close
تبلیغات در اینترنت
دانلود پایان نامه استفاده از شبکه عصبی مصنوعی مبتنی برالگوریتم رزونانس تطبیقی دربازشناسی چهره
مرورگرهای پیشنهادی :
موضوعات
  • پایان نامه و مقاله فنی مهندسی
  • مهندسی برق ، الکترونیک ، مخابرات
  • مهندسی فناوری اطلاعات
  • مهندسی کامپیوتر
  • مهندسی مکانیک
  • مهندسی عمران
  • مهندسی معماری
  • مهندسی ساخت و تولید
  • مهندسی منابع طبیعی
  • مهندسی کشاورزی
  • مهندسی شیلات
  • مهندسی صنایع
  • مهندسی مواد
  • مهندسی نقشه برداری
  • مهندسی تاسیسات
  • مهندسی شیمی
  • مهندسی متالوژی
  • مهندسی نساجی
  • مهندسی معدن
  • مهندسی نفت
  • محیط زیست
  • جوشکاری
  • پایان نامه و مقاله علوم انسانی
  • حقوق
  • اقتصاد
  • مدیریت
  • جغرافیا
  • جهانگردی
  • حسابداری
  • تربیت بدنی
  • ادبیات فارسی
  • علوم سیاسی
  • علوم اجتماعی
  • مدیریت صنعتی
  • مدیریت روابط عمومی
  • احکام و معارف اسلامی
  • روانشناسی و علوم تربیتی
  • گرافیک
  • هنر
  • بیمه
  • تاریخ
  • موسیقی
  • صنایع دستی
  • پایان نامه و مقاله پزشکی
  • علوم آزمایشگاهی
  • بهداشت عمومی
  • طب هسته ای
  • چشم پزشکی
  • جنین شناسی
  • روان پزشکی
  • دندانپزشکی
  • پیراپزشکی
  • دامپزشکی
  • طب سنتی
  • داروسازی
  • پرستاری
  • پزشکی
  • مامایی
  • آناتومی
  • ژنتیک
  • پایان نامه و مقاله علوم پایه
  • زیست شناسی
  • زمین شناسی
  • دندانپزشکی
  • دامپزشکی
  • پزشکی
  • فیزیک
  • پاورپوینت و اسلاید فنی مهندسی
  • پاورپوینت معماری
  • پاورپوینت کامپیوتر و IT
  • نمونه سوالات استخدامی
  • نمونه سوالات استخدامی بانک
  • نمونه سوالات استخدامی آموزش و پرورش
  • نمونه سوالات استخدامی شهرداری
  • نمونه سوالات استخدامی تامین اجتماعی
  • نمونه سوالات استخدامی دستگاه اجرایی
  • نمونه سوالات استخدامی فنی و حرفه ای
  • نمونه سوالات استخدامی وزارت خانه ها
  • نمونه سوالات استخدامی نظامی
  • سایر نمونه سوالات استخدامی
  • جزوات دانشگاهی
  • جزوات دروس مشترک دانشگاهی
  • جزوات مهندسی برق
  • جزوات مهندسی مکانیک
  • جزوات مهندسی عمران
  • جزوات رشته حسابداری
  • جزوات مهندسی فیزیک
  • جزوات مهندسی معماری
  • جزوات مهندسی ریاضی
  • جزوات مهندسی صنایع
  • جزوات مهندسی شیمی
  • جزوات مهندسی کامپیوتر و IT
  • جزوات رشته زمین شناسی
  • جزوات رشته روانشناسی
  • جزوات مهندسی مخابرات
  • جزوات رشته مدیریت
  • جزوات تربیت بدنی
  • جزوات حقوق
  • گزارش کارآموزی فنی مهندسی
  • مهندسی کامپیوتر (سخت افزار - نرم افزار)
  • مهندسی مکانیک
  • مهندسی برق
  • مهندسی شیمی
  • مهندسی فناوری اطلاعات
  • صنایع غذایی
  • حسابداری
  • مدیریت
  • مطالب پربازدید
    مطالب تصادفی
    مطالب پیشین
  • بررسی مشکلات زندانيان زن پس از آزادی از زندان (شنبه 25 فروردین 1397)
  • بررسی مردم شناسی طرح ها و نقوش لباس ها و بافته های ساسانی (شنبه 25 فروردین 1397)
  • بررسی فراوانی افسردگی در بيماران مبتلا به ديس پپسی مراجعه كننده به درمانگاه گوارش (شنبه 25 فروردین 1397)
  • بررسی عوامل مؤثر بر ميزان رضايت شغلی مديران واحد های آموزشی (شنبه 25 فروردین 1397)
  • بررسی عوامل موثر بر اختلالات يادگيری دانش آموزان (شنبه 25 فروردین 1397)
  • بررسی عوامل پرخاشگری و مشكلات دانش آموزان پرخاشگر و ارائه راه حلهای مناسب براي بهبود رفتار آنان (شنبه 25 فروردین 1397)
  • بررسی عوامل بر يادگيری دروس بخوانيم و بنويسيم پايه اول و دوم ابتدايی (شنبه 25 فروردین 1397)
  • عوامل ايجاد انگيزه معلمان و مديران مقاطع مختلف تحصيلی جهت استفاده از راه كارهاي نوين آموزش (شنبه 25 فروردین 1397)
  • بررسی عوامل اجتماعی مؤثر بر افت تحصيلی دانش‌آموزان دختر و پسر مقطع متوسطه (شنبه 25 فروردین 1397)
  • بررسی علل و انگيزه های گرايش جوانان به رشته های فنی و حرفه ای (شنبه 25 فروردین 1397)
  • بررسی علل رقابت‌های مثبت و منفی و تأثير آن بر امنيت ملی كشور ايران (شنبه 25 فروردین 1397)
  • بررسی علل اجتماعی و تربيتی دروغگويی در كودكان دبستانی و راه های درمان آن (شنبه 25 فروردین 1397)
  • بررسي شناخت غلط های املايی رايج در بين دانش آموزان (شنبه 25 فروردین 1397)
  • بررسی سنجش رابطه بین رفتار شهروندی سازمانی و ابعاد مختلف تعهد سازمانی کارکنان سازمان آموزش و پرورش (شنبه 25 فروردین 1397)
  • بررسی رضايت مندی دانشجويان دانشگاه از امكانات علمی، عملی و منابع انسانی (شنبه 25 فروردین 1397)

  • مقطع کارشناسی ارشد رشته مهندسی کامپیوتر

    عنوان : استفاده از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره با توجه به مزایای ذاتی این نوع شبکه ها

    تعداد صفحه : 61

    چکیده:

    همگام با پیشرفت تکنولوژی نیاز به سیستم های بازشناسی به هنگام چهره به طور فزاینده ای رو به گسترش می باشد. این امر کلاسه‌بندی‌های متعارف و معمول در زمینه بازشناسی چهره را با چالشهایی مواجه ساخته است. زمان آموزش طولانی، پیکربندی و ساختار ثابت کلاسه بندی های موجود و عدم وجود توانایی در یادگیری نمونه های جدید بدون فراموش کردن نمونه های قبلی، از اهم این موارد می باشد. ایده استفاده از شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی می تواند این چالشها را تا حد زیادی مرتفع کند. این برتری ها به دلیل خصوصیات ذاتی و پویاییهای این نوع از شبکه های عصبی می باشد. نتایج شبیه سازی‌ها حکایت از برتری نسبی اما کمرنگ صحت کلاسه بندی در شبکه های عصبی پرسپترون چند لایه، نسبت به شبکه های عصبی مذکور دارند. سرعت یادگیری در شبکه های مذکور بسیار بیشتر از پرسپترون چند لایه بوده و تنظیم پارامترهای آن بسیار ساده تر می باشد. انتخاب پارامتر مراقبت به عنوان مهمترین پارامتر شبکه های مذکور، تقریباً در نیمی از بازه مجاز آن، عملکرد بهینه شبکه را تضمین می کند. همچنین انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیک و شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، درصد صحت کلاسه بندی را به طور قابل توجهی افزایش داده است.

    «فهرست مطالب»

     

    چکیده:

    پیشگفتار

    فصل اول: کلیات

    1-1- مقدمه

    1-2- بازشناسی چهره

    1-2-1- تعبیر ومفهوم بردارچهره

    1-2-2- مفهوم فضای چهره‌

    1-2-3- صورت های ویژه

    1-2-4- مولفه های اساسی یک مجموعه

    1-2-5 روند کلی بازشناسی چهره با استفاده از مولفه های اساسی

    1-3- بررسی برخی چالشهای موجود

    1-3-1- زمان آموزش

    1-3-2- پیکربندی ثابت و غیر قابل تغییر در اکثر طبقه بندها

    1-3-3- دشواری تنظیم پارامترهای ذاتی در کلاسه بندی های متداول‌

    1-3-4- افزایش پیچیدگی شبکه با افزایش تعداد نمونه های آموزش

    1-4- استفاده از شبکه های عصبی مبتنی برالگوریتم رزونانس تطبیقی‌به‌عنوان راهکارپیشنهادی 

    1-5- جمع بندی و خلاصه فصل

    فصل دوم: بررسی الگوریتم و ساختار شبکه های عصبی مبتنی بر Fuzzy ARTMAP و مروری بر کارهای گذشته

    2-1- مقدمه

    2-2- پیکربندی و الگوریتم شبکه ART MAP Fuzzy

    2-3- پیشرفت های اخیر در زمینه شبکه های عصبی بر اساس FAM

    2-3-1- اصلاحات و بهینه سازی FAM

    2-3-2- الگوریتم های جدید بر اساس FAM

    2-4- کاربردهای پیشرفته شبکه های عصبی مبتنی بر FAM

    2-5- جمع بندی و خلاصه فصل

    فصل سوم: آزمایش های انجام شده، نتایج شبیه سازیها و بحث و بررسی بر روی آنها

    3-1- مقدمه

    3-2- معرفی بانک چهره مورد استفاده در پایان نامه‌

    3-3- مختصری راجع به شبکه عصبی SFAM

    3-4- پیش پردازش و آماده سازی تصاویر

    3-5- استخراج مشخصه

    3-6- مشخصات داده ها و شرایط استفاده شده در آزمایشات مرحله اول 

    3-6-1- تجزیه و تحلیل نتایج شبیه سازیها (سری اول آزمایشات)

    3-7- مشخصات داده ها و شرایط آزمایشهای مرحله دوم.

    3-7-1- نتایج شبیه سازیها با استفاده از شبکه عصبی SFAM (سری دوم آزمایشات)

    3-7-2- تجزیه و تحلیل نتایج شبیه سازیها با استفاده از SFAM (سری دوم آزمایشات)

    3-7-3- نتایج شبیه سازیها با استفاده از شبکه عصبی MLP

    3-7-4- تجزیه و تحلیل نتایج شبیه سازیها با استفاده از شبکه عصبی MLP

    3-7-5- مقایسه کلی عملکرد شبکه های عصبی MLP و SFAM

    3-8- مشخصات داده ها و شرایط آزمایش های سری سوم

    3-9- مروری اجمالی بر الگوریتم ژنتیک

    3-9-1-  بعضی از اصطلاحات الگوریتم ژنتیک

    3-9-2- نحوه عملکرد الگوریتم ژنتیک

    3-9-3- روند انتخاب ویژگی های مؤثر با استفاده از الگوریتم ژنتیک و SFAM

    3-9-4- نتایج شبیه سازیها (سری سوم آزمایشات)

    3-9-5– تجزیه و تحلیل نتایج حاصل از آزمایش های سری سوم

    3-10-جمع بندی و خلاصه فصل

    فصل چهارم: نتیجه گیری کلی و ارائه پیشنهاداتی برای ادامه تحقیقات

    4-1- جمع بندی و نتیجه گیری

    4-2 پیشنهاداتی برای ادامه روند پژوهش

    مراجع

     

    فهرست اشکال

    شکل 1-1 روش بردار سازی تصاویر

    شکل 1-2 یک فضای دو بعدی به همراه دو مولفه اساسی مجموعه نمونه ها. P1 و P2 دو بردار مولفه اساسی می باشند      

    شکل 1-3 برخی از صورت های ویژه پایگاه داده ORL

    شکل 1-4- بازنمایی یک چهره توسط چهره های ویژه. مجموعه ضرایب، بردار ویژگی چهره را مشخص می نماید     

    شکل 2-1: شمای کلی ماژول ART: ورودی تحت کدگذاری مکمل وارد می شود و نودهای لایه F2 همان خوشه های شبکه هستند

    شکل 2-2- فلوچارت کلی ماژول ART

    شکل 2-3- پیکربندی کلی شبکه عصبی Fuzzy ART MAP

    شکل 2-4 میانگین (  انحراف معیار) درصد صحیح کلاسه بندی برای داده های آموزش و آزمایش با استفاده از FAM، جهت کلاسه بندی سیگنالهای سندرم Down با استفاده از استراتژی میانگین گیری برای مقادیر افزایشی پارامتر مراقبت  با متد آموزش تک تکراری

    شکل 2-5 میانگین (  انحراف معیار) درصد صحیح کلاسه بندی برای داده های آموزش، آزمایش و ارزیابی با استفاده از FAM، جهت کلاسه بندی سیگنالهای سندرم Down با استفاده از استراتژی میانگین گیری، برای مقادیرمختلف پارامتر مراقبت با متدآموزش همراه با ارزیابی

    شکل 2-6 میانگین ( انحراف معیار) درصد صحیح کلاسه بندی برای داده های آموزش و آزمایش با استفاده از FAM، جهت کلاسه بندی سیگنالهای سندرم Down با استفاده از استراتژی میانگین گیری، برای مقادیر مختلف پارامتر مراقبت با متد آموزش همراه با  آموزش کامل

    شکل 3-1 تصاویر بانک چهره ORL، 10تصویر برای هر یک از 40 نفر

    شکل 3-2- ساختار SFAM – ورودی به لایه F0 اعمال می شود و درF1 کدگذاری مکمل انجام شده و بعد ورودی دو برابر می شود

    شکل 3-3- درصد صحت کلاسه بندی داده های آموزش (  انحراف معیار) در SFAM به ازای مقادیر مختلف پارامتر مراقبت با استفاده از متد آموزش تک تکراری و استراتژی میانگین گیری

    شکل 3-4- تعداد نودها (خوشه ها)ی تشکیل شده در ماژول Fuzzy ART در شبکه عصبی SFAM، به ازای مقادیر مختلف پارامتر مراقبت و استفاده از متد آموزش  تک تکراری و استراتژی میانگین گیری

    شکل 3-5- زمان مورد نیاز برای آموزش شبکه عصبی SFAM به ازای مقادیر مختلف پارامتر مراقبت و استفاده از متد آموزش تک تکراری و استراتژی میانگین گیری

    شکل 3-6 صحت کلاسه بندی الگوریتم های مختلف پس انتشار خطا به عقب برای شبکه عصبی MLP و دو حالت آموزش سریع و آهسته برای SFAM به ازای تعداد نمونه های آموزش مختلف

    فهرست جداول

    جدول 3-1- نتایج شبیه سازیها با استفاده از شبکه عصبی SFAM در مود آموزشی تک تکراری با استفاده از استراتژی میانگین گیری

    جدول 3-2: نتایج شبیه سازیها با استفاده از SFAM درحالت آموزش آهسته با استفاده از استراتژی میانگین گیری 

    جدول 3-3- نتایج شبیه سازیها با استفاده از شبکه عصبی MLP و به کارگیری چهار الگوریتم معروف پس انتشار خطا به عقب

    جدول 3-4: نتایج حاصله از انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیک و شبکه عصبی SFAM به ازای داده هایی با 2 نمونه برای آموزش

    جدول 3-5: نتایج حاصله از انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیک و شبکه عصبی SFAM به ازای داده هایی با 4 نمونه برای آموزش

    جدول 3-6: نتایج حاصله از انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیک و شبکه عصبی SFAM به ازای داده هایی با 6 نمونه برای آموزش

     

    پیشگفتار:

     

    یکی از مسائل قدیمی و چالش برانگیز در زمینه هوش مصنوعی، موضوع بازشناسی چهره می باشد. قدمت تحقیقات در این زمینه مربوط به دهه هفتاد میلادی می باشد.علیرغم تحقیقات فراوانی که در حواشی این مسئله صورت گرفته، همواره عرصه های تازه و بکر برای پژوهش وجود داشته است. در حال حاضر محققین با زمینه های کاری کاملاً متفاوت اعم از روانشناسی، بازشناسی الگو،شبکه های عصبی، بینایی ماشین و گرافیک، با انگیزه های متفاوت در این رابطه فعالیت می کنند. در پایان نامه حاضر پس از طرح یک سری چالشهای موجود در زمینه بازشناسی چهره با رویکردی مبتنی بر بکارگیری دسته ای خاص از شبکه های عصبی مصنوعی به عنوان کلاسه بند، سعی شده چالشهای مذکور تا حد امکان مرتفع شود.

    اکثر کلاسه بندی های مدرن الگو، نظیر شبکه های عصبی پرسپترون چند لایه[1] و ماشین بردارهای[2] پشتیبان در فاز آموزش عموماً نیاز به صرف بازه های زمانی طولانی داشته و همچنین بار محاسباتی سنگینی به سیستم تحمیل می کنند. امروزه در بسیاری از موارد، بخصوص در سیستم های امنیتی مدرن فرودگاه ها، ترمینالها و غیره، رویکردهای مبتنی بر تشخیص و بازشناسی به هنگام[3] چهره، به شکل فزاینده ای رو به گسترش می باشد. بنابراین نیاز به طبقه بندی های سریع و دقیق با بار محاسباتی و الگوریتمی پایین برای چنین کاربردهایی اجتناب ناپذیر می باشد. بعلاوه در چنین سیستم هایی علاوه بر اینکه یادگیری اولیه بر روی دسته ای از داده ها به صورت یکجا انجام می شود، نیاز به نوعی یادگیری افزایشی نیز وجوددارد تا علاوه بر یادگیری فضای نمونه های اولیه، تغییرات و پویاییهای فضای نمونه ها نیز، برای کلاسه بند، قابل یادگیری بوده و قابلیت رشد و ارتقاء آموزش برای سیستم فراهم می باشد. برای مثال یک سیستم بازشناسی چهره در یک فرودگاه بین المللی را در نظر بگیرید که در ابتدا برای تشخیص هویت یک سری از افراد خاص با سابقه جرایم تروریستی، آموزش دیده است. آنچه واضح است با گذشت زمان مشخصه های چهره افراد ثابت نمانده و همچنین بازشناسی چهره مجرمین جدید نیز اجتناب ناپذیر می نماید. به دلایل ذکر شده، سیستم بازشناسی بایستی بدون فراموش کردن نمونه هایی که قبلاً دیده است، قابلیت به روزرسانی یادگیری و بازشناسی چهره های جدید را نیز داشته باشد.

    در این پایان نامه سعی شده با بررسی مزایای ذاتی نوع خاصی از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی[4] و استفاده از آنها بعنوان کلاسه بند در بازشناسی چهره، چالشهای مذکور تا حدی مرتفع شود. همچنین با استفاده از الگوریتم های تکاملی نظیر الگوریتم ژنتیک[5] و شبکه های مذکور، روشی کارا جهت انتخاب ویژگیهای مؤثر چهره در بازشناسی، پیشنهاد شده است.

    [1] – Multi Layer Perceptron (MLP)

    [2] – Support Vector Machine (SVM)

    [3] – Online

    [4] – Adaptive Resonance Theory

    [5]– Genetic Algorithm

     

    قيمت فايل ورد پروژه : 10000 تومان

     دانلود فایل ورد بلافاصله بعد از پرداخت هزینه

    بلافاصله پس از پرداخت ، لینک دانلود پایان نامه به شما نشان داده می شود

    پشتیبانی سایت :        09010633413

     

    فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید

     

    کسب درآمد با فروش فایل های سایت ما

    درباره : مهندسی برق ، الکترونیک ، مخابرات , مهندسی کامپیوتر ,
    برچسب ها :دانلود پایان نامه استفاده از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهر ,استفاده از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهر ,پیکربندی و الگوریتم شبکه ART MAP Fuzzy ,شبکه های عصبی بر اساس FAM ,اصلاحات و بهینه سازی FAM ,شبکه های عصبی مبتنی بر FAM ,شبکه عصبی SFAM ,بازشناسی چهره ,الگوریتم رزونانس ,شبکه های عصبی ,دانلود پایان نامه شبکه های عصبی ,الگوریتم شبکه ,دانلود پایان نامه ,پایان نامه رایگان ,دانلود رایگان پایان نامه ,پایان نامه ارزان ,پایان نامه دانشگاهی ,دانلود پایان نامه رایگان ,ارشد ,مهندسی کامپیوتر ,
    بازدید : 161 تاریخ : نویسنده : بهرام محمدپور | نظرات ()
    مطالب مرتبط
  • بهسازی سیگنال گفتار در حوزه زمان فرکانس
  • ارزیابی پایداری گذرای سیستم قدرت با استفاده از داده های واحد های اندازه گیری فازور
  • مبدل های منبع امپدانسی و ارائه ساختار جدید مبدل منبع امپدانسی گاما نامتقارن word
  • طراحی و تحلیل پارامتری تقویت کننده عملیاتی در تکنولوژی های CMOS و CNFET
  • دانلود مقاله تعقیب حداکثر توان (mppt) در توربین بادی pmsg
  • مقایسه عملکرد ژنراتورهای (DFIG) و (PMSG) در سیستم توربین بادی با در نظر گرفتن (MPPT)
  • مقاله چندین توپولوژی توربین بادیword
  • طراحی الگوریتم جدید زمان بندی برای کاربران بلادرنگ و غیربلادرنگ در شبکه های LTE
  • دانلود پایان نامه سیستم GSM برق 98 صفحه
  • پایان نامه لیزر 230 صفحه
  • طراحی و کنترل فیلتر اکتیو سری با روش جدید برای استخراج هارمونیک ولتاژ بار
  • هوشمند سازی یک سیستم تبرید بوسیله سنسور مادون قرمز
  • مدلسازی فرکانس بالای سيستم زمين با استفاده از مفاهیم کیفی جدید در الکترومغناطیس
  • نهان نگاری در تصاویر سه بعدی بر اساس ویژگی عمق
  • ناحيه بندي عنبيه با استفاده از ویژگیهای مبتنی بر بافت روشنایی
  • مدیریت انرژی در ریزشبکه با استفاده از برنامه های پاسخگویی بار
  • مکان‏يابي همزمان منابع توليد پراکنده و کليدها در شبکه توزيع با در نظر گرفتن امکان عملکرد جزيره‏ا
  • مطالعه عددی مشخصات گذرای ترانزیستورهای اثرمیدانی مبتنی برنانو نوارهای گرافن
  • مدلسازی و شبیه‌سازی جبران‌ساز استاتیکی مبتنی بر مدل DQ
  • کاربرد منطق فازی برای کنترل راکتور هیدروژناسیون استیلن واحد الفین
  • مدلسازی و شبیه سازی کنترلر اینورتر سه سطحی
  • مدل سازي گره و محاسبه مصرف توان پردازشي شبكه هاي حسگر بي‌سيم به كمك شبكه عصبي
  • مدلسازي ديناميکي يکسوساز شش پالسه تريستوري در يک سيستم تحريک استاتيک ژنراتورسنکرون
  • مدلسازی توربین بادی متصل به شبکه توزیع و یا فوق توزیع جهت تامین بار
  • مدلسازی دینامیکی و شبیه‌سازی مبدل باک و مبدل بوست
  • ارسال نظر برای این مطلب

    نام
    ایمیل (منتشر نمی‌شود) (لازم)
    وبسایت
    :):(;):D;)):X:?:P:*=((:O@};-:B/:):S
    نظر خصوصی
    مشخصات شما ذخیره شود ؟[حذف مشخصات] [شکلک ها]
    کد امنیتی
    آمار سایت
  • آمار مطالب
  • کل مطالب : 4267
  • کل نظرات : 17
  • آمار کاربران
  • افراد آنلاین : 9
  • آمار بازدید
  • بازدید امروز : 5,111
  • باردید دیروز : 9,404
  • گوگل امروز : 19
  • گوگل دیروز : 46
  • بازدید هفته : 32,667
  • بازدید ماه : 130,165
  • بازدید سال : 620,411
  • بازدید کلی : 6,474,137
  • نظرسنجی
    چه مطالبی در سایت قرار دهیم؟





    کدهای اختصاصی