فهرست مقالات نبي اله شیری

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - تفریق¬کننده¬های تک¬بیتی تقریبی مبتنی ¬بر تکنیک GDI با راندمان انرژی بالا و مساحت پایین برای پیاده¬سازی تقسیم¬کننده¬ها
  فاطمه پولادی فرشاد پسران نبي اله شیری
  در مدارهای دیجیتال با ترانزیستورهای زیاد، انرژی مصرفی بالا همچنان چالش اساسی می¬باشد. تکنیک¬های نوظهور مانند محاسبات تقریبی تا حدودی به حل این چالش کمک کرده¬اند. بر این اساس، سه تفریق¬کننده جدید تک¬بیتی بر مبنای محاسبات¬ تقریبی و تکنیک دروازه ورودی انتشار معرفی می¬شوند. چکیده کامل

  در مدارهای دیجیتال با ترانزیستورهای زیاد، انرژی مصرفی بالا همچنان چالش اساسی می¬باشد. تکنیک¬های نوظهور مانند محاسبات تقریبی تا حدودی به حل این چالش کمک کرده¬اند. بر این اساس، سه تفریق¬کننده جدید تک¬بیتی بر مبنای محاسبات¬ تقریبی و تکنیک دروازه ورودی انتشار معرفی می¬شوند. مدارهای پیشنهادی 1 تا 3 ضمن جدول درستی متفاوت با دیگر مدارها، به¬ترتیب 10، 8، و 6 ترانزیستور دارند که باعث کاهش قابل¬توجه توان¬مصرفی می¬شود. نتایج شبیه¬سازی¬ براساس تکنولوژی ترانزیستور اثر میدانی نانولوله کربنی (CNTFET) با طول کانال 32 نانومتری، برتری این مدارها را تایید می¬کند. مدار پیشنهادی 3 بدون استفاده از اینورتر، دارای بهترین عملکرد از نظر مداری می¬باشد. هر چند به¬دلیل وجود 4 خطا در این مدار، نرخ خطای آن در مقایسه با دیگر مدارها بیشتر می¬باشد. بررسی اثرات تغییرات در منبع ولتاژ، fan-out و تغییرات فرایند-ولتاژ-دما گویای برتری مدار پیشنهادی 3 از نظر انرژی¬ تلفاتی می¬باشد. هم¬چنین، با تعبیه مدارهای پیشنهادی در ساختار تقسیم¬کننده 8¬ بیتی، برتری مدار پیشنهادی 3 از¬ نظر معیارهای شایستگی مختلف به مقدار حداقل 50% قابل مشاهده است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - تشخیص تومور مغزی در تصاویر رزونانس مغناطیسی با استفاده از شبکه عصبی کانولوشنی عمیق
  میترا  افسری نژاد نبي اله شیری رامین براتی
  در این مقاله، تشخیص تومور مغز از طریق به کارگیری تکنیک‌های پیشرفته یادگیری عمیق مورد بررسی قرار گرفته است. رویکرد این مطالعه شامل توسعه و آموزش یک معماری جامع از شبکه عصبی کانولوشنی (CNN) با بهره‌گیری از یک مجموعه داده گسترده از تصاویر رزونانس مغناطیسی مغز (MRI) می¬باشد چکیده کامل

  در این مقاله، تشخیص تومور مغز از طریق به کارگیری تکنیک‌های پیشرفته یادگیری عمیق مورد بررسی قرار گرفته است. رویکرد این مطالعه شامل توسعه و آموزش یک معماری جامع از شبکه عصبی کانولوشنی (CNN) با بهره‌گیری از یک مجموعه داده گسترده از تصاویر رزونانس مغناطیسی مغز (MRI) می¬باشد، مدل پیشنهادی در طبقه‌بندی بافت معمولی مغز و مناطق تحت تأثیر تومور بسیار توانمند است. این معماری شامل لایه‌های متعدد از جمله لایه‌های کانولوشنی، نرمال‌سازی دسته‌ای و لایه‌های پولینگ است که در نهایت به یک لایه قوی طبقه‌بندی منجر می‌شود. از طریق آموزش دقیق و بهینه‌سازی، شبکه عصبی کانولوشنی معرفی‌شده توانسته است در طبقه‌بندی تومور مغز به دقت بالایی دست یابد. اثربخشی این مدل پیشنهادی از طریق آزمایشات جامع به نمایش گذاشته شده که نشان‌دهنده قابلیت آن در تشخیص دقیق تومور مغز است. پرونده مقاله