تحقیق در مورد شرایط مناسب ازدواج

لینک دانلود و خرید پایین توضیحات

دسته بندی : وورد

نوع فایل :  .doc ( قابل ویرایش و آماده پرینت )

تعداد صفحه : 23 صفحه

 قسمتی از متن .doc : 

شرایط مناسب ازدواج

* نوشته : دکتر علی اصغر کیهان نیا

معیار های اصولی و صحیح برای یک ازدواج مطمئن چیست؟

خانواده هر دو نفر ، از نظر فرهنگی و سنتهای رایج نزدیک به هم باشد .

تا سر حد امکان تمکن مالی دو خانواده متناسب با یکدیگر باشد.

اگر هر دو نفر اهل یک شهر نبودند لااقل در سایر زمینه ها و آداب و رسوم نزدیک به هم باشند.

دیدگاه های دو خانواده از نظر مذهبی ، سیاسی ،اجتماعی و معاشرتی نزدیک به هم باشد .

تناسب جسمانی ،شکل ، قیافه و اندام آنها به هم نزدیک باشد ،تا حدی که تفاوتهای موجود خیلی چشم گیر نباشد.

از نظر سن و سال متنا سب باشند و به اصطلاح عامه " به هم بیایند ."

از نظر میزان تحصیلات ، تفاوت فاحشی نداشته باشند.

اختلاف سلیقه در انتخاب محل سکونت یا محل کار نداشته باشند.

شرایط فردی دو نفری که می خواهند ازدواج کنند باید چگونه باشد؟

داشتن شرایط فردی به ایجاد یک زندگی ایده آل کمک می کند ولی اینها لزوماً شرایط لازم وکافی نیستند ،بنابراین به شرایط فردی زیر که صرفاً مربوط به اخلاقشان می شود و از خصوصیات شخصی شان است باید توجه بیشتری داشت :

از نظر طرز تفکر و اندیشه اجتماعی به هم نزدیک باشند.

دیدگاهشان نسبت به زندگی یکسان باشد.

تفاوتهای شخصیتی و خصوصیتهای رفتاری فاحشی نداشته باشند .

تا آنجا که مقدور است بهره هوشی آنها نزدیک به هم باشد.

دارای دیدگاههای سیاسی ،گرایش های اعتقادی و افقهای فکری نزدیک به هم باشند.

هر دو نفر استفلال رای داشته باشند ، یعنی شخصاً در امور زندگی شان تصمیم بگیرند نه به علت دهن بینی و تقلید از دیگران.

در خانواده آنها پدر سالاری یا مادر سالاری به صورت مطلق وجود نداشته باشد.

از نظر تفکرات مذهبی در دو قطب مخالف هم نباشند که این مورد بسیار مسأله ساز است .

چه مردی برای یک ازدواج ایده آل مناسب است ؟

الف : مردی که دارای صداقت بی چون و چرا ست .

ب : مردی که هدفمند است و حتی اگر در حال حاضر دستش از مال دنیا کوتاه است ، در آینده به همه چیز می رسد .

چه زنی برای یک ازدواج ایده آل مناسب است؟

الف : زنی که صداقت بی چون و چرا دارد .

ب : زنی که سازگار است یعنی در هر شرایطی رفیق راه مرد است .

برای ازدواج روی چه مردانی نباید حساب کرد ؟

هوس باز ها ، معتاد ها ، بیکاره ها ، دمدمی مزاجها ، مردان وابسته به خانواده ، مردان خیلی خسیس ، رنجور نمایان ، خیلی بد بین ها و شکاکها.

برای ازدواج روی چه دختر هایی نباید حساب کرد؟

دختر هایی که بیش از حد متکی به زیبایی خود هستند و به مال و منال پدر خود می نازند ، مد پرستها و دختران لوس و از خود راضی.

با مردی که سر راه ما قرار می گیرد چه رفتاری باید داشته باشیم تا ما را برای ازدواج انتخاب کند ؟

الف : به او ثابت کنید که قادرید او را درک کنید .

ب : با روح و قلب او ارتباط بر قرار کنید .

ج : برایش شنونده خوبی باشید .

د : به او ثابت کنید که رفیق راه او هستید.

ه : به کارش و هدفهایش اهمیت بدهید .

ی : به تفاوتهای فردی خود و او توجه کنید.

در ازدواج وکالتی چه نکاتی را باید در نظر گرفت ؟

الف: قبل از اینکه پاسخ مثبت بدهید حتماً با او مکاتبه کنید .

ب : حتماً از او عکس جدید و تمام قدش را بخواهید .

ج : از او بخواهید برای ازدواج رسمی به ایران بیاید.

د : حتماً از کم و کیف مدرک تحصیلی او جویا شوید .

ه : از او بپرسید آیا قبلاً ازدواج کرده و فرزندی دارد...

خواستگار خود را چگونه امتحان کنیم ؟

ببینیم آیا خوش قول و قرار است ، صداقت دارد ، مستقل است ، احساس مسؤولیت می کند ، دارای اهداف شخصی است ، اخلاقش خوب است ، ایمانش قوی است...

اگر خواهر و یا برادر بزرگتر ازدواج نکرده باشد ما هم نباید ازدواج کنیم؟

اگر ازدواج برای شما زود است بهتر است دست نگه دارید ، ولی اگر ازدواجتان دیر شده حتماً ازدواج کنید.

چگونه از یک دوستی در محیط کار یا دانشگاه یک ازدواج بسازیم؟

مقاله. بتن سبک جایگزین مناسب آجر و سفال

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 15

بتن سبک جایگزین مناسب آجر و سفال

مقدمه

یکی از بزرگترین آرزوهای بشر از دوران اولیه پیدایش درعالم ، مسئله ساخت سرپناهی مناسب بوده ودردوران فراصنعتی فعلی هرچند که اکثر آرزوها تحقق یافته ولی این مسئله همچنان از دغدغه های بزرگ همگان درسراسر دنیا محسوب میشود . درگذشته های دور که خاک وسنگ وآجر تنها مصالح ساختمانی بشمار می رفتند ، استفاده از آنها محدودیت خاصی نداشت ولی درحال حاضر که حفظ محیط زیست بخاطر بقای بشر اجتناب ناپذیر است ، استفاده از این مصالح واقعاً دیگر ممکن نیست . هرچند که فولاد وسیمان ودیگر مصنوعات مدرن جایگزین هایی مناسب ، بجای مصالح سنتی محسوب می شوند ولی متاسفانه درایران هنوز بطور حیرت انگیزی از مصالح سنتی درکنار مصالح نوین ساختمانی استفاده وتاسف بزرگتر اینکه از مصالح نوین نیز به روش های غلط بهره می گیریم . کشور باستانی ایران بعنوان میراث دار بزرگترین تمدن باستانی ومشعل دار علم وفرهنگ درقرون گذشته بجایی رسیده که بابروز بلایای طبیعی ، متاسفانه به یکباره تمام ساختمانهای یک شهرش برسر مردمانش خراب وباعث تلفات عظیم جانی ومالی میگردد.

قبل از ورود فولاد وسیمان به صنعت ساختمان ، پیشگام این صنعت در جهان بوده ایم که آثار تاریخی بی نظیر موجود ، اثباتی مهم براین ادعاست ولی بانگاهی کوتاه به آمارها ، درمی یابیم که هرچه سریعتر بایستی بفکر تغییرات اساسی درصنعت ساختمان باشیم :

      80% ساختمان های تهران (پایتخت کشور ) فاقد استانداردهای اساسی به ویژه مقاوم سازی هستند!

      90% مردم فقط به نمای ظاهری وشکل بنا ، اهمیت می دهند !

      حدود 60% از واحدهای مسکونی کل کشور دارای عمر بیش از 20 سال و 85 % فاقد سازه های بادوام !

      احتمال وقوع زلزله 7 ریشتری تا 10 سال آینده درتهران حدود 70% است !

    از مجموع آمار تلفات انسانی درقرن گذشته (سهم ایران = 8% کل تلفات جهانی ) درایران بالغ بر 80% اختصاص به تلفات زلزله دارد !

    باتوجه به اینکه وضعیت ساخت وساز ، یکی از مهمترین ابزار سنجش توسعه یافتگی درکشورها محسوب میشود ودر کشورهای پیشرفته عمر مفید ساختمان ها 100+ است ولی درایران عمر مفید ساختمان ها 30- سال است!

    ایران درمصرف آهن جزو کشورهای پر مصرف کننده جهان به شمار می رود ، این درحالی است که آهن با بهای گزاف عرضه میشود !

    ایران از لحاظ مصرف سرانه سیمان درردیف بیستم جهان قرار دارد ومیزان استفاده از این مصالح ارزان ومقاوم درساختمان ها ناچیز است درحالی که سیمان به اندازه کافی درکشور وجود دارد !

علل این نقصان بزرگ را بایستی درکیفیت پایین مصالح ساختمانی ، روش های سنتی وغیرعلمی طراحی واجرایی ، به کارگیری نیروی غیر ماهر وبالاخره ضعف کنترل ونظارت مقامات مسئول جستجو کنیم .

دراین مقاله صرفاً به مسئله کیفیت مصالح ساختمانی پرداخته وسعی شده با استدالات فنی ، مصالح نوین مناسب ساخت وساز باتوجه وتکیه به منابع داخلی ومحدودیت های خاص مثل : قرارداشتن ایران درکمربند جهانی زلزله درکنار رعایت وحفظ فاکتور های زیست محیطی ‌بررسی شوند که البته منظور از عبارت " ساخت وساز " دراین مقاله معنای عام آن نیست وصرفاً توجه به ساختمان های مسکونی ، اداری ، تجاری ورفاهی میباشد وپروژه های بزرگ عمرانی وابنیه زیربنایی مدنظر نبوده است .

" سهولت ، ایمنی وصرفه اقتصادی " درانتخاب مصالح ساختمانی

این فاکتورهای 3 گانه درصنعت ساخت وساز همواره ازگذشته تابحال بادرجه اهمیت بالا مدنظر سازندگان واستفاده کنندگان مصالح ساختمانی بوده اند .

فوریت وسهولت بیشتر درعملیات اجرایی وکاهش زمان ساخت ازعوامل مهم به شمار می روند بطوری که اخیراً درکشورهایی مانند : استرالیا وکانادا با استفاده از بلوک های سبک وباحداقل مصرف فولاد درعرض فقط چند روز ساختمان های 2 الی 4 طبقه ساخته می شوند.

کلمه ایمنی همواره بامفهوم استحکام همراه است که خیلی دور از واقعیت نیست وبه جرأت می توان گفت مقاوم سازی ازمهمترین فاکتورهای صنعت ساختمان بشمار می آید ، ولی متاسفانه درگذشته توجه زیاد به مقاوم سازی ، باعث سنگین سازی شده که خود از علل کاهش ایمنی درزمان بروز حوادث میشود. خوشبختانه با پیشرفت تکنولوژی و همراه با کاهش وزن مصالح ساختمانی ایمن سازی نیز مورد توجه جدی واقع شده ، بطوری که درکشور زلزله خیز ژاپن با استفاده از فنآوری جدید سبک سازی و مقاوم سازی هنگام زمین لرزه های مهیب ،با کمترین خسارات ممکن جانی ومالی روبرو میشوند. امروزه در دنیا ، مسئولان ذیربط این صنعت با وضع آئین نامه های استاندارد و قوانین لازم ، انجام

آموزش های خاص معماران ومهندسان ساختمان وآموزش های همگانی ، توجه خاص به این صنعت مادر ومهم داشته اند که لازم است درایران نیز این برنامه ها عملی ورعایت آئین نامه وقوانین اجباری شود و بخصوص جهت عدم رعایت آنها قوانین انضباطی و تنبیهی سختی وضع شود تاپیش ازاین شاهد تلفات جانی ومالی نباشیم .

نظر شمارا به سطور اول قدیمی ترین آئین نامه ساختمانی درجهان یعنی آئین نامه ساختمانی حمورابی (پادشاه بابل حدود 1750 سال قبل ازمیلاد ) جلب می کنم :

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

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

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

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 .

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 سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

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

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

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

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 .

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 سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

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

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

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

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 .

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 سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .