دانلود و نمایش مقالات مرتبط با مقاله ترجمه شده شبکه های عصبی 2012::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی
نتیجه جستجو - مقاله ترجمه شده شبکه های عصبی 2012

تعداد مقالات یافته شده: 4
ردیف عنوان نوع
1 الکترومیوگرافی سطحی مبتنی بر برآورد مستمر زوایای مفصل از پاهای انسان با استفاده شبکه عصبی
سال انتشار: 2012 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 27
در این مقاله ، ما یک مدل غیرخطی درجه m ام را برای تشریح رابطه بین سیگنالهای الکترومیوگرافی سطحی (sEMG) و زوایای مفصل پاهای انسان را پیشنهاد میدهیم که در آن شبکه عصبی BP ساده ای برای براورد مدل ایجاد شده است. ورودی های مدل، سری های زمانی sEMG می باشد که پردازش شده و نتایج مدل زوایای اتصال مفصل ران ، زانو ، و مچ پا می باشد. برای معتبر کردن سودمندی شبکه خنثی BP ، 6 فرد توانای جسمی و 4 بیمار آسیب نخاعی (SCI) در آزمایش مشارکت کردند. دو حالت حرکتی شامل تمرین تردمیل و تمرین کشش پا با سرعتهای مختلف و بارهای متفاوت به ترتیب با افراد توانای جسمی انجام گرفت، و تنها تمرین تردمیل برای بیماران SCI انتخاب شد. 7 کانال sMEG از 7 ماهیچه پای انسانی و سه زاویه مفصل شامل مفصل ران ، زانو و مچ پا به طور همزمان نمونه گیری شد. نتایج نشان میدهد که این روش یک عملکرد مناسب از برآورد زوایای مفصل با استفاده از sMEG برای هر دو افراد توانای جسمی و بیماران SCI بوده است. براورد خطای زاویه میانگین ریشه دوم میانگین ( rms) برای تمرین کشش پا کمتر از 9 درجه است، خطای rms میانگین برای تمرین تردمیل کمتر از 6 درجه برای همه افراد توانای جسمی بود. خطای برآورد زاویه میانگین rms بیماران sci حتی کمتر ( کمتر از 5 درجه ) نسبت به افراد توانای جسمی بود زیرا بازه حرکتی آنها کوچکتر بود. این روش برای توانبخشی روبات یا شبیه سازی الکتریکی کارکردی (FES) برای توانبخشی فعال بیماران SCI یا بیماران سکته مغزی کرده بر پایه سیگنالهای sEMG استفاده میشود. کلمات کلیدی: sEMG | توانبخشی | BP | SCI
مقاله ترجمه شده
2 شبکه های عصبی آموزشی رقابتی بهبود یافته برای تشخیص نفوذ در شبکه و شناسایی کلاهبرداری
سال انتشار: 2012 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 40
در این پژوهش، دو الگوریتم خوشه بندی جدید را معرفی می کنیم. شبکه اموزشی رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در زمینه تشخیص کلاهبرداری و تشخیص نفوذ شبکه در می باشند. شبکه اموزشی رقابتی پیشرفته (ICLN) به عنوان الگوریتم خوشه بندی غیرنظارتی می باشد، که قوانین جدیدی را برای شبکه های عصبی آموزشی رقابتی استاندارد (SCLN) اعمال می کند. نورون های شبکه در شبکه آموزشی رقابتی پیشرفته (ICLN) برای ارائه مرکز داده توسط قوانین بروز شده تنبیه و پاداش جدید آموزش دیده اند. این قوانین بروز شده، بی ثباتی شبکه های عصبی آموزشی رقابتی استانداردSCLN) ) را از بین می برند. شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) به عنوان نسخه بازبینی شده شبکه اموزشی رقابتی پیشرفته (ICLN) می باشد . در SICLN (شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) ، قوانین بروزرسانی شده نظارتی از دسته بندی داده برای هدایت مراحل آموزش برای دسترسی به نتایج خوشه بندی بهتر استفاده می کند. شبکه آموزشی رقابتی پیشرفته نظارت شده می تواند برای داده های دسته بندی شده و دسته بندی نشده اعمال شده و در سطح بالایی در برابر اتیکت های مفقودی و تاخیری مقاوم می باشد. علاوه بر این، شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) دارای قابلیت بازسازی بوده، بنابراین کاملا مستقل از تعداد اولیه خوشه ها می باشد. برای ارزیابی الگوریتم های مورد نظر، به مقایسه عملی در مورد داده های تحقیق و داده های حقیقی در تشخیص کلاهبرداری و تشخیص نفوذ شبکه پرداختیم. نتایج اثبات می کند که هر دو مورد ICLN و SICLN به بایگانی عملکرد بالا می پردازند، و SICLN در الگوریتم های خوشه بندی غیرنظارتی سنتی عملکرد بهتری دارد.
کلمات کلیدی: آموزش رقابتی | شناسایی کلاهبرداری | شناسایی نفوذ | خوشه بندی نظارتی/ غیر نظارتی | شبکه عصبی
مقاله ترجمه شده
3 پیاده سازی شبکه عصبی Hopfield مجتمع سازی دیجیتال در مقیاس بسیار بزرگ (VLSI)، در آرایه های گیت قابل برنامه ریزی میدانی (FPGA) برای حل مسایل محدودیت رضایت
سال انتشار: 2012 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 27
این مقاله در مورد پیاده سازی شبکه های عصبی Hopfield برای حل مسایل مربوط به محدودیت رضایت با استفاده از آرایه های گیت قابل برنامه ریزی میدان FPGA بحث می کند. این مقاله در مورد روش های فرمول بندی این مسایل همانند شبکه های عصبی گسسته بحث می کند، و سپس مساله ی N وزیر را با استفاده از فرمولبندی بدست آمده تشریح می کند. سرانجام، نتایج ارایه شده زمان های محاسبه ی یک کامپیوتر معمولی برای شبیه سازی اجرای شبکه Hopfield بر روی یک فضای کاری باکیفیت، مقایسه می کنند. در این روش، رشد پیشرفت قابل مشاهده می باشد که نشان می دهد حداکثر رشد 2 تا 3 برابر دامنه _با استفاده از ابزارهای FPGA ممکن می باشد.
کلمات کلیدی: شبکه عصبی هوپفیلد | آرایه های گیت قابل برنامه ریزی میدانی | مساله N وزیر
مقاله ترجمه شده
4 الکترومیوگرافی سطحی مبتنی بر برآورد مستمر زوایای مفصل از پاهای انسان با استفاده شبکه عصبی
سال انتشار: 2012 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 27
در این مقاله ، ما یک مدل غیرخطی درجه m ام را برای تشریح رابطه بین سیگنالهای الکترومیوگرافی سطحی (sEMG) و زوایای مفصل پاهای انسان را پیشنهاد میدهیم که در آن شبکه عصبی BP ساده ای برای براورد مدل ایجاد شده است. ورودی های مدل، سری های زمانی sEMG می باشد که پردازش شده و نتایج مدل زوایای اتصال مفصل ران ، زانو ، و مچ پا می باشد. برای معتبر کردن سودمندی شبکه خنثی BP ، 6 فرد توانای جسمی و 4 بیمار آسیب نخاعی (SCI) در آزمایش مشارکت کردند. دو حالت حرکتی شامل تمرین تردمیل و تمرین کشش پا با سرعتهای مختلف و بارهای متفاوت به ترتیب با افراد توانای جسمی انجام گرفت، و تنها تمرین تردمیل برای بیماران SCI انتخاب شد. 7 کانال sMEG از 7 ماهیچه پای انسانی و سه زاویه مفصل شامل مفصل ران ، زانو و مچ پا به طور همزمان نمونه گیری شد. نتایج نشان میدهد که این روش یک عملکرد مناسب از برآورد زوایای مفصل با استفاده از sMEG برای هر دو افراد توانای جسمی و بیماران SCI بوده است. براورد خطای زاویه میانگین ریشه دوم میانگین ( rms) برای تمرین کشش پا کمتر از 9 درجه است، خطای rms میانگین برای تمرین تردمیل کمتر از 6 درجه برای همه افراد توانای جسمی بود. خطای برآورد زاویه میانگین rms بیماران sci حتی کمتر ( کمتر از 5 درجه ) نسبت به افراد توانای جسمی بود زیرا بازه حرکتی آنها کوچکتر بود. این روش برای توانبخشی روبات یا شبیه سازی الکتریکی کارکردی (FES) برای توانبخشی فعال بیماران SCI یا بیماران سکته مغزی کرده بر پایه سیگنالهای sEMG استفاده میشود.
کلمات کلیدی: sEMG | توانبخشی | BP | SCI
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی