تبدیل پیشترتیب و پسترتیب درخت به یکدیگر…

دسته: برنامه نویسی

حجم فایل: 1 کیلوبایت

تعداد صفحه: 1

تبدیل پیش ترتیب و پس ترتیب درخت به یکدیگر در زبان سی پلاس پلاس در اختیار شما قرار داده می شود.

قیمت: 1,000 تومان

پیاده سازی نصب و حذف برنامه های روی سیستم عامل ویندوز…

دسته: برنامه نویسی

حجم فایل: 51 کیلوبایت

تعداد صفحه: 2

این فایل حاوی کدهای پیاده سازی کامل قسمت Install application و Uninstall application سیستم عامل ویندوز در زبان سی شارپ است.

قیمت: 2,000 تومان

پیاده سازی عمیلات ریاضی روی اعداد بسیار بزرگ…

دسته: برنامه نویسی

حجم فایل: 2 کیلوبایت

تعداد صفحه: 1

عملیات ریاضی روی اعداد طولانی مثل اعداد 55 رقمی در کامپیوتر امکان پذیر نیست ولی با این برنامه می توانید روی هر عدد بزرگی عملیات ریاضی متدامل را اعمال کرده و نتیجه را مشاهده کنید.

قیمت: 2,000 تومان

پیاده سازی عملیات روی ماتریسها (پروژه درس ساختمان داده)…

دسته: برنامه نویسی

حجم فایل: 2 کیلوبایت

تعداد صفحه: 1

پیاده سازی عملیات ریاضی روی ماتریس ها در زبان سی پلاس پلاس. امیدوارم کاملا مفید واقع شود.

قیمت: 1,500 تومان

پیاده سازی شبکه عصبی هوپفیلد مجتمع سازی گسترده دیجیتال…

چکیده

این مقاله در مورد پیاده سازی شبکه های عصبی Hopfield برای حل مسایل مربوط به محدودیت رضایت با استفاده از آرایه های گیت قابل برنامه ریزی میدان FPGA بحث می کند. این مقاله در مورد روش های فرمول بندی این مسایل همانند شبکه های عصبی گسسته بحث می کند، و سپس مساله N queen را با استفاده از فرمولبندی به دست آمده تشریح می کند. سرانجام، نتایج ارایه شده زمان های محاسبه یک کامپیوتر معمولی برای شبیه سازی اجرای شبکه Hopfield بر روی یک فضای کاری باکیفیت، مقایسه می کنند. در این روش، رشد پیشرفت قابل مشاهده می باشد که نشان می دهد حداکثر رشد 2 تا 3 برابر دامنه با استفاده از ابزارهای FPGA ممکن می باشد.

کلیدواژه: شبکه عصبی هوپفیلد، آرایه های گیت قابل برنامه ریزی میدان، مساله N queen

مقدمه

بسیاری از مسایل بهینه سازی تجارت و صنعت در عمل را می توان با استفاده از متغیرهای تصمیم گیری دودویی (باینری) ، به عنوان مسایل برنامه نویسی استاندارد ریاضی فرمول بندی کرد. حل این مسایل به دلیل طبیعت عصب سخت پیچیدگی آنها (NP hard) نیاز به بکاربری از فن آوری های هوشمند و الگوریتم های تقریبی دارند؛ در سال 1985 شبکه های عصبی برای حل این مشکل ارایه شدند، اما باز هم مسایلی همچون کیفیت ضعیف راه حل ها و عدم تضمین راه حل نهایی عملی مشکل ساز بودند. این مسایل اولیه امروزه برطرف شده اند. روش هایی برای کمک به شبکه عصبی Hopfield تا حداقل عملکرد انرژی ناحیه ای را تامین کند، ارایه شده اند و ساختار مناسب این عملکرد انرژی عملی بودن راه حل را تضمین می کند. با استفاده از این پیشرفت ها، نتایج شبکه عصبی به دست آمده اند که به طور موثری (و حتی بهتر) با دیگر فن آوری های هوشمند معروف مانند بازپخت شبیه سازی شده، رقابت می کنند.