دانلود و نمایش مقالات مرتبط با شبکه عصبی مصنوعی (ANN)::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی
نتیجه جستجو - شبکه عصبی مصنوعی (ANN)

تعداد مقالات یافته شده: 7
ردیف عنوان نوع
1 Prediction of displacement in the equine third metacarpal bone using a neural network prediction algorithm
پیش بینی جابجایی در استخوان metacarpal سوم اسب با استفاده از الگوریتم پیش بینی شبکه عصبی-2019
Bone is a nonlinear, inhomogeneous and anisotropic material. To predict the behavior of bones expert systems are employed to reduce the computational cost and to enhance the accuracy of simulations. In this study, an artificial neural network (ANN) was used for the prediction of displacement in long bones followed by ex-vivo experiments. Three hydrated third metacarpal bones (MC3) from 3 thoroughbred horses were used in the experiments. A set of strain gauges were distributed around the midshaft of the bones. These bones were then loaded in compression in an MTS machine. The recordings of strains, load, Load exposure time, and displacement were used as ANN input parameters. The ANN which was trained using 3,250 experimental data points from two bones predicted the displacement of the third bone (R2 ≥ 0.98). It was suggested that the ANN should be trained using noisy data points. The proposed modification in the training algorithm makes the ANN very robust against noisy inputs measurements. The performance of the ANN was evaluated in response to changes in the number of input data points and then by assuming a lack of strain data. A finite element analysis (FEA) was conducted to replicate one cycle of force-displacement experimental data (to gain the same accuracy produced by the ANN). The comparison of FEA and ANN displacement predictions indicates that the ANN produced a satisfactory outcome within a couple of seconds, while FEA required more than 160 times as long to solve the same model (CPU time: 5 h and 30 min).
Keywords: Artificial neural network (ANN) | Displacement prediction | Finite element analysis (FEA) | Expert system | Long bones | Equine third metacarpal bone (MC3)
مقاله انگلیسی
2 ارزیابی کارایی تکنیک های طبقه بندی داده کاوی برای پیش بینی بیماری قلبی
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 12
بیماری قلبی ممکن است یکی از دلایل اصلی مرگ باشد. به علت فقدان دانش و تجربیات متخصصان درمورد علائم نارسایی قلب برای پیش بینی اولیه این بیماری، کار آسان برای تشخیص بیماری نیست. در نتیجه، پیش بینی مبتنی بر رایانه؛ مبتلایان به بیماری قلبی می تواند نقش مهمی را در تشخیص پیش از مرحله برای انجام اقدامات مناسب با توجه به بهبودی بیماران بازی کند. با این حال، انتخاب روش طبقه بندی مناسب داده کاوی می تواند به طور موثر پیش بینی مرحله اولیه بیماری را برای بازگشت از آن به همراه داشته باشد. در این مقاله، سه تکنیک طبقه بندی استفاده شده غالب از قبیل ماشین بردار پشتیبانی (SVM)، نزدیکترین همسایۀ k (KNN) و شبکه عصبی مصنوعی (ANN) را مورد بررسی قرار می دهیم، با توجه به ارزیابی آنها برای پیش بینی بیماری های قلبی با استفاده از مجموعه داده های بیماری کلیوی استاندارد مورد مطالعه قرار گرفته است.. نتایج تجربی نشان می دهد که دقت طبقه بندی با استفاده از SVM (85.1852٪) بهتر از استفاده از KNN (82663٪) و ANN (73.3333٪) است.
لغات کلیدی: داده کاوی | ماشین بردار پشتیبانی | نزدیکترین همسایۀ k | شبکه عصبی مصنوعی | پیش بینی بیماری قلبی | تکنیک های طبقه بندی
مقاله ترجمه شده
3 بهینه سازی ساچمه پاشی ‏ با ابزار تصمیم گیری پیچیده: تصمیم گیری چند معیاره
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 25
فرایند ساچمه پاشی ‏ کنترل شده با دو روش مستقل: (1) ساچمه پاشی اولیه از نوار Almen برای تعیین شدت مورد نظر، (2) ساچمه کاری نمونه واقعی با شدت Almen ، انجام شد. ساچمه پاشی Almen در مرحله اول زمان زیادی طول می کشد. که علت آن این است که علاوه بر استفاده از پارامترهای ورودی، اندازه گیری ارتفاع قوس و کنترل شدت Almen نیز باید به طور پیوسته انجام شود. نتایج به طور مستقیم بر ویژگی های واقعی موثر است. با این حال اندازه گیری ارتفاع و تنظیم پارامترهای ورودی به تکنسین کارفرما بستگی دارد. بنابراین، روش عددی با مدلسازی اجزای محدود (FEM) ، شبکه عصبی مصنوعی (ANN) و RSM (روش شناسی سطح پاسخ) پیشرفت بیشتری دارد. بدین منظور، روش عددی دیگری از جمله تصمیم گیری چند معیاره (MCDM) توسعه یافته اند و همچنین در مقایسه با نتایج آزمایشگاهی، زبری سطح و سختی سطح قرار گرفت. نتایج نشان داد که روش های MCDM با خودشان سازگار هستند و در چارچوب پارامترهای ورودی (فشار هوا، اندازه ساچمه، طول ساچمه باری) و پارامترهای خروجی نیز سازگار است (سختی سطح، زبری سطح). رویکرد Topsis نتایج سازگار را در مقایسه با دیگر رویکردها و شرایط آزمایشی ارائه می دهد.
کليدواژگان: شدت Almen | ساچمه کاری | Topsis | Vikor | GRA | MCDM
مقاله ترجمه شده
4 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
5 مدل هوشمند انتخاب تکرار پویا در داخل سیستم های شبکه
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 20
سیستم های شبکه به عنوان راهی برای به اشتراک گذاشتن منابع محاسباتی و اطلاعاتی ظهور نمودند. تامین خدمات برای دست یابی، تسهیم و اصلاح پایگاه های بزرگ داده کار ضروری برای سیستم های مدیریت شبکه است. این مقاله مکانیسم پیش بینی شبکه عصبی مصنوعی (ANN) را ارائه می دهد که افزایش راه حل های تکرار داده ها در داخل سیستم های شبکه را میسر می سازد. خدمات تکرار فعلی اغلب افزایش در زمان پاسخ، انعکاس مسائل همبسته با افزایش اندازه پایگاه های داده را نشان می دهند. مدل پیشنهادی تکرار پیش بینی انتخاب فایل ها را برای برنامه های ورودی با استفاده از اجرای تاریخی کاربران مکان یابی خواهد کرد. نتایج تجربی پیشرفت های قابل توجه بدست امده بوسیله راه حل پیشنهادی بلحاظ دقت بالا و بالاسری های پایین را نشان می دهد.
کلمات کلیدی: شبکه های عصبی مصنوعی | شبکه های داده های متمرکز | پایگاه داده توزیع شده | استراتژی تکثیر | محاسبات ابری
مقاله ترجمه شده
6 طراحی پایدار کننده سیستم های قدرت مقاوم با استفاده از ترکیب ANN و ICA
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 18
حد پایداری حالت پایدار و میرایی مثبت سیستم را می توان با پایدار کننده سیستم قدرت متداول بهبود یافت(PSS). با این حال، به منظور توانایی های مانند تنظیم کردن آنلاین و زمان واقعی بهینه میرایی در کل محدوده عملیاتی، طراحی مقاوم از PSS مورد نیاز است. یک طراحی PSS مقاوم جدید با استفاده از شبکه عصبی مصنوعی (ANN) و الگوریتم رقابتی امپریالیستی (ICA) برای میرایی نوسانات حالت های الکترومکانیکی و بهبود پایداری سیستم قدرت در این مقاله ارائه شده است. دینامیک در ارتباط با یک تک ماشین متصل شده به باس بی نهایت سیستم قدرت در این مطالعه تجزیه و تحلیل شده است. تنظیمات بهینه پارامترهای PSS با استفاده از ترکیب ICA-ANN به دست آمده اند.. ANN برای تنظیم پارامترهای PSS آنلاین استفاده شده است. نتایج PSS مبتنی بر ICA (ICA-PSS) به عنوان طرح های آموزش ANN استفاده شده اند. تجزیه و تحلیل مقادیر ویژه و شبیه سازی های سیستم اثر روش ارائه شده در میرایی نوسانات الکترومیکانیکی و بهبود پایداری دینامیکی سیستم را نشان می دهد.
واژه های کلیدی: شرایط قدرت پایدار کننده سیستم | الگوریتم رقابتی امپریالیستی | شبکه عصبی مصنوعی | نوسانات فرکانس پایین
مقاله ترجمه شده
7 سیستم تشخیص شماره پلاک خودکار (ANPR): یک بررسی
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 13 - تعداد صفحات فایل doc فارسی: 38
کنترل ترافیک و شناسایی مالک وسیله در هر کشوری مسئله مهمی به شمار می آید. گاهی شناسایی مالک اتومبیلی که قوانین راهنمایی را شکسته و با سرعت رانندگی کرده ٬ بسیار سخت می شود. بنابراین دستگیری و تنبیه اینگونه افراد غیر ممکن می شود. زیرا پرسنل ترافیک ممکن است نتوانند شماره پلاک وسیله نقلیه در حال حرکت را به خاطر سرعت آن بازیابی کنند. بنابراین لازم است تا سیستم تشخیص شماره پلاک خودکار (ANPR) را به عنوان راه حل این مسئله توسعه دهیم. امروز تعداد زیادی سیستم ANPR وجود دارند. این سیستم بر اساس متد های متفاوتی پایه گذاری شده اند اما هنوز کاری چالش برانگیز به حساب می آیند زیرا برخی فاکتورها مثل سرعت بالای وسیله نقلیه ٬ پلاک های اتومبیل غیر همشکل ٬ زبان مورد استفاده در شماره پلاک ها و شرایط نوری مختلف می تواند تاثیر زیادی روی نرخ کلی تشخیص بگذارد . اغلب سیستم ها با این محدودیت ها به کار خود ادامه می دهند. در این مقاله روش های مختلف ANPR با توجه به پارامتر هایی همچون اندازه تصویر ٬ میزان موفقیت و زمان فرآیند مورد بحث قرار می گیرند.در پایان این مقاله علاوه بر ANPR روش دیگری نیز پیشنهاد شده است.
کلمات کلیدی : تشخیص شماره پلاک خودکار (ANPR) ٬ شبکه عصبی مصنوعی (ANN) ٬ بخش بندی کاراکترها ٬ بخش بندی تصویر شماره پلاک ٬ تشخیص کاراکترهای نوری
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی