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

پایان نامه : پردازش و آنالیز حروف ازتصاویر با کمک OCR   

(Optical Character Recognition )

پردازش و آنالیز تصاویر می تواند به عنوان یک ساختار کاربردی و تکنیکی جهت تسخیرکردن، تصحیح کردن، زیاد کردن و تغییر شکل دادن تصاویری که مشاهده می شود تعریف کرد. در هنگام استفاده از تکنولوژی OCR نرم افزار مربوطه تصویر را تجزیه وتحلیل می نماید و شکل حروف را بر اساس پراکندگی نقاط در تصویر، شناسایی می کند . متون می توانندحتی دارای عکس هم باشند که سیستم آنها را تشخیص داده، کنار می گذارد………..

Optical CharacterRecognition یا OCR  به معنای شناسایی حروف با کمک ابزار نوری است ویک شاخه از علم پردازش  سیگنال را تشکیل می د هد OCR شامل تصویر برداری از روی کاغذ واستخراج کلمات از آن است. متن به صورت مستقیم در تصویر قابل دسترسی نیست زیرا حروف در یک متن اسکن شده ازمجموعه ای از نقاط تشکیل می شود که در کنارهم قرار گرفتن این نقاط مطابق الگوهای معین، تصویرحروف مختلف را می سازد.................

• 1
• 2
• 3
• 4
• 5

• 1
• 2
• 3
• 4
• 5

پروژه : بررسي تکنيك ها و زبانهاي برنامه نويسي هوش مصنوعي

مقدمه

ما در عصري زندگي مي كنيم كه جامعه شناسان آن را عصر انقلاب كامپيوتر نام نهاده اند و مانند هر انقلاب واقعي ديگر، انقلابي است گسترده و فراگير و تأثير پايداري برجامعه خواهد داشت. اين انقلاب در اقتصاد امروز و نظم جامعه، به همان ميزان  انقلاب صنعتي در قرن 19 تأثير دارداين تحولات قادر است الگوي فكري و فرم زندگي هر فرد را تغيير دهد. انقلاب كامپيوتر توان ذهني ما را گسترش مي دهد. عملكرد اولية برنامه نويسي هوش مصنوعي (AI) ايجاد ساختار كنترلي مورد لزوم براي محاسبه سمبوليك است خصوصيات اين ساختارها به مقدار زيادي موجب تشخيص خصوصياتي مي شود كه يك زبان كاربردي مي بايستي فراهم كند. در اين مقدمه به يك سري خصوصيات مورد نظر براي زبان برنامه نويسي سمبوليك مي پردازيم و زبانهاي برنامه نويسي  LISP و PROLOG را معرفي خواهيم كرد. اين دو زبان علاوه بر اين كه از مهمترين زبانهاي مورد استفاده در هوش مصنوعي هستند، خصوصيات semantic و syntactic آنها نيز باعث شده كه آنها شيوه ها و راه حل هاي قوي براي حل مسئله ارئه كنند. تأثير قابل توجه اين زبانها بر روي توسعه AI از جمله توانائي آنها به عنوان «ابزارهاي فكر كردن» مي باشد كه از جمله نقاط قوت آنها در زبانهاي برنامه نويسي مي باشد. همان طور كه هوش مصنوعي مراحل رشد خود را طي مي كند زبانهاي  LISP و PROLOG بيشتر مطرح مي شوند. اين زبانها كار خود را در محدودة توسعه و prototype سازي سيستم هاي AI در صنعت و دانشگاهها دنبال مي كنند. اطلاعات در مورد اين زبانها به عنوان بخشي از مهارت هر برنامه نويس AI مي باشد ما به بررسي اين دو زبان در هوش مصنوعي مي پردازيم.

• 1
• 2
• 3
• 4
• 5

پايان نامه : بررسي شبكه هاي عصبي مصنوعي

مقدمه

درست است كه بعضي از اعمالي را كه ما به سختي انجام مي دهيم يك كامپيوتر به سرعت و به راحتي انجام مي دهد ،مانند جمع چندصد عدد ، اما اين مطلب باعث نمي شود كه ما يك كامپيوتر را باهوشتر از انسان بدانيم چون اين سيستم هرگز قادر نمي باشد كه اعمالي را كه نياز يه استدلال  دارد و يا حل آنها از طريق  شهودي و حدس و گمان مي باشد را به طور مطلوب انجام دهد. شايد بهتر است بگوييم آن‌هاموجودات منطقي اي هستند و تنها اعمال منطقي را به خوبي انجام مي دهند.  مسئله ديگر شايد اين باشد كه يك كامپيوتر مي تواند بعضي كارها را كه ما در مدت زمان قابل ملاحظه اي انجام مي دهيم را در زمان بسيار كوتاه تري انجام مي دهد.ويا بعضي از اطلاعات را پس از گذشت ماه ها ويا سالها به خاطر مي آورد .

به همين دليل از كامپيوتر ها انتظار داريم در زمينه هاي ديگر نيز چنين رفتاري را از خود نشان دهند و چون نمي توانند تمام انتظارات ما را بر آورده كنند ما مايوس مي شويم.در واقع اين هدفي است كه دست اندركاران هوش مصنوعي دنبال مي كنند اما هنوز پس از گذشت 30 سال تحقيقات گسترده نمي توانند اين ادعا را داشته باشند كه به چنين كامپيوتري دست پيدا   كرده اند.

هدف هوش مصنوعي را مي توان در اين جمله خلاصه كرد كه مي خواهد در نهايت به كامپيوترهايي دست يابد كه اغلب در فيلم هاي سينمايي مشاهده مي شود، ماشين‌هاي بسيار توانمند تر از انسان – هدفي كه بسيار از دنياي واقعي به دوراست . دنيايي كه اغلب به خاطراشتباهات فاحش كامپيوترها هزينه‌هاي بسيار زيادي را متحمل مي شود .  اگر به داخل يك كامپيوتر نگاه كنيم چيزي جز تعدادي تراشه هاي الكترونيكي ، مدارها ،مقاومتها و ساير قطعات الكترونيكي  نخواهيم ديد. اما اگر به درون مغز نگاه كنيم ، به هيچ صورت چنين ساختاري را مشاهده نخواهيم كرد. بررسي اوليه ما چيزي جزمجموعه اي گره خورده از ماده‌اي خاكستري رنگ نشان نمي دهد. بررسي بيش‌تر و روشن‌ مي كند كه مغز از اجزايي ريز تشكيل شده است . ليكن اين اجزاء به شيوه‌اي بي نهايت پيچيده‌، مرتب شده‌اند و هز جزء به هزاران جزء ديگر متصل است. شايد اين تفاوت در شيوه ساختار ، علت اصلي اختلاف بين مغز و كامپيوتر است. كامپيوترها طوري طراحي شده‌ اند كه يك عمل را بعد از عمل ديگر باسرعت بسيار زياد انجام دهند . ليكن مغز ما با تعداد اجزاي بيش‌تر اما با سرعتي بسيار كم‌تر كار مي‌كند . در حالي كه سرعت عمليات در كامپيوتر‌ها به ميليون‌ها محاسبه در ثانيه بالغ مي شود، سرعت عمليات در مغز تقريباً بيش‌تر از ده بار در ثانيه نمي‌باشد. ليكن مغز در يك لحظه با تعداد زيادي اجزاء به طور هم زمان كار مي كند، كاري كه از عهده كامپيوتر بر نمي‌آيد . كامپيوتر ماشيني سريع اما پياپي كار است در حالي كه مغز شديداً ساختاري موازي دارد. كامپيوترها مي توانند عملياتي را كه با ساختار آن‌ها سازگاري دارند به خوبي انجام دهند. براي مثال شمارش و جمع‌كردن اعمالي پياپي  است كه يكي بعد از ديگري انجام مي شود . ليكن ديدن و شنيدن، اعمالي شديداً موازي‌اند كه در آن‌ها داده‌هاي متضاد و متفاوت هر كدام باعث اثرات و ظهور خاطرات متفاوتي در مغز  مي شوند وتنها از طريق تركيب مجموعه اين عوامل متعدد است كه مغز مي‌تواند چنين اعمال شگفتي را انجام دهد .

نتيجه‌اي كه مي توان گرفت اين است كه مسائل مورد نظر ما شديداً خاصيت موازي دارند. اين مسائل نيازمند پردازش حجم زيادي از اطلاعات متفاوت هستند كه بايد در تقابل با يكديگر به حل مسأله بيانجامد.

نتيجه مهم آن كه سرعت عامل مهمي نيست . آنچه مهم است موازي بودن است و مغز به خوبي براي اين كار مهيا شده است . شيوه برخورد روش محاسباتي شبكه‌هاي عصبي، تسخير اصول راهبردي است كه زير بناي فرآيند مغز براي پاسخ‌گويي به اين سؤالات و به كارگيري آن‌ها در سيستم‌هاي كامپيوتري است .

در مدل‌سازي سيستم‌هاي اصلي مغز، بايد راه كاري را بيابيم كه بيش‌تر با ساختار موازي مغز سازگاري داشته باشد نه با ساختار پي‌درپي آن . به هر صورت ساختار طبيعتاً موازي سيستم هاي شبكه هاي عصبي آن ها را مناسب به كارگيري در ماشين هاي موازي مي كند. كه مي تواند مزاياي بيش تري از نظر سرعت  و قابليت اطمينان داشته باشد.  يكي از بارزترين ويژگي‌هاي مغز توان فراگيري آن مي باشد. مغز مي‌تواند به خود آموزش دهد . يادگيري از طريق مثال همان شيوه‌اي است كه توسط آن اطفال زبان را فرا مي‌گيرند . نوشتن، خوردن و آشاميدن را مي آموزند و مجموعه معيارها و نكات اخلاقي را كسب مي كنند . چنين تحولي درسيستم‌هاي كامپيوتري متعارف مشاهده نمي شود . كامپيوترها معمولاً از برنامه‌هاي از پيش نوشته شده‌اي پيروي مي كنند كه قدم به قدم دستورات مشخصي را در كليه مراحل عملياتي به آن ها مي دهند هر مرحله از كار بايدبه وضوح شرح داده شود. روشن است كه انسان اين گونه عمل نمي كند.زيرا براي نوشتن چنين برنامه اي بايد ساعت ها وقت صرف كنيم و با دقت موضوع خود را به صورت بر نامه قابل فهم كامپيوتر  بنويسيم .كه اين كار مشكلات خود را دارا مي باشد.حال آيا بهتر نيست كه به جاي برنامه هاي كامپيوتري ،كامپيوتر را رها كنيم كه خود از طريق مشاهده مثال ها آن  كار را فرا گيرد؟ البته امكان دارد كه اين كامپيوتر نيز در ابتدا داراي  BUG باشد وگاه اشتباه كند ،ليكن به تدريج به اشتباه خود پي خواهد برد و آنها را تكرار نخواهد كرد.........

• 1
• 2
• 3
• 4
• 5

پروژه : مهندسي شبکه هاي عصبی توسط اتوماتاهای يادگير

در دهه اخير كارهاي زيادي در زمينه تنظيم پارامترهاي شبكه هاي عصبي انجام شده كه منجر به بهبود عملكرد آنها شده است . هدف بسياري از اين الگوريتمها و روشهاي ارائه شد ه، يافتن مقدار يك پارامتر است به طوري كه خطاي شبكه به ازاي آن حداقل شود . براي مثال ، روشهاي متعددي جهت تنظيم نرخ يادگيري و ممنتم براي الگوريتم انتشار خطا به عقب (BP ) ارائه شده است كه اكثر آنها در جهت مينيمم كردن خطاي حداقل مربعات بوده است . روشهايي نيز براي فرار از مينيمم هاي محلي براي اين الگوريتم ارائه شده است كه افزودن پارامتر ممنتم به اين الگوريتم يكي از اين راهكارها مي باشد . الگوريتم BP بعلت كارايي مطلوبش، اغلب به عنوان الگوريتم يادگيري در شبكه هاي نوروني با ساختار لايه اي، مورد استفاده قرار گرفته است  برخي از بهبودهاي صورت گرفته در اين الگوريتم در ازاي افزايش شديد محاسبات بوده و بايد در استفاده آنها به شرايط مسئله توجه شود . شبكه هاي ديگري كه الگوريتمها و روشهايي براي تنظيم پارامتر آن  ارائه شده است شبكه هاي  ART مي باشند. الگوريتمهايي كه تاكنون براي تنظيم پارامتر مراقبت براي شبكه هاي ART ارائه شده اند براي كاربردهاي خوشه سازي 2 مي باشند. هدف اين الگوريتمها توليد يك تعداد از پيش تعيين شده از دسته 3 ها مي باشد. افزايش مقدار پارامتر مراقبت، افزايش تعداد دست ه ها و كاهش مقدار آ ن، كاهش تعداد دسته ها را موجب مي شود . در اين الگوريتمها شبكه براي مقادير مختلف پارامتر مراقبت كه از طريق يك الگوريتم هوشمند تعيين مي شود آموزش داده مي شود تا از اين طريق مقدار مناسب براي پارامتر مراقبت و در نتيجه تعداد مطلوب دست ه ها پيدا شود . بدون استفاده از اين الگوريتمها مقدار اين پارامتر مي بايست بصورت دستي مقداردهي شده و آموزش تكرار م يشد تا تعداد خوشه مطلوب حاصل شود (آزمايش و خطا). ..........

شبكه هاي عصبي پيس خور چند لايه و شبكه هاي ART از جمله شبكه هايي هستند كه در سالهاي اخير توجه زيادي به آنها شده است. در اين پايان نامه اين دو شبكه مورد بحث و بررسي قرار گرفته و الگوريتمهايي جهت بهبود عملكرد آنها ارائه م يگردد. در قسمت اول اين پايان نامه چند پيشنهاد براي بهبود الگوريتم بقاء كه تنها روش مبتني بر اتوماتاهاي يادگير براي تعيين ساختار مناسب براي شبكه هاي عصبي پس خور سه لايه مي باشد ارائه مي گردد. الگوريتمهاي اصلاح شده بقاء بر روي مسايل متنوعي از جمله مسايل parity ، شش بيتي ، parity شش بيتي نويزي شده، ارقام انگليسي، ارقام انگليسي نويزي شده، ارقام دست نويس فارسي، مساله  encoding سه بيتي، مساله تقارن و مساله XOR سه بيتي آزمايش شده و نتايج آن با دو الگوريتم تعيين ساختار شبكه هاي عصبي پس خور به نامهاي S&D و Iterative مقايسه شده است. نتايج آزمايشها نشان مي دهد كه الگوريتمهاي اصلاح شده بقاء در مقايسه با الگوريتم بقاء، الگوريتم S&D و الگوريتم Iterative از كارايي بالاتري برخوردار هستند و شبكه هاي كوچكتر با نرخ تشخيص بالاتري توليد مي كنند. در قسمت دوم اين پايان نامه، الگوريتمي مبتني بر اتوماتاهاي يادگير براي تنظيم پارامتر مراقبت شبكه Fuzzy ARTMAP در كاربردهاي كلاس بندي پيشنهاد مي گردد. الگوريتم پيشنهادي از طر يق تنظيم پارامتر مراقبت، شبكه اي كوچك كه داراي نرخ تشخيص بالا مي باشد توليد مي كند. عملكرد شبكه Fuzzy ARTMAP كه در آن پارامتر مراقبت توسط اتوماتاي يادگير تنظيم مي شود مستقل از مقدار اوليه پارامتر مراقبت مي باشد. الگوريتم پيشنهادي بر روي مسائل دايره در مربع، مارپيچ هاي حلزوني و مسئله مربع در مربع آزمايش شده و نتايج بسيار مطلوبي حاصل گرديده است

• 1
• 2
• 3
• 4
• 5

پروژه : طراحي يك framework جهت مسائل كلاسيك هوش مصنوعي

چكيده :

دانش و تکنيکهاي هوش مصنوعي در سال هاي گذشته رشد قابل ملاحظه اي داشته است، به طوري که حجم زيادي از اطلاعات در علوم کامپيوتر را به خود اختصاص داده است. محققين زيادي در حال حاضر مشغول فعاليت در اين زمينه ميباشند. تاريخچه هوش مصنوعي با بازي ها و مسائلي پيوند دارد که در سده ها و دهه هاي گذشته مورد توجه قرار گرفته و بررسي شد هاند. بازي هايي مانند شطرنج و معماي ٨ puzzle)) و مسائلي مانند پاندول وارونه و فروشنده دوره گرد که بعضي ها قبل از پيدايش کامپيوتر بررسي شده اند وبا پيشرفت علوم کامپيوتر، توانايي بازي کامپيوتر در مقابل انسان موضوع جالبي بود که باعث پيشرفت هاي زيادي در هوش مصنوعي و تکنيک هاي آن گرديد. هم اکنون نيز کار بر روي بسياري از اين مسائل ادامه دارد و چه از نظر تئوري و چه از نظر عملي حل بيشتر اين مسائل راهگشاي بسياري از مشكلات هوش مصنوعي است يکي از مشکلاتي که همواره پيش پاي محققين اين رشته وجود داشته و علاوه بر سادگي آن، راه حل جامعي براي آن موجود نميباشد، نبود يک مجموعه کامل و با دسترسي آسان از مثالها و مسائل موجود در اين زمينه است. تحقيق دربارهي تکنيکهاي هوش مصنوعي نياز به يک سري مسائلي دارد که توانائي پيادهسازي اين تکنيکها را دارا باشند. اين مجموعه بايد به صورت فرمال و ساختار يافته موجود باشد تا نتيجه کار افراد مختلف بر روي مسائل، به صورت هماهنگ و قابل مقايسه مشخص شود همچنين بررسي اين نکته که محققين قبلي چه کارهايي در قبال حل هر مساله با تکنيکهاي خاص انجام دادهاند نيز موضوع مورد علاقه و نياز اکثر افرادي است که در حال کار بر روي آن مسائل و تکنيکها ميباشند.

در اين پروژه ما قصد طراحي يك framework براي مسائل كلاسيك هوش مصنوعي را داريم. هر مسأله داراي ساختار خاصي مي باشد و فاكتورهاي خود را دارد . هدف از طراحي اين ،framework ساخت بانك اطلاعاتي كاملي از اين مسائل است . براي ذخيره ي مسائل ، نياز به ساختار يكنواختي است كه همه ي آنها در اين ساختار تعريف شوند . براي ساخت اين ،framework ابتدا كليه مسائل موجود جمع آوري ، طبقه بندي و بررسي شده است و تكنيك هاي اعمال شده بر روي آنها نيز به اين مجموعه اضافه شده است . سپس بانك اطلاعاتي مورد نظر طراحي و پياده سازي شده و با نرم افزار واسط ساخته شده ، سيستم اصلي را تشكيل مي دهد . اين سيستم با عنوان( Computer Aided Research Tool (CART  امكانات قابل قبولي را در اختيار محققين قرار مي دهد كه از آن جمله مي توان به جستجو و پردازش مسائل اشاره كرد .

همچنين اين سيستم داراي قابليت توسعه ي بانك اطلاعاتي و ويرايش آن نيز مي باشد كه براي مسائل مطرح نشده و راه حلهاي جديد در نظر گرفته شده است . از نظر انعطاف پذيري در طراحي نهايت تلاش انجام گرفته است و قابليت توسعه نرم افزار نيز در نظر گرفته شده است .

در ادامه ، در ابتدا مروري كوتاه بر هوش مصنوعي ، تاريخچه ي آن و تكنيك هاي مطرح در آن خواهيم پرداخت. سپس نحوه طراحي  framework مورد تظر در فصل ٢ بيان شده است. همچنين مروري بر مسائل کلاسيک نيز در اين فصل ارائه شده است. در فصل ٣ به بررسي مسائل كلاسيك ، طبقه بندي و طراحي framework براي آنها پرداخته شده و در فصل ٤ مراحل تحليل و طراحي سيستم براساس متدولوژي RUP بيان شده است . فصل ٥ نيز مراحل پياده سازي و ساخت سيستم ، چگونگي كار با سيستم و مشخصات آن را بيان مي كند . مطالب اين فصل به عنوان راهنماي كاربر قابل استفاده است . فصل آخر نيز به نتيجه گيري و بيان پيشنهادات پرداخته است.

• 1
• 2
• 3
• 4
• 5

مقاله : شبكه هاي عصبي مصنوعي

  مقدمه

در ساليان اخير شاهد حركتي مستمر ، از تحقيقات صرفا تئوري به تحقيقات كار بردي بخصوص در زمينه پردازش اطلاعات براي مسائلي كه براي آنها راه حلي موجود نيست و يا براحتي قابل حل نيستند بوده ايم. با عنايت به اين امر ، علاقه فزاينده اي در توسعه تئوريك سيستمهاي ديناميكي هوشمند مدل- آزاد كه مبتني بر داده هاي تجربي هستند ايجاد شده است. شبكه هاي عصبي مصنوعي جزءاين دسته از سيستمهاي ديناميكي قرار دارند، كه با پردازش روي داده هاي تجربي ، دانش يا قانون نهفته در وراي داده ها را به ساختار شبكه منتقل مي کنند. به همين خاطر به اين سيستمها هوشمند گويند ،چرا كه بر اساس محاسبات روي داده هاي عددي يا مثالها،قوانين كلي را فرا مي گيرند.اين سيستمها در مدلسازي ساختار نرو – سينا پتيكي مغز بشر مي كوشند.

با تأكيد بر اين نكته كه گذشته از متافيزيك ، دور از دسترس بودن ايده آل هوش طبيعي را مي توان باعدم كفايت دانش موجود بشر از فيزيولوژي عصبي پذيرفت. بايد اذعان داشت كه عالي بودن هدف وكافي نبودن دانش موجود ،خود سبب انگيزش پژوهشهاي بيشتر و بيشتر در اين زمينه بوده وخواهد بود، همچنان كه امروزه شاهد بروز چنين فعاليتهايي در قالب شبكه هاي عصبي مصنوعي هستيم. اغلب آنهاي كه با چنين سيستمهايي آشنايي دارند ، به اغراق آميز بودن نام آنها معترفند ، اگر چه اين اغراق بيانگر مطلوبيت ونيز بعضي شباهتهاي اين گونه سيستمها با سيستمهاي طبيعي است، ولي مي تواند تا حدي بين آنچه كه سيستمهاي عصبي مصنوعي در اختيار قرار مي دهد و آنچه كه از نامشان بر مي آيد تناقض ايجاد نمايد..............

• 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

• 1
• 2
• 3
• 4
• 5

پایان نامه : مدل سازي خواص الكتريكي نانولوله هاي كربني با كمك شبكه هاي عصبي مصنوعي

• 1
• 2
• 3
• 4
• 5

پایان نامه : مدل سازي خواص الكتريكي نانولوله هاي كربني با كمك 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