دانلود مقاله پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

اختصاصی از فی موو دانلود مقاله پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

خلاصه
مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .
این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .
اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .
از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .
این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .

1- مقدمه
شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .
یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .
دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .
ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .
برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .
شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

25 صفحه فایل ورد قابل ویرایش

خلاصه

۱- مقدمه

۲- تحقق شبکه عصبی.

۲-۱- اصول عملکرد

۲-۲- پیاده سازی مدارهای شبکه

۳- پیاده سازی الگوریتم آموزش ژنتیک…

۴- نتایج تجربی.

۵- نتیجه و چشم انداز

منابع.

دانلود پایان نامه تشخیص گفتاراز موسیقی به روش شبکه عصبی مصنوعی

اختصاصی از فی موو دانلود پایان نامه تشخیص گفتاراز موسیقی به روش شبکه عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

تشخیص گفتاراز موسیقی به روش شبکه عصبی مصنوعی

لینک پرداخت و دانلود *پایین مطلب* 

فرمت فایل:PDF

تعداد صفحه:79

فهرست مطالب :

چکیده :

پردازش گفتار با توجه به کاربردهای وسیع آن در ارتباطات، تبادل اطلاعات میان انسان و ماشین مانند روبات ها، صنعت مخابرات، سمعک ها، به کارگیری ماشین در ترجمه مکالمات از یک زبان به زبان دیگر، ابزارهای آموزشی و دیگر محصولات تجاری مورد توجه قرار گرفته است. دهه اخیر شاهد پیشرفت چشمگیری در این عرصه بوده است. سیستم ها و الگوریتم هایی که با عملکرد بالا در آزمایشگاه پیاده سازی شده اند، به سمت دنیای واقعی در حال حرکت هستند.

تمایز بین گفتار و موسیقی (SMD) از جمله موضوعاتی است که در دهه اخیر، مطالعات زیادی روی آن انجام شده است. از کاربردهای آن می توان به تشخیص کانال های رادیویی که فقط موسیقی پخش می کنند اشاره کرد. همچنین می تواند به عنوان بخش اولیه در بازشناسی خودکار گفتار محسوب شود.

به طور کلی اغلب کارهایی که در این زمینه انجام شده است شامل دو مرحله می باشد: 1- استخراج ویژگی قطعه صوتی که تمایز بین گفتار و موسیقی را بیان می کند 2- طبقه بندی قطعه صوتی با توجه به ویژگی. در بعضی رویکردها از یک ویژگی استفاده می شود ولی در برخی دیگر از چند ویژگی. از جمله این ویژگی ها می توان به ویژگی های حوزه زمان، حوزه فرکانس و زمان – فرکانس و… اشاره کرد. طبقه بندی کننده هایی که برای این کار استفاده می شوند نیز طبقه کننده های مرسوم مانند مدل مارکوف پنهان، ماشین بردار پشتیبان، گوسی و شبکه های عصبی و… می باشند. در این تحقیق از ضرائب ویولت به عنوان ابزار پایه استفاده شده است که شش ویژگی آماری ساده از آن استخراج می شوند. از شبکه عصبی پرسپترون چند لایه نیز به عنوان طبقه بندی کننده استفاده شده است که نتایج حاصله سیستم پیشنهادی در حدود 99 درصد را به دست آورد.

پیشرفت های قابل توجه فن آوری در طی دهه های گذشته به طور چشمگیری طریقه ارتباط برقرار کردن مردم با بسیاری از منابع مختلف اطلاعات و سرگرمی را تغییر داده است. کاربران فن آوری های مدرن، در ارتباط با انواع رسانه ها از یک حالت انفعال به وضعیت فعال منتقل شده است. همین طور که مقادیر داده ای در دسترس افزایش می یابد، تکنیک های کارآمد داده گردانی نیز لازم می شود.

در چند سال گذشته داده های صوتی به میزان زیاد از منابع در دسترس مانند پایگاه داده ها، برنامه های پخش و اینترنت ایجاد شده اند. بخاطر این که، توجه ویژه ای به توسعه استراتژی ها جابجایی داده اختصاص داده شده است. لذا، افتراق گفتار / موسیقی (SMD) به عنوان یکی از اهداف مهم به شمار می رود.

برای اهداف مختلفی می توان از یک SMD کارآمد بهره مند شد. از این ابزار می توان برای انتخاب براساس محتوا در مجموعه برنامه های پخش استفاده کرد. نمونه ای از این نوع کاربرد، انتخاب ایستگاه های رادیویی است که در واقع فقط موسیقی پخش می کنند. همچنین SMD قسمت اساسی تشخیص خودکار گفتار (ASR) و رونویسی موسیقی اتوماتیک (AMT)، که اغلب نیاز به تجزیه و تحلیل داده های صوتی بی ساخت یا نامعلوم دارند. در مورد ASR، بخش گفتار فقط باید در نظر گرفته شود، در حالی که در AMT باید نمونه های موسیقی مورد توجه قرار گیرند. لذا مهم است که سیگنال قبل از ورود به این سیستم ها به طور صحیح قطعه بندی شود. در نهایت نیز، توجه داشته باشید که دستگاه های مدرن کمک شنوایی اغلب شامل الگوریتم هایی هستند که عملکرد دستگاه را با توجه به نوع صدایی که به گوش می رسد تغییر می دهد.

و...

NikoFile

شبکه های عصبی به همراه فایل ارائه پاورپوینت

اختصاصی از فی موو شبکه های عصبی به همراه فایل ارائه پاورپوینت دانلود با لینک مستقیم و پر سرعت .

شبکه های عصبی

47 صفحه در قالب word

به همراه 17 اسلاید پاورپوینت

چکیده:

به موازات گسترش کاربرد شبکه عصبی نیاز به فراگیری آن و آشنایی با توانایی ها و قابلیت های آن رخ می نماید.

در این راستا تالیفات زیادی وجود دارد که می توان به آن ها استناد نمود اما در اکثر قریب به اتفاق این خود آموزها مبانی این شبکه ها با تفاضیل و جزئیات بسیار بیان شده است و مسلما بعنوان قدم اول برای آشنایی حجیم و وقت گیر به نظر می رسد. لذا بر آن شدیم تا با درنظر گرفتن نیاز دانشجویان به ویژه در کاربرد های پروژه ای که خود نیز دانشجو هستیم مقدماتی را جهت آشنایی با این شبکه ها بطور مختصر جمع آوری کنیم تا نیازهای مقدماتی جهت آشنایی با این شبکه ها را برطرف کند.

در این پروژه سعی کردیم تعریفی نسبتا جامع و کامل از شبکه های عصبی ، انواع آن ، کاربرد ها ، ساختار ها ، مقایسه ی آن با ساختارها و نرم افزارهای دیگر و ... پرداخته شود. با توجه به گستردگی مطالب در این پروژه سعی کردیم که از پرداختن به جزئیات غیر ضروری پرهیز شود. ما در فصل اول این تحقیق ابتدا به تعریف شبکه عصبی میپردازیم سپس  به بررسی شباهت شبکه های عصبی با مغز و بعد از آن به بررسی  انواع شبکه های عصبی و در آخر به  چند مورد از کاربرد های  شبکه های عصبی میپردازیم.

در فصل دوم به کاربردهای شبکه عصبی در OCR و در فصل سوم به انواع شبکه های عصبی ، فصل چهارم به  مقایسه شبکه های عصبی و در فصل پنجم به بررسی شبکه های عصبی و الگوریتم های ژنتیک در تجارت میپردازیم و در آخر به نتیجه گیری موضوع میرسیم.

فهرست مطالب

مقدمه. 7

فصل 1 : 8

شبکه عصبی.. 8

2-1  : شباهت شبکه های عصبی با مغز. 10

1-2-1  : ساختار نورون. 11

1-2-2  : روش کار نورون ها 12

1-3  : انواع شبکه های عصبی.. 12

1-3-1  : شبکه عصبی یک لایه ای : 12

1-3-2  : شبکه عصبی دو لایه ای : 13

1-3-3  : شبکه عصبی رقابتی : 13

1-4 : کاربرد شبکه های عصبی.. 13

فصل 2 : 18

کاربردهای شبکه عصبی در OCR.. 18

2-1 : پیش‎پردازش... 19

2-1-1 : بهبود تصویر. 20

2-1-2 : اصلاح چرخش... 21

2-1-3 : باریک‎سازی.. 21

2-2 : بخش بندی.. 22

2-3 : دسته‎بندی.. 24

2-3-1 : بازنمایی الگو و رمزگذاری.. 24

2-3-2 : استخراج ویژگی مبتنی بر بردار. 25

2-3-3 : رمزگذاری ویژگی‎های ساختاری.. 26

2-3-4 : ساختارهای ترکیبی.. 27

فصل 3 : 28

انواع شبکه های عصبی.. 28

3-1 : شبکه‌های عصبی زیستی.. 29

3-2 : شبکه عصبی مصنوعی.. 29

فصل 4 : 31

مقایسه شبکه های عصبی.. 31

4-1 : شبکه های عصبی در مقابل کامپیوتر های معمولی.. 32

4-2 : تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول (سیستم‌های خبره) 34

فصل 5 : 36

شبکه های عصبی و الگوریتم های ژنتیک در تجارت.. 36

5-1 : فناوری الگوریتم ژنتیک... 37

5-2 : مروری بر کاربردهای تجاری.. 38

5-2-1 : رفتار مصرف کننده. 39

5-2-2 : بخش بندی،انتخاب بازار هدف، جایگاه یابی.. 39

5-2-3 : مدیریت عناصر آمیخته بازاریابی.. 40

5-3 : سایر حوزه های تجاری.. 43

5-4 : مزایای استفاده از این فناوریهای هوش مصنوعی.. 43

نتیجه گیری.. 45

منابع. 46

مقدمه

این تحقیق با هدف اصلی درک اولیه ای از شبکه های عصبی آغاز شده است. در این تحقیق از منابع و سایت های متنوعی استفاده شده است و راهنمایی های استاد ارجمند سرکار خانم اعظم ایرجی چراغ راه ما بوده است.

شبکه های عصبی نوعی مدل ساده انگارانه از سیستم های عصبی واقعی هستند که کاربرد فراوانی در حل مسائل مختلف در علوم دارند. حوزه کاربرد این شبکه ها آن چنان گسترده است که از کاربردهای طبقه بندی گرفته تا کاربرد هایی نظیر درون یابی و تخمین و آشکارسازی و ... را شامل می شود. شاید مهمترین مزیت این شبکه ها توانایی وافر آن ها در کنار سهولت استفاده از آن ها باشد. به نظر می آید شبیه سازی های شبکه عصبی  یکی از پیشرفت های اخیر باشد . اگرچه این  موضوع پیش از ظهور  کامپیوتر ها بنیان گذاری شده  و  حداقل یک مانع بزرگ تاریخی  و  چندین دوره مختلف را پشت سر گذاشته است. از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.

فصل 1

    شبکه عصبی

• : تعریف شبکه عصبی

شبکه‌های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغز انسان نامید. مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل‌های الکترونیکی شبکه‌های عصبی طبیعی نیز بر اساس همین الگو بنا شده‌اند و روش برخورد چنین مدل‌هایی با مسائل، با روش‌های محاسباتی که به‌طور معمول توسط سیستم‌های کامپیوتری در پیش گرفته شده‌اند، تفاوت دارد.

می‌دانیم که حتی ساده‌ترین مغز‌های جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل می‌شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه‌ای از مواردی هستند که روش‌های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی‌رسند. درحالی‌که مغز ساده‌ترین جانوران به‌راحتی از عهده چنین مسائلی بر می‌آید.

مفهوم بنیادی شبکه های عصبی ، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحد های پردازش (نورون) مرتبط با شبکه ها تشکیل شده اند. سلول عصبی بیولوژیکی یا نورون ، واحد سازنده ی سیستم عصبی در انسان است.

و در ادامه میتوان گفت که شبکه عصبی  یک برنامه نرم افزاری یا تراشه نیمه هادی است که بتواند همانند مغز انسان عمل نماید طوری که :

1)به مرور زمان و تعامل بیشتر با محیط کارآزموده تر گردد.

2)علاوه بر انجام محاسبات قادر به نتیجه گیری منطقی باشد.

3)در شرایط جدید راهکار مناسب را ارائه دهد.(قابلیت تعمیم داشته باشد.)

2-1  : شباهت شبکه های عصبی با مغز

اگرچه مکانیسم‌های دقیق کارکرد مغز انسان (یا حتی جانوران) به‌ طور کامل شناخته شده نیست، اما با این وجود جنبه‌های شناخته شده‌ای نیز وجود دارند که الهام بخش تئوری شبکه‌های عصبی بوده‌اند. به‌عنوان مثال، یکی ازسلول‌های عصبی، معروف به نرون (Neuron) است که دانش بشری آن را به‌عنوان سازنده اصلی مغز می‌انگارد. سلول‌های عصبی قادرند تا با اتصال به‌ یکدیگر تشکیل شبکه‌های عظیم بدهند. گفته می‌شود که هر نرون می‌تواند به هزار تا ده هزار نرون دیگر اتصال یابد (حتی در این مورد عدد دویست هزار هم به عنوان یک حد بالایی ذکر شده است).

قدرت خارق‌العاده مغز انسان از تعداد بسیار زیاد نرون‌ها و ارتباطات بین آنها ناشی می‌شود.
ساختمان هر یک از نرون‌ها نیز به‌تنهایی بسیار پیچیده است. هر نرون از بخش‌ها و زیر‌سیستم‌های زیادی تشکیل شده است که از مکانیسم‌های کنترلی پیچیده‌ای استفاده می‌کنند. سلول‌های عصبی می‌توانند از طریق مکانیسم‌های الکتروشیمیایی اطلاعات را انتقال دهند. برحسب مکانیسم‌های به‌کاررفته در ساختار نرون‌ها، آنها را به بیش از یکصدگونه متفاوت طبقه‌بندی می‌کنند. در اصطلاح فنی، نرون‌ها و ارتباطات بین آنها، فرایند دودویی(Binary)، پایدار (Stable) یا همزمان (Synchronous) محسوب نمی‌شوند.
در واقع، شبکه‌های عصبی شبیه‌سازی شده یا کامپیوتری، فقط قادرند تا بخش کوچکی از خصوصیات و ویژگی‌های شبکه‌های عصبی بیولوژیک را شبیه‌سازی کنند. در حقیقت، از دید یک مهندس نرم‌افزار، هدف از ایجاد یک شبکه عصبی نرم‌افزاری، بیش از آنکه شبیه‌سازی مغز انسان باشد، ایجاد مکانیسم دیگری برای حل مسائل مهندسی با الهام از الگوی رفتاری شبکه‌های بیولوژیک است.

ممکن است هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است

متن کامل را می توانید در ادامه دانلود نمائید

چون فقط تکه هایی از متن برای نمونه در این صفحه درج شده است ولی در فایل دانلودی متن کامل همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند موجود است

شبکه های عصبی به همراه فایل ارائه پاورپوینت

اختصاصی از فی موو شبکه های عصبی به همراه فایل ارائه پاورپوینت دانلود با لینک مستقیم و پر سرعت .

شبکه های عصبی

47 صفحه در قالب word

به همراه 17 اسلاید پاورپوینت

چکیده:

به موازات گسترش کاربرد شبکه عصبی نیاز به فراگیری آن و آشنایی با توانایی ها و قابلیت های آن رخ می نماید.

در این راستا تالیفات زیادی وجود دارد که می توان به آن ها استناد نمود اما در اکثر قریب به اتفاق این خود آموزها مبانی این شبکه ها با تفاضیل و جزئیات بسیار بیان شده است و مسلما بعنوان قدم اول برای آشنایی حجیم و وقت گیر به نظر می رسد. لذا بر آن شدیم تا با درنظر گرفتن نیاز دانشجویان به ویژه در کاربرد های پروژه ای که خود نیز دانشجو هستیم مقدماتی را جهت آشنایی با این شبکه ها بطور مختصر جمع آوری کنیم تا نیازهای مقدماتی جهت آشنایی با این شبکه ها را برطرف کند.

در این پروژه سعی کردیم تعریفی نسبتا جامع و کامل از شبکه های عصبی ، انواع آن ، کاربرد ها ، ساختار ها ، مقایسه ی آن با ساختارها و نرم افزارهای دیگر و ... پرداخته شود. با توجه به گستردگی مطالب در این پروژه سعی کردیم که از پرداختن به جزئیات غیر ضروری پرهیز شود. ما در فصل اول این تحقیق ابتدا به تعریف شبکه عصبی میپردازیم سپس  به بررسی شباهت شبکه های عصبی با مغز و بعد از آن به بررسی  انواع شبکه های عصبی و در آخر به  چند مورد از کاربرد های  شبکه های عصبی میپردازیم.

در فصل دوم به کاربردهای شبکه عصبی در OCR و در فصل سوم به انواع شبکه های عصبی ، فصل چهارم به  مقایسه شبکه های عصبی و در فصل پنجم به بررسی شبکه های عصبی و الگوریتم های ژنتیک در تجارت میپردازیم و در آخر به نتیجه گیری موضوع میرسیم.

فهرست مطالب

مقدمه. 7

فصل 1 : 8

شبکه عصبی.. 8

2-1  : شباهت شبکه های عصبی با مغز. 10

1-2-1  : ساختار نورون. 11

1-2-2  : روش کار نورون ها 12

1-3  : انواع شبکه های عصبی.. 12

1-3-1  : شبکه عصبی یک لایه ای : 12

1-3-2  : شبکه عصبی دو لایه ای : 13

1-3-3  : شبکه عصبی رقابتی : 13

1-4 : کاربرد شبکه های عصبی.. 13

فصل 2 : 18

کاربردهای شبکه عصبی در OCR.. 18

2-1 : پیش‎پردازش... 19

2-1-1 : بهبود تصویر. 20

2-1-2 : اصلاح چرخش... 21

2-1-3 : باریک‎سازی.. 21

2-2 : بخش بندی.. 22

2-3 : دسته‎بندی.. 24

2-3-1 : بازنمایی الگو و رمزگذاری.. 24

2-3-2 : استخراج ویژگی مبتنی بر بردار. 25

2-3-3 : رمزگذاری ویژگی‎های ساختاری.. 26

2-3-4 : ساختارهای ترکیبی.. 27

فصل 3 : 28

انواع شبکه های عصبی.. 28

3-1 : شبکه‌های عصبی زیستی.. 29

3-2 : شبکه عصبی مصنوعی.. 29

فصل 4 : 31

مقایسه شبکه های عصبی.. 31

4-1 : شبکه های عصبی در مقابل کامپیوتر های معمولی.. 32

4-2 : تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول (سیستم‌های خبره) 34

فصل 5 : 36

شبکه های عصبی و الگوریتم های ژنتیک در تجارت.. 36

5-1 : فناوری الگوریتم ژنتیک... 37

5-2 : مروری بر کاربردهای تجاری.. 38

5-2-1 : رفتار مصرف کننده. 39

5-2-2 : بخش بندی،انتخاب بازار هدف، جایگاه یابی.. 39

5-2-3 : مدیریت عناصر آمیخته بازاریابی.. 40

5-3 : سایر حوزه های تجاری.. 43

5-4 : مزایای استفاده از این فناوریهای هوش مصنوعی.. 43

نتیجه گیری.. 45

منابع. 46

مقدمه

این تحقیق با هدف اصلی درک اولیه ای از شبکه های عصبی آغاز شده است. در این تحقیق از منابع و سایت های متنوعی استفاده شده است و راهنمایی های استاد ارجمند سرکار خانم اعظم ایرجی چراغ راه ما بوده است.

شبکه های عصبی نوعی مدل ساده انگارانه از سیستم های عصبی واقعی هستند که کاربرد فراوانی در حل مسائل مختلف در علوم دارند. حوزه کاربرد این شبکه ها آن چنان گسترده است که از کاربردهای طبقه بندی گرفته تا کاربرد هایی نظیر درون یابی و تخمین و آشکارسازی و ... را شامل می شود. شاید مهمترین مزیت این شبکه ها توانایی وافر آن ها در کنار سهولت استفاده از آن ها باشد. به نظر می آید شبیه سازی های شبکه عصبی  یکی از پیشرفت های اخیر باشد . اگرچه این  موضوع پیش از ظهور  کامپیوتر ها بنیان گذاری شده  و  حداقل یک مانع بزرگ تاریخی  و  چندین دوره مختلف را پشت سر گذاشته است. از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.

فصل 1

    شبکه عصبی

• : تعریف شبکه عصبی

شبکه‌های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغز انسان نامید. مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل‌های الکترونیکی شبکه‌های عصبی طبیعی نیز بر اساس همین الگو بنا شده‌اند و روش برخورد چنین مدل‌هایی با مسائل، با روش‌های محاسباتی که به‌طور معمول توسط سیستم‌های کامپیوتری در پیش گرفته شده‌اند، تفاوت دارد.

می‌دانیم که حتی ساده‌ترین مغز‌های جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل می‌شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه‌ای از مواردی هستند که روش‌های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی‌رسند. درحالی‌که مغز ساده‌ترین جانوران به‌راحتی از عهده چنین مسائلی بر می‌آید.

مفهوم بنیادی شبکه های عصبی ، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحد های پردازش (نورون) مرتبط با شبکه ها تشکیل شده اند. سلول عصبی بیولوژیکی یا نورون ، واحد سازنده ی سیستم عصبی در انسان است.

و در ادامه میتوان گفت که شبکه عصبی  یک برنامه نرم افزاری یا تراشه نیمه هادی است که بتواند همانند مغز انسان عمل نماید طوری که :

1)به مرور زمان و تعامل بیشتر با محیط کارآزموده تر گردد.

2)علاوه بر انجام محاسبات قادر به نتیجه گیری منطقی باشد.

3)در شرایط جدید راهکار مناسب را ارائه دهد.(قابلیت تعمیم داشته باشد.)

2-1  : شباهت شبکه های عصبی با مغز

اگرچه مکانیسم‌های دقیق کارکرد مغز انسان (یا حتی جانوران) به‌ طور کامل شناخته شده نیست، اما با این وجود جنبه‌های شناخته شده‌ای نیز وجود دارند که الهام بخش تئوری شبکه‌های عصبی بوده‌اند. به‌عنوان مثال، یکی ازسلول‌های عصبی، معروف به نرون (Neuron) است که دانش بشری آن را به‌عنوان سازنده اصلی مغز می‌انگارد. سلول‌های عصبی قادرند تا با اتصال به‌ یکدیگر تشکیل شبکه‌های عظیم بدهند. گفته می‌شود که هر نرون می‌تواند به هزار تا ده هزار نرون دیگر اتصال یابد (حتی در این مورد عدد دویست هزار هم به عنوان یک حد بالایی ذکر شده است).

قدرت خارق‌العاده مغز انسان از تعداد بسیار زیاد نرون‌ها و ارتباطات بین آنها ناشی می‌شود.
ساختمان هر یک از نرون‌ها نیز به‌تنهایی بسیار پیچیده است. هر نرون از بخش‌ها و زیر‌سیستم‌های زیادی تشکیل شده است که از مکانیسم‌های کنترلی پیچیده‌ای استفاده می‌کنند. سلول‌های عصبی می‌توانند از طریق مکانیسم‌های الکتروشیمیایی اطلاعات را انتقال دهند. برحسب مکانیسم‌های به‌کاررفته در ساختار نرون‌ها، آنها را به بیش از یکصدگونه متفاوت طبقه‌بندی می‌کنند. در اصطلاح فنی، نرون‌ها و ارتباطات بین آنها، فرایند دودویی(Binary)، پایدار (Stable) یا همزمان (Synchronous) محسوب نمی‌شوند.
در واقع، شبکه‌های عصبی شبیه‌سازی شده یا کامپیوتری، فقط قادرند تا بخش کوچکی از خصوصیات و ویژگی‌های شبکه‌های عصبی بیولوژیک را شبیه‌سازی کنند. در حقیقت، از دید یک مهندس نرم‌افزار، هدف از ایجاد یک شبکه عصبی نرم‌افزاری، بیش از آنکه شبیه‌سازی مغز انسان باشد، ایجاد مکانیسم دیگری برای حل مسائل مهندسی با الهام از الگوی رفتاری شبکه‌های بیولوژیک است.

ممکن است هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است

متن کامل را می توانید در ادامه دانلود نمائید

چون فقط تکه هایی از متن برای نمونه در این صفحه درج شده است ولی در فایل دانلودی متن کامل همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند موجود است

یکپارچه سازی پایگاه داده اطلاعات تصویر برداری عصبی پروتکل خاص

اختصاصی از فی موو یکپارچه سازی پایگاه داده اطلاعات تصویر برداری عصبی پروتکل خاص دانلود با لینک مستقیم و پر سرعت .

عنوان انگلیسی: 

Database integration of protocol-specific neurological imaging datasets

عنوان فارسی:

یکپارچه سازی پایگاه داده اطلاعات تصویر برداری عصبی پروتکل خاص

تعداد صفحات مقاله اصلی: 5 صفحه

تعداد صفحات ترجمه: 12 صفحه

سال انتشار: 2014

مجله

http://www.journals.elsevier.com/neuroimage

For many years now, Magnetic Resonance Innovations (MR Innovations), a magnetic resonance imaging (MRI) software development, technology, and research company, has been aggregating a multitude of MRI data from different scanning sites through its collaborations and research contracts. The majority of the data has adhered to neuroimaging protocols developed by our group which has helped ensure its quality and consistency. The pro- tocols involved include the study of: traumatic brain injury, extracranial venous imaging for multiple sclerosis and Parkinson's disease, and stroke. The database has proven invaluable in helping to establish disease bio- markers, validate findings across multiple data sets, develop and refine signal processing algorithms, and estab- lish both public and private research collaborations. Myriad Masters and PhD dissertations have been possible thanks to the availability of this database. As an example of a project that cuts across diseases, we have used the data and specialized software to develop new guidelines for detecting cerebral microbleeds. Ultimately, the database has been vital in our ability to provide tools and information for researchers and radiologists in diagnos- ing their patients, and we encourage collaborations and welcome sharing of similar data in this database

چکیده

طی سالهای متمادی، شرکت نوآوریهای تشدید (رزونانس) مغناطیسی (نوآوری MR)، که یک شرکت تحقیقاتی و توسعه دهنده فن آوری نرم افزار تصویربرداری تشدید مغناطیسی (MRI) می باشد، داده های MRI فراوانی از مکانهای اسکن کننده مختلف را از طریق همکاری ها و قراردادهای تحقیقاتی اش با آنها، جمع آوری نموده است. اکثر داده هایی که به پروتکل های تصویربرداری عصبی پیوست داده شده است توسط گروه ما توسعه داده شده که این امر کمک می کند نسبت به کیفیت و ثبات آنها اطمینان حاصل شود. پروتکل های وارد در این بحث شامل مطالعه: آسیب مغزی ناشی از ضربه، تصویربرداری وریدی بیرونی برای اسکلروزهای چندگانه و بیماری پارکینسون، و سکته مغزی می باشد. ثابت شده است پایگاه داده در کمک به ایجاد نشانگرهای زیستی بیماری، اعتبارسنجی یافته ها در مجموعه داده های مختلف، توسعه و اصلاح الگوریتم های پردازشگر سیگنال و ایجاد همکاری های تحقیقاتی در هر دو بخش دولتی و خصوصی ارزشمند بوده است. پایان نامه های کارشناسی و تزهای دکتری بی شماری از امکان در دسترس بودن اطلاعات این پایگاه داده قدردانی نموده اند. به عنوان مثالی از یک پروژه مرتبط با بیماری ها، ما از این داده ها و نرم افزار تخصصی برای توسعه راهکارهای جدید جهت شناسایی خونریزیهای جزیی (ریز) مغزی استفاده کرده ایم. در نهایت، پایگاه داده در توانایی ما برای تهیه ابزارها و اطلاعات برای محققان و رادیولوژیست ها در تشخیص بیماران حیاتی بوده است، و ما از هر نوع همکاری و به اشتراک گذاری داده های مشابه با این پایگاه داده استقبال می کنیم.