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.

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

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.

زمینه و هدف: دیابت، بیماری شایعی است که با ایجاد عوارض چشمی منجر به کاهش بینایی و کوری می گردد. در این پژوهش مدلی از شبکه های عصبی خودسازمان ده سلسله مراتبی در جهت تشخیص و طبقه بندی ضایعات شبکیه (رتینوپاتی دیابتی) ارایه شد. روش بررسی: نوع مطالعه به صورت مقطعی گذشته نگر می باشد که از دی تا اسفند 1394 در دانشگاه علوم پزشکی ارتش انجام پذیرفت. مطالعه بر روی پایگاه MESSIDOR که شامل 1200 تصویر از قطب خلفی چشم می باشد انجام گرفته است. تصاویر شبکیه به سه دسته خفیف، متوسط و شدید طبقه بندی شده اند. یک سیستم متشکل از یک طبقه بندی ترکیبی جدید از Self-organising map (SOM) algorithm برای تشخیص ضایعات شبکیه ارایه شده است. سیستم پیشنهادی شامل پیش پردازش سریع، استخراج ویژگی مربوط به ضایعات و در نهایت ارایه مدلی جهت طبقه بندی می باشد. در پیش پردازش، سیستم از سه فرآیند جداسازی اولیه ضایعات هدف، جداسازی دیسک نوری و درنهایت جداسازی عروق خونی از شبیکه تشکیل شده است. گام دوم مجموعه ای از ویژگی ها بر اساس توصیف های مختلف مانند مورفولوژی، رنگ، شدت نور و مومنت ها می باشند. طبقه بندی شامل ارایه یک مدل از شبکه های خودسازمان ده سلسله مراتبی می باشد که جهت تسریع و افزایش دقت در کلاس بندی ضایعات با مدنظر قرار دادن حجم بالای داده ها در استخراج ویژگی ارایه شده است. یافته ها: میزان حساسیت، ویژگی و دقت به دست آمده از مدل پیشنهادی برای طبقه بندی ضایعات رتینوپاتی دیابتی، به ترتیب برابر با 98.51% (%99.5 CI 95% تا 96%)، 96.77% (%97 CI 95% تا %94) و 97.87% (%98 CI 95% تا %95) بود. نتیجه گیری: بر اساس نتایج به دست آمده، مدل پیشنهادی قادر است ضایعات را در تصاویر رتینوپاتی دیابتی تشخیص و با دقت مناسبی طبقه بندی نماید.

موفقیت بلندمدت هر کسب و کار، به ایجاد ارزش و رضایت مندی برای مشتریانش وابسته است. این امر موجب خرید دوباره و رشد هم زمان بازار می شود. در این نوشتار با استفاده از مفاهیم شبکه های عصبی، مدلی برای سنجش میزان وفاداری مشتریان نسبت به محصولات/ خدمات مختلف ارایه شده است. در این مدل پیشنهادی، از شبکه های عصبی خود سازمان ده برای این منظور، استفاده شده است. استفاده از شبکه های عصبی خود سازمان ده به جای شبکه های عصبی پیش خور مزایای متعددی (از جمله کاهش تعداد تحلیل پرسش نامه ها در آموزش شبکه) را به همراه خواهد داشت. در این پژوهش، دفتر طرح های تحقیقاتی شهرک علمی و تحقیقاتی اصفهان به عنوان مطالعه موردی، بررسی شده است و مدل پیشنهادی برای مشتریان این سازمان پیاده سازی شده است.

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

پیش بینی مکان پس لرزه ها و شناسایی الگو و خوشه یابی آن با استفاده از شبکه های عصبی مصنوعی از مباحث اساسی و مهم شناسی است و شبکه عصبی خودسازمانده کوهونن ابزاری قوی و هوشمند در این مقاله است. در این پژوهش از شبکه عصبی خودسازمان یافته کوهونن بهره گرفته ایم. با دو مثال، موقعیت مکانی پس لرزه ها دو رویداد ایزمیت در ترکیه (1999) و زمین لرزه قائن - بیرجند (1997) پیش بینی شده است.

بخش بندی تصویر چهره یک مولفه ی ضروری در کاربردهای پردازش تصویر و بینایی کامپیوتر نظیر شناسایی چهره، شناسایی هویت و آنالیز جراحی پلاستیک چهره است. یکی از مهم ترین روش های بخش بندی تصاویر چهره، روش های مبتنی بر خوشه بندی هستند. نگاشت خودسازمان ده (SOM) جزء پرکاربردترین روش مبتنی برشبکه های عصبی در داده کاوی است. عیب مهمی که الگوریتم SOM استاندارد دارد این است که ضریب یادگیری در آن وفقی نیست. وفقی بودن ضریب یادگیری در به روزرسانی وزن های نگاشت خودسازمان ده منجر به بهتر شدن عمل کرد این الگوریتم خواهد شد. شبکه ی عصبی گازی (NGN) یک یادگیری بدون ناظر بوده که ساختار همسایگی در آن وفقی بوده و وزن سیناپسی مستقل از هر گونه تنظیم توپولوژیکی به روزرسانی می شود. هدف اصلی این پژوهش، ارائه ی روش هیبریدی جدید SOMNGN است که در آن بتوان ضریب یادگیری در فاز تطبیق الگوریتم SOM استاندارد را با استفاده از الگوریتم NGN وفقی کرد. همچنین، دو فضای رنگی شامل YCbCr و فضای نگاشت چهره به عنوان مرحله ی پیش-پردازش جهت مدل کردن پوست چهره به کار گرفته شده است. نتایج به دست آمده در فضاهای رنگی ذکر شده نشان می دهند که الگوریتم پیشنهادی نسبت به SOM استاندارد دقت بالاتری در آشکارسازی صحیح پیکسل های پوست چهره دارد.