دانلود و نمایش مقالات مرتبط با تنظیم پارامتر::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

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 - تنظیم پارامتر

تعداد مقالات یافته شده: 9
ردیف عنوان نوع
1 Automated plant leaf disease detection and classification using optimal MobileNet based convolutional neural networks
تشخیص و طبقه بندی خودکار بیماری برگ گیاه با استفاده از شبکه های عصبی کانولوشن مطلوب مبتنی بر MobileNet-2021
Agriculture is the major occupation in India and it loses 35% of the crop productivity annually owing to plant diseases. Earlier plant disease detection is a tedious process because of improper laboratory facilities and expert knowledge. Automated plant disease detection techniques are advantageous for reducing the laborious task of monitoring large crop farms and for identifying disease symptoms early on, i.e., when they appear on plant leaves. Recent advances in computer vision and deep learning (DL) models have demonstrated the value of developing automatic plant disease detection models based on visible symptoms on leaves. With this in mind, this article proposes an automated model for detecting and classifying plant leaf diseases using an optimal mobile network-based convolutional neural network (OMNCNN). The proposed OMNCNN model operates on different stages namely preprocessing, segmentation, feature extraction, and classification. It involves bilateral filtering (BF) based preprocessing and Kapur’s thresholding based image segmentation to identify the affected portions of the leaf image. In addition, the MobileNet model is applied as a feature extraction technique in which the hyperparameters are optimized by the use of emperor penguin optimizer (EPO) algorithm to enhance the plant disease detection rate. Finally, extreme learning machine (ELM) based classifier is utilized to allocate proper class labels to the applied plant leaf images. An extensive set of simulations were performed to highlight the superior performance of the OMNCNN model. The experimental outcome has shown promising results of the OMNCNN model over the recent state-of-art methods with the maximum precision of 0.985, recall of 0.9892, accuracy of 0.987, F-score of 0.985, and kappa of 0. 985.© 2021 Elsevier Ltd. All rights reserved. Selection and peer-review under responsibility of the scientific committee of the 1st International Conference on Computations in Materials and Applied Engineering – 2021.
Keywords: Plant leaf disease | Deep learning | Image processing | Intelligent models | Computer vision | MobileNet | Parameter tuning
مقاله انگلیسی
2 هوش مصنوعی برای پیش بینی در مدیریت زنجیره تامین: مطالعه موردی میزان مصرف قند سفید در تایلند
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 22
این مقاله یک مدل مناسب برای پیش بینی روند میزان مصرف شکر سفید در تایلند با توجه به نوسانات نرخ مصرف امروزه ارائه می دهد. در این مقاله روی دو نوع مدل اصلی پیش بینی که مدل های رگرسیون و شبکه های عصبی هستند ، تمرکز خواهد شد. علاوه بر این ، عملکرد با استفاده از Root Mean Square Error (RMSE) و مقدار آماری TheilU ارزیابی می شود. پس از پردازش آزمایشات ، نتایج نشان می دهد که شبکه عصبی راجعه با حافظه کوتاه مدت (LSTM) با شرایط ترکیبی بین میزان مصرف موجود و سایر عوامل مرتبط مانند تأمین تولید ، میزان واردات ، صادرات و موجودی کالا بهترین عملکرد را برای پیش بینی فراهم می کند. همچنین تنظیم پارامترهای مدل مسئله مهمی است.
کلمات کلیدی: یادگیری ماشین | اینترنت فیزیکی | پیش بینی تقاضا | شبکه عصبی | رگرسیون
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 افزایش پایداری توربین های بادی DFIG با تنظیم پارامترهای دستگاه های FACTS دارای اتصال موازی با استفاده از شاخص ITAE
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 23
در سال های اخیر، مولدهای القایی با تغذیه دوبل (DIFG) در دستگاه های مدرن مولد نیروی باد مورد استفاده قرار می گرفتند. این مولدها اثر زیادی بر پایداری سیستم نیرو دارند. در این مقاله، ما پایداری توربین های بادی DFIG را با متعادل کننده همزمان ساکن (STATCOM) مورد بررسی قرار می دهیم. تنظیم بهینه پارامترهای کنترلی STATCOM جهت دستیابی به عملکرد مناسب STATCOM به عنوان یک پایدارکننده بسیار حائز اهمیت است. معیار ITAE به عنوان تابع هدف معرفی شده و سپس فرآیند بهینه سازی با الگوریتم ژنتیک با هدف به حداقل رساندن نوسانات سرعت گردنده DFIG و با وجود یک نقص مدار کوتاه سه فازی انجام میشود. پس از این فرآیند، پایداری DFIG با تحلیل سرعت گردنده DFIG، توان فعال و ولتاژ DFIG آزمایش می شود. در نهایت، متعادل کننده VAR ساکن (SVAC) به عنوان دیگر متعادل کننده رایج جهت مقایسه با STATCOM معرفی می گردد تا نوسانات به حداقل رسند. سپس با انجام کلیه گام های بهینه سازی در سیستم کنترل SVC، عملکرد بهتر STATCOM نشان داده خواهد شد. کلیه گام های شبیه سازی های با نرم افزار MATLAB اجرا می شوند.
کلیدواژه ها: مولد القایی با تغذیه دوبل (DFIG) | متعادل کننده همزمان ساکن (STATCOM) | متعادل کننده VAR ساکن | بهینه سازی | الگوریتم ژنتیک | انتگرال زمان ضرب در خطای مطلق (ITAE)
مقاله ترجمه شده
5 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
6 مدیریت منابع توزیع شده در شبکه های حسگر بی سیم با استفاده از یادگیری تقویتی
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 20 - تعداد صفحات فایل doc فارسی: 59
در شبکه های حسگر بی سیم (WSNها) انتظار بر این است که گره های منبع محدود در محیط های بسیار دینامیکی و اغلب بدون نظارت فعالیت کنند. بنابراین، حمایت از مدیریت منابع هوشمند، مستقل، سازگار و توزیع شده، یک جزء ضروری از یک راه حل میان افزار برای توسعه کاربردهای WSN مقیاس پذیر و دینامیکی است. در این مقاله، چارچوب مدیریت منابع مبتنی بر طرح یادگیری تقویتی دو لایه را ارائه می کنیم تا کاربردهای تطبیقی و خود یادگیری خودکار با پشتیبانی ذاتی برای مدیریت منابع کارآمد را فعالسازی کنیم. هدف از طراحی ما ایجاد سیستمی با یک رویکرد پایین به بالا است که در آن هر گره حسگر مسئول تخصیص منابع خود و انتخاب وظیفه است. لایه یادگیری نخست (میکرو آموزش) به گره های حسگر منحصر بفرد اجازه می دهد تا وظائف خودشان را با استفاده از اطلاعات محلی خود برنامه ریزی کنند، و در نتیجه تطبیق به موقع را عملی سازند. دومین لایه یادگیری (ماکرو آموزش) با تنظیم پارامترهای عملیاتی خودش میکرو یادگیری ها را کنترل می کند چنان که سیستم به سمت یک هدف بهینه سازی با کاربرد خاص جهانی (بعنوان مثال بیشینه کردن طول عمر شبکه) هدایت می شود. اثربخشی چارچوب ما با استفاده از یک کاربرد ردیابی هدف ساخته شده در بالای آن نشان داده شده است. در نهایت، عملکرد طرح ما توسط شبیه سازی با سایر روش های موجود مقایسه می شود. نشان می دهیم که طرح یادگیری تقویت دولایه ما در مقایسه با رویکردهای سنتی با مدیریت منبع بطور قابل توجهی کارآمدتر است در حالی که الزامات کاربرد برآورده می شود.
کلمات کلیدی: شبکه های حسگر بی سیم | مدیریت منابع | زمانبندی وظائف | یادگیری تقویتی | ردیابی هدف
مقاله ترجمه شده
7 بهینه سازی ازدحام ذرات بر اساس رویکرد بهبود پايداري گذرا سیستم برق با تریستور سری خنثی کننده کنترل شده
سال انتشار: 2012 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 12
در حال حاضر مهندسین سیستم برق با چالش هایی برای افزایش قابلیت های انتقال برق سیستم انتقال موجود روبرو هستند. این منجر به تکامل فن آوری FACTS می شود. کنترل کننده FACTS کمک به بالا بردن محدودیت ثبات پویا می کند، سبب کنترل بهتر جریان برق می شود. همچنین سبب بهبود استفاده از دارایی، انعطاف پذیری سیستم و عملکرد سیستم می گردد. تریستور سری خنثی کننده کنترل شده (TCSC) یک سری کنترل کننده FACTS است که می تواند خط مقاومت را کنترل کند، پایداری شبکه را بهبود بخشیده و نوسانات سیستم قدرت را خفه کند. این مقاله روشی را برای مدل سازی و بهینه کردن تنظیم پارامترهای تریستور سری خنثی کننده کنترل شده (TCSC) ارائه می کند. به منظور شبیه سازی، مدل مکانیکی با بی نهایت گذرگاه (SMIB) سیستم قدرت با کنترل کننده TCSC در نرم افزار MATLAB توسعه یافته است. مشکل طراحی کنترل کننده TCSC به عنوان مشکل بهینه سازی و بهینه سازی ازدحام ذرات (PSO) فرموله شده است که برای جستجوی پارامترهای کنترل TCSC مطلوب استفاده می شود. نتایج به دست آمده نشان می دهد که کنترل کننده TCSC پیشنهادی در نوسانات اختلال کوچک در سیستم های برق موثر است.
کلمات کلیدی: FACTS | بهینه سازی ازدحام ذرات (PSO) | الگوریتم PSO | الگوریتم ژنتیک (GA) | تریستور سری خنثی کننده کنترل شده (TCSC) | پایداری گذرا | سیستم های قدرت تثبیت کننده (PSS)
مقاله ترجمه شده
8 روش بهبود یافته بهینه سازی ازدحام ذرات برای کنترل دما در HVAC به منظور صرفه جویی در مصرف انرژی
سال انتشار: 2012 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 16
عملکرد خوب پویایی یک سیستم در مفهوم سنتی اهمیت زیادی دارد، علاوه براین، از نقطه نظر صرفه¬جویی در انرژی بسیار مهم است. بهینه¬سازی ازدحام ذرات (PSO) یک الگوریتم تکاملی جدید است که دارای نرخ همگرایی و دقت محاسباتی بهتری در مقایسه با دیگر الگوریتم¬های تکاملی است. در این مقاله، طراحی بهینه-ای از کنترل¬کننده PID براساس روش بهینه¬سازی ازدحام ذرات برای کنترل دما در HVAC معرفی می-شود. نتایج نشان می¬دهند تنظیم پارامترهای PID براساس مقادیر بهینه، بوسیله تکنیک PSO به نقطه بهینه و پاسخ کنترلی خوبی دست می¬یابد، بنابراین سبب صرفه¬جویی در مصرف انرژی می¬شود. کلمات کلیدی: PSO | PID | HVAC | بهینه سازی | بهینه سازی ازدحام ذرات | صرفه جویی در انرژی | بهینه سازی ازدحام ذرات بهبود یافته | عامل محدودساز
مقاله ترجمه شده
9 روش بهینه سازی ازدحام ذرات برای طراحی بهینه کنترل کننده PID به منظور کنترل دما در HVAC
سال انتشار: 2011 - تعداد صفحات فایل pdf انگلیسی: 4 - تعداد صفحات فایل doc فارسی: 17
بهینه¬سازی ازدحام ذرات (PSO) الگوریتم تکاملی جدیدی است که دارای میزان همگرایی و دقت محاسباتی بهتری در مقایسه با دیگر الگوریتم¬های تکاملی است. از منظر بهینه¬سازی، خودمیزان¬سازی پارامترهای کنترل-کننده PID بمنظور یافتن مقدار بهینه جهانی در فضای راه حل (جواب) Kp، Ki، Kd است. در این مقاله طرح بهینه¬ای از کنترل¬کننده PID براساس روش بهینه¬سازی ازدحام ذرات برای کنترل دما در HVAC معرفی می¬شود. مدل ریاضی سیستم HVAC تقریبا نزدیک به نقطه عملیاتی الگوریتم PSO بوده است تا پارامترهای PID را برای شرایط حداقل خطای مطلق تجمعی (IAE) تنظیم کند. نتایج نشان می¬دهند که تنظیم پارامترهای PID به نقطه بهینه¬ای تبدیل می¬شوند و براساس مقادیر بهینه، پاسخ کنترلی خوبی بوسیله تکنیک PSO حاصل می¬شود.
کلمات کلیدی: PSO | PID | HVAC | بهینه سازی | بهینه سازی ازدحام ذرات
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 4925 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 4925 :::::::: افراد آنلاین: 70