دانلود و نمایش مقالات مرتبط با Signal classification::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی

با سلام خدمت کاربران عزیز، به اطلاع می رساند ترجمه مقالاتی که سال انتشار آن ها زیر 2008 می باشد رایگان بوده و میتوانید با وارد شدن در صفحه جزییات مقاله به رایگان ترجمه را دانلود نمایید.

نتیجه جستجو - Signal classification

تعداد مقالات یافته شده: 3
ردیف عنوان نوع
1 Design and field implementation of an impact detection system using committees of neural networks
طراحی و اجرای میدانی یک سیستم تشخیص ضربه با استفاده از کمیته های شبکه های عصبی-2019
Many critical societal functions depend on uninterrupted service of civil engineering infrastructure. Rail- roads represent important infrastructure components of the transportation sector and provide both pas- senger and freight services. Railroad bridges over roadways are susceptible to impacts from overheight vehicles and equipment, which may damage bridge girders or supports and must be investigated after each event. One method of monitoring for vehicle-bridge collisions utilizes accelerometers to monitor for abnormal bridge vibrations corresponding to abnormal activity. Passing trains under normal operat- ing conditions frequently produce significant bridge responses that have similar response characteristics to bridge strikes, but do not need to be investigated. This paper presents an expert system which com- prises committees of artificial neural networks trained to interrogate data collected from accelerometers mounted on the bridge, assess the nature of the acceleration signal, and classify the event as either a passing train or a potentially damaging impact. This system is trained using acceleration time histories from accelerometers installed on 8 low-clearance rail bridges; no finite element model simulations were used for network training or data stream creation. The presented system accurately detects and classifies impacts with average impact detection performance ranging from 91–100% with average false positive rates limited to 0.00–0.75%.
Keywords: Bridge impacts Impact detection | Signal classification | Feature selection | Artificial neural networks
مقاله انگلیسی
2 دسته بندی نوع خس خس کردن با استفاده از روش نسبت انرژی بهینه مبتنی بر تبدیل موجی غیردوتایی
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 29
پیش زمینه و هدف: خس خس کردن در صداهای ریوی، اختلالی است که اغلب با نوع انسدادی بیماری های ریوی همراه است. کارهای قبلی روی دسته بندی انواع خس خس کردن ها اساسا" روی استفاده از دقت زمانی – بسامدی/ مقیاسی ثابت برمبنای تبدیلات فوریه و موجی متمرکز بودند. سهم اصلی روش پیشنهادی که در آن دقت زمانی – بسامدی می تواند برطبق سیگنال موردنظر میزان سازی شود، متمایزسازی خس خس کردن های تک صدایی و چند صدایی با دقتی بالاتر از روشهای قبلا" پیشنهاد شده ی مبتنی بر زمان و زمان – بسامد/ مقیاس می باشد.
روشها: یک تبدیل موجی بهینه اتساعی منطقی (RADWT) برمبنای روش انتخاب پارامتر نسبت پیک انرژی (PER)، برای متمایزسازی انواع خس خس کردن ها پیشنهاد می شود. از نسبت های بسامد چارکی قبلا" پیشنهاد شده، بی نظمی تقاطعی میانگین، دسته بندی چندگانه سیگنال، سپستروم بسامدی و دیدگاههای تبدیل موجی گسسته دوتایی نیز استفاده شد و برتری روش پیشنهادی در طرح های اعتبارسنجی تقاطعی LOO و LOSO با دسته بندی کننده های ماشین بردار پشتیبان (SVM)، نزدیکترین همسایه k (k-NN) و ماشین یادگیری کرانی (ELM) نشان داده می شود.
نتایج: نتایج نشان می دهند که روش پیشنهادی مبتنی بر RADWT برای همه دسته بندی کننده ها هم در شرایط اعتبارسنجی تقاطعی LOO و هم در LOSO، نسبت به دیدگاههای پیشرفته زمانی، بسامدی، زمانی – بسامدی و دامنه مقیاس زمانی، برتری دارد. وقتی که مشخصه های پیشنهاد شده PER به داخل SVM وارد شوند، بالاترین مقدار دقت در LOO و LOSO به ترتیب برابر با 86 و 9/82 درصد به دست آمد.
نتیجه گیری: این نتیجه گرفته می شود که خصوصیات زمانی و دامنه بسامدی خس خس کردن ها پایدار نیستند و از این رو نمایش های تنظیم پذیر مقیاس زمانی در متمایزسازی خس خس کردن های تک صدایی و چند صدایی درمقایسه با نمایش های سنتی دارای دقت ثابت، موفق تر هستند.
کلیدواژه ها: صداهای ریه | صداهای تنفسی | متمایزسازی | خس خس کردن | تک صدایی | چند صدایی
مقاله ترجمه شده
3 Probabilistic grammar-based neuroevolution for physiological signal classification of ventricular tachycardia
Probabilistic grammar-based neuroevolution for physiological signal classification of ventricular tachycardia-2019
Ventricular tachycardia is a rapid heart rhythm that begins in the lower chambers of the heart. When it happens continuously, this may result in life-threatening cardiac arrest. In this paper, we apply deep learning techniques to tackle the problem of the physiological signal classification of ventricular tachy- cardia, since deep learning techniques can attain outstanding performance in many medical applications. Nevertheless, human engineers are required to manually design deep neural networks to handle differ- ent tasks. This can be challenging because of many possible deep neural network structures. Therefore, a method, called ADAG-DNE, is presented to automatically design deep neural network structures using deep neuroevolution. Our approach defines a set of structures using probabilistic grammar and searches for best network structures using Probabilistic Model Building Genetic Programming. ADAG-DNE takes advantages of the probabilistic dependencies found among the structures of networks. When applying ADAG-DNE to the classification problem, our discovered model achieves better accuracy than AlexNet, ResNet, and seven non-neural network classifiers. It also uses about 2% of parameters of AlexNet, which means the inference can be made quickly. To summarize, our method evolves a deep neural network, which can be implemented in expert systems. The deep neural network achieves high accuracy. Moreover, it is simpler than existing deep neural networks. Thus, computational efficiency and diagnosis accuracy of the expert system can be improved.
Keywords: Physiological signal classification | Heart disease | Neuroevolution | Probabilistic grammar | Genetic programming | Deep neural network
مقاله انگلیسی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi