حل تمرین دروس الکترونیک، مدارهای الکتریکی،کنترل خطی، نانوالکترونیک، فناوری ساخت مدارهای دیجیتال، ریاضیات مهندسی، معادلات دیفرانسیل، و.....

رشته مهندسی برق گرایش های الکترونیک، قدرت، کنترل، مخابرات، کامپیوتر

کاردانی، کارشناسی، کارشناسی ارشد، دکتری

از طریق تماس، واتساپ، تلگرام با شماره تلفن09372002091 وهمچنین از طریق دایرکت پیج اینستاگرام project_tehran درخواست خود را ارسال فرمایید 

در سریعترین زمان و با بهترین کیفیت توسط تیم متخصص دکتری انجام می شود

*****************************************************************************

شبیه سازی پروژه و مقاله درتمام سطوح دانشگاهی پذیرفته می شود

*****************************************************************************

*****************************************************************************

مامي توانيم با كمترين هزينه ودر كوتاهترين زمان ممكن در تهيه پروپزال ، پروژه ، مقاله ، پايان نامه ، گزارش كارآموزي ،به شما كمك كنيم. در صورت تمايل عنوان ومشخصات كامل مطلب درخواستي و رشته و مقطع تحصيلي و شماره همراه خود را جهت اعلام نتيجه در قسمت نظرات ثبت کنید .

ضمناْ اگر از نظر وقت عجله دارید به ایمیل یا تلگرام زیر اعلام فرمائید

ایمیل ‏com.dr@yahoo.com‏ ‏‎ ‎‎ ‎‏ ‏‎ ‎‏ ‏‎‎

از طریق تلگرام یا واتساپ با این شماره درخواست خود را اعلام فرمایید : ‏09372002091‏ ‏‎ ‎‎ ‎‏ ‏‎ ‎‏ ‏‎‎

• 1
• 2
• 3
• 4
• 5

• 1
• 2
• 3
• 4
• 5

مقاله : بررسي كاربرد شبكه‌هاي عصبي مصنوعي در پزشكي 

مقدمه

شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد. یادگیری شبکه عصبی در برابر خطاهای  داده های آموزشی مصون بوده  و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار،  شناسائی و  تعبیر تصاویر،  و یادگیری روبات  اعمال شده است.

مجهز شدن علم پزشكي به ابزارهاي هوشمند در تشخيص و درمان بيماري‌ها مي تواند اشتباهات پزشكان و خسارت جاني و مالي را كاهش مي‌دهد. دراين مقاله كاربردها نوعي شبكه‌هاي عصبي در پزشكي مورد بررسي قرار گرفته است تلاش مابراين بوده است كه مقاله هم براي محققان هوش مصنوعي و هم براي پزشكي قابل استفاده باشد. بررسي نمونه‌هاي عملي انجام شده‌ ايده‌هاي مناسبي براي تحقيقات بعدي ايجاد مي كند. بخش 1 مقدمه‌اي بر سوابق شبكه‌هاي عصبي در علم پزشكي مي باشد. بخش 2 به بررسي روش‌هاي استفاده از شبكه‌هاي عصبي در تشخيص بيماري‌ها مي پردازد. پيش بيني آگاهي در مورد امراض در بخش 3 و كاربرد شبكه‌هاي عصبي در مهندسي پزشكي در بخش 4 بررسي مي‌شوند با ارائه جمع بندي در بخش 5 مقاله خاتمه مي‌يابد.

• 1
• 2
• 3
• 4
• 5

تحقيق : حل مسائل برنامه ريزي خطي و درجه دوم بوسيله مدلهاي شبكه هاي عصبي

  چكيده :

      بعضي از پيش زمينه هاي شبكه هاي عصبي را مي توان به اوايل قرن بيستم و اواخر قرن نوزدهم برگرداند. در اين دوره كارهاي اساسي در فيزيك ، روانشناسي و نروفيزيولوژي  توسط علمايي چون هرمان فون هلمهلتز ، ارنست ماخ و ايوان پاولف  صورت پذيرفت. اين كارهاي اوليه عموماً بر تئوريهاي كلي يادگيري ، بينايي و شرطي تاكيد داشته اند و اصلاً به مدلهاي مشخص  رياضي عملكرد نرونها اشاره اي نداشته اند. ديدگاه جديد شبكه هاي عصبي در دهه 40 قرن بيستم آغاز شد زماني كه وارن مك كلوث   و والترپيتز  نشان دادند كه شبكه هاي عصبي مي توانند هر تابع حسابي و منطقي  را محاسبه نمايند. كار اين افراد را مي توان نقطه شروع حوزه علمي شبكه هاي عصبي مصنوعي ناميد و اين موضوع با دونالدهب  ادامه يافت، شخصي كه عمل شرط گذاري  كلاسيك را كه توسط پاولف مطرح شده بود به عنوان خواص نرونها معرفي  نمود و سپس مكانيسمي را جهت يادگيري نرونها بيولوژيكي ارائه داد. نخستين كاربرد شبكه هاي عصبي در اواخر دهه50 قرن بيستم مطرح شد زماني كه فرانك روز نبلات در سال 1958 شبكه پرسپترون را معرفي نمود. روز نبلات و همكارانش شبكه اي ساختند كه قادر بود الگوها را از هم شناسايي نمايد. در همين زمان بود كه برنارد ويدرو  در سال 1960 شبكه عصبي تطبيقي خطي آدلاين را با قانون يادگيري جديد مطرح نمود كه از لحاظ ساختار، شبيه شبكه پرسپترون بود. پيشرفت شبكه هاي عصبي تا دهه 70 قرن بيستم ادامه يافت. در سال 1972 تئوكوهونن ، جيمز اندرسون ، بطور مستقل و بدون اطلاع از هم، شبكه هاي عصبي جديدي را معرفي نمودند كه قادر بودند به عنوان عناصر ذخيره ساز عمل نمايند. استفان گروسبرگ  در اين دهه روي شبكه هاي خود سازمانده  فعاليت مي كرد. فعاليت در زمينه شبكه هاي عصبي در دهه 60 قرن بيستم در قياس با دهه 80 به علت عدم بروز ايده هاي جديد و نبود كامپيوترهاي سريع ـ جهت پياده سازي ـ كمرنگ مي نمود. لكن در خلال دهه 80، رشد تكنولوژي ميكروپروسسورها روند صعودي داشت و تحقيقات روي شبكه هاي عصبي فزوني يافت و ايده هاي بسيار جديدي مطرح شدند. ايده هاي نووتكنولوژي بالا براي رونسانس دوباره در شبكه هاي عصبي كافي به نظر مي رسيد. در اين زايش دوباره شبكه هاي عصبي و جديد قابل تامل مي باشد. استفاده از مكانيسم تصادفي جهت توضيح عملكرد يك طبقه وسيع از شبكه هاي برگشتي  است كه مي توان آن ها را جهت ذخيره سازي اطلاعات استفاده نمود. اين ايده توسط جان هاپفليد ، فيزيكدان آمريكايي در سال 1982 مطرح شد. دومين ايده مهم كه كليد توسعه شبكه هاي عصبي در دهه 80 شد الگوريتم «پس انتشار خطا»  مي باشد كه توسط ديويد رامل هارت  و جيمز مكلند  در سال 1986 مطرح گرديد. با بروز اين دو ايده شبكه هاي عصبي متحول شدند. در ده سال اخير هزاران مقاله نوشته شده است و شبكه هاي عصبي كاربرد زيادي در رشته هاي مختلف علوم پيدا كردند. شبكه هاي عصبي در هر دو جهت توسعه تئوريك و عملي در حال رشد مي باشند اما اين روند رشد، آهسته و مطمئن نبوده، دوره هايي بسيار سريع و دوره هايي كند مشاهده شده است. بيشتر پيشرفتها در شبكه هاي عصبي به ساختارهاي نوين و روشهاي يادگيري جديد مربوط مي شود.

     در ساليان اخير شاهد حركتي مستمر، از تحقيقات صرفاً تئوري به تحقيقات كاربردي بخصوص در زمينه پردازش اطلاعات، براي مسائلي كه براي آن ها راه حلي موجودنيست ويا براحتي قابل حل نيستند بوده ايم. با عنايت به اين امر، علاقه فزاينده اي در توسعه تئوريك سيستمهاي دنيا ميكي هوشمند مدل آزاد ـ كه مبتني بر داده هاي تجربي هستند ـ ايجاد شده است. شبكه هاي عصبي مصنوعي  جزء اين دسته از سيستمهاي ديناميكي قراردارند، كه با پردازش روي داده هاي تجربي دانش يا قانون نهفته در وراي داده ها را به ساختار شبكه منتقل مي كنند. به همين خاطر به اين سيستمها هوشمند  گويند. چرا كه براساس محاسبات روي داده هاي عددي يا مثال ها ، قوانين كلي را فرامي گيرند. اين سيستم ها در مدلسازي ساختار نرو سيناپتيكي  مغز بشر مي كوشند. پياده سازي ويژگيهاي شگفت انگيز مغز در يك سيستم مصنوعي (سيستم ديناميكي ساخته دست بشر) هميشه وسوسه انگيز و مطلوب بوده است. محققيني كه طي سالها در اين زمينه فعاليت كرده اند بسيارند، ليكن نتيجه اين تلاشها صرف نظر ازيافته هاي ارزشمند باور هر چه بيشتر اين اصل بوده است كه مغز بشر دست يافتني است.

    با تاكيد بر اين نكته كه گذشته از متافيزيك، دور از دسترس بودن ايده آل «هوش طبيعي» را مي توان با عدم كفايت دانش موجود بشر از فيزيولوژي عصبي  پذيرفت، بايد اذعان داشت كه عالي بودن هدف و كافي نبودن دانش موجود خود سبب انگيزش پژوهشهاي بيشتر و بيشتر در اين زمينه بوده و خواهند بود، همچنان كه امروزه شاهد بروز چنين فعاليتهايي در قالب شبكه هاي عصبي مصنوعي هستيم، اغلب آن هايي كه با چنين سيستم هايي آشنايي دارند، به اغراق آميز بودن نام آنها معترفند، اگرچه اين اغراق بيانگر مطلوبيت و نيز بعضي شباهتهاي اين گونه سيستم ها با سيستم هاي طبيعي است ولي مي تواند تا حدي بين آن چه كه سيستم هاي عصبي مصنوعي در اختيار قرار مي دهد و آن چه كه از نامشان بر مي آيد تناقض ايجاد نمايد

• 1
• 2
• 3
• 4
• 5

مقاله : اتوماسيون سيستم هاي نگهداري و تعميرات خودرو بكمك شبكه هاي عصبي مصنوعي

دريافت Download ( Farsi Fonts - Arabic Fonts ) Font

نام فايل	اسم فونت	اسم فونت
ARABICS.TTF	Arabic Style	عربيک استايل
ARSHIA.TTF	Arshia	ارشيا
BADR.TTF	Badr	بدر
BADRB.TTF	Badr Bold	بدر بولد
BSEPEHR.TTF	Sepehr	سپهر
COMPSET.TTF	Compset	کامپ ست
COMPSETB.TTF	Compset Bold	کامپ ست بولد
ELHAM.TTF	Elham	الهام
FANTEZY.TTF	Fantezy	فانتزي
FARNAZ.TTF	Farnaz	فرناز
FERDOSI.TTF	Ferdosi	فردوسي
HOMA.TTF	Homa	هما
IranNastaliq.ttf	Iran Nastaliq	ايران نستعليق
JADIDB.TTF	Jadid Bold	جديد بولد
KAMRAN.TTF	Kamran	کامران
KAMRANB.TTF	Kamran Bold	کامران بولد
KOODAKB.TTF	Koodak Bold	کودک بولد
LOTUS.TTF	Lotus	لوتوس
LOTUSB.TTF	Lotus Bold	لوتوس بولد
MAJIDSH.TTF	Majid shadow	مجيد شدو
MITRA.TTF	Mitra	ميترا
MITRAB.TTF	Mitra Bold	ميترا بولد
NASIMB.TTF	Nasim Bold	نسيم بولد
NAZANIN.TTF	Nazanin	نازنين
NAZANINB.TTF	Nazanin Bold	نازنين بولد
PERSIAN.TTF	Pershian Nimrooz	پرشين نيمروز
Persweb.ttf	Persian Web	پرشين وب
PFONT.TTF	Persian Font	پرشين فونت
ROYA.TTF	Roya	رويا
ROYAB.TTF	Roya Bold	رويا بولد
SEPEHR.TTF	Sepehr	سپهر
SINAB.TTF	Sina Bold	سينا بولد
TABASSOM.TTF	Tabassom	تبسم
TITRB.TTF	Titr Bold	تيتر بولد
TRAFFIC.TTF	Teraffic	ترافيک
TRAFFICB.TTF	Teraffic Bold	ترافيک بولد
YAGUT.TTF	Yagut	ياقوت
YAGUTB.TTF	Yagut Bold	ياقوت بولد
ZAR.TTF	Zar	زر
ZARB.TTF	Zar Bold	زر بولد