دانلود کارآموزی شرکت مهندسی بانی ساز پشتیبانی شبکه و سخت افزار و نرم افزار 62 ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 62

دانشگاه آزاد واحد رودهن

دانشکده فنی و مهندسی

گروه کامپیوتر

کارشناسی پیوسته کامپیوتر/گرایش نرم افزار

گزارش کار آموزی

پشتیبانی شبکه و سخت افزار و نرم افزار

محل کارآموزی

شرکت مهندسی بانی ساز

استاد کارآموزی : خانم حبیبی

دانشجو : سید حسین دریاباری

تابستان 87

تقدیم به :

پدر و مادرعزیزم

و

همه آنان که با لطف و مهر همیشه راهنمایم بوده اند .

در اینجا لازم می دانم از سرکار خانم حبیبی از اساتید دانشگاه آزاد رودهن و جناب آقای مهندس بیژن عرب یزدی مدیر عامل محترم شرکت بانی ساز که همواره مشوق اینجانب بوده اند تقدیر و تشکر نمایم .

سید حسین دریاباری

فهرست مطالب

مقدمه............................................................................................................................4

فصل اول : آشنایی کلی با مکان کارآموزی

محل کاراموزی................................................................................................................6

فصل دوم : آشنایی با بخشهای مرتبط با کارآموزی

بخشهای مرتبط...............................................................................................................9

فصل سوم : آزمون آموخته ها و نتایج

مشکلات بررسی شده.....................................................................................................12

اسمبل کردن و ملزومات آن........................................................................................15

نرم افزار سیستم شما برروی Mother Board........................................................16

POST.......................................................................................................................16

Error ها...................................................................................................................17

CMOS RAM................................................................................................................18

Motherboard ATX............................................................................................22

فرایند بوت................................................................................................................22

جریان داده ها............................................................................................................23

شبکه بندی سازمان...................................................................................................24

بحث Domain و Workgroup...................................................................................26

بحث IP.......................................................................................................................27

شبکه کردن چند کامپیوتر.........................................................................................29

پیوست.........................................................................................................................31

فهرست منابع ...............................................................................................................62

تحقیق درباره اتوماسیون صنعتی و شبکه های ارتباطی 37 ص word

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 34

اتوماسیون صنعتی و شبکه های ارتباطی

خلاصه

پیشرفت فن آوری اینترنت و شبکه های ارتباطی در دهه های اخیر ایجاب می نماید تا به لزوم بکارگیری شبکه های ارتباطی در صنعت و در این راستا شبکه ای کردن دستگاهها و سنسورهای صنعتی بپردازیم.

در این مقاله نگاهی اجمالی به اتوماسیون صنعتی و نقش شبکه های ارتباطی در توسعه صنعت داریم . در ابتدا با بیان تاریخچه اتوماسیون صنعتی , به ذکر اطلاعات پایه اعم از سطوح سلسله مراتبی اتوماسیون صنعتی و پروتکل MAP ( پروتکل اتوماسیون صنعتی) می پردازیم.

در ادامه ملزومات اساسی طراحی و ارتباطات قسمتهای مختلف یک شبکه صنعتی شرح داده می شود و با اشاره به توسعه شبکه های ارتباطی به نقش ارزنده اتصال دستگاهها و سنسورها در دنیای صنعت می پردازد .

انواع شبکه های صنعتی با ذکر محاسن و معایب هر یک بررسی شده و نشان می دهد که چگونه می توانیم شبکه های سرعت بالا مانند Ethernet را با شبکه های سطح پایین تر (‌مانند : Fieldbus) جهت افزایش کارایی ترکیب نمود و همچنین اهمیت استفاده از پردازنده ها و رابطهای کامپیوتری در مدیریت هرچه بیشتر اطلاعات تبادلی و chip های از قبل برنامه ریزی شده (‌Asic) شرح داده می شود. در پایان با بیان پیشنهادهایی جهت طراحی یک شبکه ارتباطی در صنعت به کار خود خاتمه می دهد.

فصل 1 – شبکه های صنعتی

مقدمه

هنگامیکه در دهه شصت تکنولوژی های اتوماسیون دیجیتال در دسترس قرار گرفت از آنها جهت بهبود و توسعه سیستمهای اتوماسیون صنعتی استفاده شد . مفاهیمی مانند : صنایع خودکار(CIM) و سیستمهای کنترلی خودکار توزیعی (DCCS), در زمینه اتوماسیون صنعتی معرفی گردید و کاربرد شبکه های ارتباطی تقریبا“‌ رشد قابل توجهی نمود.

کاربرد سیستمهای اتوماسیون صنعتی گسترش پیدا کرد بطوری که تعدادی از مدلهای دیجیتالی آن برای شبکه های ارتباطی جهت جمع آوری اطلاعات و عملیات کنترلی سطح پائین (سطح دستگاهای عمل کننده) با هم در ارتباط بودند.

در یک سیستم مدرن اتوماسیون صنعتی ,‌ ارتباط داده ها بین هر یک از دستگاههای اتوماسیون نقش مهمی ایفا می کند , هدف از استانداردهای بین اللملی برقراری ارتباط بین همه دستگاههای مختلف اتوماسیون است. از این رو کوششهائی جهت استانداردسازی بین المللی در زمینه شبکه ها صورت گرفت که دستاورد مهم آن پروتکل اتوماسیون صنعتی (MAP) در راستای سازگاری سیستم های ارتباطی بود. پروتکل MAP جهت غلبه بر مشکلات ارتباطی بین دستگاههای مختلف اتوماسیون گسترش پیدا کرد و بعنوان یک استاندارد صنعتی جهت ارتباطات داده ای در کارخانه ها پذیرفته شد .

عملکرد و قابلیت اطمینان یک سیستم اتوماسیون صنعتی در حقیقت به شبکه ارتباطی آن بستگی دارد .

در یک شبکه ارتباطی اتوماسیون صنعتی ,‌ بهبود عملکرد شبکه وقابلیت اطمینان آن و استاندارد بودن ارتباطات با توجه به اندازه سیستم و افزایش حجم اطلاعات تعیین می گردد.

یک شبکه ارتباطی جهت یک سیستم اتوماسیون صنعتی باید دارای شرایط زیر باشد :

1 - قابل استفاده بودن شبکه 2 - ‌ توان عملیاتی مناسب شبکه 3- ‌میانگین تاخیر انتقال اطلاعات قابل قبول.

به علاوه عوامل موثر بر عملکرد صحیح یک سیستم اتوماسیون صنعتی می تواند شامل موارد زیر باشد:

1 - ارزیابی کارایی یک شبکه ارتباطی توسط یکی از روشهای شبیه سازی یا تحلیلی.

2 - مطالعه کارایی شبکه در یک محیط نویزی .( نویز حاصل از روبوتهای جوشکاری و موتورهای بزرگ و غیره )

3 – تنظیم صحیح پارامترهای ارتباطی شبکه . در یک سیستم اتوماسیون صنعتی شبکه ارتباطی یک جز مهم می باشد. زیرا عهده دار تبادل اطلاعات است. بنابراین جهت دست یافتن به مقادیر صحیح بایستی اتصالات ارتباطی بین ایستگاههای مختلف شبکه ارتباطی بدرستی صورت گرفته باشد.

1 – 2 سطوح سلسله مراتبی سیستم های اتوماسیون صنعتی

سیستم های اتوماسیون صنعتی می توانند خیلی مجتمع و پیچیده باشند ولی عموما“ به سطوح سلسله مراتبی ساختار بندی می شوند. هر سطح شرایط متفاوتی در شبکه ارتباطی دارد . در مثال فوق یک ساختار سلسله مراتبی از یک سیستم اتوماسیون صنعتی نشان داده شده است.

سطح Element

سطح فیزیکی اتوماسیون شامل دستگاها و سنسورهای عمل کننده است که پردازش های فنی را انجام می دهند.

سطح فیلد Field Level

پایین ترین سطح اتوماسیون سطح Field است که شامل دستگاههای کنترلی مانند PLC و CNC است. دستگاههای فیلد اصلی معمولا ‌“ طبقه بندی شده اند ,‌کار دستگاهها در سطح فیلد انتقال اطلاعات بین پروسه تولید محصول و پردازش های فنی است .اطلاعات ممکن است باینری یا آنالوگ باشد .

جهت ارتباط سطح فیلد معمولا“ از کابلهای چند رشته ای موازی و رابطهای سریال استفاده می شود . استانداردهای ارتباطی سریال مانند:RS232C , RS422 و RS485 و نوعهای عمومی دیگر با استاندارد ارتباطی موازی IEEE488 با هم استفاده می شود.

روشهای ارتباطی نقطه به نقطه در شبکه ارتباطی از لحاظ قیمت کابل کشی و کیفیت ارتباط مقرون به صرفه بودند. امروزه Field Bus (یک نوع شبکه صنعتی) اغلب برای انتقال اطلاعات در سطح فیلد بکار می رود .از آنجاییکه در یک فرایند اتوماسیونی زمانبندی درخواستها باید بطور دقیق اجرا شود, برنامه های کنترل کننده های این سطح عملیات انتقال چرخشی نیاز دارند که اطلاعات را در فواصل زمانی مشخص انتقال دهند و اطلاعات تعیین شده را برای کم کردن زمان انتقال به قسمتهای کوچکتر تقسیم کنند.

سطح Cell (Cell Level)

در سطح Cell جریان داده ها اساسا“ شامل : بارگزاری برنامه ها ‚ مقادیر و اطلاعات است که در طول فرایند تولید انجام می شود.

جهت دستیابی به درخواستهای ارتباطی در این لایه از ‌شبکه های سرعت بالا استفاده می شود. بعد از تعریف اصطلاحات CIM و Dccs بسیاری از شرکتها قابلیتهای شبکه هایشان را جهت سطحCell سیستم اتوماسیون افزایش دادند

Ethernet همراه با TCP/IP بعنوان یک استاندارد واقعی برای این سطح مورد قبول واقع شد هرچند نتوانست یک ارتباط وابسته به زمان ( Real-Time ) را فراهم کند.

سطح Area (Area Level)

در سطح Area , Cell ها گروه بندی شده و توسط یک برنامه عملا“ شبیه سازی و مدیریت می شوند . توسط لایه Area , عملکرد کنترل کننده ها بررسی شده و فرایند و اعمال کنترل کننده ای مانند : تنظیمات تولید ‚ خاموش و روشن کردن ماشین و فعالیتهای ضروری تولید می شود.

سطح Plant (Plant Level)

بالاترین سطح یک سیستم اتوماسیون صنعتی است که کنترل کننده آن اطلاعات مدیریتی سطح Area را جمع آوری و کل سیستم اتوماسیون را مدیریت می کند.

دانلود تحقیق درباره ی متابولسیم نیتروژن در شبکه

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 36

متابولسیم نیتروژن در شبکه:

چکیده:

متابولسیم پروتئین در شبکه نتیجه ای از فعالیت متابولیکی میکروارگانیزم های شبکه ای می باشد. ساختمان پروتئین ، در تعیین حساسیت آن به پروتئازهای میکروبی، در نتیجه، قابلیت تجزیه پذیری آن فاکتوری کلیدی محسوب می شود.تجزیه شبکه ای پروتئین توسط PH وگونه غالب جمعیت میکروبی تحت تاثیر قرار می گیرد. همان طوری که با جیره های PH پر-علوفه ای در گله های شیری کاهش می یابد فعالیت شبکه ای پروتئولیتیک کاهش پیدا می کند، امادر جیره های پر-کنسانتره گاوهای نژاد گوشتی چنین نیست. تجمع نیتروژن اسید آمینه بعد از خوراک خوردن پیشنهاد می کند که برداشت اسید آمینه میکروارگانیسم های شبکه می تواند فاکتور محدودکننده تجزیه پروتئین در شبکه باشد.فزون بر آن ، اسید آمینه های متعددی از قبلی فنیل آلانین، لوسین، وایزولوسین، وجود دارندکه با سختی بیشتری نسبت به دیگر اسید آمینه ها توسط میکرو ارگانسیم های شبکه ساخته می شود. معمولی ترین برآورد بازده سنتز پروتئین میکروبی (EMPS) تعیین گرم های نیتروژن میکروبی به ازای هر واحد از انرژی تخمیر شده بیان می شود. اما ، EMPS قادر به برآورد. بازده برحسب نیتروژن قابل دسترسی برای برداشت توسط باکتری ها در شبکه نمی باشد. یک مقیاس جایگزین و ومکمل از سنتز پروتئین میکروبی، بازده مورد استفاده قرارداد نیتروژن (ENU) می باشد. در مقابل EMPS، ENU بخش خوبی برای تعریف کردن بازده برداشت نیتروژن توسط میکروب های شبکه می باشد. با به کاربردن ENU,EMPS ،‌این نتیجه بدست آمد. که رشد بهینه باکتریایی در شبکه وقتی EMPS 29 گرم از نیتروژن باکتریایی بر هر کیلوگرم ماده آلی تخمیر شده است بدست می آید، و ENU 79% است، که اشاره دارد بر این که باکتریها در حدود 31/1 ضربدر نیتروژن قابل دسترسی در شبکه برای هر واحد از نیتروژن باکتریایی نیاز داشتند. از آنجایی که توزیع نتیروژن در بین سلولهای باکتریایی با سرعت تخمیر. نیتروژن اسید آمینه ای، تغییر پیدا می کند بجای آن کل نیتروژن باکتریایی برای توضیح بیان سنتز پروتئین میکروبی باید استفاده شود.

مقدمه

مدل های تغذیه ای برای خورانیدن پروتئین به گاوهای شیری از پایه CP به سیستم های پیچیده تر براساس پروتئین قابل تجزیه وغیرقابل تجزیه در شبکه رشد پیدا کرده است. ساختمان پایه ای همه مدل ها مطابق با ورودی های نتیروژن تامین شده توسط جیره، دوباره چرخیده (recycled) و با منشا داخلی است. پروتئین جیره ای،به پروتئین قابل تجزیه وغیرقابل تجزیه درشبکه همراه با RDP مرکب از نیتروژن غیرپروتئینی و نیتروژن پروتئین حقیقی تقسیم می شود. پروتئین حقیقی بهپرتیرها و اسید آمنیه تجزیه می شود و سرانجام به نیتروژن آمونیاکی درآمینه میشود یا به داخل پروتئین میکروبی وارد می شود.

NPN ترکیبی از نیتروژن موجود در RNA,DNA ، آمونیاک ،اسید آمینه ، و پیتیرهای کوچک همراه با نیتروژن حاصل از ببتیدها، اسید آمینه و آمونیاک در حال استفاده برای رشد میکروبی می باشد. خروجی شبکه، از نیتروژن آمونیاکی،

دانلود تحقیق درباره ی متابولسیم نیتروژن در شبکه 21 ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 36

متابولسیم نیتروژن در شبکه:

چکیده:

متابولسیم پروتئین در شبکه نتیجه ای از فعالیت متابولیکی میکروارگانیزم های شبکه ای می باشد. ساختمان پروتئین ، در تعیین حساسیت آن به پروتئازهای میکروبی، در نتیجه، قابلیت تجزیه پذیری آن فاکتوری کلیدی محسوب می شود.تجزیه شبکه ای پروتئین توسط PH وگونه غالب جمعیت میکروبی تحت تاثیر قرار می گیرد. همان طوری که با جیره های PH پر-علوفه ای در گله های شیری کاهش می یابد فعالیت شبکه ای پروتئولیتیک کاهش پیدا می کند، امادر جیره های پر-کنسانتره گاوهای نژاد گوشتی چنین نیست. تجمع نیتروژن اسید آمینه بعد از خوراک خوردن پیشنهاد می کند که برداشت اسید آمینه میکروارگانیسم های شبکه می تواند فاکتور محدودکننده تجزیه پروتئین در شبکه باشد.فزون بر آن ، اسید آمینه های متعددی از قبلی فنیل آلانین، لوسین، وایزولوسین، وجود دارندکه با سختی بیشتری نسبت به دیگر اسید آمینه ها توسط میکرو ارگانسیم های شبکه ساخته می شود. معمولی ترین برآورد بازده سنتز پروتئین میکروبی (EMPS) تعیین گرم های نیتروژن میکروبی به ازای هر واحد از انرژی تخمیر شده بیان می شود. اما ، EMPS قادر به برآورد. بازده برحسب نیتروژن قابل دسترسی برای برداشت توسط باکتری ها در شبکه نمی باشد. یک مقیاس جایگزین و ومکمل از سنتز پروتئین میکروبی، بازده مورد استفاده قرارداد نیتروژن (ENU) می باشد. در مقابل EMPS، ENU بخش خوبی برای تعریف کردن بازده برداشت نیتروژن توسط میکروب های شبکه می باشد. با به کاربردن ENU,EMPS ،‌این نتیجه بدست آمد. که رشد بهینه باکتریایی در شبکه وقتی EMPS 29 گرم از نیتروژن باکتریایی بر هر کیلوگرم ماده آلی تخمیر شده است بدست می آید، و ENU 79% است، که اشاره دارد بر این که باکتریها در حدود 31/1 ضربدر نیتروژن قابل دسترسی در شبکه برای هر واحد از نیتروژن باکتریایی نیاز داشتند. از آنجایی که توزیع نتیروژن در بین سلولهای باکتریایی با سرعت تخمیر. نیتروژن اسید آمینه ای، تغییر پیدا می کند بجای آن کل نیتروژن باکتریایی برای توضیح بیان سنتز پروتئین میکروبی باید استفاده شود.

مقدمه

مدل های تغذیه ای برای خورانیدن پروتئین به گاوهای شیری از پایه CP به سیستم های پیچیده تر براساس پروتئین قابل تجزیه وغیرقابل تجزیه در شبکه رشد پیدا کرده است. ساختمان پایه ای همه مدل ها مطابق با ورودی های نتیروژن تامین شده توسط جیره، دوباره چرخیده (recycled) و با منشا داخلی است. پروتئین جیره ای،به پروتئین قابل تجزیه وغیرقابل تجزیه درشبکه همراه با RDP مرکب از نیتروژن غیرپروتئینی و نیتروژن پروتئین حقیقی تقسیم می شود. پروتئین حقیقی بهپرتیرها و اسید آمنیه تجزیه می شود و سرانجام به نیتروژن آمونیاکی درآمینه میشود یا به داخل پروتئین میکروبی وارد می شود.

NPN ترکیبی از نیتروژن موجود در RNA,DNA ، آمونیاک ،اسید آمینه ، و پیتیرهای کوچک همراه با نیتروژن حاصل از ببتیدها، اسید آمینه و آمونیاک در حال استفاده برای رشد میکروبی می باشد. خروجی شبکه، از نیتروژن آمونیاکی،

دانلود تحقیق درباره ی مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن 65 ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 163

مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن:

امروزه با شکسته شدن پی در پی استقلال ، شاخه های مختلف علوم و بهره وری شاخه ای از شاخه ی دیگر و پیشبرد مسائل پیچیده خود، پیوستگی و لاینفک بودن تمامی شاخه های علوم را نمایان تر می سازد که سرمنشأ تمامی آنها از یک حقیقت نشأت گرفته و آن ذات باری تعالی است.اولین تلاش ها به منظور ارائه ی یک مدل ریاضی برای سیستم عصبی انسان در دهه 40 توسط Mcculloch , pitts انجام شد ، که حاصل آن یک نورون ساده ی تک لایه ویک روش برای آموزش آن بود . در ادامه ی این کار Hebb نتایج آزمایشات پاولف را در مورد شرطی شدن ،گسترش داد و یک روش برای یادگیری ارائه کرد . در سال 1958 ،Rossonblatt شبکه ی پرسپترون را ارائه کرد . بعد از مدتی اثبات شد شبکه ی عصبی پرسپترون تک لایه نمی تواند تابع ساده ای مانند EX-OR را بیاموزد .بنابراین تقریباً تا دهه ی 80 تلا ش ها برای گسترش شبکه ی عصبی بسیار کم بود. سپس در طی یک مقاله اثبات شد که شبکه ی عصبی پرسپترون چند لایه می تواند به عنوان یک تخمین گر جهانی مطرح شود . بدین معنی که این شبکه قابلیت دارد هر تابع غیرخطی را با دقت دلخواه مدل سازی کند . از آن به بعد شبکه های عصبی مصنوعی گسترش یافتند و در زمینه های بسیاری از آنها استفاده شد .

سیستم شبکه ی عصبی مصنوعی از مغز وسیستم عصبی انسان الهام گرفته شده و مانند مغز انسان از تعداد زیادی نورون تشکیل شده است . این شبکه ها مانند مغز انسان دارای قابلیت یادگیری هستندکه از مزیت های عمده ی این سیستم هاست در مواردی که نتوانیم یک الگوریتم حل به صورت فرمولی بیابیم یا تعداد زیادی مثال از ورودی و خروجی سیستم موردنظرمان در اختیار داشته باشیم و بخواهیم برای آن سیستم ، مدل ارائه کنیم یا اینکه یک ساختار از اطلاعات موجود بدست آوریم ، استفاده از شبکه های عصبی مصنوعی سودمند است . تاکنون برای شبکه های عصبی توپولوژی های مختلف همراه با کاربردهای متنوع ارائه شده است که طیف وسیعی از موضوعات را پوشش می دهد . 

الهام از نورون واقعی :

سیستم عصبی انسان و مغز وی متشکل از ترکیب و به هم پیوستن تعداد زیادی سلول به نام نورون می باشد . تعداد نورون های مغز انسان به طور متوسط حدود 100 تریلیون می باشد . یک نورون دارای تعداد زیادی ورودی و یک خروجی است . خروجی می تواند دو حالت فعال یا غیرفعال را اختیار کند . در یک نورون ورودی ها تعیین می کنند که خروجی نرون فعال یا غیرفعال باشد . یک نرون از یک حجم سلولی ، تعداد زیادی « دنوریت » به عنوان ورودی و یک « اکسون » به عنوان خروجی تشکیل شده است.

به محل اتصال اکسون یک سلول به دنوریت های یک سلول دیگر نیز «سیناپس » می گویند که نقش بسزایی در سیستم عصبی ایفا می کند . سیناپس می تواند در طول دوره ی یادگیری نسبت به سیگنال های ورودی تغییر کند .در این قسمت به قانون یادگیری «هبی» اشاره می کنیم . این قانون به طور ساده به این صورت می باشد که اگر ورودی های یک نرون به طور مکرر منجر به فعال شدن خروجی شود ، یک تغییر متابولیک در سیناپس اتفاق می افتد که در طی آن مقاومت سیناپس نسبت به آن ورودی خاص کاهش می یابد. 

مدل ریاضی نرون :

یک نرون مجموع وزن های ورودی را حساب کرده و براساس یک تابع فعالیت ( که در حالت ساده می تواند یک Threshold باشد ) خروجی را تعیین می کند . اگر این مجموع از ترشلد بیشتر باشد خروجی نرون « یک » می شود در غیر این صورت خروجی نرون منفی یک ( 1- ) خواهد شد . 

به عنوان مثال یک شبکه عصبی ساده به نام perceptron را در نظر می گیریم این شبکه در شکل زیر نشان داده شده است در این شبکه چند ورودی وجود دارد که یکی از آنها مربوط به بایاس است . تابع فعالیت نورون نیز به صورت یک ترشلد خطی می باشد و شبکه دارای یک خروجی است . در این شبکه سیناپس ها به صورت وزن های اتصالات در نظر گرفته شده است . به عنوان مثال فرض کنید که می خواهیم یک OR منطقی را به وسیله ی این شبکه مدل کنیم. هدف از الگوریتم یادگیری ، بدست آوردن وزن های مناسب برای حل مسئله ی مورد نظر ما می باشد .

قانون یادگیری شبکه به صورت زیر است که بیان کننده ی تغییرات وزن ، نرخ سرعت یادگیری و یک عدد ثابت می باشد .D بیان کننده ی خروجی مطلوب است که در الگوهای آموزشی وجود دارد Y بیان کننده ی خروجی به دست آمده از شبکه است و بیان کننده ورودی است .یادگیری همان طور که قبلاً اشاره شد ، از شبکه های عصبی مصنوعی برای مدل کردن سیستم هایی که غیرخطی یا جعبه سیاه هستند و ما از دینامیک داخلی سیستم خبری نداریم و فقط یک سری (ورودی – خروجی ) از سیستم داریم ، می توان استفاده کرد . بدین ترتیب که ابتدا یک توپولوژی مناسب از شبکه در نظر می گیریم، تعداد و نحوه ی اتصالات نورون ها را مشخص می کنیم و یک سری وزن های ابتدایی برای اتصالات در نظر می گیریم . در مرحله ی آموزش، هدف این است که با اعمال مجموعه «ورودی – خروجی » های سیستم مورد نظر وزن های اتصالات را طوری تنظیم کنیم که بتوانیم با دادن ورودی هایی غیر از ورودی های مجموعه ی آموزشی مان خروجی متناسب با سیستم مورد نظر بدست بیاوریم . به بیان دیگر بتوانیم سیستم رامدل کنیم.

در شکل توپولوژی یک شبکه عصبی که دارای لایه های مختلفی است ، این شبکه ، ازلایه های مختلفی تشکیل شده که بیان کننده ی نحوه ی اتصال نورون ها به یکدیگر می باشد . لایه ی ورودی شامل نورون نبوده و فقط بیان کننده ی ورودی هاست . به نورون هایی که مستقیم ، به خروجی متصل می شوند، لایه ی خروجی گفته می شود .بقیه لایه ها - غیر از ورودی و خروجی - لایه های پنهان نام دارند . به طور کلی فرآیند یادگیری را می توان به 3 دسته تقسیم کرد.

1- یادگیری نظارت شده Supervised Learning در این روش همان طور که قبلاً اشاره شد یک مجموعه ی آموزشی در نظر گرفته می شود و یادگیرنده بر اساس یک ورودی عمل کرده و یک خروجی به دست می آورد . سپس این خروجی توسط یک معلم که می تواند خروجی مورد نظر ما باشد مورد ارزیابی قرار می گیرد و براساس اختلافی که با خروجی مطلوب دارد یک سری تغییرات در عملکرد یادگیرنده به وجود می آید . این تغییرات می تواند، وزن های اتصالات باشد . یک مثال برای این روش الگوریتم « پس انتشار خطا »Back propagation error می باشد که در شبکه های پرسپترون برای آموزش ، مورد استفاده قرار می گیرد.

2- یادگیری نظارت نشده unsupervised Learning در این روش، حین فرآیند یادگیری از مجموعه های آموزشی استفاده نمی شود و به اطلاعات در مورد خروجی مطلوب نیز نیاز ندارد . در این روش معلمی وجود ندارد . و معمولاً برای دسته بندی وفشرده سازی اطلاعات استفاده می شود . یک مثال برای این روش الگوریتم kohonen می باشد .

3- یادگیری تقویتی Rein forcement learning در این روش یک معلم به عنوان یاد دهنده وجود ندارد و خود یادگیرنده با سعی و خطا آموزش می بیند . در این روش یک استراتژی اولیه در نظر گرفته می شود . سپس این سیستم بر اساس همان رویه عمل می کند و یک پاسخ از محیطی که در آن فعالیت می کند، دریافت می کند. سپس بررسی می شود که آیا این پاسخ ، مناسب بوده یا خیر و با توجه به آن ، یادگیرنده یا مجازات می شود یا پاداش می گیرد . اگر مجازات شود عملی