
این سیستم خبره به کاربر کمک میکند که عطر مناسب برای خودرا شناسایی و خرید نماید.
سیستم خبره با استفاده از کلیپس نوشته شده است.
سیستم خبره تشخیص عطر مناسب
این سیستم خبره به کاربر کمک میکند که عطر مناسب برای خودرا شناسایی و خرید نماید.
سیستم خبره با استفاده از کلیپس نوشته شده است.
فایل فلش TW-A0721R-V11
مناسب برای تبلت ATOUCH
قابل رایت با phoenix و Livesuit
در این فروشگاه کلیه فایل ها تست شده با لینک مستقیم و زیر قیمت میباشد
فایل فلش TW-A0721R-V11
مناسب برای تبلت ATOUCH
قابل رایت با phoenix و Livesuit
در این فروشگاه کلیه فایل ها تست شده با لینک مستقیم و زیر قیمت میباشد
اما درصورت عدم نتیجه گیری، ما تا آخرین لحظه در کنار شما خواهیم بود
لطفا به نکات آموزشی و پیشنهادی بعد از خرید عمل کنید
کیفیت مسیر ماست، نه مقصد ما / درگاه خرید امن، خرید مطمئن
به کانال تلگرام ما بپیوندید و از تخفیف و آموزش و فایل های رایگان با خبر شوید
بهترین تبلیغ ما ، رضایت شماست
دانلود تحقیق کارآموزی کاجهای مناسب کشت در استان تهران
نوع فایل : Word
تعداد صفحات : 23
فهرست محتوا
پیشگفتار
کاجها گروه بزرگی از سوزنی برگان هستند که کاشت آنها بعلت امتیازاتیکه دارند،هم از نظر پارک سازی و کاشت درختان درمیادین ،خیابانهای شهرها و هم از نظر جنگلکاری و ایجاد فضای سبز و تولید چوب حائز اهمیت بسیار است. جنس کاجها(pinus) دارای بیش از 900 گونه و واریته و فرمهای جغرافیائی بسیار زیاد هستند.
با یک نظر اجمالی معلوم می شود که دستگاه طبیعی این درختان اکثراً در مناطقی از نیمکره شمالی کره زمین گسترده است که دارای آب و هوای معتدل گرم ونیمه خشک یا آب و هوای مدیترانه ای است.
این درختان بعلت دامنه وسیع بردباری می توانند در صورت وجود آبیاری،شرایط مناطق استپی حتی نیمه بیابانی را نیز تحمل نمایند.
همیشه سبز بودن برگها،رویش نسبتا سریع بسیاری از گونه ها و واریته ها ، زیبائی شکل ظاهری آنها بویژه در جوانی قابلیت تولید چوب پر مصرف در صنایع، مقاومت زیاد در مقابل آلودگی هوا و از همه مهمتر، کم نیاز بودن این درختان ، امتیاز بسیار بزرگی برای استفاده از آنها در نقاط خشک ونیمه خشک بشمار می رود ...
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه30
فهرست مطالب
خلاصه
1- مقدمه 2- تحقق شبکه عصبی
2-1- اصول عملکرد
2-2- پیاده سازی مدارهای شبکه
مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .
2
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 .
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 .
مسئله اصلی که هنوز باید حل شود آموزش است .
حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .
در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .
آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .
دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .
اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .
بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .
اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .
برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .
این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .