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).
ردیف | عنوان | نوع |
---|---|---|
1 |
Non-destructive and contactless estimation of chlorophyll and ammonia contents in packaged fresh-cut rocket leaves by a Computer Vision System
تخمین غیر مخرب و بدون تماس محتویات کلروفیل و آمونیاک در برگ های موشک تازه برش خورده بسته بندی شده توسط یک سیستم کامپیوتر ویژن-2022 Computer Vision Systems (CVS) offer a non-destructive and contactless tool to assign visual quality level to fruit
and vegetables and to estimate some of their internal characteristics. The innovative CVS described in this paper
exploits the combination of image processing techniques and machine learning models (Random Forests) to
assess the visual quality and predict the internal traits on unpackaged and packaged rocket leaves. Its perfor-
mance did not depend on the cultivation system (traditional soil or soilless). The same CVS, exploiting its ma-
chine learning components, was able to build effective models for either the classification problem (visual quality
level assignment) and the regression problems (estimation of senescence indicators such as chlorophyll and
ammonia contents) just by changing the training data. The experiments showed a negligible performance loss on
packaged products (Pearson’s linear correlation coefficient of 0.84 for chlorophyll and 0.91 for ammonia) with
respect to unpackaged ones (0.86 for chlorophyll and 0.92 for ammonia). Thus, the non-destructive and con-
tactless CVS represents a valid alternative to destructive, expensive and time-consuming analyses in the lab and
can be effectively and extensively used along the whole supply chain, even on packaged products that cannot be
analyzed using traditional tools. keywords: Contactless quality level assessment | Diplotaxis tenuifolia L | Image analysis | Packaged vegetables | Senescence indicators prediction |
مقاله انگلیسی |
2 |
رتبهبندی ریسک جمعی قطعه مسیرهای بزرگراهی بر اساس نرخ وزندار شدتی حوادث ترافیکی
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 20 هدف این مقاله تمرکز بر عوامل اصلی اثرگذار بر نرخ حوادث ترافیکی و میزان شدت انها، افزون بر شناسایی محلهای مستعد وقوع حادثه (یعنی نقاط سیاه) مبتنی بر دو شاخصه است. دادههای حوادث ترافیکی موجود برای قطعات مختلف جاده که جهت تحلیل استفاده شد، از پایگاه دادهی ایالات واشنگتن که توسط سیستم اطلاعات ایمنی بزرگراهی (HSIS) برای سالهای 2006 تا 2011 ارائه شده بود، به دست آمد. دستهبندیکنندهی جنگلهای تصادفی (RF) برای پیشبینی سطح نتیجهی شدت حادثهی ترافیکی استفاده شد، درحالیکه نرخ تصادفات با اعمال رگرسور RF پیشبینی شد. ویژگیهای خاص برای هر مدل بیان شد، افزون بر این، مفهوم انتزاعی ویژگیهای مهم جهت بررسی این موضوع که آیا همبستگیهای رؤیتناپذیر اثرگذار بر متغیرهای مستقل وجود دارد یا خیر (همچون لحاظ نمودن تعداد و وزن حوادث ترافیکی در یک ناحیه به مساحت 1 کیلومتر مربع با پیادهسازی شاخص Getis-Ord G_(i^* )) انتخاب شدند. به علاوه، برای محاسبهی نمرهی ریسک جمعی (CR)، نرخ تصادفات تطبیق داده شد تا وزن شدت حوادث (هزینه به ازای تیپ شدتی) و جهتگیری رگرسیون به میانگین (RTM) از طریق روش بیزی تجربی (EB) را شامل شود. نهایتاً قطعه مسیرها براساس نمرهی CR خود، رتبهبندی شدند. |
مقاله ترجمه شده |
3 |
شناسایی زبان خشونت آمیز (پرخاشگرانه) با استفاده از ویژگی های جداساز (تعبیه شده) و احساسی
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 15 این مقاله مشارکت ما را در اولین تکلیف مشترک در شناسایی پرخاشگری توصیف میکند. روش پیشنهادی متکی بر یادگیری ماشین برای شناسایی متن های رسانهای اجتماعی است که دارای پرخاشگری هستند. ویژگی های اصلی مورد استفاده در روش ما اطلاعات استخراج شده از کلمه جداساز و خروجی آنالیز احساسی میباشد. چندین روش یادگیری ماشین و ترکیبهای مختلف ویژگی ها امتحان شدند. ملاحظات رسمی از ماشینهای بردار پشتیبان و جنگلهای تصادفی استفاده کرد. ارزیابی رسمی نشان داد که برای متون مشابه آنهایی که در مجموعه داده آموزشی هستند، جنگلها به بهترین نحو کار میکنند، در حالی که برای متونی که svmها متفاوت هستند انتخاب بهتری هستند. این ارزیابی همچنین نشان داد که با وجود سادگی روش، این روش در مقایسه با روش های دقیقتر عملکرد خوبی دارد. |
مقاله ترجمه شده |
4 |
یک مدل دادهکاوی برای حفاظت خط انتقال مبتنی بر حقایق
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 19 این مقاله یک مدل دادهکاوی برای شناسائی ناحیه خطای یک خط انتقال مبتنی بر سیستمهای انتقال ac انعطافپذیر (FACTS) ارائه میکند که شامل جبرانساز سری کنترلشده با تریستور (TCSC) و کنترلر یکپارچه عبور توان (UPFC) است، و از مجموعه درختان تصمیم استفاده میکند. با تصادفی بودن مجموعه درختان تصمیم در مدل جنگلهای تصادفی، تصمیم موثر برای شناسائی ناحیه خطا حاصل میشود. نمونههای جریان و ولتاژ نیم سیکل پس از لحظه وقوع خطا به عنوان بردار ورودی در برابر خروجی هدف "1" برای خطای پس از TCSC/UPFC و "1-" برای خطای قبل از TCSC/UPFC ، برای شناسائی ناحیه خطا به کار میرود. این الگوریتم روی دادههای خطای شبیهسازی شده با تغییرات وسیع در پارامترهای عملکردی شبکه قدرت منجمله شرایط نویزی تست شده است و معیار قابلیت اطمینان 99% با پاسخ زمانی سریع بدست آمده است (سه چهارم سیکل پس از لحظه خطا). نتایج روش ارائه شده به کمک مدل جنگلهای تصادفی نشان دهنده تخیص قابل اعتماد ناحیه خطا در خطوط انتقال مبنی بر FACTS است.
کلمات کلیدی: رله دیستانس | تشخیص ناحیه خطا | جنگلهای تصادفی (RF ها) | ماشین بردار پایه (SVM) | جبرانسازی سری کنترلشده با تریستور (TCSC) | کنترلر یکپارچه عبور توان (UPFC). |
مقاله ترجمه شده |