دانلود و نمایش مقالات مرتبط با دانلود مقاله شبکه های عصبی با ترجمه فارسی::صفحه 1
بلافاصله پس از پرداخت دانلود کنید
نتیجه جستجو - دانلود مقاله شبکه های عصبی با ترجمه فارسی

تعداد مقالات یافته شده: 24
ردیف عنوان نوع
1 استفاده از شبکه های عصبی موجی فازی تابعی ترکیبی با یک الگوریتم بهینه سازی مبتنی بر تدریس – یادگیری برای تشخیص بیماری پزشکی
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 15 - تعداد صفحات فایل doc فارسی: 58
تشخیص صحیح بیماری پزشکی، یک مسئله مهم در دسته بندی تلقی می شود. هدف اصلی فرآیند دسته بندی، تعیین دسته ای است که یک الگوی خاص به آن تعلق دارد. در این مقاله یک روش دسته بندی جدید برمبنای ترکیبی از الگوریتم بهینه سازی مبتنی بر تدریس – یادگیری (TLBO) و شبکه عصبی موجی فازی (FWNN) با شبکه عصبی ارتباطی تابعی (FLNN)، پیشنهاد می شود. به علاوه، از الگوریتم TLBO برای راه اندازی شبکه عصبی موجی فازی تابعی ترکیبی جدید (FFWNN) و بهینه سازی پارامترهای یادگیری که عبارتند از وزن، اتساع و ترجمه، استفاده می شود. برای ارزیابی عملکرد روش پیشنهادی، از 5 سری داده پزشکی استاندارد استفاده شد: سرطان سینه، بیماری قلبی، هپاتیت، دیابت پیمای هندی و آپاندیس. کارآیی روش پیشنهادی با استفاده از اعتبارسنجی تقاطعی 5 باره و اعتبارسنجی تقاطعی 10 باره ازنظر مربع خطای میانگین، دقت دسته بندی، زمان اجرا، حساسیت، اختصاصی بودن و کاپا بررسی می شود. نتایج آزمایش نشان می دهند که کارآیی روش پیشنهادی برای مسئله های دسته بندی پزشکی برای سری های داده ای سرطان سینه، بیماری قلبی، هپاتیت، بیماری های پیمای هندی و آپاندیس ازنظر دقت پس از 30 اجرا برای هر سری داده ای با پیچیدگی محاسباتی پایین، به ترتیب برابر با 309/98، 1/91، 39/91، 67/88 و 51/93 درصد می باشد. به علاوه، مشاهده شده است که روش پیشنهادی درمقایسه با عملکرد سایر روشهای یافت شده در مطالعات قبلی مرتبط، عملکرد کارآمدی دارد.
کلیدواژه ها: شبکه عصبی موجی فازی (FWNN) | شبکه عصبی ارتباطی تابعی (FLNN) | الگوریتم بهینه سازی مبتنی بر تدریس- یادگیری (TLBO) | شبکه عصبی موجی فازی تابعی (FFWNN)
مقاله ترجمه شده
2 کنترل و تثبیت چندگانه عصبی
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 23
در این مقاله، ما یک استراتژی کنترل و تثبیت کننده چند عاملی عصبی برای سیستم های غیر خطی و ناپایدار ارائه می دهیم. این روش استراتژیک کنترل ، به ویژه زمانی که سیستم رفتارها و یا نقاط تعادل مختلفی دارد و زمانی که امیدواریم کل پروسه را به حالت مطلوب اطمینان ثبات منتقل کنیم، کارآمد است. استراتژی کنترل مورد نظر بر روی یک سیستم بی ثبات غیر خطی دارای دو نقطه تعادل بکار گرفته شده است. نشان داده شده است که استفاده از استراتژی کنترل و تثبیت کننده چند عاملی عصبی دامنه ثبات سیستم را نسبت به زمانی که از یک استراتژی کنترل عصبی تک استفاده می کنیم، بیشترافزایش می دهد.
کلمات کلیدی: رفتارها | متغیرهای حالت | کنترل کننده های عصبی چندگانه | ثبات
مقاله ترجمه شده
3 پیش بینی هزینه های اضافه سایت کارگاهی با استفاده از مدل مبتنی بر شبکه عصبی مصنوعی
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 26
هزینه های اضافه، به ویژه هزینه های اضافه سایت، جزء قابل توجهی از بودجه یک پیمانکار را در یک پروژه ساخت تشکیل می دهند. تخمین هزینه های اضافه سایت برمبنای دیدگاه سنتی یا دقیق است اما زمان¬بَر است (درحالت استفاده از روشهای تحلیل جزئیاتی) یا اینکه سریع است اما غیردقیق است (درحالت استفاده از روشهای شاخص). هدف تحقیق ارائه شده در این مقاله تولید یک مدل جایگزین بود که اجازه تخمین سریع و قابل اطمینان هزینه های اضافه سایت را بدهد. این مقاله نتایج کار نویسنده ها روی تولید یک مدل رگراسیونی، برمبنای شبکه های عصبی مصنوعی، را ارائه می کند که پیش بینی شاخص هزینه اضافه سایت را امکانپذیر می کند که در تقارن با سایر داده های هزینه ای استفاده می شود و اجازه تخمین هزینه های اضافه سایت را می دهد. برای تولید یک مدل، از یک پایگاه داده ای شامل 143 مورد از پروژه های ساخت تکمیل شده استفاده شد. این مدلسازی با یک تعدادی شبکه های عصبی مصنوعی از نوع چندلایه ای پرسپترون سروکار داشت که هرکدام دارای ساختارها، کارکردهای فعالسازی و الگوریتمهای آزمایشی مختلفی بودند. شبکه عصبی انتخاب شده به عنوان هسته مدل تولید شده اجازه پیش بینی شاخص هزینه ها را می دهد و به تخمین هزینه های اضافه سایت در مراحل اولیه یک پروژه ساخت با دقت رضایت بخشی کمک می کند.
کلیدواژه ها: هزینه اضافه سایت | شبکه های عصبی مصنوعی | مدیریت هزینه ساخت
مقاله ترجمه شده
4 مدل رگرسیون فازی جدید مبتنی بر شبکه عصبی فازی و مدیریت بوسیله ی این مدل
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 21
در این مقاله یک روش ترکیبی جدید مبتنی بر شبکه عصبی فازی با بازه ‏زمانی برای تقریب مدل های رگرسیون فازی با بازه زمانی ارائه شده است. در این مقاله بدنبال گسترش تحقیقاتی مدل های رگرسیون فازی هستیم. آموزش شبکه عصبی فازی با بازه ‏زمانی (IVFNN) را می توان با داده های فازی با بازه زمانی و حلقه¬ای انجام داد. شبکه عصبی ، بخشی از یک میدان بزرگ به نام محاسبات عصبی یا محاسبات نرم محسوب می شود. علاوه بر این، برای یافتن پارامترهای تقریبی، الگوریتم ساده¬ای از تابع هزینه شبکه عصبی فازی ارائه شد. در نهایت، به شرح رویکردمان با نمونه های عددی پرداخته و این روش را با روش های موجود مقایسه کردیم.
کلید واژه ها: شبکه های عصبی فازی با بازه ‏زمانی | مدل رگرسیون فازی با بازه ‏زمانی | شبکه عصبی Feedforward | الگوریتم یادگیری
مقاله ترجمه شده
5 بهینه سازی تعدادی از ارزیابی های بیماری سوختگی اولیه در گیاه گوجه فرنگی با استفاده از شبکه های عصبی مصنوعی
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 18
سودمندی شبکه های عصبی مصنوعی (ANN) در حل مشکلات پیچیده، به بهینه سازی فرآیندهای ارزیابی بیماری سوختگی اولیه در گیاهان گوجه فرنگی ، کاهش زمان و منابع مورد نیاز کمک می¬کند. هدف این مطالعه، بررسی بهره وری ANN برای پیش بینی سطح زیرین منحنی پیشرفت بیماری (AUDPC) و به منظور کاهش تعداد ارزیابی و ایجاد بهترین زمان برای ارزیابی بیماری سوختگی اولیه در گیاه گوجه است. شدت این بیماری در 135 گوجه فرنگی از بانک گیاهی ژرم پلاسم دانشگاه فدرال Vic¸osa (BGH-UFV) در سه آزمایش بررسی شد. سطح زیر منحنی پیشرفت بیماری (AUDPC) توسط داده¬ی شش ارزیابی شدت بیماری محاسبه شد. چند نوع ANN MLP (چند لایه پرسپترون)، با در نظر گرفتن ارزش AUDPC برای خروجی مورد نظر آموزش دیده بودند. ارزیابی اعداد و ترکیب های مختلف شدت بیماری سوختگی اولیه به عنوان ورودی استفاده شد. ANN در پیش بینی AUDPC کارآمد است و تعداد ارزیابی ها از 6 به 2 کاهش می یابد. بهترین زمان برای ارزیابی شدت بیماری سوختگی اولیه، روز دوازدهم و هجدهم پس از تلقیح پاتوژن می¬باشد. بهره وری ژنوتیپ و محیط زیست در پیش بینی AUDPC تاثیر می گذارد. ANN در پیش بینی سطح زیرین سوختگی اولیه¬ی در منحنی پیشرفت بیماری (AUDPC) با ارزیابی کمتر کارآمد می¬باشد، و مشابه ارزیابی بهینه سازی شده این بیماری در گیاه گوجه فرنگی می¬باشد.
واژه های کلیدی: Alternaria tomatophila | هوش محاسباتی | ژنتیک | منابع | Solanum lycopersicum
مقاله ترجمه شده
6 تحلیل تقارن راه رفتن برای کودکان مبتلا به اختلالات طیف اوتیسم حین قدم زدن روی زمین
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 5 - تعداد صفحات فایل doc فارسی: 18
تقارن راه رفتن به عنوان شاخصی برای عملکرد عصبی مورد استفاده قرار می گیرد. راه رفتن سالم غالباً حداقل عدم تقارن را به همراه دارد، در حالیکه راه رفتن بیمارگونه، عدم تقارن شدیدی را بروز می دهد. هدف از این پژوهش، آزمودن تقارن پارامترهای مکانیکی راه رفتن طی قدم زدن روی زمین در کودکان مبتلا به اختلالات طیف اوتیسم (ASD) است. داده های حرکتی و حرکت شناختی از 10 کودک (سنین 5 تا 12 سال) مبتلا به ASD به دست آمد. به منظور مقایسه ی پارامترهای بین اندام های حرکتی در ارتباط با راه رفتن از روش آماری مدل (α=0.05) استفاده شد. تحلیل ها نشان داد کودکان مبتلا به ADS، در نیروی عکس العمل زمین و وضعیت مفاصل اندام های تحتانی، عدم تقارن قابل ملاحظه ای در سراسر مدت زمان راه رفتن از خود نشان می دهند. عدم تقارن مشاهده شده برای هر کدام از آنها، منحصر بفرد بود. این داده ها با پژوهش پیشین در ارتباط با تقارن راه رفتن در کودکان مبتلا به ADS، همخوانی نداشت. بسیاری از افراد مبتلا به ADS، مداخلات درمانی فیزیکی دریافت نمی کنند، با اینحال، مداخلات دقیق پزشکی با تمرکز بر عدم تقارن اندام-های تحتانی می تواند موجب بهبود عملکرد راه رفتن و ارتقای عملکرد حین فعالیت های روزمره شود.
کلیدواژه ها: بیومکانیک | راه رفتن | حرکت شناسی | تحرک.
مقاله ترجمه شده
7 مدلسازی و بهینه سازی خنک کننده های تبخیری نقطه ی شبنم بر اساس شبکه ی عصبی توسعه یافته ی GMDH
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 17 - تعداد صفحات فایل doc فارسی: 47
یک مدل دقیق خنک کننده¬ی تبخیری نقطه شبنم ضد جریان غیرمستقیم ، با استفاده از روش گروهی شبکه عصبی – جابجایی داده توسعه یافت در حالی که شبکه با داده های استخراج شده از مدل عددی معتبر، آموزش داده شد. پس از اعتباربخشی مدل، مدل در مسئله بهینه سازی چند هدفه که روش الگوریتم ژنتیک دوگانه مرتب سازی غالب تحت سلطه را اجرا می کند، استفاده شد. بهینه سازی این سیستم در شرایط مختلف آب و هوایی انجام شد. در این راستا، یزد، مسجد سلیمان و اهواز به عنوان نماینده ای از شهرهای دارای آب و هوای گرم -خشک، گرم- نیمه مرطوب و گرم و مرطوب ایران انتخاب شدند. در هر شهر، مقادیر بهینه¬ی طول کانال، فاصله کانال، سرعت هوای ورودی و بازگشت مقدار هوای ورودی طوری به دست آمد، که این متغیرهای تصمیم گیرنده همزمان موجب افزایش ضریب عملکرد و کاهش منطقه خاصی از خنک کننده می شود. نتایج نشان داد که مدل توسعه یافته می تواند دمای دقیق هوا را با خطای پایین Cº 1 پیش بینی می¬کند و به دلیل فرایند محاسباتی سریع طراحی ، بهینه سازی بر مبنای داده های آب و هوایی ساعتی بدون نیاز به پردازنده های بسیار سریع انجام می شود. علاوه بر این، کاربرد بهینه سازی در سیستم طراحی شده¬ی کاربردی شهر یزد،منجر به بهبود ضریب عملکرد و منطقه خاص به ترتیب 36.3٪ و 30.9٪ میشود. بهبود منطقه خاص در مسجد سلیمان و اهواز به ترتیب 16٪ و 7.92٪ و با کاهش هزینه ضریب عملکرد 2.63٪ و 2.19٪ همراه بود. این پیشرفت ها به سیستم امکان دستیابی به پتانسیل کامل را میدهد و خنک کننده تبخیر نقطه ی شبنم را به سیستم خنك كننده مناسب در شرایط مختلف آب و هوایی تبدیل میکند.
کلید واژه ها: خنک کننده تبخیر نقطه شبنم | شبکه عصبی GMDH | مدل عددی | چرخه M | بهینه سازی چند هدفه | NSGA-II
مقاله ترجمه شده
8 قطعه‌بندی تومورهای مغزی با استفاده از شبکه‌های عصبی کانولوشن در تصاویر ام آر آی
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 12 - تعداد صفحات فایل doc فارسی: 40
در بین تومور‌های مغزی، غده‌ها شایع‌ترین و تهاجمی‌ترین نوع آن ها هستند که در بالاترین درجات به کاهش زیاد متوسط عمر منجر می‌شوند. بدین سبب، برنامه‌ریزی درمانی، مرحله مهمی در بهبود کیفیت زندگی بیماران انکولوژی به شمار می‌رود. تصویربرداری با تشدید مغناطیس (ام آر آی) پرکابردترین روش تصویربرداری برای ارزیابی این‌گونه تومور‌ها می‌باشد، با اینهمه حجم زیاد داده‌های تولیدی ام آر آی مانع قطعه‌بندی دستی در زمان مقتضی شده و استفاده از اندازه‌گیری‌های کمی دقیق در کار بالینی را محدود می‌کند. با این حال، تغییرپذیری زیاد ساختاری و فضایی میان تومورهای مغزی مسئله قطعه بندی خودکار را با مشکل مواجه می‌کند. در این مقاله، روش قطعه‌بندی خودکار مبتنی بر شبکه‌های عصبی کانولوشن (CNN) جهت کاوش هسته‌های کوچک 3 × 3 ارائه می‌دهیم. استفاده از هسته‌های کوچک علاوه بر تأثیرگذاری مثبت در برابر تطابق بیش ار حد، امکان طراحی یک ساختار عمیق‌تر را فراهم نموده و اوزان کمتری را در شبکه نشان می‌دهد. ما هم‌چنین استفاده از عادی‌سازی شدت را با وجود عمومیت آن در روش‌های قطعه‌بندی مبتنی بر شبکه عصبی کانولوشن به عنوان مرحله پیش‌پردازش بررسی نموده‌ و اثبات کردیم که به همراه افزایش داده‌ها می‌تواند در قطعه‌بندی تصاویر ام آر آی تومورهای مغزی بسیار کارآمد باشد. طرح پیشنهادی ما مورد تأیید پایگاه داده‌ای Challenge BRATS 2013 جهت قطعه‌بندی تومورهای مغزی قرار گرفت و همزمان در نواحی کامل، هسته و افزایشی در متریک‌های ضریب شباهت دایس (88/0، 83/0، 77/0) مقام اول را در پایگاه داد‌ه‌ای Challenge بدست آورد. این طرح در پایگاه ارزیابی برخط نیز در کل مقام اول را کسب کرد. ما هم‌چنین با همان مدل در پایگاه Challenge در محل BRATS 2015 شرکت کردیم و توانستیم به کمک متریک ضریب شباهت دایس با مقادیر 78/0، 65/0 و 75/0 به ترتیب در نواحی کامل، هسته و افزایشی به مقام دوم دست‌ یابیم.
عبارات شاخص: تومور مغزی | قطعه‌بندی تومور مغزی | شبکه‌های عصبی کانولوشن | یادگیری عمیق | غده | تصویربرداری با تشدید مغناطیس
مقاله ترجمه شده
9 تقسیم بندی معنایی تصویر با CRFهای کاملاً متصل و شبکه های پیچیده عمیق
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 14 - تعداد صفحات فایل doc فارسی: 23
شبکه های عصبی مصنوعی عمیق (DCNNs) اخیرا وضعیت عملکرد هنری در وظایف بصری سطح بالا مانند طبقه بندی تصویر و تشخیص شی را نشان دادند .این کار روش های متفاوتی از DCNN ها و مدل های گرافیکی احتمالی برای رسیدگی به وظیفه طبقه بندی سطح پیکسل (همچنین "تقسیم بندی تصویر معنایی" نامیده می شود) را به ارمغان می آورد .ما نشان می دهیم که پاسخ ها در لایه نهاییDCNNs برای تقسیم بندی دقیق شیئ به اندازه کافی متمرکز نیستند. علت آن ویژگی های بسیار تغییرناپذیری ست که DCNNها را برای وظایف سطح بالا مناسب می سازد.ما با ترکیب پاسخ ها در لایه DCNN نهایی با یک فیلد تصادفی محرمانه کاملا متصل(CRF) بر این ویژگی محلی سازی نامرغوب شبکه های عمیق غلبه می کنیم. از لحاظ کیفیت، سیستم "DeepLab" ما قادر به محاسبه تقسیم مرزها به سطح دقت فراتر از روش های قبلی است . از لحاظ کیفیت ،روش ما جدیدترین حالت هنر را در PASCAL VOC-2012 وظیفه تقسیم بندی تصویر معنایی معین می کند، رسیدن به 71.6٪ دقت IOU در مجموعه آزمون. ما نشان می دهیم چگونه این نتایج را می توان به طور موثری به دست آورد: اهداف دقیق شبکه وکاربرد جدید از الگوریتم "سوراخ" از جامعه موجک محاسبه تراکم پاسخهای شبکه عصبی با 8 فریم در ثانیه بر روی GPU مدرن را اجازه می دهد.
مقاله ترجمه شده
10 امکان‌سنجی مدل PSO-ANN برای پیش‌بینی میزان نشست سطحی ناشی از تونل زنی
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 23
نشست سطحی احتمالی، به‌ویژه در نواحی شهری، یکی از خطرسازترین عوامل در مترو و دیگر حفاری‌های زیر بنایی است. بنابراین، پیش‌بینی دقیق حداکثر نشست سطحی (MSS) نقش مهمی در به حداقل رساندن ریسک احتمالی وارد آمدن صدمات دارد. در این مقاله یک مدل ترکیبی جدید از شبکه عصبی مصنوعی (ANN) بهینه‌شده توسط الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای پیش‌بینی MSS ارائه شد. در اینجا، این ترکیب با استفاده از PSO-ANN مختصر می‌شود. به‌منظور نشان دادن عملکرد مدل PSO-ANN پیشنهادی در پیش‌بینی MSS، یک مدل ANN از قبل موجود استفاده شد. برای ایجاد مدل‌های موردنظر، نسبت تنش افقی به عمودی، چسبندگی و مدول¬های یانگ به‌عنوان پارامترهای ورودی انتخاب شدند، درحالی‌که MSS به‌عنوان خروجی سیستم در نظر گرفته شد. یک پایگاه داده متشکل از 143 مجموعه داده حاصل از خط شماره 2 مترو کرج، برای ایجاد مدل‌های پیش‌بینی مورداستفاده قرار گرفت. عملکرد مدل‌های پیش‌بینی با مقایسه پارامترهای پیش‌بینی عملکرد، شامل خطای جذر میانگین مربعات (RMSE)، حساب واریانس برای (VAF) و ضریب همبستگی (R2) مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد که مدل پیشنهادی PSO-ANN قادر به پیش‌بینی MSSبا میزان دقت بالاتر در مقایسه با نتایج ANN است. علاوه بر این، نتایج تجزیه‌وتحلیل حساسیت نشان می‌دهد که نسبت تنش افقی به عمودی اثر بیشتری بر MSS در مقایسه با سایر مدل‌های ورودی دارد.
کلمات کلیدی: تونل زنی | نشست سطحی | PSO-ANN | مدل ترکیبی
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi