مدار یکسو کننده نیم موج
مدارات یکسو ساز نیم موج دیودی مداراتی هستند که در نیم سیکل مثبت جریان را از خود عبور می دهد ولی در نیم سیکل منفی موج را یکسو می کند ، یعنی از خود جریانی عبور نمی دهد.
هدف از آزمایش :مشاهده ی شکل موج خروجی یکسو شده ( نیم موج)
مدار یکسو کننده تمام موج
در این مدارات در هر نیم سیکل یک دیود هدایت میکند.و نیز در مدار پل دیودی در هر نیم سیکل دو دیود هدایت میکند.
هدف از آزمایش : مشاهده ی شکل موج خروجی یکسو شده ( تمام موج )
مقدمه-تجارت الکترونیک-بانکداری الکترونیک-مزایا-یک فرصت:یک تهدید-عملیات بانکداری الکترونیک در سیستم بانکی کشور-اجزای بانکداری الکترونیک در ایران-پیشنهادات-منابع وماخذ
از جمله مواردی هستند که در این تحقیق بررسی شده اند.
فصل اول – آشنایی با مکان کارآموزی
تاریخچه
شرخ مختصری از فرآیند خدمات
فصل دوم – ارزیابی بخش های مرتبط به رشته ICT
موقعیت رشته کارآموز
شرح وظایف رشته کارآموز
برنامه های آینده سازمان
فصل سوم – آموخته ها
واحد پشتیبانی فنی مراکز شهری
توپولوژی شبکه
مرکز ترانزیت
Numbering
تماس های شهری
تماس های بین شهری
کد منطقه
تماس های کشوری
مرکز مخابراتی
مسیر برقراری ارتباط از مشترک تا مرکز
سیگنالینگ صحبت
تبدیل صوت به سیگنال دیجیتالی
لینک E1
فیبر نوری
Call prossesing
چگونگی شماره گیری
آشنایی با سخت افزار سوئیچ
انواع کارت ها
مکانیسم Loud sharing و Hot standby
سرویس های ویژه مخابراتی
شارژینگ
شبکه های نسل آینده
نتیجه گیری
عنوان مقاله : انواع شبکه های عصبی و کاربرد آنها در الکترونیک
شرح مختصر : در این پایان نامه ابتدا به مقدمه ای از شبکه های عصبی از جمله تاریخچۀ شبکه های عصبی و مشخصات اصلی یک نرون بیولوژیک پرداخته شده است. سپس ساختار شبکه های عصبی مصنوعی مورد بحث قرار گرفته است که از این بحث می توان به تعریف شبکه های عصبی مصنوعی، انواع توابع فعال ساز، انواع یادگیری شبکه های عصبی، شبکه های پرسپترون، MPL و هاپفیلد اشاره داشت. سرانجام نیز یک کاربرد شبکه های عصبی در پردازش تصویر، که عبارت است از « آشکارسازی چهره با شبکه های عصبی در تصاویر رنگی » مورد بررسی قرار گرفته شده است.
فهرست :
مقدمه
فصل اول : مقدمه ای بر شبکه های عصبی
تاریخچۀ شبکه های عصبی
نرون طبیعی
یادگیری در سیستم های بیولوژیک
شباهت شبکۀ عصبی زنده و مصنوعی
کاربرد شبکه های عصبی
فصل دوم : ساختار شبکه های عصبی مصنوعی
تعریف شبکه های عصبی مصنوعی
نرون های مصنوعی
اجزای یک شبکه عصبی
الگو برداری از مغز انسان
افزایش سرعت
حساسیت بالا به رخداد اشتباه
رایانه ها قادر نیستند از تجربیات گذشته استفاده نمایند
عدم ارائۀ پاسخ مناسب در شرایط جدید
ویژگی های شبکه های عصبی مصنوعی
قابلیت یادگیری
قابلیت تعمیم
پردازش موازی
مقاوم بودن
قابلیت کاربری
تشخیص داده های اشتباه
تحمل خطا
غیر خطی بودن
تصویر کردن ورودی – خروجی
معایب شبکه های عصبی
انواع توابع انتقال
یادگیری شبکه های عصبی
یادگیری نظارت شده
یادگیری نظارت نشده
یادگیری تقویت یافته
الگوریتم پس انتشار خطا
آموزش دلتا
آموزش ترکیبی
آموزش رقابتی
آموزش هب
ساختارهای مختلف شبکه های عصبی مصنوعی
شبکه های پسخور
شبکه های پیش خور
شبکه های پیش خور تک لایه
شبکه های پیش خور چند لایه
پرسپترون
یادگیری پرسپترون
یادگیری پرسپترون مبتنی به روش برداری
محدودیت های پرسپترون
شبکه های عصبی پرسپترون چندلایه
رفع مشکل
حل مشکل
مدل جدید
قاعدۀ جدید فراگیری
بررسی مجدد مساله یای حذفی (XOR)
شبکۀ هاپفیلد
فصل سوم : چند نمونه از کاربردهای شبکه های عصبی
آشکارسازی چهره با شبکه های عصبی در تصاویر رنگی
مقدمه
مشخصات رنگ پوست انسان
استخراج رنگ پوست
تولید رنگ پوست در فضایرنگی cbcr
شبکه های عصبی پیشنهادی
نتایج آزمایشات
نتایج آزمایش اترویفریمهای ویدئویی
آشکارسازی چهره
منابع