دانلود مقاله مبدلهای آنالوگ به دیجیتال

اختصاصی از یارا فایل دانلود مقاله مبدلهای آنالوگ به دیجیتال دانلود با لینک مستقیم و پرسرعت .

مقدمه :

ازسال 1960 با توجه به توسعه نیمه هادی ها ، پردازش اطلاعات به صورت دیجیتال اهمیت بیشتری پیدا کرد و ساخت و استفاده از مدارهای آنالوگ روبه افول گذاشت . با پیدایش میکروپروسسورها انقلابی در زمینه پردازش دیجیتال به وقوع پیوست که تا ده سال پیش از آن حتی قابل تصور نبود .

تقریباََ تمام اطلاعات مورد پردازش پارامترهای فیزیکی ای هستند که در اصل ماهیت آنالوگ دارند ، مانند : فشار، دما ، سرعت ، شتاب ، شدت نور ، ... بنابراین درهرمورد این اطلاعات آنالوگ با استفاده از مبدلهایADC به معادل دیجیتالشان تبدیل شوند .

تبدیل آنالوگ به دیجیتال در سیستم های پردازش سیگنال :

بطور کلی فرایند تبدیلA/D یک سیگنال آنالوگ نمونه برداری شده و نگهداشته شده را به یک کلمه دیجیتال که نماینده سیگنال آنالوگ است تبدیل می کند . تاکنون چندین مبدل آنالوگ به دیجیتال ساخته شده که هریک مشخصات مربوط به خود را دارند .

مهمترین این مشخصات عبارتند از : سرعت ، صحت ، هزینه .

قبل از هر چیز باید متذکر شویم که عمل تبدیل آنالوگ به دیجیتال احتیاج به صرف زمان بیشتری از تاخیر مبدلهای D/A دارد ؛ تا وقتی که تمامی بیتهای مقدار دیجیتال به دست نیامده اند ، مقدار آنالوگ (ورودی ) نباید تغییر کند . ولی ، می دانیم که تغییرمی کند ؛ چاره این است که در فواصل زمانی معین نمونه هایی از دامنه سیگنال آنالوگ بگیریم و بدون تغییر ذخیره نماییم و پس از ارزیابی کامل نمونه را حذف و نمونه جدیدی را تهیه و ذخیره کنیم . این عمل توسط مداری به نام مدار نمونه گیر و نگهدارنده 1(S/H) انجام می گیرد . این مقدار باید قبل از مبدلهای A/D در مدار قرارگیرد . شکل یک صورت نمایشی از یک مدار S/H را نشان می دهد .

عمل نمونه گیری و نگهداری (S/H) معمولاً به وسیله یک سوئیچ برای نمونه برداری و یک خازن برای نگهداری و یک ‚‚ میانگیر،، برای جلوگیری از تخلیه خازن انجام می شود . به این ترتیب که سوئیچ S1 در لحظه خاصی بسته می شود و خازن C را در زمان کوتاهی به وسیله سیگنال آنالوگ شارژ می کند . این زمان به قدری کوتاه است که در طول آن دامنه سیگنال آنالوگ تغییر چندانی نمی کند . وقتی سوئیچ 1S باز می شود . خازن به موازات خود امپدانس بزرگی می بیند و لذا نمی تواند تخلیه شود . ضمناً ، در طرف دیگر خازن نیز میانگیر به کار گرفته شده است که با امپدانس ورودی زیاد خود مانع تخلیه خازن از آن طرف می شود . در صورتی که خازن به وسیله سیگنال نمونه ورودی شارژ کامل شود (ولتاژ آن به اندازه دامنه نمونه باشد ) ، سیگنال نمونه جدید (کمتر یا بیشتر از قبلی) دو باره آن را به اندازه جدید تغییر می دهد . ولی ، اگر عرض بالس آنقدر کم باشد و یا خاذن جمع آنقدر بزرگ باشد که فرصت شارژ کامل بدست نیاید (عرض پالس کمتر از T ) ، ولتاژ جدید روی ولتاژ قبلی در خازن جمع و ذخیره می شود ، که در نهایت این ولتاژ بستگی به ولتاژ قبلی خواهد داشت . در چنین حالتی ، باید سوئیچ 2S را به خازن اضافه کنیم تا پس از خاتمه تبدیل و قبل از نمونه برداری بعدی ، با اتصال کوتاه کردن خازن باعث تخلیه آن شود . این مدار را می توان به صورت جزء به جزء ساخت ، ولی ، ضمناً مدارهای مجتمعی به نام S/H وجود دارند که دقیقاً همین اعمال را انجام می دهند .

عمل تبدیل سیگنال آنالوگ به دیجیتال شامل چهار مرحله متوالی نمونه برداری ، نگهداری و سپس ، ارقامی کردن و رمزکردن است ، که این اعمال لزوماً به صورت جداگانه انجام نمی شود . بلکه به طور معمول عمل نمونه برداری و نگهداری به طور همزمان به وسیله یک مدار S/H و عمل تبدیل به رقم و رمز نیز به وسیله قسمت اصلی مدار A/D انجام می شود . حال چند نمونه معمول این مبدل شرح داده می شود .

دانلود مقاله پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

اختصاصی از یارا فایل دانلود مقاله پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک دانلود با لینک مستقیم و پرسرعت .

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 .

25 صفحه فایل ورد قابل ویرایش

خلاصه

۱- مقدمه

۲- تحقق شبکه عصبی.

۲-۱- اصول عملکرد

۲-۲- پیاده سازی مدارهای شبکه

۳- پیاده سازی الگوریتم آموزش ژنتیک…

۴- نتایج تجربی.

۵- نتیجه و چشم انداز

منابع.

سمینار کارشناسی ارشد مهندسی برق بررسی انواع ساختارهای مدارات آنالوگ به دیجیتال

اختصاصی از یارا فایل سمینار کارشناسی ارشد مهندسی برق بررسی انواع ساختارهای مدارات آنالوگ به دیجیتال دانلود با لینک مستقیم و پرسرعت .

 دانلود سمینار کارشناسی ارشد مهندسی برق بررسی انواع ساختارهای مدارات آنالوگ به دیجیتال با فرمت pdf تعداد صفحات 50

این سمینار جهت ارایه در مقطع کارشناسی ارشد طراحی وتدوین گردیده است وشامل کلیه مباحث مورد نیاز سمینارارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی مااین سمینار رابا  قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهد.حق مالکیت معنوی این اثر    مربوط به نگارنده است وفقط جهت استفاده ازمنابع اطلاعاتی وبالا بردن سطح علمی شما دراین سایت ارایه گردیده است.          

سمینار کارشناسی ارشد مهندسی برق مبدل های آنالوگ به دیجیتال کم توان ، سریع وبا دقت بالا

اختصاصی از یارا فایل سمینار کارشناسی ارشد مهندسی برق مبدل های آنالوگ به دیجیتال کم توان ، سریع وبا دقت بالا دانلود با لینک مستقیم و پرسرعت .

دانلود سمینار کارشناسی ارشد مهندسی برق مبدل های آنالوگ به دیجیتال کم توان ، سریع وبا دقت بالا با فرمت pdf تعداد صفحات 138

این سمینار جهت ارایه در مقطع کارشناسی ارشد طراحی وتدوین گردیده است وشامل کلیه مباحث مورد نیاز سمینارارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی مااین سمینار رابا  قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهد.حق مالکیت معنوی این اثر    مربوط به نگارنده است وفقط جهت استفاده ازمنابع اطلاعاتی وبالا بردن سطح علمی شما دراین سایت ارایه گردیده است.          

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

اختصاصی از یارا فایل پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک دانلود با لینک مستقیم و پرسرعت .

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

22 صفحه در قالب word

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 میکروپروسسورها 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 . مسئله اصلی که هنوز باید حل شود آموزش است . حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .

در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .  آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) . دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد . اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است . بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند . اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .

برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد . این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود . با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد . همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سازی کند ، زیرا داده متناسب  شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

ممکن است هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است

متن کامل را می توانید در ادامه دانلود نمائید

چون فقط تکه هایی از متن پایان نامه برای نمونه در این صفحه درج شده است ولی در فایل دانلودی متن کامل پایان نامه همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند موجود است