یکی از کاربردهای شبکه های عصبی سلولی، شناسایی حروف لاتین(کاراکتر) می باشد. سیستم شبکه عصبی سلولی ارائه شده در این پایان نامه اساساً یک سیستم شناسایی کاراکتر است که می تواند در دو مد پردازش و شناسایی کار کند. با توجه به کارهای قبلی، ساختار شبکه عصبی سلولی در مورد استخراج ویژگی و شناسایی کاراکتر نیازمند زمان بیشتری بوده و دارای دقت کمتری در استخراج ویژگی می باشد. در این پایان نامه جهت کاهش زمان پردازش و افزایش دقت، از یک شبکه عصبی سلولی با ساختار کاملا موازی با بکارگیری عنصرهای پردازشگر(pe) در هر سلول در مجموع 400 عنصر پردازشگر استفاده می کنیم. سپس با اعمال الگوهای کلونینگ عملیات پیش پردازش و پردازش را انجام می دهیم. در این پایان نامه چندین الگو برای پیش پردازش تصاویر اولیه ارائه شده و تصاویر با اجرای این الگوها برای استخراج ویژگی آماده می گردند. همچنین جهت کلاس بندی حروف، تعدادی ویژگی توسط شبکه های عصبی سلولی استخراج شده است. شبکه عصبی سلولی بکاررفته در این پایان نامه در محیط نرم افزاری سیمولینک در ابعاد 20×20 پیاده سازی شده و با اعمال تصاویر و الگوهای مختلف شبیه سازی شده است. در این پایان نامه همچنین یک بلوک دیاگرام جدید از عملکرد کلی شبکه عصبی سلولی معرفی شده و مدارات جدیدی جهت پردازش تصاویر با سرعت و دقت بالا و توان مصرفی کم در تکنولوژی m cmosµ0.35 ارائه شده است و کلیه مدارات توسط نرم افزار hspice شبیه سازی شده و layout آنها نیز توسط نرم افزار cadence استخراج شده است.

امروزه نظارت پیوسته بر ضربان قلب راهی موثر برای جلوگیری از حملات ناگهانی قلب می باشد. الکتروکاردیوگرام (ecg)، یکی از تکنیک های مفید برای نظارت بر قلب می باشد که از طریق آنالیز ویژگی های استخراج شده از سیگنال های ecg می توان به انواع نارسایی های قلبی پی برد. در این پایان نامه از شبکه عصبی (bbnn) برای طبقه بندی دو نوع سیگنال st و vt استفاده شده است که سیگنال اول، بی نظمی نرمال یا بی خطر و سیگنال دوم، سیگنال غیر نرمال یا نشان دهنده نارسایی قلبی می باشد. برای این کار ابتدا ساختار داخلی و کلی شبکه توسط الگوریتم تکاملی جدید بهینه سازی شده و درنهایت شبکه تعلیم یافته پیاده سازی مداری شده است. از آنجائیکه تاکنون پیاده سازی سخت افزاری این نوع شبکه تنها توسط fpga صورت گرفته است که مساحت اشغالی و توان مصرفی بالایی دارند، در این پایان نامه سعی بر طراحی مداراتی در تکنولوژی cmos شده است که نسبت به fpga ها، هم توان مصرفی کمتر دارند و هم فضای کمتری را اشغال می کنند. تمامی مدارات طراحی شده در پروسه 0.35µm توسط نرم افزار cadence، layout شده و توسط نرم افزار hspiceشبیه سازی شده اند. کل توان مصرفی سیستم ارائه شده 5mw بوده و کل مساحت اشغال شده بر روی چیپ کمتر از 0.5mm2 می باشد.

شبکه های عصبی سلولی (cnn ) قبلا برای بسیاری از کاربردهای پردازش تصویر و تشخیص الگو استفاده می شده است. شبکه عصبی سلولی یک عنصر بسیار موثر در کاربردهای پردازش تصویر می باشد . با این وجود در هر مرحله ای از پردازش تصویر وتشخیص الگو با استفاده ازشبکه عصبی سلولی خیلی پارامترهای نامشخص و گنگ وجود دارد. تئوری سیستم های فازی با استفاده از قوانین ریاضی این نامشخصی ها و گنگی ها را مرتفع می کند. تئوری سیستم فازی در cnn ترکیب شده است تا یک شیوه جدید در پردازش تصویر و تشخیص الگو به وجود آید که در این شیوه شبکه های عصبی سلولی با استفاده از قوانین فازی کار می کنند. cnn فازی ابزار قدرتمندی برای مسائل پردازش تصویر محسوب می شود. در این پایان نامه ما نوعی خاصی از شبکه fcnn را که سلول های تشکیل دهنده آن موسوم به fcnn multiplicative type 2 هستند را مورد بررسی قرار داده و سلولی بهینه شده و جدید ارائه کردیم و این سلول جدید را در قالب شبکه ایی آزمایشی به کار بردیم. برای پیاده سازی سخت افزاری از تکنولوژیum 0.35 cmosو منبع 3.3 ولت استفاده کردیم. سلول بهینه شده دارای ضرب کننده و ماکزیمم گیر و مینیمم گیر جدید با تعداد ترانزیستور و تاخیر کمتری می باشد. نتایج بدست آمده از کل شبکه و سلول نشان از صحت عملکرد مدارت طراحی شده دارد.

شبکه با توپولوژی linear، شامل 4 نرون و هر نرون دارای 3 وزن آنالوگ مرتبط با ورودی 3-بعدی است. ورودی و خروجی شبکه بصورت ولتاژ می باشد که موجب سادگی در اتصال به سایر ادوات می گردد. برای پیاده سازی این شبکه یک مدار محاسبه فاصله(dmc) برای سنجش میزان شباهت نرون به دیتای ورودی آنالوگ، بر اساس یک راهکار جدید ارائه شده است. برای یافتن نرون برنده از ساختار(wta) و همچنین برای به روز رسانی وزن های نرون برنده از مکانیزم آپدیت (awc) استفاده شده است. با استفاده از بلوک های آنالوگ در طراحی این شبکه عصبی، علاوه بر حفظ سادگی، مدارات کم حجم با سرعت بالا و توان مصرفی پایین طراحی شده است. نتایج شبیه سازی مدارات با نرم افزار hspice برای تک تک بلوک ها و کل سیستم شبکه عصبی ارائه شده است که نشانگر بهبود سرعت و توان مصرفی می باشد .این شبکه در مساحتی کمتر از 0.017 mm2 layout شده است و توان مصرفی برابر 5.28 mw از منبع تغذیه 3.3 v می باشد. تاخیر کلی سیستم در طبقه بندی 25 الگوی آموزشی رنگ، برابر300 ns بوده که data rate برابر 3.4 ms/s را نتیجه می دهد .

بازیابی تصویر با استفاده از ویژگی رنگ، به عنوان یکی از ویژگی های اولیه تصویر به صورت سخت افزاری با استفاده از تکنولوژی استاندارد cmos اجراء شده است.

در جامعه ی مدرن امروزی که تمایل به داشتن عمر طولانی بیشتر شده است، مونیتورینگ علایم حیاتی نقشی بسیار مهم ایفا می کند. شخصی سازی مونیتورینگ علایم حیاتی برای هر فرد باعث می شود تا تغییرات فیزیولوژیکی ناشی از تفاوت های فردی و تغییرات محیطی نیز در نظر گرفته شود. بنابراین نیازمند آن هستیم که بتوانیم ویژگی های سیستم مونیتورینگ را متناسب با تفاوت های فردی و تغییرات محیط، تنظیم کنیم. در این پژوهش از شبکه های عصبی بلوکی(bbnn) به عنوان سیستم طبقه بندی کننده بیماری های قلبی استفاده شده است. شبکه های عصبی بلوکی شامل یک آرایه ی دو بعدی از بلوک های پایه با ساختار سلسله مراتبی هستند که می توانند به راحتی با استفاده از یک سخت افزار قابل بازآرایی مانند fpga پیاده سازی شوند. همچنین برای آموزش شبکه های بلوکی نیازمند یک الگوریتم آموزش هستیم که در این پژوهش از الگوریتم بهینه سازی جمعیت ذرات(pso) استفاده شده است. با استفاده از این الگوریتم به طور همزمان هم شبکه آموزش داده می شود و هم ساختار داخلی و وزن های شبکه بهینه می شوند. با استفاده از این شبکه بهینه شده و طبق استاندارد aami سیگنال های قلب در پنج کلاس مختلف طبقه بندی شده اند. ورودی شبکه عصبی بلوکی ویژگی هایی هستند که از سیگنال های ecg استخراج شده اند. برای این کار از تبدیل هرمیت استفاده شده است. ضرایب تبدیل هرمیت همراه با یک ویژگی زمانی (نسبت فاصله زمانی بین قله های مجاور) بردار ورودی شبکه عصبی بلوکی را بوجود می آورند. در روش پیشنهادی از داده های موجود در بانک اطلاعاتی بیماری های قلبی mit-bih استفاده شده است و دقتی در حدود 98% برای تشخیص نمونه های veb و97% برای تشخیص نمونه های sveb بدست آمده است که یک بهبود آشکار نسبت به کارهای انجام شده را نشان می دهد.

در این پایان¬نامه یک سیستم شناسایی حروف انگلیسی با دقت تشخیص بالا طراحی و پیاده¬سازی شده است. در این سیستم نشان داده شده که فقط با استخراج ویژگی¬های مناسب از نمونه¬های اعمالی به سیستم، بدون آن¬که پیش¬پردازشی بر روی نمونه¬ها صورت گیرد، می¬توان توسط شبکه¬ی عصبی پیشخور عمل طبقه¬بندی بر روی فضای ویژگی را با بهترین دقت انجام داد. شبیه¬سازی این سیستم توسط نرم¬افزار matlab با مجموعه¬ای از 1560 کاراکتر انگلیسی انجام شده است. نتایج حاصل نشان دهنده صحت عملکرد این سیستم در تشخیص حروف انگلیسی می¬باشد. سپس شبکه¬ی عصبی تعلیم یافته، جهت افزایش سرعت، کاهش توان مصرفی، افزایش راندمان و کاهش اندازه بر روی سخت افزار fpgaپیاده سازی شد. در پیاده-سازی این سیستم علاوه بر روش سریال – موازی از راهکارهای دیگر نیز جهت کاهش حجم سخت¬افزار و افزایش سرعت پردازش عملیات استفاده شده، که نسبت به روش¬های سریال، بخشی موازی و تمام موازی از نظر حجم سخت¬افزار، مدت زمان عملیات پردازش هر نرون و مدت زمان پردازش کل سیستم، بهینه¬تر می-باشد. برای پیاده¬سازی سیستم طراحی شده بر روی fpga از زبان برنامه¬نویسی سخت¬افزاری verilog استفاده شده است و سپس این طرح با استفاده از نرم¬افزار ise بر روی fpga spartan-3 مدل xc3s400 شرکت xilinx شبیه¬سازی، سنتز و پیاده¬سازی شده است. سطح اشغال شده از fpga spartan-3 برای پیاده¬سازی این طرح 98% است، به طوری که این تراشه قادر است 260 نمونه¬ی تست را در 1336.27 میکروثانیه با فرکانس 50 مگاهرتز تشخیص دهد. درصد شناسایی کل سیستم 95% می¬باشد.

چکیده ندارد.

چکیده ندارد.