بسته جامع پژوهشی پياده سازي شبكه هاي عصبي مصنوعي بر روي FPG

این بسته پژوهشی مجموعه کاملی از آخرین پژوهش های انجام شده در زمینه پياده سازي شبكه هاي عصبي مصنوعي بر روي FPG است. در تدوین این بسته از جدیدترین مقالات و پایان نامه های موجود در این زمینه استفاده شده است. مخاطبان این بسته دانشجویان تحصیلات تکمیلی و پژوهش گرانی هستند که قصد فعالیت در این زمینه دارند.

  • در فصل اول این پژوهش تشخیص سریع کارکتر با استفاده از مالتی اکسپرت عصبی بررسی شده است
  • در فصل دوم این پژوهش پياده سازي شبكه هاي عصبي مصنوعي بر روي FPGA بررسی شده است
  • در فصل سوم این پژوهش بررسی مدل های ANN قابل پیاده سازی روی FPGA بررسی شده است

شبکه هاي عصبی ابزاري کارآمد براي حل مسائل مربوط به تشخیص الگو، تعمیم، پیش بینی، تخمین تابع، بهینه سازي و نگاشت سیستم هاي با رفتار غیر خطی هستند. استفاده از شبکه هاي عصبی مرکب با استفاده از قاعده ي یادگیري دسته جمعی به منظور افزایش دقت و کارایی سیستم ها انجام می شود.
تعمیم پشته اي به عنوان یک روش عام براي بهبود تعمیم در طبقه بندي الگوها مطرح شده است. یک شبکه عصبی مرکب از نوع تعمیم پشته اي در شکل 1نشان داده شده است. این شبکه از یک سري طبقه بندهاي پایه تشکیل شده است که توسط داده هاي مجموعه ي آموزش تعلیم می بینند. نمونه هاي اعتبار سنجی به طبقه بندهاي پایه داده می شود و خروجی آن ها در یک بردار زیر هم قرار داده می شوند و به عنوان ورودي به طبقه بند ترکیب گر در لایه دوم سیستم مرکب داده می شود. پس از آموزش این طبقه بند نهایتاً نمونه هاي آموزشی را به عنوان بردار ورودي به کل شبکه داده وپاسخ را دریافت می شود. آموزش طبقه بند ترکیب گر در فضاي مسئله مبتنی بر میزان وزن دهی به هر طبقه بند است. ترکیب گر به صورت هوشمندانه فضاي مسئله را میان طبقه بندهاي پایه می شکند

قسمت هایی از فصل اول تشخیص سریع کارکتر با استفاده از مالتی اکسپرت عصبی

سیستم هایی که توسط کامپیوترها یا پردازشگر هاي همهمنظوره بر اساس شبکه هاي عصبی مرکب، به صورت نرم افزاري پیاده سازي شده اند، در اجراي یک پروژه خاص تنها زمانی می توانند مناسب و رضایت بخش باشند که پارامتر سرعت مورد توجه نباشد. در پیاده سازي شبکه هاي عصبی، سیستم هاي بر مبناي سخت افزار، اغلب سریعتر از موارد نرم افزاري آن عمل می کنند. در پیاده سازي سخت افزاري محاسبات صورت گرفته در هر طبقه بند پایه براي نرون هاي هر لایه آن طبقه بند به صورت موازي انجام می شود و در سیستم هاي مرکب طبقه بند هاي پایه در هر لایه به صورت موازي با هم عمل می کنند. این میزان از محاسبات انجام شده به صورت موازي، باعث شده است که پیاده سازي سخت افزاري شبکه هاي عصبی مرکب توسط FPGA مورد توجه قرار گیرد. چنانچه در طراحی معماري یک سیستم از بلوك هاي مشابه استفاده شود، براي پیاده سازي سخت افزاري آن سیستم FPGA ها گزینه ي مناسبی هستند

فهرست کامل فصل اول تشخیص سریع کارکتر با استفاده از مالتی اکسپرت عصبی

1-1 ) پیاده سازی سخت افزاری شبکه های عصبی مرکب با FPGA

1و1و1 چکیده 1
1و1و2 مقدمه 1
1و1و3 قالب داده ها 3
1و1و4 تابع تحریک 4
1و1و5 معماری سخت افزاری 4
1و1و6 واحد محاسبه و منطق برای هر طبقه بند 5
1و1و7 لایه سخت افزاری 7
1و1و8 نرون دیجیتالی 10
1و1و9 واحد کنترل 13
1و1و10 نتایج شبیه سازی 15
1و1و11 نتیجه گیری 16
1و1و12 منابع 17

1-2 ) طراحی و پیاده سازی پردازشگر تشخیص سیگنال های مغزی مبتنی بر FPGA

1و2و1 خلاصه 18
1و2و2 مقدمه و تاریخچه 18
1و2و3 مفاهیم و تعاریف 19
1و2و4 واسط مغز – کامپیوتر BCI 19
1و2و5 نورون 19
1و2و6 روش های دستیابی به سیگنال های مغزی 19
1و2و7 جایگذاری الکترودها 19
1و2و8 دسته بندی 20
1و2و9 شبکه ی عصبی مصنوعی ANN 20
1و2و10 بردار ویژگی 20
1و2و11 مدل پیشنهادی 21
1و2و12 بردار ویژگی با استفاده داده ی خام 21
1و2و13 بردار ویژگی با استفاده از ICA 22
1و2و14 متد پیشنهادی Component – based 24
1و2و15 نتایج 25
1و2و16 روش داده ی خام 25
1و2و17 روش FFT 26
1و2و18 روش ICA 27
1و2و19 روش Component – based 28
1و2و20 روش های برگزیده 28
1و2و21 نتیجه گیری 29
1و2و22 مراجع 30

1-3 ) تشخیص سریع کاراکتر با استفاده از مالتی اکسپرت عصبی پیکربندی مجدد

1و3و1 چکیده 31
1و3و2 مقدمه 31
1و3و3 سیستم های مالتی اکسپرت 32
1و3و4 سیستم های پیکربندی مجدد 32
1و3و5 روش های تشخیص کاراکتر K-Tuple,Haming 33
1و3و6 روش K-Tuple 33
1و3و7 روش همینگ 33
1و3و8 مالتی اکسپرت عصبی پیشنهادی 34
1و3و9 پیاده سازی سخت افزاری 34
1و3و10 پیاده سازی روش همینگ 34
1و3و11 پیاده سازی روش های K-Tuple 35
1و3و12 نتایج پیاده سازی 36
1و3و13 نتیجه گیری 36
1و3و14 مراجع 36

1-4 ) طراحی یک الگوریتم کلاسبندی چند فیلدی بسته های اینترنتی با استفاده از شبکه های عصبی مصنوعی

1و4و1 چکیده 37
1و4و2 مقدمه 37
1و4و3 مسئله کلاسبندی بسته ها 38
1و4و4 الگوریتم کلاس بندی پیشنهادی 39
1و4و5 طراحی و آموزش شبکه عصبی پیشنهادی 41
1و4و6 مقایسه الگوریتم کلاسبندی پیشنهادی با طراحهای مشابه 42
1و4و7 نتیجه گیری 42
1و4و8 منابع 43

1-5 ) پیاده سازی شبکه عصبی HOPFIELD مجتمع سازی گسترده ی (VSLI) دیجیتال , در آرایه های گیت قابل برنامه ریزی میدان (FPGA) برای حل مسایل محدودیت رضایت

1و5و1 چکیده 44
1و5و2 مقدمه 44
1و5و3 شبکه های عصبی 44
1و5و4 پیاده سازی با استفاده از FPGA ها 48
1و5و5 ساختار 48
1و5و6 پیاده سازی 49
1و5و7 نتایج عملکرد 49
1و5و8 نتیجه گیری 50
1و5و9 مراجع 50

i

ارجاع دهی و رفرنس نویسی

تمام مطالب این بسته مطابق با استاندارد های دانشگاههای وزارت علوم ایران رفرنس دهی شده اند و هیچ قسمتی از بسته وجود ندارد که بدون منبع باشد.

نگارش گروهی

در نگارش و جمع آوری این بسته آموزشی کارشناسان مربوطه ما را همراهی کرده اند.کار گروهی بستر بهتری برای پژوهش فراهم میکند.

<

معرفی منبع برای ادامه پژوهش

در این بسته بیش از 1000 مقاله و منبع در این زمینه معرفی شده است که می توان از آنها برای ادامه مسیر پژوهشی استفاده کرد.

Z

پاسخ به سوالات و پشتیبانی علمی

در قسمت دیدگاه ها  اماده پاسخگویی به سوالات احتمالی شما در حد توان علمی خود هستیم.در صورت نیاز شماره تماس برای ارتباط با محققین برای شما ارسال می گردد.

بخش هایی از فصل دوم پياده سازي شبكه هاي عصبي مصنوعي بر روي FPGA

شبكه هاي عصبي با توجه به توان بالا درپردازش موازي،قابليت يادگيري، تعميم، طبقه بندي، قدرت تقريب، به خاطر سپردن و به خاطر آوردن الگوها، خيزش وسيعي در زمينه هاي مختلف هوش مصنوعي ايجاد كرده اند.از اين رو به دليل عملكرد خوب شبكه هاي عصبي مصنوعي براي شناسايي الگو، در اين پايان نامه از شبكه هاي عصبي چند لايه جهت پياده سازي سخت افزاري سيستم استفاده شده است. با توجه به طراحي سيستم هاي هوشمند و كوچكي كه در لوازم روزمره امروزي كاربرد دارند، و از طرفي امكان ارتباط آنها به كا مپيوتر وجود ندارد نياز به پياده سازي سخت افزاري شبكه هاي عصبي در حجم كوچك احساس مي شود و با توجه به اين كه آي سي هاي FPGA بسيار انعطاف پذير مي باشند و به صورت نرم افزاري تمام طرح هاي سخت افزاري را مي توان پياده نمود لذا گزينه مناسبي جهت پياده سازي سخت افزاري شبكه هاي عصبي مي باشد

فهرست کامل فصل دوم پياده سازي شبكه هاي عصبي مصنوعي بر روي FPGA

2-1) پیاده سازی شبکه های عصبی مصنوعی بر روی FPGA

چکیده 60
مقدمه 61
2و1و1 شبکه های عصبی 63
2و1و1و1 سیستم های عصبی طبیعی 64
2و1و1و2 نورون بیولوژیک 65
2و1و1و3 مقدمه ای بر شبکه های عصبی مصنوعی 68
2و1و1و4 اهمیت استفاده از شبکه های عصبی مصنوعی 69
2و1و1و5 مدل سازی نورون در شبکه های عصبی مصنوعی 70
2و1و1و6 انواع شبکه های عصبی مصنوعی 71
2و1و1و7 یادگیری در شبکه های عصبی مصنوعی 73
2و1و1و8 شبکه های عصبی پیش رو 74
2و1و1و9 شبکه های عصبی پس از انتشار 76
2و1و1و10 روش آموزشی پس از انتشار خطا 77
2و1و1و11 شبکه های عصبی انعطاف پذیر 80
2و1و1و12 تابع انعطاف پذیر تک قطبی (FUSF) 81
2و1و1و13 تابع انعطاف پذیر دو قطبی (FBSF) 82
2و1و2 تشخیص میزان موفقیت داروهای HPT در کاهش انگلهای دامی با استفاده از شبکه های عصبی 85
2و1و2و1 موضوع 86
2و1و2و2 شیوه ها 87
2و1و2و3 نتایج آزمایش های بالینی 89
2و1و2و4 تحقیق پرسشنامه ای 93
2و1و2و5 پیاده سازی داده های جمع آوری شده با استفاده از شبکه عصبی 95
2و1و3 روش پیاده سازی شبکه عصبی با استفاده از FPGA 101
2و1و3و1 پیشگفتار 102
2و1و3و2 مقدمه ای بر FPGA 102
2و1و3و3 روش پیاده سازی شبکه عصبی با استفاده از FPGA 107
2و1و4 نتیجه گیری و پیشنهادات عصبی 127
2و1و4و1 منابع 130

2-2) پیاده سازی شبکه عصبی به کمک FPGA

2و2و1 چکیده 138
2و2و2 مقدمه 138
2و2و3 بلوک های محاسباتی برای یک نورون 139
2و2و4 مشکلات پیاده سازی بلوکهای محاسباتی 139
2و2و5 پیاده سازیFPGA نورون چند ورودی 139
2و2و6 پیاده سازی سخت افزاری 140
2و2و7 معکوس گر منبع ولتاژ بر پایه SVM 141
2و2و8 شبکه عصبی بر پایه SVM 143
2و2و9 نتیجه گیری 144
2و2و10 منابع 145

تعداد صفحه بسته آموزشی

تعداد منابع معرفی شده برای ادامه کار

تعداد پشتیبانان مخصوص این فایل

قسمت هایی از فصل سوم بررسی مدل های ANN قابل پیاده سازی روی FPGA

نورون، اساسي ترين جزء تشكيل دهنده شبكه عصبي طبيعي مي باشـد. طـرح تقريبـي از آن در شكل 1-1نمايش داده شده است.
يك سلول از سه ناحيه تشكيل شده است :
بدنه سلول –كه سوما نيز خوانده مي شود – اكسون و دندريتها .2دندريتها كه در حكـم ورودي هاي شبكه مي باشد يك درخت دندريتي تشكيل مي دهند كه توده هاي بسيار كوچك از فيبرهـاي نازك در اطراف بدنه نورون است. دندريتها اطلاعات را از طريق اكسونها كه در حكم خروجـي هـاي شبكه مي باشد دريافت مي كنند. قسمت انتهايي اكسون،به يك شـبكه ريـز منتهـي مـي شـود كـه هريك از شاخه هاي آن به يك حباب انتهايي كوچك ختم مي شـود. ايـن حبـاب را كـه تقريبـا در تماس با نورونهاي همسايه است،وزن سيناپس مي نامند. سيگنالهايي كه به سـيناپس مـي رسـند و توسط دندريتها دريافت مي شوند، به صورت ضربه هاي الكتريكي هستند. انتقال بين نوروني گـاهياوقات الكتريكي است ولي معمولا تحت تأثير آزاد شدن حاملهاي شـيمياي در سـيناپس قـرار مـي گيرد.

فهرست کامل فصل سوم بررسی مدل های ANN قابل پیاده سازی روی FPGA

3-1 ) بررسی مدل های ANN قابل پیاده سازی روی FPGA

3و1و1 چکیده 146
3و1و2 مقدمه 146
3و1و3 آشنایی با FPGA 146
3و1و4 مقدمه ای بر شبکه های عصبی مصنوعی (ANN) 146
3و1و5 MLP 147
3و1و6 یادگیری در MLP 147
3و1و7 پیاده سازی سخت افزاری MLP 147
3و1و8 CMAC 147
3و1و9 یادگیری در CMAC 147
3و1و10 شبکه عصبی حافظه انجمنی توزیع شده 147
3و1و11 یادگیری در ADAM 148
3و1و12 مقایسه بین شبکه های عصبی بررسی شده 149
3و1و13 تحلیل پیاده سازی و توصیف ساخت 149
3و1و14 نتیجه گیری 149
3و1و15 منابع 149

%

میزان رضایت

میزان رضایت افراد خریدار این بسته بعد از خرید

(نظر سنجی به وسیله ایمیل و یک هفته بعد ازخرید بسته انجام می گیرد)

تمام منابع معرفی شده هم به صورت فایل Word و هم به صوت فایل PDF در اختیار شما قرار می گیرد.

تومان40,000افزودن به سبد خرید