هنر مجسمه سازی در یونان 72 ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 72

هنر مجسمه سازی در یونان باستان

تمدن یونان باستان از تاثیرگذارترین فرهنگ هایی است که حیات بشر به خود دیده است. پتانسیل هنری یونان از چنان نیرویی برخوردار است که با گذشت دهه ها و قرن ها همچنان می توان ردپای هنر هنرمندان آن را در فرهنگ های سرزمین های جهان مشاهده نمود.حضور چهارگزینه از عجایب هفت گانه دنیا در میان آثار یونان باستان نمایانگر فرهنگ غنی و ماندگار این سرزمین است.توجه یونانیان به دو عنصر زیبایی شناختی و انسان گرایی به خلق آثاری انجامید که تا امروز نیز الهام بخش بسیاری از هنرمندان است. در غرب هنر امپراتوری رم باستان آشکارا از هنر یونان تاثیر پذیرفته است. کشورگشایی های آلکساندر کبیر در شرق نیز زمینه ساز حضور هنر یونان باستان در کشورهای آسیای میانه و هندوستان را فراهم آورد و مکتب گرکو ـ بودیست (یونانی ـ هندی) را بنیان نهاد.هنر یونان باستان از نظر سبک به چهار دوره قابل تقسیم است: ۱) هنر هندسی (geometric) ۲) هنر کهن (archaic) ۳) هنر کلاسیک (classical) ۴) هنر هلنی (hellenistic) گرچه یونان باستان را سرزمین ادب و هنر می شناسند ولی جاه طلبی و کشورگشایی های برخی از فرمانروایان سبب نابودی بسیاری از آثار هنری آن شد . دو هنر معماری و مجسمه سازی بیش از سایر هنرها توان مقابله با جنگ و ویرانی را داشتند و امروزه بسیاری از اطلاعاتی که ما از هنر یونان باستان داریم به واسطه آثار باقی مانده از این دو رشته هنری است . درباره بخشی از دوران هنری یونان که به سال های سیاه معروف است هیچگونه اطلاعاتی در دست نیست . از دوران هنر هندسی که به سال های ۱۰۰۰ پیش از میلاد مسیح بر می گردد نیز اطلاعات ناقصی وجود دارد. هنر کهن تنها با فیگورهای سیاه رنگی که روی ظروف نقاشی می شدند قابل بررسی است. در حقیقت نمی توان مرز روشنی از دوره های هنری یونان را مشخص نمود. برخی هنرمندان یونانی در سالهایی از هم نسل های خود گام هایی فراتر برداشتند و این به تولد هنر و سبک جدید در فرهنگ یونان منجر شد. دوران کلاسیک یونان از زمان لشکر کشی یونانیان به سرزمین پارس آغاز شد و عصر هلنی نیز نتیجه التقاط دو فرهنگ یونانی و آسیای شرق (هند و افغانستان) است.آثار به جای مانده از هنر یونان باستان به مجسمه ها، بقایای بناهای معماری، ظروف سفالی و سکه ها ختم می شود .یونانی ها نیز به مانند بسیاری از فرهنگ های اروپایی، اوج بروز خلاقیت را در هنر نقاشی می پنداشتند. از نقاشان مطرح یونانی می توان به «پلی گنوتوس از تاسوس» اشاره کرد. هر چند از وی هیچ اثری بر جای نمانده ولی براساس مکتوبات شهرت و محبوبیت این هنرمند، همتراز با میکلانژ و لئوناردو داوینچی بوده است. نقاشان یونانی عمدتا بر روی بوم های چوبی نقاشی می کردند که همین امر به عمر کوتاه آنها ختم شده است. آشنایی با نقاشی های یونان، امروزه تنها از طریق بررسی سفالینه ها و نقاشی های دیواره های مقبره ها امکان پذیر است . نقاشی بر روی سفالینه ها تنها بخش کوچکی از بعد زیبایی شناسی یونانیان را آشکار می سازد چرا که تکنیک هنرمندان نقاش در نقاشی بر روی ظروف و بوم های بزرگ بسیار متفاوت بود. هنر مجسمه سازی یونان با حضور چند مجسمه که بخش هایی از آن به جای مانده است ، قدرت خالقان آنها را در رعایت تناسبات و توجه به عناصر حقیقت انگاری، آشکار می سازد . در کنار جنگ، آفت دیگری نیز هنر یونان را از ماندگاری محروم ساخت: زلزله. بسیاری از بناهای عظیم معماری یونان باستان توسط یکی از بی شمار زلزله های یونان نابود و تخریب شد. اما همین آثار اندک به جای مانده از معماری همچون پارتنون و معبد هفائستوس در آتن اوج تمدن بشری در عصر باستان را به رخ عصر حاضر می کشد . چهار گنجینه از هفت عجایب دنیا: «مجسمه زئوس در المپیا»، «معبد آرتیمیس در افسوس»، «کولزئوس رودز» و «فانوس دریایی الکساندر» نمایندگان تمدن کهن سرزمین یونان در دنیای معاصر هستند.

یونانیان، خدایان متعدد خود را بصورت مجسمه در معابد خود قرار میدادند و آنها را پرستش می نمودند. مجسمه های سنگی و برنزی بیشماری نیز از قهرمانان خود در میدانها و معابر عمومی می‌گذاشتند.

مصریان عقیده داشتند که روح هر انسانی پس از مرگ به این جهان بر می گردد و برای اینکه آن روح سرگردان نشود مجسمه‌هایی از سنگ یا برنز یا چوب یا گچ می ساختند و در مکانهای امنی قرار میدادند و چون آن مجسمه ها کاملاً شبیه اشخاصی که مرده بودند ساخته میشد به عقیده آنان روح به آسانی می‌توانست در آنها جای گیرد.

بعلاوه مصریان نیز خدایان خود را بصورت موجوداتی در سنگ یا برنز مجسم می‌کردند و در معابدشان قرار می دادند یونانیان قبل اسلام، هنگامیکه تمام ملل جز ملت نبود به خدایان متعدد اعتقاد داشتند و دارای مذهبی بودند که به توحید خیلی نزدیک بود. هرودت که یونانیان عهد هخامنشی را به هم میهنان خود در کتابی تحت عنوان «تاریخ» معرفی نموده تعجب می کنم از اینکه یونانیان برای خدایان خود معبد و مجسمه ای نمی سازند و می‌گوید آنها برای انجام مراسم مذهبی خودشان روی بلندیها می‌روند و خداوند خود را به این طریق پرستش می‌نمایند.

در عهد ما هیچ مجسمه‌ای که خدای یونانیان قدیم یعنی اهورامزدا را به ما نشان بدهد نمی‌شناسیم انسان بالداری که در پیشانی آرامگاه بعضی از پادشاهان هخامنشی نقش

تحقیق در مورد خصوصی سازی 42 ص

لینک دانلود و خرید پایین توضیحات

دسته بندی : وورد

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

تعداد صفحه : 42 صفحه

 قسمتی از متن .doc : 

مقدمه

گرایش کشورهای جهان سوم به خصوصی سازی قبل از آنکه زاییده نیاز واقعی پدیدار شده از متن اقتصادی شان باشد، از فشارهای محیطی و تمایل به همگامی با اقتصاد جهانی منتج شده است. این کشورها از خصوصی سازی، انتظاراتی از قبیل تغییر مدیریت دولتی به مدیریت خصوصی که تصمیم هایش بر اساس نفع شخصی است، جایگزینی اهداف اداری مبتنی بر مسائل سیاسی به اهداف تجاری و انگیزه سودآوری، تخصیص منابع مالی به سرمایه گذاری بر مبنای کارایی آنها، کاهش فرصتهای بهره برداری از امتیازات توسط اشخاص ذی‌نفع، کاهش فساد در اداره شرکتها، گسترش امکانات برای تسریع رشد و توسعه اقتصادی داشتند.

خصوصی سازی در ایران در سال های 1341-1342به عنوان یکی از اصول انقلاب سفید معرفی شد و روند جدید خصوصی سازی در ایران از سال 1368 به بعد و در چارچوب سیاستهای اقتصادی دولت و برنامه اول توسعه اقتصادی، اجتماعی و فرهنگی جمهوری اسلامی ایران آغاز شد و بر اساس مصوبه دولت وقت به منظور دستیابی به اهداف ارتقای کارایی فعالیتها، کاهش حجم تصدی دولت در فعالیتهای اقتصادی و خدماتی غیرضروری، ایجاد تعادل اقتصادی، استفاده بهینه از امکانات کشورانجام پذیرفت. خصوصی سازی در ایران، دارای نتایج و پیامدهای اجتماعی و اقتصادی زیادی بوده است.

این مقاله با هدف طرح راه کارهای اجرای اصل 44، در چهار بخش سازماندهی شده است: در بخش اول، مفهوم خصوصی‌سازی و زیر بناهای فکری آن تشریح می شود. در بخش دوم مفهوم توسعه ارائه می شود. در بخش سوم به راه کارهای اجرای اصل 44 و بخش چهارم به جمع بنـدی و نتیجه گیری اختصاص یافته است.

ایجاد و رشد و توسعه حس مشترک «ما» به جای من و تو، یکی از نیرومندترین ابزارهای فرهنگی تحقق اصل 44 است.

1- خصوصی سازی

واژه خصوصی کردن و خصوصی گرایی برای اولین بار در زبان انگلیسی در سال 1983 در فرهنگ لغت دانشگاهی جدید وبستر چاپ و رسما تصویب شد. از واژه خصوصی کردن، معانی متفاوتی به ذهن خطور می کند. یکی ازطرق تبیین معنی این واژه، ارتباط دادن آن با فعالیتها واقدامات دولت درجهت تامین کالاها و خدمات است. اما کاربرد واژه خصوصی‌سازی برای فروش دارایی های بخش عمومی، پدیده بارز دهه 1980است، ولی حوزه های مختلف فعالیت را برای آن تشریح کرده اند. از این رو مفهوم خصوصی سازی گسترش یافته است و چهار رویکرد نسبت به خصوصی سازی وجود دارد:

الف- خصوصی سازی سنتی که عایدات دولت را از محل فروش دارایی های دولتی یا برای تعادل پرداخت از طریق جریان ورود سرمایه گذاری خارجی تحت فشار قرار می دهد.

ب- تغییرات ناگهانی

اگرچه خصوصی سازی برای کشورهای تابع اقتصاد بازار و نظام سرمایه داری آثار مثبت به دنبال داشته است، ولی برای کشورهای جهان سوم از جمله ایران چه قبل از انقلاب و چه بعد از انقلاب آثار زیانباری به دنبال داشته است، که مبین ناهمگونی و ناسازگاری بین خصوصی سازی به عنوان ابزار رشد و توسعه اقتصادی با سایر ساختارهای اجتماعی-فرهنگی و انسانی و... است

و برخوردهای اجتماعی ناشی از برنامه اصلاحات اقتصادی را به حداقل می‌رساند و خصوصی سازی با سرعت زیاد، سلب مالکیت را از دولت دنبال می کند.

ج- تغییر شکل مالکیت جمعی، که سعی می‌کند به سرعت مالکیت هزاران موسسه دولتی را در مقیاس بزرگ و متوسط به مالکان خصوصی واگذار کند و انتقال دهد.

د- خصوصی سازی داخلی که کنترل موسسات دولتی را به گروه های داخلی مانند مدیریت و کارگران واگذار می کند.

خصوصی سازی، هرگز موضوع ساده انتقال دارایی های دولتی به بخش خصوصی نیست، بدین علت که سیاست های برگزیده نمی‌توانند تابع بازار باشند، ولی آزادی ورود و خروج از بازار را فراهم می کنند. بنابراین دولتها برای خصوصی سازی مشوق هایی به کار برده اند و محدودیت هایی هم وضع کرده اند تا از عهده ضرورتهای سیاسی برآیند. از این رو می توان خصوصی سازی را به صورت های زیر تعریف کرد:

الف- خصوصی سازی به صورت چرخش مدیریتها از سیستم دولتی به خصوصی در بخشهای عمده ای از صنایع تعریف می شود.

ب- خصوصی سازی شرکتهای دولتی، یعنی تغییر فضای حاکم بر فعالیت شرکت با حفظ بافت اصلی فعالیت، به گونه ای که فضای مذکور تغییر یابد وشرایط بازار بر نحوه کارکرد شرکت تاثیر گذارد تا انگیزه‌ها و مکانیسم های بخش خصوصی ملاک تصمیم گیری قرار گیرند.

ج- خصوصی سازی روندی است که در آن دولت امکان انتقال وظایف و تسهیلات خود را از بخش عمومی به بخش خصوصی بررسی و در صورت تشخیص و اقتضا نسبت به انجام چنین انتقالی اقدام می کند.

با نگریستن به مفهوم خصوصی سازی در کل، متوجه می شویم که دو اصل در آن مستتر است: اول تغییر مالکیت و دوم به کارگیری نیروهای بازار. بنابراین زیربنای

مقاله 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

Johannes Schemmel1, Karlheinz Meier1, and Felix Sch¨urmann1

Universit¨at Heidelberg, Kirchho_ Institut f¨ur Physik, Schr¨oderstr. 90, 69120

Heidelberg, Germany,

[e-mail],

WWW home page: http://www.kip.uni-heidelberg.de/vision.html

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 .

مقاله درباره بهینه سازی و معرفی انواع مختلف روشهای آن

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 29

بهینه‌سازی و معرفی انواع مختلف روش‌های آن

چکیده

بهینه‌سازی یک فعالیت مهم و تعیین‌کننده در طراحی ساختاری است. طراحان زمانی قادر خواهند بود طرح‌های بهتری تولید کنند که بتوانند با روش‌های بهینه‌سازی در صرف زمان و هزینه طراحی صرفه‌جویی نمایند. بسیاری از مسائل بهینه‌سازی در مهندسی، طبیعتاً پیچیده‌تر و مشکل‌تر از آن هستند که با روش‌های مرسوم بهینه‌سازی نظیر روش برنامه‌ریزی ریاضی و نظایر آن قابل حل باشند. بهینه‌سازی ترکیبی (Combinational Optimization)، جستجو برای یافتن نقطه بهینه توابع با متغیرهای گسسته (Discrete Variables) می‌باشد. امروزه بسیاری از مسائل بهینه‌سازی ترکیبی که اغلب از جمله مسائل با درجه غیر چندجمله‌ای (NP-Hard) هستند، به صورت تقریبی با کامپیوترهای موجود قابل حل می‌باشند. از جمله راه‌حل‌های موجود در برخورد با این گونه مسائل، استفاده از الگوریتم‌های تقریبی یا ابتکاری است. این الگوریتم‌ها تضمینی نمی‌دهند که جواب به دست آمده بهینه باشد و تنها با صرف زمان بسیار می‌توان جواب نسبتاً دقیقی به دست آورد و در حقیقت بسته به زمان صرف شده، دقت جواب تغییر می‌کند.

مقدمه

هدف از بهینه‌سازی یافتن بهترین جواب قابل قبول، با توجه به محدودیت‌ها و نیازهای مسأله است. برای یک مسأله، ممکن است جواب‌های مختلفی موجود باشد که برای مقایسه آنها و انتخاب جواب بهینه، تابعی به نام تابع هدف تعریف می‌شود. انتخاب این تابع به طبیعت مسأله وابسته است. به عنوان مثال، زمان سفر یا هزینه از جمله اهداف رایج بهینه‌سازی شبکه‌های حمل و نقل می‌باشد. به هر حال، انتخاب تابع هدف مناسب یکی از مهمترین گام‌های بهینه‌سازی است. گاهی در بهینه‌سازی چند هدف به طور همزمان مد نظر قرار می‌گیرد؛ این گونه مسائل بهینه‌سازی را که دربرگیرنده چند تابع هدف هستند، مسائل چند هدفی می‌نامند. ساده‌ترین راه در برخورد با این گونه مسائل، تشکیل یک تابع هدف جدید به صورت ترکیب خطی توابع هدف اصلی است که در این ترکیب میزان اثرگذاری هر تابع با وزن اختصاص یافته به آن مشخص می‌شود. هر مسأله بهینه‌سازی دارای تعدادی متغیر مستقل است که آنها را متغیرهای طراحی می‌نامند که با بردار n بعدی x نشان داده می‌شوند.

هدف از بهینه‌سازی تعیین متغیرهای طراحی است، به گونه‌ای که تابع هدف کمینه یا بیشینه شود.

مسائل مختلف بهینه‌سازی به دو دسته زیر تقسیم می‌شود:

الف) مسائل بهینه‌سازی بی‌محدودیت: در این مسائل هدف، بیشینه یا کمینه کردن تابع هدف بدون هر گونه محدودیتی بر روی متغیرهای طراحی می‌باشد.

ب) مسائل بهینه‌سازی با محدودیت: بهینه‌سازی در اغلب مسائل کاربردی، با توجه به محدودیت‌هایی صورت می‌گیرد؛ محدودیت‌هایی که در زمینه رفتار و عملکرد یک سیستم می‌باشد و محدودیت‌های رفتاری و محدودیت‌هایی که در فیزیک و هندسه مسأله وجود دارد، محدودیت‌های هندسی یا جانبی نامیده می‌شوند.

معادلات معرف محدودیت‌ها ممکن است به صورت مساوی یا نامساوی باشند که در هر مورد، روش بهینه‌سازی متفاوت می‌باشد. به هر حال محدودیت‌ها، ناحیه قابل قبول در طراحی را معین می‌کنند.

به طور کلی مسائل بهینه‌سازی با محدودیت را می‌توان به صورت زیر نشان داد:

Minimize or Maximize : F(X) (1-1 )

Subject to : I = 1,2,3,…,p

j = 1,2,3,…,q

k = 1,2,3,…,n

که در آن X={ بردار طراحی و رابطه‌های (1-1) به ترتیب محدودیت‌های نامساوی، مساوی و محدوده قابل قبول برای متغیرهای طراحی می‌باشند.

مقاله درمورد 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

Johannes Schemmel1, Karlheinz Meier1, and Felix Sch¨urmann1

Universit¨at Heidelberg, Kirchho_ Institut f¨ur Physik, Schr¨oderstr. 90, 69120

Heidelberg, Germany,

[e-mail],

WWW home page: http://www.kip.uni-heidelberg.de/vision.html

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 .