در این مقاله، مدلسازی دستگاه تولید لینک خودکار یا ALE با استفاده از شبکه های عصبی یا هوش مصنوعی معرفی شده است. به طور کلی می توان عملکرد یک دستگاه ALE را مدلسازی کرد. هدف از مدلسازی، طراحی همین دستگاه با استفاده از روش های جدید و پیاده سازی با استفاده از ابزارهای موجود و در نتیجه بومی سازی آن است. در همین راستا، در این مقاله با استفاده از شبکه های عصبی و الگوریتم MLP تلاش شده است که عملکرد کلی دستگاه ALE مدلسازی و پیاده سازی شود. در ابتدا، پس از بررسی کانال های مخابراتی و اثرات غیرخطی و نویز بر انتقال داده، یک مدل برای انتقال داده در کانال های مخابراتی معرفی و در محیط نرم افزار متلب کد نویسی شده است. سپس به معرفی انواع شبکه های عصبی و کاربردهای آن پرداخته شده است و بهترین الگوریتم برای مدلسازی دستگاه ALE انتخاب شده است. در ادامه چندین مدل با استفاده از tools نرم افزار متلب و کد نویسی الگوریتم MLP انجام گرفته است و مقایسه شده است. در نهایت مدل پیشنهادی که مبتنی بر الگوریتم MLP است با کمترین خطا، به ازای خروجی جدید می تواند کانال مناسب را پیش بینی کند. مدل های پیشنهادی پس از بهینه سازی قابل پیاده سازی بر روی FPGA هستند و راهی برای ساخت این دستگاه در داخل کشور فراهم می آورد.

پژوهش حاضر با هدف مدلسازی نقش خود رهیابی و سواد رسانه­ای در طفره­روی مجازی انجام گرفت. این پژوهش از نظر راهبرد اصلی، کمی و از نظر تکنیک تحلیلی، توصیفی- همبستگی بود. جامعه آماری این مطالعه شامل دانشجویان تحصیلات تکمیلی بود. روش نمونه­گیری از نوع در دسترس بود. حجم نمونه با توجه به مدل کرجسی- مورگان و با در نظر گرفتن خطای 05/0 =α، 620 نفر در نظر گرفته شد. برای جمع آوری داده ها از پرسشنامه طفره­روی مجازی بلا و همکاران (2006) (با پایایی 89/0=α)، پرسشنامه محقق ساخته خودرهیابی (با پایایی 95/0=α) و پرسشنامه سواد رسانه­ای فلسفی (1393) (با پایایی 86/0=α)، استفاده شد. روایی محتوایی ابزارها با اعمال نظر ده نفر از خبرگان یادگیری الکترونیکی تأیید گردید. داده­ها با رویکرد شبکه عصبی مصنوعی با روش پرسپترون چندلایه (MPL) تحلیل شد. نتایج نشان داد مدلسازی عوامل خودرهیابی و سواد رسانه­ای در طفره­روی مجازی دانشجویان دارای یک لایه ورودی با ده گره و یک لایه پنهان با چهار گره است و شبکه عصبی مصنوعی به خوبی قادر است پرش­ها و روند طفره­روی مجازی دانشجویان را از روی این دو متغیر و خرده مقیاس­هایشان؛ پیش­بینی نماید. تمامی ضریب­های تاثیر لایه پنهان بر لایه خروجی در شبکه عصبی؛ منفی به دست آمده و از اینرو هرچه دانشجویان دارای مهارت خودرهیابی و سوادرسانه­ای بالاتری باشند، کمتر به رفتار طفره­روی مجازی می­پردازند و بالعکس. بر این اساس می­توان دریافت،  میزان سواد رسانه­ای و خودرهیابی دانشجویان متغیرهایی هستند که توان پیش بینی میزان طفره­روی مجازی دانشجویان را دارند.

مقدمه: هدف اصلی این مطالعه ارایه روشی برای تشخیص زودهنگام بیماری آلزایمر است. این بیماری با از بین بردن سلول های عصبی در سیستم عصبی و کاهش ارتباطات و فعل و انفعالات عصبی، عملکرد حافظه را کاهش می دهد. مواد و روش ها: سطح این بیماری باید با توجه به ارتباط این بیماری با ویژگی های مختلف در سیگنال مغزی و تصاویر پزشکی تشخیص داده می شود. ابتدا با پیش پردازش مناسب، خواص غیر خطی مانند نمودار فاز، بعد همبستگی، آنتروپی و نمای لیاپانوف استخراج شده و جهت طبقه بندی از شبکه عصبی المن استفاده شده است. سپس صحت عملکرد شبکه عصبی المن با شبکه عصبی کانالوشنی مقایسه شده است. استفاده از روش های یادگیری عمیق از جمله شبکه عصبی کانالوشنی، می تواند نتایج مناسب تر و دقیق تری در میان سایر روش های طبقه بندی داشته باشد. یافته ها: در حالت استفاده از دو شبکه CNN و یک شبکه MLP صحت نتایج در افراد سالم 98 درصد و در افراد بیمار خفیف 97/7 درصد و در افراد بیمار شدید 97/5 درصد بدست آمده است. در حالت استفاده از یک شبکه CNN با ترکیب ویژگی ها سیگنال مغزی و تصاویر پزشکی در حالت تحریک صحت نتایج در افراد سالم 95 درصد و در بیماران خفیف 92/5 درصد و در بیماران شدید 97/5 درصد می باشد، در حالت یادآوری صحت نتایج در افراد سالم 75 درصد و در بیماران خفیف 72/5 درصد و در بیماران شدید 87/5 درصد است. صحت نتایج در شبکه عصبی Elman با ترکیب ویژگی های سیگنال مغزی و تصاویر پزشکی 94/4 درصد و در حالت بدون ترکیب ویژگی ها، صحت نتایج 92/2 درصد شده است. نتیجه گیری: در بین روش های پردازشی ارایه شده جهت دسته بندی سه کلاس سالم، بیمار خفیف و بیمار شدید، روش ترکیب ویژگی های سیگنال مغزی و تصاویر پزشکی موجب افزایش صحت نتایج طبقه بندی کننده CNN و Elman شده است.

افسردگی پس از زایمان یک مشکل سلامتی عمومی در مادران پرستاری است که به مراقبت های بهداشتی اولیه بعد از زایمان اهمیت چندانی نمی دهند. این نوع افسردگی که پس از زایمان تجربه می شود حدود 13 تا 19 درصد مادران شیرده را تحت تاثیر قرار می دهد؛ تشخیص افسردگی پس از زایمان بسیار مشکل است و با تمرکز بر بیماری های جسمی اغلب پزشکان قادر به تشخیص آن نبوده و نیاز به بررسی های دقیق روانی دارد. در این مقاله یک سیستم پیش بین فازی عصبی برای پیش بینی افسردگی پس از زایمان مورد استفاده قرار گرفته است همچنین روش جایگزین عصبی نیز در این مقاله مورد بررسی قرار گرفته و نتایج این دو روش با یکدیگر مقایسه شده اند. 20 نمونه داده در آموزش مدل مورد استفاده قرار گرفته است که در سیستم فازی عصبی خطای آموزشی 000054835/0 در دوره یک بوده و در سیستم عصبی مصنوعی خطای آموزشی برابر 003158/0 محاسبه شده است. این تکنیک، تشخیص سریع و صحیح افسردگی پس از زایمان را تسهیل می کند.