.7-1شبکه های عصبی پیش رو………………………………………………………….. 15……. …

.8-1شبکه های عصبی پس انتشار………………………………………………………………. 17

.1-8-1روش آموزش پس انتشار……………………………………………………………. 18… …

.9-1شبکه های عصبی انعطاف پذیر……………………………………………………. 21.. …

فصل دوم:تشخیص میزان موفقیت داروهای HPT درکاهش انگلهای دامی با استفاده از شبکه های عصبی

.1-2موضوع………………………………………………………………………………………………….. 27

.2-2شیوه ها……………………………………………………………………………………………… 28

.3-2نتایج آزما یش های بالینی……………………………………………………………. 30

.4-2تحقیق پرسشنامه ای…………………………………………………………………………. 34

.5-2پیاده سازی داده های جمع آوری شده با استفاده از شبکه های عصبی   36

فصل سوم: روش پیاده سازی شبکه های عصبی با استفاده از FPGA

.1-3 مقدمه ای بر 43………………………………………………………………………… ..…  FPGA

.2-3روش پیاده سازی شبکه های عصبی با استفاده از 48……………. FPGA

فصل چهارم:

نتیجه گیری و پیشنهادات…………………………………………………………………….. 69

مقاله ارائه شده در پجمین کنفرانس بین المللی سیستم های هوشمند WSEASکشور اسپانیا (مادرید 73……………………………………………………………………………………………………………….. (2006

چکیده انگلیسی………………………………………………………………………………………. 77

فهرست جدول ها

عنوان                                                                                                                     صفحه

.1-1جدول: : توابع مهم قابل استفاده در شبکه های عصبی 12………………………………………………………………………………………… …………………………………………..

.1-2 جدول : سطح آماری گروههای تحت درمان و کنترل 31                                                                        ……………………………………………………………………………………..

.2-2جدول: درصدلارو آلوده در 38 دسته از گروههای تحت کنترل و بررسی 33                                                                                                    …………………………………………

.3-2جدول: نشان دهنده درصد وجود انگلهادر دامهای موردا زمایش 38          2

.4-2جدول: نتایج شبیه سازی برای داده های تست 41…………………….. ………..

چکیده :

شبکه های عصبی با توجه به توان بالا درپـردازش موازی،قابلیـت یـادگیری، تعمـیم، طبقـه بندی، قدرت تقریب، به خاطر سپردن و به خـاطر آوردن الگوهـا، خیـزش وسـیعی در زمینـه هـای مختلف هوش مصنوعی ایجاد کرده اند. از این رو به دلیل عملکرد خوب شبکه های عصبی مصنوعی برای شناسایی الگو، در این پایان نامه از شبکه های عصبی چنـد لایـه جهـت پیـاده سـازی سـخت افزاری سیستم استفاده شده است و روش جدیدی برای پیاده سازی شـبکه هـای عـصبی بـر روی

FPGA ارائه شده است . برای پیاده سـازی شـبکه عـصبی از داده هـای آمـاری اداره دامپزشـکی منطقه مغان استان اردبیل به عنوان مثال کاربردی استفاده شده است .

ضرایب وزن و بایاس شبکه عصبی MLP که از شبیه سازی توسط MATLAB بـه دسـت آمـده

است، برای پیاده سازی برروی FPGA، از سری XC 4000 استفاده شده است. برای پیاده سازی

این مطلب را هم بخوانید :

برروی FPGA، از نرم افزار Foundation 4,1 بهره جستیم وتمام مدارات منطقی توسط این نـرم

افزار طراحی شده است . نتایج به دست آمده گویای این مطلب است که FPGA به دلیـل داشـتن

انعطاف پذیری و گیت های منطقی زیاد، برای پیاده سازی شبکه های عصبی ،IC مناسبی است .

مقدمه
مقدمه:

شبکه های عصبی با توجه به توان بالا درپردازش موازی،قابلیت یادگیری، تعمیم، طبقه بندی، قدرت تقریب، به خاطر سپردن و به خاطر آوردن الگوها، خیزش وسیعی در زمینه های مختلف هوش مصنوعی ایجاد کرده اند.از این رو به دلیل عملکرد خوب شبکه های عصبی مصنوعی برای شناسایی الگو، در این پایان نامه از شبکه های عصبی چند لایه جهت پیاده سازی سخت افزاری سیستم استفاده شده است. با توجه به طراحی سیستم های هوشمند و کوچکی که در لوازم روزمره امروزی کاربرد دارند، و از طرفی امکان ارتباط آنها به کا مپیوتر وجود ندارد نیاز به پیاده سازی سخت افزاری شبکه های عصبی در حجم کوچک احساس می شود و با توجه به این که آی

سی های FPGA بسیار انعطاف پذیر می باشند و به صورت نرم افزاری تمام طرح های سخت افزاری را می توان پیاده نمود لذا گزینه مناسبی جهت پیاده سازی سخت افزاری شبکه های عصبی می باشد.

در این پروژه یک روش برای پیاده سازی شبکه عصبی بر روی FPGA ارائه شده است .

برای پیاده سازی شبکه عصبی از داده های آماری اداره دامپزشکی منطقه مغان استان اردبیل استفاده شده است .

هدف از جمع آوری این داده های آماری تشخیص و شناسایی یک الگو جهت پیاده سازی در یک

شبکه عصبی از نوع چند لایهMLP است .

برای آموزش شبکه عصبی از روش پس انتشار خطا با 300 بار آموزش برای رسیدن به

حداقل خطای مورد نظر استفاده شده است.

ضرایب وزن و بایاس های به دست آمده از آموزش شبکه عصبی در مرحله بعد برای پیاده سازی آن

روی FPGA استفاده می شود.

مقدمه

تعداد داده های آماری در این پروژه 38 داده می باشد که هر یک دارای سه ورودی و یک خروجی است و به عنوان داده ورودی و خروجی برای آموزش شبکه مورد نظر استفاده شده است .

از این 38 داده 34 داده برای آموزش شبکه و 4 داده به عنوان داده تست انتخاب شدند. بعد از

تعیین ضرایب وزنی و بایاس جهت پیاده سازی آن بر روی FPGA سری XC4000 از نرم افزار

Foundation 4,1 برای طراحی مدارات مربوطه استفاده شده است .  FPGA, IC  سری

XC4000 دارای حجم گیت های منطقی زیاد و انعطاف پذیری خیلی بالا برای پیاده سازی سخت افزاری شبکه های عصبی است. به دلیل استفاده از داده های ثابت در پیاده سازی شبکه بر

روی FPGA، شبکه ، دوباره قابل آموزش نیست.

با توجه به مراحل مختلف به کار گرفته شده در این پروژه جمع بندی و شکل دهی پایان نامه در 4

فصل مورد مطالعه قرار گرفته است .

در فصل اول سیستم های عصبی , انواع شبکه های عصبی , مدل سازی و انواع روشهای آموزش شبکه عصبی مورد بررسی قرار گرفته است .