در این مقاله، مدلسازی دستگاه تولید لینک خودکار یا ALE با استفاده از شبکه های عصبی یا هوش مصنوعی معرفی شده است. به طور کلی می توان عملکرد یک دستگاه ALE را مدلسازی کرد. هدف از مدلسازی، طراحی همین دستگاه با استفاده از روش های جدید و پیاده سازی با استفاده از ابزارهای موجود و در نتیجه بومی سازی آن است. در همین راستا، در این مقاله با استفاده از شبکه های عصبی و الگوریتم MLP تلاش شده است که عملکرد کلی دستگاه ALE مدلسازی و پیاده سازی شود. در ابتدا، پس از بررسی کانال های مخابراتی و اثرات غیرخطی و نویز بر انتقال داده، یک مدل برای انتقال داده در کانال های مخابراتی معرفی و در محیط نرم افزار متلب کد نویسی شده است. سپس به معرفی انواع شبکه های عصبی و کاربردهای آن پرداخته شده است و بهترین الگوریتم برای مدلسازی دستگاه ALE انتخاب شده است. در ادامه چندین مدل با استفاده از tools نرم افزار متلب و کد نویسی الگوریتم MLP انجام گرفته است و مقایسه شده است. در نهایت مدل پیشنهادی که مبتنی بر الگوریتم MLP است با کمترین خطا، به ازای خروجی جدید می تواند کانال مناسب را پیش بینی کند. مدل های پیشنهادی پس از بهینه سازی قابل پیاده سازی بر روی FPGA هستند و راهی برای ساخت این دستگاه در داخل کشور فراهم می آورد.

پژوهش حاضر با هدف مدلسازی نقش خود رهیابی و سواد رسانه­ای در طفره­روی مجازی انجام گرفت. این پژوهش از نظر راهبرد اصلی، کمی و از نظر تکنیک تحلیلی، توصیفی- همبستگی بود. جامعه آماری این مطالعه شامل دانشجویان تحصیلات تکمیلی بود. روش نمونه­گیری از نوع در دسترس بود. حجم نمونه با توجه به مدل کرجسی- مورگان و با در نظر گرفتن خطای 05/0 =α، 620 نفر در نظر گرفته شد. برای جمع آوری داده ها از پرسشنامه طفره­روی مجازی بلا و همکاران (2006) (با پایایی 89/0=α)، پرسشنامه محقق ساخته خودرهیابی (با پایایی 95/0=α) و پرسشنامه سواد رسانه­ای فلسفی (1393) (با پایایی 86/0=α)، استفاده شد. روایی محتوایی ابزارها با اعمال نظر ده نفر از خبرگان یادگیری الکترونیکی تأیید گردید. داده­ها با رویکرد شبکه عصبی مصنوعی با روش پرسپترون چندلایه (MPL) تحلیل شد. نتایج نشان داد مدلسازی عوامل خودرهیابی و سواد رسانه­ای در طفره­روی مجازی دانشجویان دارای یک لایه ورودی با ده گره و یک لایه پنهان با چهار گره است و شبکه عصبی مصنوعی به خوبی قادر است پرش­ها و روند طفره­روی مجازی دانشجویان را از روی این دو متغیر و خرده مقیاس­هایشان؛ پیش­بینی نماید. تمامی ضریب­های تاثیر لایه پنهان بر لایه خروجی در شبکه عصبی؛ منفی به دست آمده و از اینرو هرچه دانشجویان دارای مهارت خودرهیابی و سوادرسانه­ای بالاتری باشند، کمتر به رفتار طفره­روی مجازی می­پردازند و بالعکس. بر این اساس می­توان دریافت،  میزان سواد رسانه­ای و خودرهیابی دانشجویان متغیرهایی هستند که توان پیش بینی میزان طفره­روی مجازی دانشجویان را دارند.

بدون شک اولین قدم در مدیریت رودخانه پیش بینی بارش سطح حوضه آبریز می باشد. با این حال، با توجه به بالا بودن خاصیت تصادفی فرآیندها، بسیاری از مدل ها هنوز هم به منظور تعریف چنین پدیده پیچیده ای در زمینه مهندسی هیدرولوژیک توسعه داده می شوند. اخیرا شبکه های عصبی مصنوعی به عنوان یک برونیابی و درون یابی غیرخطی گسترده توسط هیدرولوژیست ها مورد استفاده قرار می گیرد. در پژوهش حاضر، تجزیه و تحلیل موجک به صورت ترکیب با شبکه عصبی مصنوعی و مقایسه با شبکه عصبی مصنوعی برای پیش بینی بارش ایستگاه وراینه در شهرستان نهاوند انجام شد. برای این منظور، سری زمانی اصلی با استفاده از تئوری موجک به چندین زیرسیگنال زمانی تجزیه شد، پس از آن این زیرسیگنال ها به عنوان داده های ورودی به شبکه عصبی مصنوعی برای پیش بینی بارش ماهانه استفاده شد. نتایج به دست آمده نشان داد که با توجه به ضریب همبستگی 0.92 و میانگین مربعات خطای 0.002 مدل ترکیبی شبکه عصبی مصنوعی-موجک، عملکرد این مدل نسبت به مدل شبکه عصبی مصنوعی با ضریب همبستگی 0.75 و میانگین مربعات خطای 0.003 بهتر می باشد و میتواند برای پیشبینی بارش کوتاه مدت و بلند مدت استفاده شود.

نشت یکی از چالش های اساسی در بهره برداری از شبکه های توزیع آب است. در این پژوهش با استفاده از شبکه ‎های عصبی مصنوعی پیش‎خور (Feedforward) به تعیین محل نشت­ها در شبکه های توزیع آب پرداخته شده است. برای این منظور، دو سناریو در آموزش شبکه های عصبی در نظر گرفته شده است. در سناریو اول دو نشت همزمان با مقادیر برابر و در سناریو دوم دو نشت همزمان اما با مقادیر نابرابر در هر یک از دو گره شبکه قرار داده‎ شده است. داده های آموزش با استفاده از نرم افزار شبیه ساز هیدرولیکی EPANET2.0 در محیط MATLAB به دست ‎آمده است. در هر یک از دو سناریو، ابتدا شبکه های عصبی با استفاده از مقدار دبی کل لوله ها آموزش می بینند. سپس تحلیل حساسیت توسط شبکه های عصبی مصنوعی ترکیبی به ازای مقدار دبی درصدهای مختلف لوله ها انجام می شود. نتایج شبکه های عصبی ترکیبی پیشنهادی نشان می دهد که در سناریو اول با داشتن دبی 10% لوله ها موقعیت دو نشت همزمان با موفقیت قابل تعیین است. در سناریو دوم، مادامی که اختلاف مقدار دو نشت کمتر از 80% نشت بیشینه است (تا نسبت های 10 و 90 درصد) با داشتن دبی 10% لوله ها، موقعیت هر دو نشت با موفقیت تعیین می گردد. اما برای اختلاف های بیشتر، فقط محل نشت بزرگ تر قابل تعیین است. علی رغم پیچیدگی های سناریوی دوم، شبکه های عصبی پیشنهادی نشت های بزرگ تر را با موفقیت تشخیص می دهند.

شبکه های عصبی مصنوعی، ساختار شبیه سازی شده شبکه عصبی انسان هستند که برای تعیین الگو، بین داده های آماری (به ویژه در رشته های علوم انسانی) کاربرد بسیاری دارند. الگوی ارائه شده، برای تحلیل داده ها، بررسی کیفیت، طراحی، بهینه سازی، پیش بینی، تشخیص و ... کاربرد بسیار زیادی دارد. در این مقاله، محققان بر اساس داده های آماری، اطلاعات مربوط به تعداد درگیری های 14 نقطه مرزی شناخته شده در طول هفت سال را به وسیله نرم افزار متلب مورد مطالعه قرار داده اند و با استفاده از شبکه عصبی مصنوعی در این نرم افزار، تعداد این درگیری ها را برای پنج سال آینده پیش بینی کرده اند. پیش بینی های به دست آمده (خروجی نرم افزار) به عنوان ابزاری در اختیار مدیران قرار می گیرد و برای تصمیم گیری، برنامه ریزی، شناسایی، کشف، پیشگیری و ... کاربرد بسیاری دارد.