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

 کاربرد شبکه هاي عصبی مصنوعی در طراحی سازه

از زمانی که در دهه 70 استفاده ازکامپیوترهاي محاسبه گر جاي خود را در مهندسی و محاسبات عددي باز کرده اند ، تحول عظیمی در روند مسائل مهندسی سازه بخصوصدر طراحی هاي طولانی و زمان بر به وجود آمده است. با این حال هنوز برخی از مسائل در طراحی وجود دارند که به علت پیچیدگی اطلاعات و یا نبود تئوري مدونی ، حتی به کمک کامپیوتر نیز براي رسیدن به جواب ، زمان طولانی صرف می شود. شبکه هاي عصبی مصنوعی ابزار قدرتمندي هستند که قادرند یک رابطه عمومی بین اطلاعات حجیم وپیچیده ناشی از آزمایشات و مثالهاي تجربی بدست آورند که در حل مسائل مشابه بدون صرف زمان زیادي مفید خواهند بود.

در سالیان اخیر شاهد حرکت مستمر از تحقیقات تئوري وکاربردي به خصوصدر زمینه پردازش اطلاعات ، براي مسائلی که براي آنها راه حل دقیقی موجود نیست و یا به راحتی قابل حل نیستند ، بوده ایم . با توجه به این امر ، علاقه فزآینده اي در توسعه تئوریک سیستم هاي دینامیکی هوشمند که مبتنی بر داده هاي تجربی هستند، ایجاد شده است . شبکه هاي عصبی مصنوعی جزء این دسته از سیستم هاي دینامیکی قرار دارند که با پردازش روي داده هاي تجربی ، دانش و یا قانون نهفته در وراي داده ها را به ساختار شبکه منتقل می کنند . به همین خاطر به این سیستم ها ، سیستم هاي هوشمند می گویند چرا که بر اساس محاسبات روي داده هاي عددي یا مثال ها ، قوانینی کلی را استخراج کرده و یاد گرفته اند

شبکه هاي عصبی مختلفی به منظور طراحی سازه به کار گرفته شده اند. از جمله مهمترین آنها شبکه چند لایه پرسپترون با الگوریتم یادگیري پس انتشار خطا است. شبکه هاي دیگري بدین منظور توسط محققین مختلف پیشنهاد شده است .در این نوشتار سعی شده است تا اندکی از کارایی ها و توانایی هاي این شبکه هاي مصنوعی معرفی شود.سپس در مورد مسائلی از طراحی سازه که توسط شبکه هاي عصبی مدل سازي و حل شده اند، بحث خواهد شد.

• 1
• 2
• 3
• 4
• 5

• 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

مقاله : شبکه های عصبی در هوش مصنوعی

مقدمه

این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازي نمايي شبكه هاي عصبي آشوبگونه با اغتشاش تصادفي و شناسايي شبكه هاي آشوبگونه آغشته به نويز بر مبناي شبكه هاي عصبي feedforward رگولاريزاسيون و همچنین شبکه هاي عصبي و الگوريتم هاي ژنتيک در تجارت  میپردازیم.

• 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

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