دانلود و نمایش مقالات مرتبط با Feed Forward Neural Network::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

نتیجه جستجو - Feed Forward Neural Network

تعداد مقالات یافته شده: 7
ردیف عنوان نوع
1 Explainable AI: A Hybrid Approach to Generate Human-Interpretable Explanation for Deep Learning Prediction
هوش مصنوعی قابل توضیح: رویکرد ترکیبی برای ایجاد توضیح قابل تفسیر توسط انسان برای پیش بینی یادگیری عمیق-2020
With massive computing power and data explosion as catalysts, Artificial Intelligence (AI) has finally come out of research labs to become a ground-breaking technology. Businesses are seeing its value in a wide range of applications and therefore looking for ways to make AI an integral part of their decision-making processes. However, to trust an AI model prediction or to take downstream action based on a prediction outcome, one needs to understand the reasons for the prediction. With deep neural networks increasingly becoming the algorithm of choice for models, generation of such reasons has become more challenging. Deep neural networks are highly nested non-linear models that learn patterns in the data through complex combinations of inputs. Their complex architecture makes it very difficult to decipher the exact reasons for their prediction. Due to this lack of transparency, businesses are not able to utilize this technology in many applications. To increase the adoption of deep learning models, explainability is critical in building trust in the solution and in guiding downstream actions in business applications. In this paper we aim to create human-interpretable explanations for predictions from deep learning models. We propose a hybrid of two prior approaches, integrating clustering of the network’s hidden layer representation [2] with TREPAN decision tree [1], both of which uniquely deconstruct a neural network. Our aim is to visualize flow of information within the deep neural network using factors that make sense to humans, even if the underlying model uses more complex factors. This enables generation of human interpretable explanations (or, reasons codes) for each model outcome at an individual instance level. We demonstrate the new approach on credit card default prediction given by a deep feed forward neural network model. We compare and contrast this new integrated approach with three different approaches, based on the results we obtained from experimentation.
Keywords: Deep Learning | Neural Network | Explainable AI | TREPAN | Clustering | Reason Code | Comprehensibility | Fidelity | LIME
مقاله انگلیسی
2 A novel neural network based image descriptor for texture classification
توصیف کننده تصویر مبتنی بر شبکه عصبی برای طبقه بندی بافت-2019
Nowadays, image processing and artificial intelligence have become popular science areas. The one of the major problems of the image processing is texture classification. Therefore, many methods have been presented about texture classification. In this article, a new textural feature extraction method is proposed. In this method, the feed forward neural networks are utilized as a feature extractor. The main purpose of the proposed method is to show feature extraction capability of the feed forward neural network. This descriptor consists of 3 x 3 overlapping blocks division, creating feature extraction network by using row and column pixels of the block, calculating feature value, normalization and histogram extraction. Firstly, image is divided into 3 x 3 size of overlapping blocks and pixels of each block are selected to create feed forward networks. To calculate the weights, neighbor pixel values and the signum function are used together. Tangent hyperbolic function is utilized as activation function in these networks. PCA (Principle Component Analysis) reduces feature dimensionality and LDA (Linear Discriminant Analysis) is chosen as classifier. In order to obtain the experimental results, the commonly used texture datasets were used with variable parameters. These datasets are UIUC, Outex and USPTex. The classification accuracies were calculated as 90.82%, 89.62% and 93.83% for these datasets respectively. The results were compared with the related 16 methods and the proposed method achieved the best performance among them. The space complexity of this method also calculated and the cost of the proposed method was given in the experiments. The computational costs result of this method demonstrates that the proposed neural network based image descriptor method has low complexity. The results clearly illustrated that the proposed textural image descriptor extracts distinctive features with short execution time, has simple mathematical background, is good discriminator and outperforms.
Keywords: Feed forward textural feature extraction | Texture analysis | Texture recognition | Pattern recognition | Classification
مقاله انگلیسی
3 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
4 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
5 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
6 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
7 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
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 1445 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 1445 :::::::: افراد آنلاین: 51