دانلود و نمایش مقالات مرتبط با مدل محاسباتی::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 - مدل محاسباتی

تعداد مقالات یافته شده: 9
ردیف عنوان نوع
1 Sunk cost effects hinge on the neural recalibration of reference points in mental accounting
اثرات هزینه های غرق شده بر روی لولایت عصبی از نقاط مرجع در حسابداری ذهنی-2021
The context of reinforcement history drastically influences human value-based choices. Mental accounting theory concerns how prior outcomes are perceived, combined and assigned into specific “mental” accounts to influence subsequent decisions but remains agnostic about the underlying computational and neural mecha- nisms. In a two-stage sequential decision-making task, we found previously incurred costs and bonuses biased subjects’ choices in the opposite directions with similar magnitudes. Such effects were consistent with a computational model where the reference point was recalibrated by prior gains and losses encoded in the ventral striatum activities. Moreover, individual’s susceptibility to prior outcomes was captured by the response of the dorsolateral prefrontal cortex and its functional connectivity with the medial orbitofrontal cortex, whose activity tracked the value of the chosen option. Our findings provide both behavioral and neural evidence of how sunk costs, benefits, and prospects are integrated within the mental accounting framework to influence choice behavior.
keywords: حسابداری ذهنی | هزینه غرق شده | باد کردن | قشر پیشانی Dorsolateral | ارزش انتخاب شده | Medial Orbitofrontal Cortex | Mental accounting | Sunk cost | Windfall | Dorsolateral prefrontal cortex | Chosen value | Medial orbitofrontal cortex
مقاله انگلیسی
2 An investigation into the effective role of astrocyte in the hippocampus pattern separation process: A computational modeling study
بررسی نقش مؤثر آستروسیت ها در فرآیند جداسازی الگوی هیپوکامپ: یک مطالعه مدل سازی محاسباتی-2020
A physiologically realistic three layer neuron-astrocyte network model is used to evaluate the biological mechanism in pattern separation. The innovative feature of the model is the use of a combination of three elements: neuron, interneuron and astrocyte. In the input layer, a pyramidal neuron receives input patterns from stimulus current, while in the middle layer there are two pyramidal neurons coupled with two inhibitory interneurons and an astrocyte. Finally, in the third layer, a pyramidal neuron produces the output of the model by integrating the output of two neurons from the middle layer resulting from in- hibitory and excitatory connections among neurons, interneurons and the astrocyte. Results of computer simulations show that the neuron-astrocyte network within the hippocampal dentate gyrus can generate diverse, complex and different output patterns to given inputs. It is concluded that astrocytes within the dentate gyrus play an important role in the pattern separation process.
Keywords: Pattern separation | Astrocyte | Hippocampus | Computational model | Memory
مقاله انگلیسی
3 Cloud assisted big data information retrieval system for critical data supervision in disaster regions
سیستم داده بازیابی اطلاعات داده های بزرگ به کمک ابر برای نظارت داده های حیاتی در مناطق بحرانی-2020
Presently, the advancement of Cloud Assisted Big Data information retrieval system(CABDIRS) for heterogeneous data management plays a significant role in disaster management framework. In the recent past, facilitating disaster related activities such as Emergency information collection, sharing of exposed insights data about the region, and integration with local groups as well as global scale across various communities’ need assistance for precise and timely information retrieval framework concerning about disaster management. However, the available information retrieval system in the market has limited invariant integration model, whereas it provides improper sharing and collaboration capabilities in dynamic environment about the disaster areas. Hence, this research driving this exploration for powerful use of Cloud assisted big data system which uses Regression based information retrieval measurable computational model (RBIRMM) that offers to foresee the collection, sharing and integration of data in the disaster management regions. This paper features the integration of Cloud assisted IoT(CIoT)and Big data system for information retrieval system which assist the government in taking decisions during disaster conditions in an effective fasten manner. This paper feature the fundamental research that moves through experimental validation which has been conducted and reported with numerical data in a virtual environment. The RBIRMM achieves 98% of accuracy when compared to other traditional methods.
Keywords: Big data system | Internet of things | Information retrieval measurable | computational model | Disaster management
مقاله انگلیسی
4 Deep Convolutional Computation Model for Feature Learning on Big Data in Internet of Things
مدل محاسباتی کانولوشن عمیق برای یادگیری ویژگی بر روی داده های بزرگ دراینترنت اشیا-2018
Currently, a large number of industrial data, usually referred to big data, are collected from Internet of Things (IoT). Big data are typically heterogeneous, i.e., each object in big datasets is multimodal, posing a challenging issue on the convolutional neural network (CNN) that is one of the most representative deep learning models. In this paper, a deep convolutional computation model (DCCM) is proposed to learn hierarchical features of big data by using the tensor representation model to extend the CNN from the vector space to the tensor space. To make full use of the local features and topologies contained in the big data, a tensor convolution operation is defined to prevent overfitting and improve the training efficiency. Furthermore, a high-order backpropagation algorithm is proposed to train the parameters of the deep convolutional computational model in the high-order space. Finally, experiments on three datasets, i.e., CUAVE, SNAE2, and STL-10 are carried out to verify the performance of the DCCM. Experimental results show that the deep convolutional computation model can give higher classification accuracy than the deep computation model or the multimodal model for big data in IoT
Index Terms: Big data, convolutional neural network (CNN), deep convolutional computation model (DCCM), high-order backpropagation (HBP) algorithm, Internet of Things (IoT), tensor computation
مقاله انگلیسی
5 Big Data Analytics in Industrial IoT Using a Concentric Computing Model
تجزیه و تحلیل داده های بزرگ در اینترنت اشیا صنعتی با استفاده از یک مدل محاسباتی مرکزی-2018
The unprecedented proliferation of miniaturized sensors and intelligent communication, computing, and control technologies have paved the way for the development of the Industrial Internet of Things. The IIoT incorporates machine learning and massively parallel distributed systems such as clouds, clusters, and grids for big data storage, processing, and analytics. In IIoT, end devices continuously generate and transmit data streams, resulting in increased network traffic between device-cloud communication. Moreover, it increases in-network data transmissions. requiring additional efforts for big data processing, management, and analytics. To cope with these engendered issues, this article first introduces a novel concentric computing model (CCM) paradigm composed of sensing systems, outer and inner gateway processors, and central processors (outer and inner) for the deployment of big data analytics applications in IIoT. Second, we investigate, highlight, and report recent research efforts directed at the IIoT paradigm with respect to big data analytics. Third, we identify and discuss indispensable challenges that remain to be addressed for employing CCM in the IIoT paradigm. Lastly, we provide several future research directions (e.g., real-time data analytics, data integration, transmission of meaningful data, edge analytics, real-time fusion of streaming data, and security and privacy).
Keywords: Big Data, data analysis, Internet of Things,learning (artificial intelligence)
مقاله انگلیسی
6 Intelligent computational model for classification of sub-Golgi protein using oversampling and fisher feature selection methods
مدل محاسباتی هوشمند برای دسته بندی پروتئین شبه کلجی با استفاده از روشهای فرا نمونه گیری و انتخاب تمام کننده-2017
Golgi is one of the core proteins of a cell, constitutes in both plants and animals, which is involved in protein synthesis. Golgi is responsible for receiving and processing the macromolecules and trafficking of newly processed protein to its intended destination. Dysfunction in Golgi protein is expected to cause many neurodegenerative and inherited diseases that may be cured well if they are detected effectively and timely. Golgi protein is categorized into two parts cis-Golgi and trans-Golgi. The identification of Golgi protein via direct method is very hard due to limited available recognized structures. Therefore, the researchers divert their attention toward the sequences from structures. However, owing to technologi cal advancement, exploration of huge amount of sequences was reported in the databases. So recognition of large amount of unprocessed data using conventional methods is very difficult. Therefore, the concept of intelligence was incorporated with computational model. Intelligence based computational model obtained reasonable results, but the gap of improvement is still under consideration. In this regard, an intelligent automatic recognition model is developed in order to enhance the true classification rate of sub-Golgi proteins. In this approach, discrete and evolutionary feature extraction methods are applied on the benchmark Golgi protein datasets to excerpt salient, propound and variant numerical descriptors. After that, an oversampling technique Syntactic Minority over Sampling Technique is employed to bal ance the data. Hybrid spaces are also generated with combination of these feature spaces. Further, Fisher feature selection method is utilized to reduce the extra noisy and redundant features from feature vec tor. Finally, k-nearest neighbor algorithm is used as learning hypothesis. Three distinct cross validation tests are used to examine the stability and efficiency of the proposed model. The predicted outcomes of proposed model are better than the existing models in the literature so far. Finally, it is anticipated that the proposed model will provide the foundation to pharmaceutical industry in drug design and research community to innovate new ideas in the area of computational biology and bioinformatics.
Keywords: Golgi protein | Dipeptide composition | Split pseudo amino acid composition | Bigram position specific scoring matrix | Fisher feature selection | k-nearest neighbor
مقاله انگلیسی
7 احراز هویت در محاسبات ابری موبایل: یک مرور
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 22 - تعداد صفحات فایل doc فارسی: 66
محاسبات ابری موبایل (MCC) مطابق اخرین پیشرفتهای علمی موبایل، مدل محاسباتی توزیع شده است، که ترکیب بسیاری از منابع مبتنی بر ابر ناهمگن، مجموعه قابلیت های محاسباتی منابع محدودی از دستگاه های موبایل را تقویت میکند. زمان اجرا و مصرف انرژی در MCC، با انتقال اجرای وظایف منابع فشرده مانند پردازش تصویر، عملکرد 3بعدی، و تشخیص صدای موبایل میزبان به منابع مبتنی بر ابر میزان قابل توجهی بهبود یافته است. با این حال، دسترسی و بهره برداری از راه دور امنیت و حریم خصوصی در منابع مبتنی بر ابر پیامدهای متعددی، از جمله احراز هویت کاربر و مجوز ارتباط را دارد. به منظور تامین امنیت محاسبات مبتنی بر ابر و ارتباطات، احراز هویت کاربر در MCC نیازی حیاتی است. علیرغم نقش حیاتی آن، شکافی در مطالعات جامع روش های احراز هویت در MCC وجود دارد که بینش عمیقی برای تحقیق مطابق با اخرین پیشرفتهای علمی را فراهم میکند. در این مقاله، به منظور توصیف احراز هویت MCC و مقایسه آن با محاسبات ابری، مطالعه¬ی جامعی بر روی روش های تأیید هویت در MCC ارائه شده است. طبقه بندی روش های احراز هویت مطابق با اخرین پیشرفتهای علمی صورت گرفت و تلاش بالایی در نقد معتبر انجام شد. علاوه بر این، در مقاله¬ی حاضر، مقایسه¬ای بین روش های تأیید هویت MCC مطابق با اخرین پیشرفتهای علمی و براساس پنج معیار ارزیابی انجام شد. نتایج نشان دادکه در آینده به روش های تأیید هویت نیاز خواهیم داشت که طراحی بر اساس توانایی ها و محدودیت های محیط MCC انجام میشود. در نهایت، عوامل طراحی می تواند به مکانیسم های ارائه شده¬ی تأیید هویت موثر منجر شوند، و چالش های باز بر اساس نقاط ضعف و قوت روش های تأیید هویت موجود مشخص شدند.
کلید واژه ها: پردازش ابری | محاسبات ابری موبایل | امنیت | احراز هویت
مقاله ترجمه شده
8 روش بیومکانیکی برای بازسازی استخوان در داخل داربست
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 16
عواملی که به عملکرد مطلوب داربست منجر می گردند، به طور کامل مشخص نشده اند و به همین دلیل کارکرد داربست و عمل در داخل بدن انسان همچنان به صورت گسترده ای از طریق مطالعات آزمایشگاهی و عددی مورد بررسی قرار گرفته است. در این کار، مدل محاسباتی به منظور تجزیه و تحلیل همزمان تجزیه بیولوژیکی داربست و بازسازی استخوان توسعه یافته است. داربست فرض را بر این وا داشته که ساختار متناوب ساخته شده توسط یک عامل حجیم با خواص تناوبی را بیان می سازد. برای نشان دادن حجم عاملی از یک مدل مناسب و مدل استخوانی، بازسازی بافت مکانیکی در آن صورت گرفته که هم ترکیب می شود و هم به پیش بینی بازسازی بافت در داخل داربست می پردازد. تکامل خواص الاستیکی و نفوذپذیری مؤثر رسانه های دوره ای توسط یک روش همگن مجانبی ارزیابی شده است. نتایج طی یک توافق خوب با دیگر داده های محاسباتی و آزمایشی صورت گرفته است، که در آن یافته های مربوطه در شرایط بارگذاری طبیعی (1 مگاپاسکال) با افزایش تخلخل داربست منجر به درصد بیشتری از استخوان ها خواهند شد، در حالیکه هنگام مقایسه داربست در محدوده مقادیر متخلخل 50٪، 65٪ و 80٪ با بار اعمال شده از 2 مگاپاسکال، یک استخوان برتر برای یکی از 65٪ بقیه پیش بینی شده بود. این نشان می دهد که برای مقادیر بالاتر ، تخلخل باید متعادل با عامل پایدار مکانیکی باشد. مدل محاسباتی یک ابزار مفید را در جهت ارائه بینش جدیدی در طراحی و کارکرد داربست توسعه داده است.
کلیدواژه ها: تخته بندی استخوان | بیو تجزیه | زخم استخوان | هم جنس سازی جانشینی استخوان
مقاله ترجمه شده
9 شناسایی کلاس (دسته) هواپیما برمبنای تفکیک به موقع سیگنال نویز در هنگام جدا شدن هواپیما از زمین
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 12 - تعداد صفحات فایل doc فارسی: 34
نویز هواپیما یکی از آزار دهنده ترین انواع صدا ها است. به همین دلیل است که بسیاری از سازمان این مشکل را از طریق مسیرهای نویزی در اطراف فرودگاه ها مورد بررسی قرار داده اند چرا که آن ها از این طریق از نوع هوپیما به عنوان عنصر کلیدی استفاده می کنند. این مقاله مدل محاسباتی جدیدی را به منظور شناسایی کلاس هواپیما با کارایی بهتر ارائه می دهد چرا که تفکیک سیگنال نویز در هنگام جدا شدن هواپیما از زمین را به موقع معرفی می کند. روشی برای تفکیک سیگنال به چهار بخش ایجاد شده است. الگوهای نویز هواپیما با استفاده از تکنیک و دسته بندی مبتنی بر کدگذاری خطی پیش بینی کننده (LPC) با ترکیب خروجی چهار شبکه عصبی (پرسپترون چند لایه ) (MLP) برای هر بخش ایجاد شده است. دقت منحصر به فرد هر یک از شبکه با استفاده از روش انتخاب ویژگی بهبود یافته است که اثربخشی مدل را با هزینه محاسباتی کمتر افزایش می دهد. هواپیماها به کلاس هایی براساس نوع موتور نصب شده دسته بندی شده اند. این مدل با 13 دسته هواپیما سر و کار دارد که سطخ شناسایی در محیط های واقعی بیشتر از 85 درصد است.
کلید واژه ها : هواپیما | طبقه بندی | تفکیک سیگنال | جدا شدن هواپیما از زمین | نویز | صوتی (آکوسیتک)
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 125 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 125 :::::::: افراد آنلاین: 56