دانلود و نمایش مقالات مرتبط با Back Propagation::صفحه 1

دانلود بهترین مقالات isi همراه با ترجمه فارسی

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
نتیجه جستجو - Back Propagation

تعداد مقالات یافته شده: 10
ردیف عنوان نوع
1 A unique feature extraction using MRDWT for automatic classification of abnormal heartbeat from ECG big data with Multilayered Probabilistic Neural Network classifier
استخراج ویژگی منحصر به فرد با استفاده از MRDWT برای طبقه بندی خودکارضربان قلب غیر طبیعی از داده های بزرگ ECG با چند لایه طبقه بندی احتمالی شبکه عصبی-2018
This paper employs a novel adaptive feature extraction techniques of electrocardiogram (ECG) signal for detection of cardiac arrhythmias using multiresolution discrete wavelet transform from ECG big data. In this paper, five types ECG arrhythmias including normal beats have been classified. The MIT-BIH database of 48 patient records is utilized for detection and analysis of cardiac arrhythmias. Proposed feature extraction utilizes Daubechies as wavelet function and extracts 21 feature points which include the QRS complex of ECG signal. The Multilayered Probabilistic Neural Network (MPNN) classifier is pro posed as the best-suited classifier for the proposed feature. Total 1700 ECG betas were tested using MPNN classifier and compared with other three classifiers Back Propagation (BPNN), Multilayered Perceptron (MLP) and Support Vector Machine (SVM). The system efficiency and performance have been evaluated using seven types of evaluation criteria: precision (PR), F-Score, positive predictivity (PP), sensitivity (SE), classification error rate (CER) and specificity (SP). The overall system accuracy, using MPNN technique utilizing the proposed feature, obtained is 99.53% whereas using BPNN, MLP and SVM provide 97.94%, 98.53%, and 99%. The processing time using MPNN classifier is only 3 s which show that the proposed techniques not only very accurate and efficient but also very quick.
Keywords: Signal processing ، Artificial intelligence ، Pattern recognition ، Soft computing ، Wavelet transform
مقاله انگلیسی
2 Effective tourist volume forecasting supported by PCA and improved BPNN using Baidu index
پیش بینی حجم گردشگر موثر پشتیبانی شده توسط PCA و BPNN بهبود یافته با استفاده از شاخص بایدو-2018
The precise forecasting of tourist volume is a very challenging task. This paper aims to propose an effective model named PCA-ADE-BPNN for forecasting tourist volume based on Baidu index. The principal component analysis (PCA), a dimensional reduction, is employed to decorrelate the input data before training a back propagation neural network (BPNN) architecture, and the adaptive differential evolution algorithm (ADE) is for getting global optimization of BP networks weight values and threshold values to enhance the forecasting performance of BPNN. The PCA-ADE-BPNN model is a new combination of a dimensional reduction algorithm, an optimization algorithm, and a neural network. The validity of this model is demonstrated by conducting case studies of Beijing City and Hainan Province, China. The results indicate the proposed PCA-ADE-BPNN always outperforms other models in terms of forecasting accuracies. Therefore, the proposed PCA-ADE-BPNN is a potential candidate for the effective forecasting of tourist volume.
keywords: Tourist volume forecasting |Principal component analysis |Baidu index |Back-propagation neural network |Adaptive differential evolution
مقاله انگلیسی
3 A Novel Adaptive Feature Extraction for Detection of Cardiac Arrhythmias Using Hybrid Technique MRDWT & MPNN Classifier from ECG Big Data
رویکرد استخراج ویژگی تطبیقی برای تشخیص آریتمی های قلب با استفاده از تکنیک ترکیبی MRDWT و MPNN طبقه بندی از داده بزرگ ECG-2018
The efficient automatic detection of cardiac arrhythmia using a hybrid technique from ECG big data has been proposed with novel feature extraction technique using Multiresolution Discrete Wavelet Transform (MRDWT) and Multilayer Probabilistic Neural Network (MPNN) classifier. Big Data of ECG signals have been selected from MIT–BIH arrhythmia database for detection of two types of arrhythmias LBBB (Left Bundle Branch Block) and RBBB (Right Bundle Branch Block). The proposed technique can accurately detect and classify LBBB and RBBB along with normal heartbeat. A novel and hybrid method of detection of cardiac arrhythmia have four main stages: denoising of raw ECG, baseline wander removal, proposed feature extraction, and detection of abnormal heartbeats using MPNN neural classifier. 8600 ECG beats were selected, including 4200 normal and 4400 abnormal beats (2200 LBBB and 2200 RBBB) were utilized for testing the proposed technique. The detection outcome using MPNN was compared with other two neural classifiers: Feed Forward Neural Network (FFNN) and Back Propagation Neural Network (BPNN) classifiers. The accuracy and efficiency of classifiers performance were attained in terms of CER (Classification Error Rate), SP (Specificity), Se (Sensitivity), Pr (Precision), PPr (Positive Predictivity) and F Score. The system performance is achieved with 96.22%, 97.15% and 99.07% overall accuracy using FFNN, BPNN and MPNN. The average percentage of classification error rate (CER) using MPNN classifier is lowest 0.62% whereas FFNN and BPNN show 2.2% and 1. 90% average CER.
Keywords: Big data ، Cardiac arrhythmias ،Biomedical signal processing ، Artificial intelligence ، Machine learning
مقاله انگلیسی
4 Study on student performance estimation, student progress analysis, and student potential prediction based on data mining
مطالعه ای روی برآورد عملکرد دانشجو، تحلیل پیشرفت دانشجو و پیش بینی پتانسیل دانشجو برمبنای واکاوی داده ها-2018
Student performance, student progress and student potential are critical for measuring learning results, selecting learning materials and learning activities. However, existing work doesnt provide enough analysis tools to analyze how students performed, which factors would affect their performance, in which way students can make progress, and whether students have potential to perform better. To solve those problems, we have provided multiple analysis tools to analyze student performance, student progress and student potentials in different ways. First, this paper formulates student model with performance related attributes and non-performance related attributes by Student Attribute Matrix (SAM), which quantifies student attributes, so that we can use it to make further analysis. Second, this paper provides a student performance estimation tools using Back Propagation Neural Network (BP-NN) based on classification, which can estimate student performance/attributes according to students prior knowledge as well as the performance/attributes of other students who have similar characteristics. Third, this paper proposes student progress indicators and attribute causal relationship predicator based on BP-NN to comprehensively describe student progress on various aspects together with their causal relationships. Those indicators and predicator can tell how much a factor would affect student performance, so that we can train up students on purpose. Finally, this paper proposes a student potential function that evaluates student achievement and development of such attributes. We have illustrated our analysis tools by using real academic performance data collected from 60 high school students. Evaluation results show that the proposed tools can give correct and more accurate results, and also offer a better understanding on student progress.
keywords: Evaluation methodologies |Intelligent tutoring systems |Teaching/learning strategies |Applications in subject areas |Simulations
مقاله انگلیسی
5 Heterogeneous visual features integration for image recognition optimization in internet of things
یکپارچه سازی ویژگی های یکپارچه برای بهینه سازی تصویر در اینترنت از اشیا-2016
Recently, a large number of physical devices, together with distributed information systems, deployed in internet of things (IoT), are collecting more and more images. Such collected images recognition poses an important challenge on optimization in internet of things. Specially, most of existing methods only adopt shallow learning models to integrate various features of images for recognition limiting classification accuracy. In this paper, we propose a multimodal deep learning (MMDL) approach to integrate hetero geneous visual features by considering each type of visual feature as one modality for image recognition optimization in internet of things. In our scheme, we extract the high-level abstraction of each modality by a stacked autoencoders. Furthermore, we design a back propagation algorithm with shared weights learned from a softmax layer to update the pretrained parameters of multiple stacked autoencoders simultaneously. The integration is performed by concatenating the last hidden layers of the multimodal stacked autoencoders architecture. Extensive experiments are carried out on three datasets i.e. Ani mal with Attributes, NUS-WIDE-OBJECT, and Handwritten Numerals, by comparison with SVM, SAE, and AMMSS. Results demonstrate that our scheme has superior performance on heterogeneous visual features integration for image recognition optimization in internet of things.
Keywords: Multimodal integration optimization | Deep learning | Internet of things | Image classification | Stacked autoencoders
مقاله انگلیسی
6 بررسی عملکرد شبکه عصبی دارای تغذیه رو به جلو برای حریم هم ارز با وسایل باسیم/ پروتکل های دسترسی محافظت شده با وای فای
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 14 - تعداد صفحات فایل doc فارسی: 21
هدف: میلیون ها نفر بدون اینکه جنبه های فناوری بی سیم را بدانند، از وسایل بی سیم در زندگی کارهای روزانه خود استفاده می کنند. هدف تحقیق ما ارتقای اجرای پروتکل های وسایل بی سیم ازطریق بررسی رفتار آنها در شبکه عصبی دارای تغذیه رو به جلو می باشد که به صورت گسترده استفاده می شوند. اساسا" شبکه عصبی یک شبکه رشته ای چند لایه ای می باشد. این شبکه، داده های ثبت شده را یکی یکی پردازش می کند و ازطریق مقایسه خروجی به دست آمده با خروجی واقعی، به اطلاعات دست می یابد. رشته های عصبی دارای لایه پنهان یک نقش اصلی در عملکرد نشر و انتشار رو به عقب دارد. فرآیند تعیین تعداد رشته های عصبی دارای لایه پنهان هنوزهم مبهم است. این کار تحقیقی روی ارزیابی عملکرد رشته های عصبی دارای لایه پنهان برای پروتکل های WEP (حریم هم ارز با وسایل با سیم) و WPA (دسترسی محافظت شده با وای فای) متمرکز می باشد.
روشها/ تحلیل آماری: برای این کار، سه معماری شبکه ای جهت انجام تحلیل، انتخاب شده است. این کار تحقیقی با استفاده از الگوریتم انتشار رو به عقب در جعبه ابزار شبکه عصبی روی داده های به دست آمده با استفاده از ابزار وایرشارک، انجام می شود.
یافته ها: رفتار شبکه های عصبی غیر پنهان ازطریق روش شبیه سازی بررسی می شود. عملکرد شبکه نیز با کمک داده های تاریخی و خطای مربع میانگین (MSE) تشخیص داده می شود. عملکرد شبکه عصبی بررسی می شود و نتایج نشان می دهند که شبکه های عصبی دارای لایه پنهان بر کارکرد شبکه اثر می گذارند.
بهبود: ما دوست داریم که با پارامتر و یادگیری شبکه عصبی کار کنیم تا به بهترین نتایج دست یابیم.
کلیدواژه ها: انتشار رو به عقب | شبکه عصبی دارای تغذیه رو به جلو | لایه پنهان | خطای مربع میانگین | دسترسی محافظت شده با وای فای | حریم هم ارز با وسایل با سیم
مقاله ترجمه شده
7 Relevance Study of Data Mining for the Identification of Negatively Influenced Factors in Sick Groups
مطالعه ارتباط داده کاوی برای شناسایی عوامل منفی تحت تاثیر در گروه بیمار-2015
The application of medical data mining is emphasis with temporal data in this piece of writing. The application of computational methods in medical field is well known and which started in previous decades, but still now also lot of researches take place in artificial intelligence, knowledge discovery and mining. Correlating computational intelligence with medical intelligence to predict negatively influenced epidemiological factors in liver disorder patients.© 2015 The Authors. Published by Elsevier B.V.Peer-review under responsibility of organizing committee of the Graph Algorithms, High Performance Implementations and Applications (ICGHIA2014).© 2015 The Authors. Published by Elsevier B.V. This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).Peer-review under responsibility of organizing committee of the Graph Algorithms, High Performance Implementations and Applications (ICGHIA2014)
Neural Networks | Back Propagation Algorithm | Analysis of Variance
مقاله انگلیسی
8 IRIS RECOGNITION USING IMAGE PROCESSING AND NEURAL NETWORK
تشخیص عنبیه با استفاده از پردازش تصویر و شبکه های عصبی-2014
This research is aimed to design an iris recognition system. There are two main steps to verify the goal. First, applying image processing techniques on the picture of an eye for data preparation. Second, applying Neural Networks techniques for identification. The image processing techniques display the steps for getting a very clear iris image necessary for extracting data from the acquisition of eye image -in standard lighting and focusing-. This picture contains the entire eye (iris, pupil and lashes). So, the localization of the iris is very important. Locating the Iris is done by following the darkness density of the pupil. The new picture has iris with pupil -in its narrow size- and this picture is not perfectly clear. Therefore, it should be enhanced to bring out the pattern. The enhanced picture is segmented into 100 parts, then a standard Deviation (STD) can easily be computed for every part. These values will be used in the neural network for the identification. Neural network techniques explain two ways for comparisons, Linear Associative Memory Neural Network and Back Propagation Neural Network. The Back Propagation Neural Network succeeded in identification and getting best results because it attained to Recognition Rate equal to90%, while the Linear Associative Memory Network attained to Recognition Rate equal to 80%. Keywords: Back Propagation Neural Network, Linear Associative Memory Neural Network Artificial neural network, Near infrared, Standard deviation
مقاله انگلیسی
9 تشخیص پلاک اتومبیل با استفاده از مورفولوژی و شبکه های عصبی
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 12
شناسایی خودکار وسیله نقلیه حوزه ای بحث بر انگیز است که با کار کنترل دستی وسایل نقلیه بصورت سنتی در تضاد است . تشخیص خودکار پلاک اتومبیل (LP) ، یکی از امید بخش ترین جنبه های بکارگیری تکنیکهای بصری کامپیوتر به سوی سیستم انتقال هوشمند می باشد . در رابطه با پلاک وسیله نقلیه ، یک متد بخش بندی و استخراج کاراکتر پلاک اتومبیل ، بر اساس یک متد اصلاح شده آشکار سازی لبه و مورفولوژی ریاضی ارائه شده است . در اولین مرحله ، تصاویر رنگی به تصاویر خاکستری تبدیل شدند . دوم ، تفاوت هر پیکسل و پیکسل های مجاور ، جهت ساختن لبه تصویر محاسبه می شود که این می تواند به بر جسته شدن پلاک اتومبیل کمک کند . برای استخراج لبه اشیاء در تصویر از عملگر سوبل استفاده می شود . سپس برای صاف کردن محیط تصویر ، الگوریتم ، مورفولوژی ریاضی dilation و erosion (تاخیر و فرسایش) تصویر باینری را جهت صاف کردن محیط تصویر اعمال می کند . از نتایج بدست آمده از مرحله بخش بندی برای تشخیص کاراکتر پلاک اتومبیل استفاده می شود . اگر استخراج ناحیه پلاک به درستی انجام گیرد می توان کاراکترها را بصورت دقیق از ناحیه پلاک استخراج کرد .
کلمات کلیدی : تشخیص پلاک اتومبیل | انتشار معکوس | شبکه عصبی | فیلتر میانی
مقاله ترجمه شده
10 دفاع امنیت ابري برای محافظت از محاسبات ابری در برابر حملات HTTP-DOS و XML-DoS
سال انتشار: 2011 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 37
محاسبات ابري هنوز در مراحل ابتدایی خود در رابطه با نرم افزاري به عنوان خدمات (SAS)، خدمات وب، ابزار محاسبات و پلت فرمي به عنوان خدمات (PAS) است. همه این سیستم ها منحصر به فرد هستند که شما هنوز هم نیاز به پلاگین داريد، حتی اگر چه این سیستم ها نسبت به ادغام کامل باقی مانده است. یکی از جدی ترین تهدیدهای محاسبات ابري، انکار سرویس HTTP و یا XML مبتنی بر حملات انکار سرویس است. این نوع از حملات براي پیاده سازی توسط مهاجم ساده و آسان هستند، اما کارشناسان امنیتی آنها را به عنوان مشکل دو بار متوقف مي كنند. در این مقاله، ما برخی از حملات فعلی که حمله كنندگان ممکن است به عنوان HTTP و XML شروع کنند را نو ايجاد كرديم. ما همچنین راه حلي را براي ردیابی بازگشتي از طريق رديابي بازگشتي ابري (CTB) برای پیدا کردن منبع این حملات ارائه كرديم و استفاده از یک شبکه بی طرف انتشار، به نام ابر محافظ را برای شناسایی و فیلتر کردن ترافیک حمله معرفی نموديم. نتایج ما نشان می دهد که ما قادر به شناسایی و فیلتر کردن پیام های زيادي از حمله و نيز قادر به شناسایی منبع حمله در یک دوره کوتاه از زمان بوديم.
کلمات کلیدی: امنیت شبکه | حملات DDoS | حملات DDoS | حملات DDoS | محاسبات ابری | ردیابی
مقاله ترجمه شده
موضوعات
footer