پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

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 .

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

چکیده
در این مطالعه، ما یک مدل مفهومی، که به تساوی بر تئوری پیاده سازی سیستم های اطلاعاتی، به منظور بررسی رابطه و هدف رقابتی است را می سازیم. ما این مدل را با بررسی ERP بین عوامل موفقیت مهم و حساس مربوط به اجرای نرم افزار استفاده می کنند امتحان می کنیم. ما پی بردیم (SEM) 217 سازمان در استرالیا که از مدل سازی معادلا ساختاری ،datafrom که سازمانها می توانند به بهترین مزیت رقابتی از طریق مدیریت هوشیارانه دست یابند: 1)آموزش و یادگیری 2) فعالیتهای یکپارچه سازی سیستم. شاید در بعضی شرایط ناخواسته، نه تنها مهندسی مجدد فرآیند کسبوکار که به خوبی انجام شده باشد بلکه پروژهای که به خوبی مدیریت شده است هم نمیتوانند الزاما ما را به سوی مزیت رقابتی هدایت نمایند. ما دانش ها بر مزیت رقابتی تاثیر میگذارند اما ممکن است مابقی اینطور CSF پیشین را با ارایه شواهد شاخص بسط دادهایم که برخی از نباشند. نتایج تایید میکنند که کل پروژه انتقال درآمد را میتوان با درک تاثیر عوامل در هر دو عملکرد مدیریت پروژه وعملکرد پس از پیادهسازی بهبود بخشید.

برخی پیامدهای نظری و مدیریتی از یافته های مطالعه و محدود سازی مورد بحث هستند.

کلمات کلیدی: پیاده سازی، مزیت رقابتی، برنامه ریزی منابع سازمان .(BPR) پروژه، یکپارچه سازی سیستم ها، آموزش و یادگیری، مهندسی مجدد فرآیند کسب و کار، مدیریت (CSFها) عوامل بحرانی موفقیت ، (PLS) حداقل مربعات جزئی (ERP)

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود