دانلود و نمایش مقالات مرتبط با Hidden Layer::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 - Hidden Layer

تعداد مقالات یافته شده: 5
ردیف عنوان نوع
1 A dynamic neural network architecture with immunology inspired optimization for weather data forecasting
یک معماری شبکه عصبی پویا با ایمنولوژی بهینه سازی برای پیش بینی داده های آب و هوایی-2018
Recurrent neural networks are dynamical systems that provide for memory capabilities to recall past behaviour, which is necessary in the prediction of time series. In this paper, a novel neural network architecture inspired by the immune algorithm is presented and used in the forecasting of naturally occurring signals, including weather big data signals. Big Data Analysis is a major research frontier, which attracts extensive attention from academia, industry and government, particularly in the context of handling issues related to complex dynamics due to changing weather conditions. Recently, extensive deployment of IoT, sensors, and ambient intelligence systems led to an exponential growth of data in the climate domain. In this study, we concentrate on the analysis of big weather data by using the Dynamic Self Organized Neural Network Inspired by the Immune Algorithm. The learning strategy of the network focuses on the local properties of the signal using a self-organised hidden layer inspired by the immune algorithm, while the recurrent links of the network aim at recalling previously observed signal patterns. The proposed network exhibits improved performance when compared to the feedforward multilayer neural network and state-of-the-art recurrent networks, e.g., the Elman and the Jordan networks. Three non-linear and non-stationary weather signals are used in our experiments. Firstly, the signals are transformed into stationary, followed by 5-steps ahead prediction. Improvements in the prediction results are observed with respect to the mean value of the error (RMS) and the signal to noise ratio (SNR), however to the expense of additional computational complexity, due to presence of recurrent links.
Keywords: Recurrent Neural Networks ،Immune Systems Optimisation، Time Series Data analytics ، weather forecasting
مقاله انگلیسی
2 A Parallel Multiclassification Algorithm for Big Data Using an Extreme Learning Machine
الگوریتم طبقه بندی چندگانه برای داده های بزرگ با استفاده از ماشین یادگیری نهایی-2018
As data sets become larger and more complicated, an extreme learning machine (ELM) that runs in a traditional serial environment cannot realize its ability to be fast and effective. Although a parallel ELM (PELM) based on MapReduce to process large-scale data shows more efficient learning speed than identical ELM algorithms in a serial environment, some operations, such as intermediate results stored on disks and multiple copies for each task, are indispensable, and these operations create a large amount of extra overhead and degrade the learning speed and efficiency of the PELMs. In this paper, an efficient ELM based on the Spark framework (SELM), which includes three parallel subalgorithms, is proposed for big data classification. By partitioning the corresponding data sets reasonably, the hidden layer output matrix calculation algorithm, matrix Û decomposition algorithm, and matrix V decomposition algorithm perform most of the computations locally. At the same time, they retain the intermediate results in distributed memory and cache the diagonal matrix as broadcast variables instead of several copies for each task to reduce a large amount of the costs, and these actions strengthen the learning ability of the SELM. Finally, we implement our SELM algorithm to classify large data sets. Extensive experiments have been conducted to validate the effectiveness of the proposed algorithms. As shown, our SELM achieves an 8.71× speedup on a cluster with ten nodes, and reaches a 13.79× speedup with 15 nodes, an 18.74× speedup with 20 nodes, a 23.79× speedup with 25 nodes, a 28.89× speedup with 30 nodes, and a 33.81× speedup with 35 nodes
Index Terms: Big data, classification, extreme learning machine (ELM), matrix, parallel algorithms, Spark
مقاله انگلیسی
3 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
4 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
5 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