاویر گرفته شده است. در مثال قبلی فضای سیستم بینایی فقط متشکل از یک سری محصول بود، اما در این مثال ربات باید از همه آنچه در اطرافش می‌گذرد باخبر بوده و این یعنی با دنیای وسیع‌تر و بزرگ‌تری روبروست. بدین‌منظور نیاز به تکنیک‌های تشخیص پیچیده‌تری وجود دارد. 
یعنی در این مثال، یک صحنه فرضی شامل ده‌ها یا حتی صدها شی مختلف در معرض دید است. این اشیاء در اندازه‌ها و تحت زوایای مختلف که متأثر از نوع نورپردازی هم هستند به نمایش درمی‌آیند و به همین دلیل برای تشخیص این اشیاء نیاز به تکنیک‌های هوش‌مصنوعی (Ai) می‌باشد. 
  • بازدید : 58 views
  • بدون نظر
این فایل در ۳۱صفحه ابل ویرایش تهیه شده وشمل موارد زیست:

هوش مصنوعي بطور خلاصه تركيبي است از علوم كامپيوتر ، فيزيولوژي و فلسفه ، اين شاخه از علوم بسيار گسترده و متنوع است و از موضوعات و رشته هاي مختلف علوم و فن آوري ، مانند مكانيزم هاي ساده در ماشين ها شروع شده ، و به سيستم هاي خبره ختم مي شود ، هدف هوش مصنوعي بطور كلي ساخت ماشيني است كه بتواند « فكر » كند . اما براي دسته بندي و تعريف ماشينهاي متفكر ، مي بايست به تعريف « هوش » پرداخت . همچنين به تعاريفي براي « آگاهي » و « درك » نيز نيازمنديم و درنهايت به معياري براي سنجش هوش يك ماشين نيازمنديم 
به مدد تحقيقات وسيع دانشمندان علوم مرتبط ، هوش مصنوعي از بدو پيدايش تاكنون راه بسياري پيموده است . در اين راستا ، تحقيقاتي كه بر روي توانايي آموختن زبان ها انجام گرفت و همچنين درك عميق از احساسات ، دانشمندان را در پيشبرد اين علم ، ياري كرده است . يكي از اهداف متخصين ، توليد ماشينهايي است كه داراي احساسات بوده و حداقل نسبت به وجود خود و احساسات خود واقف باشند. اين ماشين بايد توانايي تعميم تجربيات قديمي خود در شرايط مشابه جديد را داشته و به اين ترتيب اقدام به گسترش دامنه دانش و تجربياتش كند. 
براي مثال به رباتي هوشمند بيانديشيد كه بتواند اعضاي بدن خود را به حركت درآورد ، او نسبت به اين حركت خود آگاه بوده و با سعي و خطا ، دامنه حركت خود را گسترش مي دهد ، و با هر حركت موفقيت آميز يا اشتباه ، دامنه تجربيات خود را وسعت بخشيده و سرانجام راه رفته و يا حتي مي دود و يا به روشي براي جابجا شدن ، دست مي يابد ، كه سازندگانش ، براي او ، متصور نبوده اند. 
آنها بدنبال ساخت ماشيني مقلد هستند ، كه بتواند با شبيه سازي رفتارهاي ميليونها سلول مغز انسان ، همچون يك موجود متفكر به انديشيدن بپردازد.
مباحث هوش مصنوعي قبل از بوجود آمدن علوم الكترونيك ، توسط فلاسفه و رياضي داناني نظير بول (Boole) كه اقدام به ارائه قوانين و تئوري هايي در باب منطق نمودند، مطرح شده بود . در سال ۱۹۴۲ ، با اختراع كامپيوترهاي الكترونيكي ، هوش مصنوعي ، دانشمندان را به چالشي بزرگ فراخواند، بنظر مي رسيد ، تكنولوژي در نهايت قادر به شبيه سازي رفتارهاي هوشمندانه خواهد بود. 
با وجود مخالفت گروهي از متفكرين با هوش مصنوعي كه با ديده ترديد به كارآمدي آن مي نگريستند تنها پس از چهار دهه شاهد تولد ماشينهاي شطرنج باز و ديگر سيستمهاي هوشمند در صنايع گوناگون هستيم . 
هوش مصنوعي كه همواره هدف نهايي علوم كامپيوتر بوده است ، اكنون در خدمت توسعه علوم كامپيوتر نيز مي باشد، زبانهاي برنامه نويسي پيشرفته ، كه توسعه ابزارهاي هوشمند را ممكن مسازند ، پايگاههاي داده اي پيشرفته ، موتورهاي جستجو ، و بسياري نرم افزارها و ماشينها از نتايج تحقيقات هوش مصنوعي بهره مي برند. 
در سال ۱۹۵۰ آلن تورينگ (Alain Turing) ، رياضي دان انگليسي ، معيار سنجش رفتار يك ماشين هوشمند را چنين بيان داشت :
« سزاوارترين معيار براي هوشمند شمردن يك ماشين ، اين است كه آن ماشين بتواند انساني را توسط يك پايانه ( تله تايپ ) به گونه اي بفريبد كه آن فرد متقاعد گردد با يك انسان روبه رو است ».
در اين آزمايش شخصي از طريق ۲ عدد پايانه ( كامپيوتر يا تله تايپ ) كه امكان برقراري ارتباط (Chat) را براي وي فراهم مي كنند با يك انسان و يك ماشين هوشمند ، بطور همزمان به پرسش و پاسخ مي پردازد ، در صورتي كه وي نتواند ماشين را از انسان تشخيص دهد ، آن ماشين ، هوشمند است . 
آزمايش تورينگ :
آزمايش تورينگ از قرار دادن انسان و ماشين بطور مستقيم در برابر يكديگر اجتناب مي كند و بدين ترتيب ، چهره و فيزيك انساني مد نظ آزمايش كنندگان نمي باشد . ماشيني كه بتواند از پس آزمون تورينگ برآيد ، از تفكري انساني برخوردار است . 
مدل سازي نحوه تفكر انسان ، تنها راه توليد ماشينهاي هوشمند نيست . هم اكنون دو هدف براي توليد ماشينهاي هوشمند ، مدنظر است ، كه تنها يكي از آن دو از الگوي انساني جهت فكر كردن بهره مي برد :
سيستمي كه مانند انسان فكر كند . اين سيستم با مدل كردن مغز انسان و نحوه انديشيدن انسان توليد خواهد شد و لذا از آزمون تورينگ سربلند بيرون مي آيد ، از اين سيستم ممكن است اعمال انساني سربزند. 
سيستمي كه عاقلانه فكر كند ، سيستمي عاقل است كه بتواند كارها را درست انجام دهد ، در توليد اين سيستم ها نحوه انديشيدن انسان مد نظر نيست ، اين سيستم ها متكي به قوانين و منظقي هستند كه پايه تفكر آن ها را تشكيل داده و آن ها را قادر به استنتاج و تصميم گيري مي نمايد. آنها با وجود كه مانند انسان نمي انديشند ، تصميماتي عاقلانه گرفته و اشتباه نمي كنند. اين ماشينها لزوما دركي از احساسات ندارند. هم اكنون از اين سيستم ها در توليد Agent
 ها در نرم افزارهاي كامپيوتري ، بهره گيري مي شود ، Agent ، تنها مشاهده كرده و سپس عمل مي كند. 
Agent  قادر به شناسايي الگوها و تصميم گيري براساس قوانين فكر كردن خود است . قوانين و چگونگي فكر كردن هر Agent در راستاي دستياي به هدفش ، تعريف مي شود . اين سيستم ها براساس قوانين خاص خود فكر كرده و كار خود را به درستي انجام مي دهند. پس عاقلانه رفتار مي كنند ، هر چند الزاماٌ مانند انسان فكر نمي كنند. 
با وجودي كه برآورده سازي نيازهاي صنايع نظامي ، مهمترين عامل توسعه و رشد هوش مصنوعي بوده است ، هم اكنون از محصولات اين شاخه از علوم در صنايع پزشكي ، رباتيك ، پيش بيني وضع هوا ، نقشه برداري و شناسايي عوارض ، تشخيص صدا و دست خط و بازي ها و نرم افزارهاي كامپيوتري استفاده ميشود. 
ربات تعقيب خط ، نوعي از ربات است كه وظيفه اصلي آن تعقيب كردن مسيري به رنگ مثلاٌ سياه در زمينه اي به رنگ متفاوت مشخصي مثلاٌ سفيد است . 
يكي از كاربردهاي عمده اين ربات ، حمل و نقل وسايل و كالاهاي مختلف در كارخانجات ، بيمارستان ها ، فروشگاه ها ، كتابخانه ها و … مي باشد. 
ربات تعقيب خط تا حدي قادر به انجام وظيفه كتاب داري كتابخانه ها 
مي باشد. به اين صورت كه بعد از دادن كد كتاب ، ربات با دنبال كردن مسيري كه كد آن را تعيين مي كند ، به محلي كه كتاب در آن قرار گرفته 
مي رود و كتاب را برداشته و به نزد ما مي آورد. 
مثال ديگر كاربرد اين نوع ربات در بيمارستان هاي پيشرفته است ، كه بيمارستان هاي پيشرفته خط كشي هايي به رنگ هاي مختلف به منظور هدايت ربات هاي پس فايندر به محل هاي مختلف – مثلا رنگ قرمز به اتاق جراحي يا آبي به اتاق زايمان وجود دارد. بيماراني كه توانايي حركت كردن و جابجا شدن را ندارند و بايد از ويلچر ( ويلچير = wheelchair ) استفاده كنند ، اين ويلچير نقش ربات تعقيب خط را دارد ، و بيمار را از روي مسير مشخص به محل مطلوب مي برد . و خلاصه كاربردهاي فراواني دارد و اگر روزي بشود در زندگي مان بكار بريم ، خيلي كيف دارد. 
الگوريتم مسير يابي : 
الگوريتم مسيريابي بايد طوري نوشته شود تا ربات بتواند هرگونه مسيري 
را ، با هر اندازه پيچ و خم دنبال كند ، به طوري كه خطاي آن مينيمم باشد. تجربه نشان مي دهد كه بهترين روش براي يافتن و دنبال كردن مسير ، استفاده از ۴ سنسور است . البته با استفاده از حداقل ۲ سنسور نيز مي توان ربات مسيرياب ساخت ، ولي قضيه دو دوتا ۴ تاست ! يعني با كم كردن سنسور ضريب اطمينان ربات نيز كاهش مي يابد. ( اتفاقا اصلا اين قضيه صادق نبود ، احتمالاٌ تغيير هر چقدر پول بدي ، متراژ بيشتري پيترا متري 
مي خوري مناسب تر باشد !)
وظيفه سنسورهاي ۱ و ۲ تشخيص پيچ هاي مسير و سنسور ۳ مقدار چرخش ربات به جهات مختلف را تعيين مي كند. 
يعني زماني كه سنسور ۳ در زمينه سفيد قرار گرفت ، چرخ هاي ربات آن قدر به سمت چپ يا راست مي چرخند تا سسنسور شماره ۳ روي خط سياه قرار گيرد. يكي از دلايل سنسور سوم موجود انتهاي مسير و چرخش ۱۸۰ درجه ربات و برگشتن است . در ضمن اين سنسور باعث مي شود كه ربات 
سريع تر پيچ ها را ببيند و خطاي منحرف شدن از خط در سر پيچ ها به حداقل مي رسد. همچنين اگر خطوطي عمود بر خط مستقيم و شمارش اين خطوط به نوعي مفيد باشد ، توسط سنسورهاي ۱ و ۲ به همراه ۳ انجام مي شود ، به اين صورت كه اگر سنسورهاي ۱ و ۲ و ۳ هر سه سياه بود ، يعني ربات از يك خط عمود بر خط مستقيم عبور كرده است . 
براي درك بهتر نحوه عملكرد سنسورها و ارتباط آن با وضعيت چرخ هاي ربات به جدول زير نگاه كنيد :

 
بايد توجه داشت كه اگر از سنسورهاي LDR در ربات استفاده شد. نور محيط ثابت باشد ، طوريكه نور تابيده شده به سنسورها در ابتداي و انتهاي مسير تفاوت چنداني نداشته باشد. زيرا در غير اينصورت در عملكرد ربات اختلال ايجاد مي شود. 
براي رفع اين مشكل اصول لامپ هاي LDR با لامپ هاي حبابي استفاده 
مي شود كه منجر به يكنواخت شدن نور محيط مي گردد. 
انواع مقاومت هاي نوري :
انواع مقاومت هاي متغيري كه در طراحي مدارهاي ربات با آن سرو كار 
داريم ، عبارتند از : 
۱) ترميستور (Termistor) : كه مقاومت آن با تغييرات دما تغيير مي كند و يكي از كاربردهاي آن در ترموستات الكترونيكي مي باشد. 
۲) Strain gauge : كه مقاومت آن با تغييرات نيرو و فشاري كه به آن وارد مي شود ، تغيير مي كند. 
۳) (Light Depondent Resistor) LDR : يك نوع سيستم نوري است كه بر اثر تغييرات انعكاس نور بر سطح آن ، مقاومتش تغيير مي كند. 
اين مقاومت داراي سطحي صاف مي باشد كه به عنوان گيرنده عمل مي كند. ماده اي كه در آن استفاده مي شود ، سولفيد كادميم (cds) كه يك نيمه هادي است ، مي باشد و عموما PhotoCell ناميده مي شود كه در سلول هاي نوري به كار مي روند. البته كه اين فتوسل ها مانند سلول هاي خورشيدي ، الكتريسيته توليد نمي كنند. 
از نمودار پيداست كه تغييرات مقاومت در مقابل روشنايي ، خطي نمي باشد. 
اين سنسورها معمولا در مقابل طيف نوري كه نزديك به نور مريي است ، پاسخ مي دهند و عكس العمل دارند . هرگاه شدت نوري كه به LDR 
مي رسد ، بيشتر شود ، سرعت پالس خروجي افزايش مي يابد. در واقع Light Neuron مي تواند به عنوان Clock Pulse در چيپ هاي كنترل كننده ، Stepper Motor مثل UCN5804 به كار رود، يعني هنگامي كه شدت نور تابيده شده به LDR افزايش يابد ، سرعت Stepper Motor   نيز افزايش مي يابد. 
LED :
يكي ديگر از المان هايي كه در مدار تعقيب خط از آن استفاده مي شود ، LED يا Light Emitting Diode است . LED همان طور كه از اسمش پيداست ، براي ساطع كردن نور به كار مي رود . هرگاته با اعمال ولتاژ ۲ ولت از كاتد به آند جريان برقرار شود ، LED روشن مي شود و اگر ولتاژي بيش از اين مقدار اعمال شود ، LED مي سوزد . بهتر است يك مقاومت مناسب با آن سري كنيم تا جريان ورودي ، بين ۲۵-۵ ميلي آمپر كنترل شود. (اين محدوده بهترين نرخ تغييرات جريان براي روشن شدن است ).
  • بازدید : 53 views
  • بدون نظر
ین فایل در قالب pdfتهیه شده وشامل موارد زیر است:

هدف‌ از این‌ پروژه‌ آشنائی‌ با هوش‌ مصنوعی‌ به‌ عنوان‌ سمبل‌ ونماد دوران‌ فراصنعتی‌ و نقش‌ و کاربرد آن‌ در صنایع‌ و مؤسسات‌تولیدی‌ می‌باشد. بدین‌ منظور، این‌ موضوع‌ در قالب‌ ۳ فصل ارائه‌ می‌شود. در (فصل‌ اول‌) کلیات هوش‌ مصنوعی‌ موردمطالعه‌ قرار می‌گیرد و سئوالاتی‌ نظیر این‌ که‌ هوش‌ مصنوعی‌چیست‌؟ تفاوت‌ هوش‌مصنوعی‌ و هوش‌ طبیعی‌ (انسانی‌) درچیست‌؟ شاخه‌های‌ عمده‌ هوش‌ مصنوعی‌ کدامند؟ و نهایتأ، اجزای‌هوش‌ مصنوعی‌ نیز تشریح‌ می‌شود ،کاربردهای‌ هوش‌ مصنوعی‌در صنایع‌ و مؤسسات‌تولیدی‌، بخصوص‌ در زمینه‌سیستم‌های‌ خبره‌ وآدمواره‌ها مورد مطالعه‌ وتجزیه‌ و تحلیل‌ قرارمی‌گیرد. ودر فصل دوم به بررسی هوش مصنوعی در بازی های کامپیوتری و در فصل سوم به بررسی تکنیک برنامه نویسی در هوش مصنوعی مورد مطالعه قرار می گیرد  .
هوش مصنوعی به هوشی که یک ماشین از خود نشان میدهد و یا به دانشی در کامپیوتر که سعی در ایجاد آن دارد گفته میشود. بیشتر نوشته ها و مقاله های مربوط به هوش مصنوعی آن را “دانش شناخت و طراحی مامورهای هوشمند تعریف کرده اند. یک مامور هوشمند سیستمی است که با شناخت محیط اطراف خود, شانس موفقیت خود را بالا میبرد جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود, آن را دانش و مهندسی ساخت ماشین های هوشمند” تعریف کرده است. تحقیقات و جستجوهایی انجام شده برای رسیدن به ساخت چنین ماشین هایی مرتبط با بسیاری از رشته های دانشیک دیگر میباشد, مانند دانش کامپیوتر, روانشناسی, فلسفه, عصب شناسی, دانش ادراک, تئوری کنترل, احتمالات, بهینه سازی و منطق.

« هوش مصنوعی، دانش ساختن ماشین‌‌ ها یا برنامه‌های هوشمند است. »   همانگونه که از تعریف فوق-که توسط یکی از بنیانگذاران هوش مصنوعی ارائه شده است- برمی‌آید،حداقل به دو سؤال باید پاسخ داد:

۱ـ هوشمندی چیست؟

۲ـ برنامه‌های هوشمند، چه نوعی از برنامه‌ها هستند؟تعریف دیگری که از هوش مصنوعی می‌توان ارائه داد به قرار زیر است:

   « هوش مصنوعی، شاخه‌ایست از علم کامپیوتر که ملزومات محاسباتی اعمالی همچون ادراک (Perception)، ستدلال(reasoning) و یادگیری(learning) را بررسی کرده و سیستمی جهت انجام چنین اعمالی ارائه می‌دهد.»و در نهایت تعریف سوم هوش مصنوعی از قرار زیر است:

   «هوش مصنوعی، مطالعه روش‌هایی است برای تبدیل کامپیوتر به ماشینی که بتواند اعمال انجام شده توسط انسان را انجام دهد.»   به این ترتیب می‌توان دید که دو تعریف آخر کاملاً دو چیز را در تعریف نخست واضح کرده‌اند.

۱ـ منظور از موجود یا ماشین هوشمند چیزی است شبیه انسان.

۲ـ ابزار یا ماشینی که قرار است محمل هوشمندی باشد یا به انسان شبیه شود، کامپیوتر است.  هر دوی این نکات کماکان مبهم و قابل پرسشند. آیا تنها این نکته که هوشمندترین موجودی که می‌شناسیم، انسان است کافی است تا هوشمندی را به تمامی اعمال انسان نسبت دهیم؟ حداقل این نکته کاملاً واضح است که بعضی جنبه‌های ادراک انسان همچون دیدن و شنیدن کاملاً ضعیف‌تر از موجودات دیگر است.   علاوه بر این، کامپیوترهای امروزی با روش‌هایی کاملاً مکانیکی(منطقی) توانسته‌اند در برخی جنبه‌های استدلال، فراتر از توانایی‌های انسان عمل کنند. بدین ترتیب، آیا می‌توان در همین نقطه ادعا کرد که هوش مصنوعی تنها نوعی دغدغه علمی یا کنجکاوی دانشمندانه است و قابلیت تعمق مهندسی ندارد؟(زیرا اگر مهندسی، یافتن روش‌های بهینه انجام امور باشد، به هیچ رو مشخص نیست که انسان اعمال خویش را به گونه‌ای بهینه انجام می‌دهد). به این نکته نیز باز خواهیم گشت.   اما همین سؤال را می‌توان از سویی دیگر نیز مطرح ساخت، چگونه می‌توان یقین حاصل کرد که کامپیوترهای امروزین، بهترین ابزارهای پیاده‌سازی هوشمندی هستند؟

 رؤیای طراحان اولیه کامپیوتر از بابیج تا تورینگ، ساختن ماشینی بود که قادر به حل تمامی  مسائل باشد، البته ماشینی که در نهایت ساخته شد(کامپیوتر) به جز دسته ای خاص از مسائلقادر به حل تمامی مسائل بود. اما نکته در اینجاست که این «تمامی مسائل» چیست؟ طبیعتاً چون طراحان اولیه کامپیوتر، منطق‌دانان و ریاضیدانان بودند، منظورشان تمامی مسائل منطقی یا محاسباتی بود. بدین ترتیب عجیب نیست، هنگامی که فون‌نیومان سازنده اولین کامپیوتر، در حال طراحی این ماشین بود، کماکان اعتقاد داشت برای داشتن هوشمندی شبیه به انسان، کلید اصلی، منطق(از نوع به کار رفته در کامپیوتر) نیست، بلکه احتمالاً چیزی خواهد بود شبیه ترمودینامیک!

  به هرحال، کامپیوتر تا به حال به چنان درجه‌ای از پیشرفت رسیده و چنان سرمایه‌گذاری عظیمی برروی این ماشین انجام شده است که به فرض این که بهترین انتخاب نباشد هم، حداقل سهل‌الوصول‌ترین و ارزان‌ترین و عمومی‌ترین انتخاب برای پیاده‌سازی هوشمندیست. بنابراین ظاهراً به نظر می‌رسد به جای سرمایه‌گذاری برای ساخت ماشین‌های دیگر هوشمند، می‌توان از کامپیوترهای موجود برای پیاده‌سازی برنامه‌های هوشمند استفاده کرد و اگر چنین شود، باید گفت که طبیعت هوشمندی ایجاد شده حداقل از لحاظ پیاده‌سازی، کاملاً با طبیعت هوشمندی انسانی متناسب خواهد بود، زیرا هوشمندی انسانی، نوعی هوشمندی بیولوژیک است که با استفاده از مکانیسم‌های طبیعی ایجاد شده، و نه استفاده از عناصر و مدارهای منطقی.   در برابر تمامی استدلالات فوق می توان این نکته را مورد تاُمل و پرسش قرار داد که هوشمندی طبیعی تا بدان جایی که ما سراغ داریم، تنها برمحمل طبیعی و با استفاده از روش های طبیعت ایجاد شده است. طرفداران این دیدگاه تا بدانجا پیش رفته‌اند که حتی ماده ایجاد کننده هوشمندی را مورد پرسش قرار داده اند، کامپیوتر از سیلیکون استفاده می کند، در حالی که طبیعت همه جا از کربن سود برده است. مهم تر از همه، این نکته است که در کامپیوتر، یک واحد کاملاً پیچیده مسئولیت انجام کلیه اعمال هوشمندانه را بعهده دارد، در حالی که طبیعت در سمت و سویی کاملاً مخالف حرکت کرده است. تعداد بسیار زیادی از واحدهای کاملاً ساده (بعنوان مثال از نورون‌های شبکه عصبی) با عملکرد همزمان خود (موازی) رفتار هوشمند را سبب می شوند. بنابراین تقابل هوشمندی مصنوعی و هوشمندی طبیعی حداقل در حال حاضر تقابل پیچیدگی فوق العاده و سادگی فوق العاده است. این مساُله هم اکنون کاملاً به صورت یک جنجال(debate) علمی در جریان است.    در هر حال حتی اگر بپذیریم که کامپیوتر در نهایت ماشین هوشمند مورد نظر ما نیست، مجبوریم برای شبیه‌سازی هر روش یا ماشین دیگری از آن سود بجوییم.

 تعریف و طبیعت هوش مصنوعی

هنوز تعریف دقیقی که مورد قبول همهٔ دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده‌است، و این امر، به هیچ وجه مایهٔ تعجّب نیست. چرا که مقولهٔ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌است. در واقع، می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟

اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:

سیستم‌هایی که به طور منطقی فکر می‌کنند
سیستم‌هایی که به طور منطقی عمل می‌کنند
سیستم‌هایی که مانند انسان فکر می‌کنند
سیستم‌هایی که مانند انسان عمل می‌کنند.

شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها رابهتر انجام می‌دهند».

پیدایش و پیشرفت هوش مصنوعی 

در اواسط دهه ۱۹۹۰، یک بازی تیراندازی اول شخص منتشر شد که به کاربر امکان می‌داد بازی را برای خود سفارشی (Customize)  کند. این بازی، Quake بود که در فناوری ساخت بازی‌های کامپیوتری یک نوآوری محسوب می‌شد. Quake اولین بازی سه‌بعدی واقعی است. به این معنی که به‌صورت بلا‌درنگ در سه بعد رندر می‌شود. (پیش از آن spiritها یا گرافیک‌های دوبعدی به صورت سه‌بعدی شبیه‌سازی می‌شدند). چیزهای دیگری نیز در این بازی وجود داشت که موردتوجه قرار گرفت؛ مانند نشانه گرفتن سلا‌ح به بالا یا پایین. زیرا حرکت‌دادن سلا‌ح به بالا‌ یا پایین نیازمند پردازش در بعد سوم، یعنی عمق یا ارتفاع در یک محیط سه‌بعدی است.

بازی Quake از موجودات مجازی هوشمند (bot) هر چند با هوش مصنوعی کم، بهره برده بود. هوش مصنوعی یکbot در بازی‌های تیراندازی اول شخص، می‌تواند در دو بخش بررسی شود: یکی ناوبری و حرکت، و دیگری مبارزه. اگر بخواهیم رفتار bot نزدیک به رفتار یک انسان باشد، پیاده‌سازی آن بسیار پیچیده‌تر از هوش‌مصنوعی در مبارزه است. هر چند پیاده‌سازی هوش مصنوعی در مبارزه نیز با هر استاندارد و روشی آسان نیست.

برای این‌که بات‌ها بتوانند حرکت کنند، باید بتوانند درباره اشیا و موجودات پیرامون خود یاد بگیرند. این ایده بسیار اساسی، می‌تواند به بخش‌های بیش‌تری مانند قابلیت آنالیز هنگام حرکت در یک جهت خاص و سپس قابلیت پیدا کردن اشیا و شخصیت‌های مجازیِ مقابل در یک مرحله بازی گسترش یابد. این ایده‌ها شاید ساده به نظر برسند، ولی واقعاً این‌گونه نیست؛ چرا که یک bot باید بتواند در برابر دو چیز واکنش درستی داشته باشد: دیوارها و فضاهای خالی. دیوارها شامل همه چیزهایی است  که نمی‌توان از آن عبور کرد؛ مانند خود یک دیوار، نرده، شخصیت‌های مجازی، جعبه‌ها، پله‌های رو به بالا‌ و … فضاهای خالی نیز هر جایی است که زمین همواره نیست یا دچار شکستگی است؛ مانند یک چاله، پله‌های رو به پایین و … . برای رویارویی با این دو مانع، یک روش خوب، افزایش کارایی تابع جستجو است. این تابع که در بازی Quake معرفی شد، به بات امکان می‌دهد یک خط را از یکی از بُعدهای X-Y-Z تا بُعد بعدی جستجو کند و اطلا‌عاتی مانند این‌که <این خط به کجا می‌رود، چه چیزی آن را قطع می‌کند و …> را دریافت کند.

دو روش برای گذشتن یکبات از یک مرحله، بیشتر مورد استفاده قرار می‌گیرد: روش نخست از گره‌های گراف وضعیت و روش دوم از مسیرهای (path) آن استفاده می‌کند. در یک محیط براساس روش گره، گره‌ها در قسمت قوانین بهینه‌سازی مرحله (level) که به وسیله سازنده یک bot تعریف شده است قرار دارند. هر گره می‌تواند اطلا‌عات بات درباره  قسمت خاصی از محیط را بدهد. وضعیت مبارزه، کاربردهای زیادی برای تعدادی از الگوریتم‌های جستجو یا پروسه تصمیم‌گیری دارد. در یک مبارزه، باید برای تشخیص این‌که کدام کار برای بات بهتر است حرکت‌های رقیب پیش‌بینی شود.

روش Minimax، در مواقعی که یک تابع هیورستیک خوب (یک هیورستیک برخلا‌ف الگوریتم، ممکن است به یک پاسخ قطعی نرسد) در دست باشد، می‌تواند یک حرکت خوب را انجام دهد. از آنجا که minimax روش کندی است، می‌توان از Partial Minimax استفاده کرد که در الگوریتم‌های تصمیم‌گیری به کار می‌رود؛ هر چند این روش هنوز چندان پذیرفته نشده است. پژوهشگران هوش مصنوعی پیشنهاد می‌کنند، تنها زمانی از Partial Minimax استفاده کنید که یک گزینه بدیهی در دست داشته باشید (زمانی که متغیر minimax با ارزش بیشتر کاملا‌ بهتر از متغیر دیگر باشد). در غیر این‌صورت اگر ارزش همه متغیرها نزدیک به هم است، از استراتژی دیگری استفاده کنید. حال آن‌که  در یک بازی بلا‌درنگ برای یکbot معمولا‌ً گزینه بدیهی وجود ندارد تا آن را برگزینید. هر گزینه به یک استراتژی متفاوت وابسته است که bot  می‌تواند آن را انتخاب کند.

شاید بسیاری از طرفداران روش minimax به ارزش سرعت، هنگام بررسی کارایی یک بات در بازی بلا‌درنگ واقف نیستند؛ مانند کمترین زمانی که یک بات نیاز دارد تا درباره یک تصمیم بیندیشد، گزینه‌های بیشتری که برای تصمیم‌گیری ایجاد می‌کند، کیفیت واکنش بهتر و سطح خبرگی. به یاد داشته باشید که یک بات در برابر مغز یک انسان که می‌تواند دنیای سه‌بعدی را با کمک حس و تخیل خود تفسیر کند، قرار می‌گیرد. برای نمونه در یک مبارزه، یک بات نیاز به نشانه‌گیری به سوی دشمن خود، پیش‌بینی حرکت آن‌ و… دارد که همه، بدون داشتن درک واقعی از محیطی که در آن قراردارد انجام می‌شود.
برای دستیابی به بیشترین سرعت، بیشتر از الگوریتم *A استفاده می‌شود. هر چند این الگوریتم پیشرفته نیست، ولی سرعت بالا‌یی دارد. پیچیدگی زمانی این الگوریتم ((O(log h(n است که (h(n پیچیدگی تابع هیورستیک است. *A یک الگوریتم جستجوی “اول عمق” است که هیورستیک آن را کنترل می‌کند و می‌تواند مناسب‌ترین شاخه بعدی گراف را حدس بزند و در هر عمق، تنها شاخه‌ای که ارزش هیورستیک بهتری دارد، گسترش می‌یابد.

 هوش‌ مصنوعی‌ و هوش‌ انسانی‌:

برای‌ شناخت‌ هوش‌ مصنوعی‌ شایسته‌ است‌ تا تفاوت‌ آن‌ را با هوش‌انسانی‌ به‌ خوبی‌ بدانیم‌. مغز انسان‌ از میلیاردها سلول‌ یا رشته‌ عصبی‌درست‌ شده‌ است‌ و این‌ سلول‌ها به‌ صورت‌ پیچیده‌ای‌ به‌ یکدیگرمتصل‌اند. شبیه‌سازی‌ مغز انسان‌ می‌تواند از طریق‌ سخت‌افزار یا نرم‌افزارانجام‌ گیرد. تحقیقات‌ اولیه‌ نشان‌ داده‌ است‌ شبیه‌سازی‌ مغز، کاری‌مکانیکی‌ و ساده‌ می‌باشد. برای‌ مثال‌، یک‌ کرم‌ دارای‌ چند شبکه‌ عصبی‌است‌. یک‌ حشره‌ حدود یک‌ میلیون‌ رشته‌ عصبی‌ دارد و مغز انسان‌ ازهزار میلیارد رشته‌ عصبی‌ درست‌ شده‌ است‌. با تمرکز و اتصال‌ رشته‌های‌عصبی‌ مصنوعی‌ می‌توان‌ واحد هوش‌ مصنوعی‌ را درست‌ کرد.

هوش‌ انسانی‌ بسیار پیچیده‌تر و گسترده‌تر از سیستم‌های‌ رایانه‌ای‌است‌ و توانمندیهای‌ برجسته‌ای‌ مانند: استدلال‌، رفتار، مقایسه‌، آفرینش‌و بکار بستن‌ مفهومها را دارد.

هوش‌ انسانی‌ توان‌ ایجاد ارتباط میان‌ موضوع‌ها و قیاس‌ ونمونه‌ سازیهای‌ تازه‌ را دارد. انسان‌ همواره‌ قانون‌های‌ تازه‌ای‌ می‌سازد و یاقانون‌ پیشین‌ را در موارد تازه‌ بکار می‌گیرد. توانایی‌ بشر در ایجادمفهوم‌های‌ گوناگون‌ در دنیای‌ پیرامون‌ خود، از ویژگی‌های‌ دیگر اوست‌.مفهوم‌های‌ گسترده‌ای‌ همچون‌ روابط علت‌ و معلولی‌، رمان‌ و یامفهوم‌های‌ ساده‌تری‌ مانند گزینش‌ وعده‌های‌ خوراک‌ (صبحانه‌، ناهار وشام) را انسان‌ ایجاد کرده‌ است‌. اندیشیدن‌ در این‌ مفهوم‌ها و بکاربستن‌آنها، ویژه‌ رفتار هوشمندانه‌ انسان‌ است‌.

هوش‌ مصنوعی‌ در پی‌ ساخت‌ دستگاههایی‌ است‌ که‌ بتوانندتوانمندهای‌ یاد شده‌ (استدلال‌، رفتار، مقایسه‌ و مفهوم‌ آفرینی‌) را از خودبروز دهند. آنچه‌ تاکنون‌ ساخته‌ شده‌ نتوانسته‌ است‌ خود را به‌ این‌ پایه‌برساند، هر چند سودمندی‌های‌ فراوانی‌ به‌ بار آورده‌ است‌.

نکته‌ آخر اینکه‌، یکی‌ از علل‌ رویارویی‌ با مقوله‌ هوش‌ مصنوعی‌،ناشی‌ از نام‌گذاری‌ نامناسب‌ آن‌ می‌باشد. چنانچه‌ جان‌ مک‌کارتی‌ در سال‌۱۹۵۶ میلادی‌ آن‌ را چیزی‌ مانند «برنامه‌ریزی‌ پیشرفته‌» نامیده‌ بود شاید جنگ‌ و جدلی‌ در پیرامون‌ آن‌ رخ‌ نمی‌داد.

شاخه‌های‌ هوش‌ مصنوعی‌:

امروزه دانش مدرن هوش مصنوعی به دو دسته اصلی تقسیم می‌شود: یکی <هوش مصنوعی سمبولیک یا نمادین> (Symbolic AI) و دیگری هوش غیرسمبولیک که پیوندگرا (Connection AI) نیز نامیده می‌شود.

هوش مصنوعی سمبولیک از رهیافتی مبتنی بر محاسبات آماری پیروی می‌کند و اغلب تحت عنوان <یادگیری ماشین> یا (Machine Learning) طبقه‌بندی می‌شود. هوش سمبولیک می‌کوشد سیستم و قواعد آن را در قالب سمبول‌ها بیان کند و با نگاشت اطلا‌عات به سمبول‌ها و قوانین به حل مسئله بپردازد. در میان معروف‌ترین شاخه‌های هوش مصنوعی سمبولیک می‌توان به سیستم‌های خبره (Expert Systems) و شبکه‌های Bayesian  اشاره کرد. یک سیستم خبره می‌تواند حجم عظیمی از داده‌ها را پردازش نماید و بر اساس تکنیک‌های آماری، نتایج دقیقی را تهیه کند. شبکه‌های Bayesian یک تکنیک محاسباتی برای ایجاد ساختارهای اطلاعاتی و تهیه استنتاج‌های منطقی از روی اطلاعاتی است که به کمک روش‌های آمار و احتمال به دست‌ آمده‌اند. بنابراین در هوش سمبولیک، منظور از <یادگیری ماشین> استفاده از الگوریتم‌های تشخیص الگوها، تحلیل و طبقه‌بندی اطلاعات است.

اما هوش پیوندگرا متکی بر یک منطق استقرایی است و از رهیافت <آموزش/ بهبود سیستم از طریق تکرار> بهره‌ می‌گیرد. این آموزش‌ها نه بر اساس نتایج و تحلیل‌های دقیق آماری، بلکه مبتنی بر شیوه آزمون و خطا و <یادگیری از راه تجربه> است. در هوش مصنوعی پیوندگرا، قواعد از ابتدا در اختیار سیستم قرار نمی‌گیرد، بلکه سیستم از طریق تجربه، خودش قوانین را استخراج می‌کند. متدهای ایجاد شبکه‌های عصبی (Neural Networks) و نیز به‌کارگیری منطق فازی (Fuzzy Logic) در این دسته قرار می‌گیرند.
برای درک بهتر تفاوت میان این دو شیوه به یک مثال توجه کنید. فرض کنید می‌خواهیم یک سیستم OCR بسازیم. سیستم OCR نرم‌افزاری است که پس از اسکن کردن یک تکه نوشته روی کاغذ می‌تواند متن روی آن را استخراج کند و به کاراکترهای متنی تبدیل نماید.
  • بازدید : 54 views
  • بدون نظر

تعداد صفحات :۴۸
فرمت فایل : ورد با قابلیت ویرایش متن
ما طبقه بندی خام ونا پروده ای از محیطها را ارائه نموده ومشخص كرده ایم كه چگونه ویژگی های یك محیط بر طراحی عوامل مناسب برای آن محیط، تاثیر می گذارند، همچنین برخی از طرحهای اصلی عامل (كالبدی) (ابتدایی) را كه در باقیمانده كتاب بدان تجسم می بخشیم، توضیح خواهیم داد.ما طبقه بندی خام ونا پروده ای از محیطها را ارائه نموده ومشخص كرده ایم كه چگونه ویژگی های یك محیط بر طراحی عوامل مناسب برای آن محیط، تاثیر می گذارند، همچنین برخی از طرحهای اصلی عامل (كالبدی) (ابتدایی) را كه در باقیمانده كتاب بدان تجسم می بخشیم، توضیح خواهیم داد.

ماهیت عوامل، كامل یا غیر از آن، تنوع محیطی و جانوران نمایشی حاصل از انواع عوامل مورد بحث و بررسی قرار می گیرند.

در فصل۱، مفهوم عوامل منطقی به عنوان اساس شیوه ها در هوش مصنوعی شناسایی گردید. در این فصل این مفهوم راملموس تر می سازیم. خواهیم دید كه مفهوم عقلانیت رامی توان در بسیاری از عوامل فعال در هر محیط قابل تصوی به كار گرفت. در این كتاب، هدف ما، بهره گیری از این مفهوم جهت توسعه مجموعه كوچكی از اصول طراحی برای ساختن عوامل موفق می باشد سیستمهایی كه می توان به طور معقول، هوش نامید.

مبحث خود را با بررسی عوامل، محیطها و جفت نمودن این دو آغاز خواهیم نمود. مشاهده این نكته كه برخی از عوامل بهتر از بقیه عمل می كنند، به طور طبیعی ما را به ا؟عامل منطقی رهنمون می كند عاملی كه تا حد امكان خیلی خوب رفتار می كند. اینك یك عامل تا چه حد به خوبی رفتار می كند به ماهیت محیط بستگی دارد. برخی از محیطهای دشوار تر از سایرین هستند.

ما طبقه بندی خام ونا پروده ای از محیطها را ارائه نموده ومشخص كرده ایم كه چگونه ویژگی های یك محیط بر طراحی عوامل مناسب برای آن محیط، تاثیر می گذارند، همچنین برخی از طرحهای اصلی عامل (كالبدی) (ابتدایی) را كه در باقیمانده كتاب بدان تجسم می بخشیم، توضیح خواهیم داد.

فهرست مطالب

عوامل هوشمند:

۱-۲ عوامل و محیطها

۲-۲ رفتار خوب: مفهوم عقلانیت

مقیاسهای عملكرد

عقلانیت

علم مطلق، یا یادگیری و خود مختاری

۳-۲ ماهیت محیطها

تعیین محیط كاری

نتیجه ساده واولیه واسطه

واکنش عوامل براساس مدل

درصد       – fivetwenty -five

 arad  به Bucharest

جستجوی عمق محدود

ارزش یكسان جستجو :

عمق و عرض اولین جستجو :

  • بازدید : 69 views
  • بدون نظر

دانلود کمک پایان نامه منطق فازی که در مجموع شامل ۸۹ صفحه و مشتمل بخش های زیر است :

فرمت فایل : Word

بخش اول :

مقدمه

منطق فازی

متغیر های زبان شناختی :

اجزای ابتدایی و اصول اولیه  تئوری مجموعه فازی :

کاربرد فازی در پزشکی

بخش دوم

سیستم های فازی چگونه سیستم هایی هستند؟

مشکلات عمده سیستم فازی TSK

سیستم های فازی کجا و چگونه استفاده می شوند؟

·         ماشین شستشوی فازی:

·         تثبیت کننده تصویر دیجیتال :

·         کنترل فازی کوره سیمان :

·         کنترل فازی قطار زیرزمینی :

بخش سوم

مقدمه

منطق هاي چند ارزشي ياmultivalued logics

منطق سه ارزشي

جدول(۱) نفي سه – ارزشي

جدول (۲) رفتارادات پنجگانه در منطق هاي سه – ارزشي گوناگون

از منطق هاي سه ارزشي روي تاتولوژي

منطقهاي n – ارزشي

قضاياي فازي

قضاياي فازي را مي توان به چهار دسته

سورهاي فازي

قيود زباني

بيان نقش سور كيفي درستي

استدلال تقريبي

بخش چهارم

تاریخچه منطق فازی

چرا سیستم‌های فازی:

تفکربازی تفکر رباتهای آینده

كاربرد منطق فازي در تحليل گزاره‌هاي ديني

منطق فازي در گزاره‌هاي دين

منطق فازي و دانشمندي بنام پرفسور لطفي زاده

تئوري منطق فازي در يك نگاه

انیشتین:

کاربرد ها

ماشين‌هاي لباسشويي و ظرفشویی

جاروبرقی

سیستم ترمز ABS

شبکه مونوریل (قطار تک ریل) توکیو

آسانسورها

سیستم های تهویه هوا

تشخیص الگوها (Pattern Recognition)

سیستم‌های تشخیص گفتار و پردازش تصویر

هوش مصنوعی

و…………….

  • بازدید : 53 views
  • بدون نظر
این فایل قابل ویرایش تهیه شده وشامل موارد زیر است:

هزاران سال است بشر تلاش مي كند بفهمدكه چگونه فكر مي¬كند، يعني چگونه يك موجود مي تواند حس كند،  بفهمد، پيش بيني كند و دنيايي بسيار بزرگتر و پيچيده تر از خود را كنترل كند. رشته هوش مصنوعي از اين حد هم جلوتر مي رود : نه تنها براي درك موجودات هوشمند تلاش مي كند، بلكه قصد دارد موجودات هوشمند نيز بسازد. هوش مصنوعي يكي از جديدترين علوم مي باشد. در حال حاضر هوش مصنوعي داراي شاخه¬هاي بسيار  
متنوعي است  مانند هوش جمعي كه هم در زمينه هاي همه منظوره مانند يادگيري و ادراك و هم در زمينه هاي بسيار خاص مانند بازي شطرنج، اثبات قضاياي رياضي و تشخيص بيماري مفيد است. مفهوم ايده آل هوش مصنوعي  عقلانيت ناميده مي شود در واقع يك سيستم را عقلاني مي ناميم اگر  براساس دانسته¬هايش، كار درست را انجام ده
تاريخچه هوش مصنوعي
      هوش مصنوعی را باید عرصهٔ پهناور تلاقی بسیاری از دانشها، علوم و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها، فروع، و کاربردهای گونه‌گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست‌شناسي و پزشکی، علوم ارتباطات و زمینه‌های بسیار دیگر.
هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می‌بایست به تعریف «هوش» پرداخت. 
همچنین به تعاریفی برای «آگاهی» و «درک » نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.
با وجودی که برآورده سازی نیازهای صنایع نظامی، مهم‌ترین عامل توسعه و رشد هوش مصنوعی بوده‌است، هم اکنون از فراورده‌های این شاخه از علوم در صنایع پزشکی، رباتیک، پیش بینی وضع هوا، نقشه‌برداری و شناسایی عوارض، تشخیص صدا، تشخیص گفتار و دست خط و بازی‌ها و نرم افزارهای رایانه‌ای استفاده می‌شود . مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول که اقدام به ارائه قوانین و نظریه‌هایی در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳، با اختراع رایانه‌های الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند. بنظر می‌رسید، فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن می‌نگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانه‌های هوشمند در صنایع گوناگون هستیم.
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت درزمینه این علم از سال ۱۹۶۰ میلادی شروع شده بود.
بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی‌ها و نیز اثبات قضیه‌های ریاضی با کمک رایانه‌ها بود. در آغاز چنین به نظر می‌آمد که رایانه‌ها قادر خواهند بود چنین اموری را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین آن‌ها به انجام رسانند.

 1- 3 هوش چیست؟

    اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از باورهاي زیر قرار می‌گیرند:
– سیستم‌هایی که به طور منطقی فکر می‌کنند.
– سیستم‌هایی که به طور منطقی عمل می‌کنند.
– سیستم‌هایی که مانند انسان فکر می‌کنند.
– سیستم‌هایی که مانند انسان عمل می‌کنند.
– ظرفيت كسب و به كار گيري دانش و مهارت فكر كردن و استنتاج ؛
– توانايي رفتار مناسب در شرايط غير قابل پيش بيني ؛
– توانايي بدست آوردن اهداف پيچيده در محيط پيچيده
– توانايي كار و تطبيق با محيط همراه با منابع و دانش ناكافي
شاید بتوان هوش مصنوعی را این گونه توصیف کرد : هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها رابهتر انجام می‌دهند.


۱-۴ فلسفۀ هوش مصنوعی

   بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات، استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارائه تصمیم میباشد . در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسایل دریافت شده تلقي ميشود. هوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از كامپیوتر و الگوگيری از درک هوش انسانی و نهايتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی ميباشد.
در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسايل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هايی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتيجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر هنوزكسي  قادر به پیاده کردن هوشي نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده است.
۱-۵ مدیریت پیچیدگی

    ایجاد و ابداع فنون و تکنیک‌های لازم برای مدیریّت پیچیدگی را باید به عنوان هستۀ بنیادین تلاش‌های علمی و پژوهشی گذشته، حال، و آینده، در تمامی زمینه‌های علوم رایانه، و به ویژه، در هوش مصنوعی معرّفی کرد. شیوه‌ها و تکنیک‌های هوش مصنوعی، در واقع، برای حلّ آن دسته از مسائل به وجود آمده است که به طور سهل و آسان توسط برنامه‌نویسی تابعی، یا شیوه‌های ریاضی قابل حلّ نبوده‌اند.
در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیّات فاقد اهمّیّت است که بر پیچیدگی فائق می‌آییم، و می‌توانیم بر روی بخش‌هایی از مسئله متمرکز شویم که مهم‌تر است. تلاش اصلی، در واقع، ایجاد و دستیابی به لایه‌ها و ترازهای بالاتر و بالاتر تجرید را نشانه می‌رود، تا آنجا که، سر‌انجام برنامه‌های کامپوتری درست در همان سطحی کار خواهند کرد که خود انسان‌ها به کار مشغولند.
به یاری پژوهش‌های گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیموده‌ است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این علم، یاری کرده‌است. یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.
برای نمونه به رباتی هوشمند بیاندیشید که بتواند اعضای بدن خود را به حرکت درآورد، او نسبت به این حرکت خود آگاه بوده و با سعی و خطا، دامنه حرکت خود را گسترش می‌دهد، و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می‌دود و یا به روشی برای جابجا شدن، دست می‌یابد، که سازندگانش، برای او، متصور نبوده‌اند.
هر چند اين مثال  در تولید ماشینهای هوشمند، کمی آرمانی است، ولی به هیچ عنوان دور از دسترس نیست. دانشمندان، عموماً برای تولید چنین ماشینهایی، از تنها مدلی که در طبیعت وجود دارد، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان، بهره می‌برند.
آنها بدنبال ساخت ماشینی مقلد هستند، که بتواند با شبیه‌سازی رفتارهای میلیونها یاخته مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد.هوش مصنوعی که همواره هدف نهایی دانش رایانه بوده‌است، اکنون در خدمت توسعه علوم رایانه نیز است. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن می‌سازند، پایگاههای داده‌ای پیشرفته، موتورهای جستجو، و بسیاری نرم‌افزارها و ماشینها از نتایج پژوهش‌های هوش مصنوعی بهره می‌برند.
سیستمی که عاقلانه فکر کند. سامانه‌ای عاقل است که بتواند کارها را درست انجام دهد. در تولید این سیستم‌ها نحوه اندیشیدن انسان مد نظر نیست. این سیستم‌ها متکی به قوانین و منطقی هستند که پایه تفکر آنها را تشکیل داده و آنها را قادر به استنتاج و تصمیم گیری می‌نماید. آنها با وجودی که مانند انسان نمی‌اندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمی‌کنند. این ماشینها لزوما درکی از احساسات ندارند. هم اکنون از این سیستم‌ها در تولید عامل‌ها در نرم افزارهای رایانه‌ای، بهره گیری می‌شود. عامل تنها مشاهده کرده و سپس عمل می‌کند. 

۱-۶ عامل‌های هوشمند

     عامل‌ها  قادر به شناسایی الگوها، و تصمیم گیری بر اساس قوانین فکر کردن خود می باشند. قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش، تعریف می‌شود. این سیستم‌ها بر اساس قوانین خاص خود فکر کرده و کار خودرا به درستی انجام می‌دهند. پس عاقلانه رفتار می‌کنند، هر چند الزاما مانند انسان فکر نمی‌کنند.


۱-۷ سیستم‌های خبره

    سیستم‌های خبره زمینه‌ای پرکاربرد در هوش مصنوعی و مهندسی دانش ا‌ست که با توجّه به نیاز روز افزون جوامع بر اتخاذ راه ‌حل‌ها و تصمیمات سریع در مواردی که دانش‌های پیچیده و چندگانهٔ انسانی مورد نیاز است، بر اهمیت نقش آنها افزوده هم می‌شود. سیستم‌های خبره به حل مسائلی می‌پردازند که به طور معمول نیازمند تخصّص‌های کاردانان و متخصّصان انسانی ا‌ست. به منظور توانایی بر حل مسائل در چنین سطحی (ترازی)، دسترسی هرچه بیشتر اینگونه سامانه‌ها به دانش موجود در آن زمينه خاص ضروري ميگردد.
  • بازدید : 63 views
  • بدون نظر

دانلود تحقیق پژوهشی شبکه های عصبی مصنوعی که شامل ۱۵ صفحه و مشتمل بر بخش های زیر است :

فرمت فایل : Doc

شبكه هاي عصبي مصنوعي چيست؟

بخشهاي جزئي تر از يك شبكه عصبي:

خصوصیات در مورد مغز انسان

تعريف شبكه هاي عصبي مصنوعي :

تاريخچه:

چرا از شبکه های عصبی استفاده می کنیم؟

مزیتها

·         یادگیری انطباق پذیر:

·         سازماندهی توسط خود:

·         عملکرد بهنگام(Real time ) :

تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری اطلاعات :

کاربردهای شبکه های عصبی :

شبكه عصبي مصنوعي ساده :

نقش تابع در خروجي شبكه :

یادگیری یک پرسپترون

شبكه هاي پرسپترون چند لايه :

منابع

*این مجموعه ویژه ی دانشجویان رشته ی مهندسی کامپیوتر و علاقه مندان و اساتید محترم میباشد


عتیقه زیرخاکی گنج