توضیحات
۱:معرفی مبانی و مفاهیم اصلی
۱-۱- مقدمه
۱-۲- تعریف محاسبات نرم(SC)
۱-۳- اهداف محاسبات نرم
۱-۴- اهمیت محاسبات نرم
۲: محاسبات فازی، محاسبات عصبی و الگوریتمهای مبتنی بر ژنتیک و الگوریتم ازدحام ذرات
۲-۱- منطق فازی
۲-۱-۱- تفاوت مجموعههای فازی و مجموعههای کلاسیک
۲-۱-۲- مجموعههای خشک و غیر خشک
۲-۱-۳- تشریح مجموعههای فازی
۲-۱-۴- روند بکارگیری منطق فازی
۲-۱-۵- منطق فازی و ارتباط آن با هوش مصنوعی
۲-۲- شبکههای عصبی
۲-۲-۱- مقدمهای بر شبکههای عصبی مصنوعی
۲-۲-۲- شباهت با مغز
۲-۲-۳- شبکههای عصبی مصنوعی
۲-۲-۴- سلول عصبی مصنوعی
۲-۲-۵- ساختار شبکه های عصبی مصنوعی و عملکرد آنها
۲-۲-۶- تقسیمبندی شبکه های عصبی براساس ساختار
۲-۲-۷- تقسیمبندی شبکه های عصبی براساس الگوریتم یادگیری
۲-۲-۸- نگرشی کلی بر آموزش شبکه
۲-۳- الگوریتمهای بهینه سازی تکاملی
۲-۴- الگوریتم ژنتیک
۲-۴-۱- مقدمه
۲-۴-۲- نمایش کروموزوم
۲-۴-۳- نقشههای انکدینگ
۲-۴-۴- مقداردهی اولیهی جمعیت
۲-۴-۵- تابع تناسب
۲-۴-۶- عملگرهای ژنتیک
۲-۴-۷- روشهای انتخاب
۲-۵- الگوریتم ازدحام ذرات (PSO)
۳: کاربرد منطق فازی در رباتهای سیار
۳-۱- تاریخچه
۳-۲- مقدمه
۳-۳- دلایل استفاده از کنترلکنندههای فازی
۳-۴- ساختار یک کنترلکننده فازی
۳-۵- روشهای فازی مورد استفاده در رباتها
۳-۵-۱- کنترل موقعیت در جابجایی رباتها
۴: طراحی کنترلکننده مبتنی بر محاسبات نرم
۴-۱- تکنیکهای محاسبات نرم
۴-۲- کنترل بازخورد متناسب با مشتق و شتاب
۴-۳- کنترلکنندههای منطق فازی چند متغیره
۴-۴- سیستمهای کنترلی عصبی فازی(HFNC)
۴-۴-۱- آموزش سبکه عصبی تابع پایه شعاعی (RBFNN)
مراجع و مأخذ:
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.