دانلود و نمایش مقالات مرتبط با Feed Forward Neural Network::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 - Feed Forward Neural Network

تعداد مقالات یافته شده: 4
ردیف عنوان نوع
1 Artificial neural network based prediction of malaria abundances using big data: A knowledge capturing approach
پیشگیری از فراوانی مالاریا بر اساس شبکه عصبی مصنوعی با استفاده از داده های بزرگ: رویکرد جذب دانش-2018
Background and objective: Malaria is one of the most prevalent diseases in urban areas. Malaria flourishes in subtropical countries and affect the public health. The impact is very high, where health monitoring facilities are very limited. To minimize the impact of malaria population in sub-tropical domains, a suitable disease prediction model is required. The objective of this study is to determine the malaria abundances using clinical and environmental variables with Big Data on the geographical location of Khammam district, Telanagana, India. Methods: Prediction model is based on the data collected from primary health centres of department of vector borne diseases (DVBD) of Khammam district and satellite data such as rain fall, relative humidity, temperature and vegetation taken for the time period of 1995–2014. In this study, we test the efficacy of the artificial neural network (ANN) for mosquito abundance prediction. Prediction model was developed for the period of 2015 using a feed forward neural network and compared with the observed values. Results and conclusions: The results vary from area to area based on clinical variables and rainfall in the prediction model corresponding to areas. The average error of the prediction model ranges from 18% to 117%. Clinical data such as number of patients treated with symptoms and without symptoms can improve the prediction level when combined with environmental variables. We perform preliminary findings of malaria abundances by collecting clinical big data across different seasons. Further, more exploration is required in prediction of malaria using big data to improve the accuracy in real practice. In this manuscript, we perform some preliminary findings of malaria abundances by collecting larger data across different seasons. Till today, many models have been developed to examine the malaria prediction with different approaches, but malaria prediction with environmental and clinical data is a new approach with big data analysis.
Keywords: Malaria prediction ، Primary health centers (PHCs) ، Big data ، Artificial neural networks (ANNs)
مقاله انگلیسی
2 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
3 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
4 شبکه‌های عصبی رو‌ به جلو تعمیم‌یافته با وزن‌های تصادفی برای تشخیص چهره
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 27
تشخیص چهره در رشته تشخیص الگو و بینایی کامپیوتر، همیشه یک موضوع داغ بوده‌است. در حالت کلی، در فرایند تشخیص، تصاویر یا ویژگی‌ها معمولا به بردارها تبدیل می‌شوند. این روش معمولا منجر به ایجاد اعوجاج در اطلاعات همبستگی عناصر در بردارسازی یک ماتریس تصویر می‌شود. این مقاله یک کلاس‌بندی کننده با نام شبکه عصبی دو بعدی با وزن‌های تصادفی (2D-NNRW) می‌شود که می‌تواند از داده ماتریسی بعنوان یک ورودی مستقیم استفاده کرده و از ساختار ماتریس تصویر محافظت کند. در حالت خاص، کلاس بندی‌ کننده پیشنهاد شده از بردارهای projection چپ و راست برای جایگزینی با وزن ورودی با ابعاد بالا در لایه مخفی به منظور حفظ اطلاعات همبستگی عناصر استفاده کرده، و ایده شبکه عصبی با وزن‌های تصادفی (NNRW) را به منظور یادگیری همه پارامترها اتخاذ می‌کند. آزمایشات انجام شده بر روی پایگاه داده‌های معروف حاکی از آن است که کلاس‌بندی کننده 2D-NNRW پیشنهاد شده می‌تواند خاصیت ساختاری تصویر صورت را مجسم کرده (در برداشته) و دارای کارایی خوبی برای تشخیص چهره می‌باشد.
کلمات کلیدی: تشخیص چهره | کلاس‌بندی‌کننده | شبکه عصبی با وزن‌های تصادفی | (NNRW) | داده ماتریسی
مقاله ترجمه شده
موضوعات
footer