نگهداشت و مدیریت سیستم های ارتباط داده ای دیجیتال، مستلزم به کارگیری پرسنل فنی زیادی است که بالطبع هزینه های زیادی را بر شرکت های استفاده کننده تحمیل می کند. استفاده از سیستم های هوشمند تا حدی راه گریز از این هزینه ها است. هدف این تحقیق، استخراج الگو از سیستم های فوق و آموزش شبکه عصبی مصنوعی به عنوان سیستم خُبره است. سرعت یادگیری در سیستم های هوشمند، همواره مدنظر محققان بوده است. در پایان نامه حاضر، شبکه های عصبی بولی و باینری به لحاظ صحیح بودن مقادیر وزن نرون های شان، و متناظراً سرعت بیشترشان، و به دلیل ساختار نرون ها به صورت گیت آستانه، مورد استفاده قرار گرفته-اند. در آغاز، مقادیر بهینه پارامترهای گیت آستانه برای شبکه های بولی محاسبه شد که باعث کاهش پیچیدگی مدارات شبکه بولی گردید. آن وقت برای رفع محدودیت شبکه بولی با توابع بولی دارای بیش از شش متغیر (که محاسبه وزن ها و مقدار آستانه، مستلزم محدود نمودن مقادیر و سپس جستجوی الگوریتمی است) در محاسبه وزن ها و مقدار آستانه ی گیت آستانه، روی کرد جدیدی در تحقق این امر ارائه شده است. روش فوق برروی قسمتی از سیستم خبره ای که سیستم ارتباط داده ای را مدل کرده است اِعمال شد تا شبکه معادل به دست آید. از موارد برتری شبکه بولی، بهینه سازی شبکه بولی (تعداد حداقل گیت های آستانه در لایه مخفی) به دلیل وجود پروسه انتقال در الگوریتم ims شبکه بولی می باشد که نسبت به شبکه باینری به راحتی قابل انجام است. شناسائی توابع بولی ممتاز توسط شبکه عصبی بولی که مقادیر وزن باینری دارند از دیگر موارد برتری شبکه عصبی بولی است.

چکیده ندارد.