در این مقاله روش جدید و کارآمدی برای مدل سازی دقیق افزاره های نیمه هادی با استفاده از مدل تقریبی و به کمک شبکه عصبی ارایه شده است. بر خلاف مدل های دقیق که دارای پیچیدگی بالا و هزینه زمانی و پردازشی زیادی هستند، روش پیشنهادی از پیچیدگی کمتر و سرعت پردازش بیشتری برخوردار است. در این روش از شبکه عصبی RBF برای محاسبه پارامتر اصلاحی در مدل نفوذ - رانش استفاده شده است. بدین صورت حل مدل تقریبی اصلاح شده منجر به جواب دقیق می شود. روش پیشنهادی ابتدا برای دیود n-i-n سیلیکونی به صورت یک بعدی و سپس برای ترانزیستور اثر میدانی سیلیکونی به صورت دوبعدی برای دو حالت درون یابی و برون یابی در رنج محدود، شبیه سازی شده است که نتایج آن برای متغیرهای اساسی مدل، مثل توزیع الکترون و پتانسیل در طول افزاره در ولتاژهای مختلف، دقت بالای روش پیشنهادی را تایید می کنند.

قشر انتورینال، هسته اصلی شبکه ای است که در مغز به راهبری و حافظه مکانی اختصاص دارد. نرون های اصلی این بخش دارای الگوی آتش شدن خاصی در محیط هستند؛ نرخ آتش شدن این سلول ها در چندین مکان از محیط افزایش می یابد. این مکان ها تشکیل یک شبکه مثلثی تکراری می دهند که کل محیط را می پوشاند. قشر انتورینال، مهم ترین ساختار ورودی به هیپوکمپ است و سلول های شبکه، یک سیناپس بالاتر از سلول های مکانی هیپوکمپ قرار دارند. مساله مهم این است که چگونه فعالیت واحد و متمرکز سلول های مکانی می تواند از فعالیت چندتایی سلول های شبکه ایجاد شود. در این تحقیق، برای توجیه نگاشت از سلول های شبکه به سلول های مکانی، یک مدل RBF (Radial Basis Function) پیشنهاد شده است. برای بررسی عملکرد این مدل ابتدا یک محیط یک بعدی (خط به طول 1 متر) و سپس یک محیط دو بعدی (محیط مربعی) در نظر گرفته شده است. مدل سازی با در نظر گرفتن ویژگی های سلول های شبکه انجام شده و از عملکرد بسیار خوبی در ایجاد میدان های مکانی متمرکز برخوردار است.

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

در این مقاله، تحلیل و طراحی قاب های فضایی با استفاده از شبکه های عصبی مورد بررسی قرار گرفته است. شبکه های متفاوتی آموزش داده شده و آزمایش شده اند و با بررسی آماری جواب های حاصل با در نظر گرفتن محدودیت ها، ملاحظه می شود که نتایج دارای تقریب بسیار خوبی هستند. نتایج این بررسی ها در جداولی ارایه شده اند.

تعیین مناطق حساس و مستعد لغزش، زمینه ای برای برنامه های پایدارسازی دامنه ها و کاهش خسارات احتمالی فراهم می آورد. در حوضه ی آبریز حبله رود از شبکه های عصبی مصنوعی (ANN) و منطق فازی (FL) به عنوان یکی که از روش های تحلیل تصمیم گیری چند معیاره مبتنی بر ArcGIS در ارزیابی علمی نواحی مستعد زمین لغزش، استفاده شده است. در این زمینه از نرم افزارهای MATLAB، IDRISI وArcGIS بهره گرفته شد. بعد از تهیه ی نقشه های حساسیت زمین لغزش، پهنه های مستعد پیش بینی شده توسط منطق فازی و شبکه ی عصبی مصنوعی پرسپترون چندلایه (MLP-ANN)، با بانک اطلاعاتی (نقشه ی پراکنش) زمین لغزش های حوضه مقایسه شدند. نتایج، بیانگر هم پوشانی خوب بین پهنه های مستعد پیش بینی شده توسط شبکه ی عصبی مصنوعی پرسپترون چندلایه و برداشت های صحرایی زمین لغزش می باشد. نهایتاً، عملکرد روش های مختلف در تولید نقشه های حساسیت زمین لغزش با استفاده از شاخص های صحت سنجی "جمع مطلوبیت (Qs)" و "منحنی مشخصه ی عملکرد سیستم (ROC)" با یکدیگر مقایسه شد تا روش مطلوب و کاربردی برای مدیریت خطر زمین لغزش حوضه تعیین شود. با تحلیل نقشه های پهنه بندی و با توجه به مقادیر جمع مطلوبیت و مقدار "سطح زیر منحنی (AUC)" حاصله مشاهده می شود که مقدار Qs (6299/1) و AUC (806/0-خیلی خوب) حاصل از MLP-ANN، بیشتر از مقداری است که برای نقشه های حساسیت حاصل از عملگرهای مختلف FL محاسبه شده است.

یکی از اساسی ترین مباحث در علوم زمین، تهیه و رسم نقشه های مختلف پهنه بندی زمین ساختی است. روش های مرسوم و متداول در پهنه بندی زمین ساختی نه تنها با قضاوت های ذهنی همراه است، بلکه تفسیر حجم بالای داده ها مشکل و در عمل خارج از توانایی بشر است. برای پرهیز از این نواقص و اشکال ها، روش های علمی رقومی استخراج اطلاعات از داده ها (data mining) می تواند به عنوان ابزاری مفید و موثر برای تهیه و رسم نقشه های رقومی جدید در علوم زمین مورد استفاده قرار گیرد. در این مقاله، شبکه عصبی نگاشت خودسامان(self – organizing map) که یکی از روش های متداول استخراج اطلاعات از داده ها است، برای پهنه بندی رقومی زمین ساختی ایران زمین به کار گرفته شده است. SOM نوعی شبکه عصبی مصنوعی غیرنظارتی (unsupervised artificial neural network) است که برای الگوشناسی (pattern recognition) و خوشه بندی (clustering) داده های چند بعدی به کار می رود. تجسمvisualization) ) داده های چند بعدی در پدیده نگاشت (feature map) دوبعدی با حفظ توپولوژی مکان شناسی  (topological-preserving)از دیگر ویژگی های بارز کاربرد روش SOM در تهیه نقشه های رقومی است که نمایانگر میزان همگنی و تقارب پهنه های تفکیک شده است. اگر چه نقشه های رقومی که در این پژوهش تهیه شده شباهت های بسیاری با نقشه های سنتی (conventional maps) دارد، لکن نقشه های SOM از توانمندی های بهتری برای تفکیک و تفسیر مناطق مختلف برخوردار هستند. روش جدید افزون بر تفکیک پهنه های زمین ساختی، میزان همگنی هر پهنه را نیز مشخص می نماید. مناطق با تاریخچه تحولات زمین شناسی مشابه، صرفنظر از موقعیت جغرافیایی شان، در یک پهنه قرار می گیرند. برای مثال نتایج حاصل از این روش حاکی از آن است که پهنه های لوت و گاوخونی اصفهان نسبت به پهنه های مکران و آذربایجان غربی از درجه همگنی بالاتری برخوردارند. مناطق کپه داغ و راندگی زاگرس نیز با وجود واقع شدن در دو منطقه جغرافیایی متفاوت، برای یک پهنه با ویژگی های مشابه منفک شده اند. افزون بر آن، در نقشه رقومی تهیه شده، پهنه مکران از رشته کوه های خاور ایران و پهنه آذربایجان غربی از رشته کوه های البرز تفکیک شده اند. قابل توجه است که نتایج به دست آمده توسط SOM فقط براساس متغیرهای ژئوفیزیکی، زمین شناسی و لرزه خیزی یاد شده است، بنابراین باید در تعیین شباهت و تمایز بین نقشه های رقومی و زمین ساختی رایج دقت لازم به عمل آید.

ناوبری هوشمندانه و خودکار پهپاد براساس انطباق تصاویر دریافتی از پهپاد با تصاویر ماهواره ای یکی از جدیدترین گونه های ناوبری می باشد که بسیار مورد توجه محققان و صنعتگران این حوزه قرار گرفته است. این روش هم از نظر جنگ الکترونیک و هم از نظر کارآیی، زمانی موثر است که تصاویری با کیفیت بالا موجود باشد تا ویژگی های تصاویر را بتوان استخراج نمود. اما یکی از عواملی که سبب کاهش بهره استخراج ویژگی های تصاویر و انطباق آن با تصاویر ماهواره ای می شود، ماتی است. مات زدایی از تصاویر تبدیل به یک موضوع به روز و چالش برانگیز برای محققان شده است. در این مقاله روشی نوین برای بهسازی کیفیت تصاویر با استفاده از روش فراتفکیک پذیری مبتنی بر شبکه عصبی کانولوشنی CNN با چند لایه نگاشت غیرخطی ارائه گردید که نقش بسزایی در مات زدایی و نویززدایی از تصاویر پهپاد دارد. نتایج نشان می دهد که این روش نسبت به روش های مطرح امروزی، کارآیی بهتری دارد. به طوری که روش پیشنهادی میزان کیفیت تصویر را نسبت به روش های مطرح، براساس معیار نسبت پیک سیگنال به نویز (PSNR) تقریبا به اندازه 5% افزایش می دهد.

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