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 |
قطعهبندی تومورهای مغزی با استفاده از شبکههای عصبی کانولوشن در تصاویر ام آر آی
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 12 - تعداد صفحات فایل doc فارسی: 40 در بین تومورهای مغزی، غدهها شایعترین و تهاجمیترین نوع آن ها هستند که در بالاترین درجات به کاهش زیاد متوسط عمر منجر میشوند. بدین سبب، برنامهریزی درمانی، مرحله مهمی در بهبود کیفیت زندگی بیماران انکولوژی به شمار میرود. تصویربرداری با تشدید مغناطیس (ام آر آی) پرکابردترین روش تصویربرداری برای ارزیابی اینگونه تومورها میباشد، با اینهمه حجم زیاد دادههای تولیدی ام آر آی مانع قطعهبندی دستی در زمان مقتضی شده و استفاده از اندازهگیریهای کمی دقیق در کار بالینی را محدود میکند. با این حال، تغییرپذیری زیاد ساختاری و فضایی میان تومورهای مغزی مسئله قطعه بندی خودکار را با مشکل مواجه میکند. در این مقاله، روش قطعهبندی خودکار مبتنی بر شبکههای عصبی کانولوشن (CNN) جهت کاوش هستههای کوچک 3 × 3 ارائه میدهیم. استفاده از هستههای کوچک علاوه بر تأثیرگذاری مثبت در برابر تطابق بیش ار حد، امکان طراحی یک ساختار عمیقتر را فراهم نموده و اوزان کمتری را در شبکه نشان میدهد. ما همچنین استفاده از عادیسازی شدت را با وجود عمومیت آن در روشهای قطعهبندی مبتنی بر شبکه عصبی کانولوشن به عنوان مرحله پیشپردازش بررسی نموده و اثبات کردیم که به همراه افزایش دادهها میتواند در قطعهبندی تصاویر ام آر آی تومورهای مغزی بسیار کارآمد باشد. طرح پیشنهادی ما مورد تأیید پایگاه دادهای Challenge BRATS 2013 جهت قطعهبندی تومورهای مغزی قرار گرفت و همزمان در نواحی کامل، هسته و افزایشی در متریکهای ضریب شباهت دایس (88/0، 83/0، 77/0) مقام اول را در پایگاه دادهای Challenge بدست آورد. این طرح در پایگاه ارزیابی برخط نیز در کل مقام اول را کسب کرد. ما همچنین با همان مدل در پایگاه Challenge در محل BRATS 2015 شرکت کردیم و توانستیم به کمک متریک ضریب شباهت دایس با مقادیر 78/0، 65/0 و 75/0 به ترتیب در نواحی کامل، هسته و افزایشی به مقام دوم دست یابیم.
عبارات شاخص: تومور مغزی | قطعهبندی تومور مغزی | شبکههای عصبی کانولوشن | یادگیری عمیق | غده | تصویربرداری با تشدید مغناطیس |
مقاله ترجمه شده |
2 |
تقسیم بندی معنایی تصویر با CRFهای کاملاً متصل و شبکه های پیچیده عمیق
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 14 - تعداد صفحات فایل doc فارسی: 23 شبکه های عصبی مصنوعی عمیق (DCNNs) اخیرا وضعیت عملکرد هنری در وظایف بصری سطح بالا مانند طبقه بندی تصویر و تشخیص شی را نشان دادند .این کار روش های متفاوتی از DCNN ها و مدل های گرافیکی احتمالی برای رسیدگی به وظیفه طبقه بندی سطح پیکسل (همچنین "تقسیم بندی تصویر معنایی" نامیده می شود) را به ارمغان می آورد .ما نشان می دهیم که پاسخ ها در لایه نهاییDCNNs برای تقسیم بندی دقیق شیئ به اندازه کافی متمرکز نیستند. علت آن ویژگی های بسیار تغییرناپذیری ست که DCNNها را برای وظایف سطح بالا مناسب می سازد.ما با ترکیب پاسخ ها در لایه DCNN نهایی با یک فیلد تصادفی محرمانه کاملا متصل(CRF) بر این ویژگی محلی سازی نامرغوب شبکه های عمیق غلبه می کنیم. از لحاظ کیفیت، سیستم "DeepLab" ما قادر به محاسبه تقسیم مرزها به سطح دقت فراتر از روش های قبلی است . از لحاظ کیفیت ،روش ما جدیدترین حالت هنر را در PASCAL VOC-2012 وظیفه تقسیم بندی تصویر معنایی معین می کند، رسیدن به 71.6٪ دقت IOU در مجموعه آزمون. ما نشان می دهیم چگونه این نتایج را می توان به طور موثری به دست آورد: اهداف دقیق شبکه وکاربرد جدید از الگوریتم "سوراخ" از جامعه موجک محاسبه تراکم پاسخهای شبکه عصبی با 8 فریم در ثانیه بر روی GPU مدرن را اجازه می دهد. |
مقاله ترجمه شده |
3 |
امکانسنجی مدل PSO-ANN برای پیشبینی میزان نشست سطحی ناشی از تونل زنی
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 23 نشست سطحی احتمالی، بهویژه در نواحی شهری، یکی از خطرسازترین عوامل در مترو و دیگر حفاریهای زیر بنایی است. بنابراین، پیشبینی دقیق حداکثر نشست سطحی (MSS) نقش مهمی در به حداقل رساندن ریسک احتمالی وارد آمدن صدمات دارد. در این مقاله یک مدل ترکیبی جدید از شبکه عصبی مصنوعی (ANN) بهینهشده توسط الگوریتم بهینهسازی ازدحام ذرات (PSO) برای پیشبینی MSS ارائه شد. در اینجا، این ترکیب با استفاده از PSO-ANN مختصر میشود. بهمنظور نشان دادن عملکرد مدل PSO-ANN پیشنهادی در پیشبینی MSS، یک مدل ANN از قبل موجود استفاده شد. برای ایجاد مدلهای موردنظر، نسبت تنش افقی به عمودی، چسبندگی و مدول¬های یانگ بهعنوان پارامترهای ورودی انتخاب شدند، درحالیکه MSS بهعنوان خروجی سیستم در نظر گرفته شد. یک پایگاه داده متشکل از 143 مجموعه داده حاصل از خط شماره 2 مترو کرج، برای ایجاد مدلهای پیشبینی مورداستفاده قرار گرفت. عملکرد مدلهای پیشبینی با مقایسه پارامترهای پیشبینی عملکرد، شامل خطای جذر میانگین مربعات (RMSE)، حساب واریانس برای (VAF) و ضریب همبستگی (R2) مورد ارزیابی قرار گرفت. نتایج نشان میدهد که مدل پیشنهادی PSO-ANN قادر به پیشبینی MSSبا میزان دقت بالاتر در مقایسه با نتایج ANN است. علاوه بر این، نتایج تجزیهوتحلیل حساسیت نشان میدهد که نسبت تنش افقی به عمودی اثر بیشتری بر MSS در مقایسه با سایر مدلهای ورودی دارد.
کلمات کلیدی: تونل زنی | نشست سطحی | PSO-ANN | مدل ترکیبی |
مقاله ترجمه شده |
4 |
درباره استفاده از سیستم های چندعاملی برای نظارت بر سیستم های صنعتی
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 17 هدف مقاله حاضر، ارائه سیستم هوشمند برای نظارت بر فرایند پیچیده، مبتنی بر تکنولوژی هوش مصنوعی است. هدف این سیستم، تحقق موفق وظایف نظارت بر فرایند پیچیده ای است که عبارتند از: آشکارسازی، تشخیص، شناسایی و پیکر بندی مجدد. بدین منظور، توسعه سیستم چندعاملی که چندین هوش را ترکیب کند همچون: نمودارهای کنترل چند متغیره، شبکه های عصبی، شبکه های بیزی و سیستم های خبره، یک ضرورت بوده است. سیستم پیشنهادی از نظر نظارت بر فرایند پیچیده Tennessee Eastman ارزیابی می شود.
واژه های کلیدی: فرایند چندمتغیری | نمودار کنترل هتلینگ T2 | سیستم چندعاملی | شبکه بیزی | شبکه عصبی. |
مقاله ترجمه شده |
5 |
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 |