لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

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.

در این مقاله، از یک روش جدید که شبکه های عصبی تحمیلی نامیده می شود، استفاده می کنیم تا پارامترهای نهشته های مدفون را در یک مقطع مورد نظر ژئوفیزیکی با فرض مدل منشوری برای بی هنجاری های گرانی، پیدا کنیم. هدف از این مدل سازی زمین شناسی، پیدا کردن شکل و محل ساختار زیرزمینی در مقطع دو بعدی می باشد. در اینجا، شبکه ای با یک نرون و الگوریتم پس انتشار خطا برای پیدا کردن اختلاف چگالی، بکار گرفته شده است. این روش برای داده های مصنوعی نویزدار و بدون نویز آزمایش شد و سپس زغال های بیتومینه دهلران ایران به عنوان داده های واقعی بکار گرفته شد.

در دوران دفاع مقدس در جریان جنگ تحمیلی متاسفانه تعداد زیادی از رزمندگان از ناحیه ستون مهره ای مورد اصابت ترکش یا گلوله قرار گرفتند و دچار ضایعات نخاعی و عصبی گردیدند. گر چه صادقانه تلاش خود را در جهت بهبودی این عزیزان انجام داده اند لیکن به علت عدم تجربه کافی در این زمینه، ممکن است نارسایی هایی وجود داشته باشد. لذا به پاس خدمات این جوانان از جان گذشته باید تلاش گردد که در تمام زمینه ها جهت کسب تجربیات ارزنده بازنگری بعمل آید. در این زمینه ما با توجه باینکه با تعداد زیادی از جانبازان نخاعی برای معاینات دوره ای و تعیین درصد جانبازی مواجه بودیم ضایعات محدود به ناحیه دم اسب را که ماهیتی متفاوت از نظر ساختمانی، ایجاد علایم و پیش آگهی نسبت به نخاع دارد بطور مجزا مورد مطالعه قرار داده و میزان بهبودی آنها را بعد از مجروحیت مورد مطالعه قرار دادیم.اصولا ضایعات نفوذی ستون مهره ای کمر سبب ضایعه ریشه های عصبی دم اسب در این ناحیه می شود و شدت ضایعات بستگی به خصوصیات گلوله و ترکش و تراکم بافتی دارد.علاوه بر آن ضایعات می تواند در اثر قطعات استخوانی، دیسک و یا هماتوم بوجود آید و گاه بیمار دچار عوارض دیررس ناشی از باقی ماندن جسم خارجی می شود....

با سمت گیری و تغییر ساختار بازار برق از بازار انحصاری دولتی به بازار رقابتی که در آن میزان تقاضا توسط نیروهای بازار تعیین می شود، نیاز به طراحی مدلی کارا و مناسب به گونه ای که ریسک شرکت در بازار رقابتی برای فعالان بازار برق را در جهت افزایش سودهی آنها کاهش دهد، اهمیت ویژه ای یافته است. برای مدلسازی و پیش بینی بار در بازار رقابتی باید خصوصیات این کالا از جمله فصلی بودن تقاضا را در نظر گرفت. مدل ایجاد شده در صورتی که بتواند با ایجاد رابطه ای از داده های قبلی، کمترین خطای پیش بینی را داشته باشد، موثرتر و کارآمدتر خواهد بود. در مدل های کلاسیک ارایه شده در مساله پیش بینی بار در بازار برق با تنوع تعداد متغیرهای ورودی و عدم پیروی متغیرها از یک مدل سری مشخص، خطای ناشی از پیش بینی افزایش خواهد یافت. در این مقاله با انگیزه دستیابی به کمترین خطای پیش بینی و برطرف کردن نواقص روش های قبلی، از روشی ترکیبی شبکه عصبی بهبود یافته مبتنی بر ساختار غیر خطی برای آموزش و یادگیری بهتر بر روی مقادیر گذشته بار و استفاده از آن برای اطلاعات آینده و از ایده ترکیبی کلونی مصنوعی زنبور عسل در یافتن بهترین وزن ها و بایاس ها برای حداقل کردن مربعات خطای پیش بینی بهره گرفته شده است. همچنین به منظور مرتب سازی داده ها و در نظر گرفتن عدم قطعیت در انتخاب بهترین داده ها از روش پیشنهادی انتخاباتی با در نظر گرفتن معیار آنتروپی بهره گرفته شده است. به منظور نشان دادن کارایی روش پیشنهادی در حل مساله پیش بینی بار در بازار برق در مقایسه با سایر روش های اخیر انجام گرفته در این زمینه، از بازار واقعی موجود نیوانگلند استفاده شده است. نتایج نشان از دقت بالا و خطای کمتر در پیش بینی می دهد. همچنین الگوریتم هوشمند ارایه شده قابلیت جستجوی محلی و نهایی آن به طور قابل ملاحظه ای بهبود یافته است.