شبکه عصبی - 3

سیستم خبره فازی عصبی برای تشخیص (ترجمه)

چکیده | منطق فازی، یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند. با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی می کند که از داده های نمونه یاد گرفته و این اجازه را می دهد که قوانین فازی برای دانش پایه را استخراج کنیم. تشخیص Electroencephalograms با تفسیر عناصر نموداری بعنوان یک نوع مشاهده در روش ما بکا […] — ادامه متن

Neural network initialization - Springer

Proper initialization is one of the most important prerequisites for fast convergence of feed-forward neural networks like high order and multilayer perceptrons. […] — ادامه متن

تعیین هویت گوینده مستقل از متن، توسط مدل مخلوط گاوس ساختاری و شبکه عصبی

چکیده | ما سیستم یکپارچه ای را در ارتباط با مدل های مخلوط گاوس ساختاری (Sgmm) و شبکه های عصبی به منظور دستیابی به راندمان محاسباتی و دقت بالا در ارتباط با تعیین هویت گوینده ارائه می دهیم. مدل پس زمینه ساختاری (Sbm) در ابتدا از طریق خوشه بندی زنجیره ای تمام مؤلفه های مخلوط گاوس در ارتباط با مدل پس زمینه ساختاری ایجاد می گردد. به این ترتیب، یک فضای اکوستیک به بخش های چندگانه ای در سطوح مختلف قدرت تشخیص، جزء بندی می گردد. برای هر یک از گوینده های مورد نظر، مدل مدل مخلوط گاوس ساختاری (Sgmm) از طریق استدلال حداکثری (Map) سازگار با مدل پس زمینه ساختاری (Sbm) ایجاد می گردد. در هنگام تست، تنها زیرمجمو […] — ادامه متن

Advances in neural networks research: An introduction

The present Special Issue “Advances in Neural Networks Research: IJCNN2009” provides a state-of-art overview of the field of neural networks. It includes 39 […] — ادامه متن

ترجمه مقاله پیش بینی موفقیت ERP: یک رهیافت شبکه عصبی مصنوعی

دسته: مقالات ترجمه شده | حجم فایل: 860 کیلوبایت | تعداد صفحه: 33 | پیش‌بینی موفقیت Erp: یک رهیافت شبکه عصبی مصنوعی | چکیده | به سیستم برنامه‌ریزی منابع سازمان (Erp) بعنوان نمونه‌ای از سیستم‌های اطلاعات جدید اشاره شده است. با اینحال، دست یافتن به سطح مناسبی از موفقیت Erp متکی به عامل‌های گوناگونی است که این عوامل به یک محیط سازمانی یا پروژه‌ای وابسته هستند. در این مقاله، درمورد ایده پیش‌بینی موفقیت پیش از پیاده‌سازی Erp براساس مشخصات سازمانی، بحث شده است. همچنانکه با نیاز به ایجاد انتظارات از سازمان‌های Erp، یک سیستم خبره با استفاده از روش شبکه عصبی مصنوعی (Ann) برای بیان روابط بین برخی از عوام […] — ادامه متن

Neural Network Method for Solving Partial Differential ...

Title Neural Network Method for Solving Partial Differential Equations Journal Neural Processing Letters Volume 14, Issue 3 , pp 261-271 Cover Date […] — ادامه متن

The SNNS Neural Network Simulator - Springer

SNNS is a neural network simulator for Unix workstations developed at the Universit?t Stuttgart. It is a tool to generate, train, test and visualize artificial […] — ادامه متن

طبقه بندی سری زمانی با با مدل ترکیب گاوس از فضای مراحل بازسازی شده

چکیده | روش جدید از طبقه بندی جدید سیگنال ارائه شده که بر مبنای مدل سازی دینامیک سیستم بوده که در فضای مراحل بازسازی مورد محاسبه قرار می گیرد. این مدل سازی ها با استفاده از مدل ترکیبی کوواریانس گاوس در ارتباط با حوزه زمانی در مقایسه با تحقیقات های حال حاضر و گذشته در طبقه بندی سیگنال ها انجام می گیرد که معمولا تمرکز آن بر روی تحلیل سیستم های خطی با استفاده از مقدار بسامد یا مدل های یادگیری ماشینی غیر خطی ساده همانند شبکه های عصبی مصنوعی می باشد. روش مطرح شده دارای پایه نظری قوی بر مبنای سیستم های دینامیکی و قضایای توپولوژی می باشند که منجر به بازسازی سیگنال شده که با در نظر گرفتن پارامترهای ان […] — ادامه متن

Neural Network Implementation in Hardware Using …

For the neural network based instrument prototype in real time application, conventional specific VLSI neural chip design suffers the limitation in time and cost. […] — ادامه متن

Bayesian Regularization of Neural Networks - Springer

Bayesian regularized artificial neural networks (BRANNs) are more robust than standard back-propagation nets and can reduce or eliminate the need for lengthy cross […] — ادامه متن

Dual Neural Network - Springer

One of state-of-the-art recurrent neural networks (RNNs) is dual neural network (DNN). It can solve QP in real time. The dual neural network is of simple piecewise […] — ادامه متن

طراحی پایدار کننده سیستم های قدرت مقاوم با استفاده از ترکیب ANN و ICA

دسته: برق | حجم فایل: 377 کیلوبایت | تعداد صفحه: 13 | طراحی پایدار کننده سیستم های قدرت مقاوم با استفاده از ترکیب Ann و Ica | چکیده | 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 […] — ادامه متن

Multi-class pattern classification using neural networks

Table 4 lists the neural network systems that gave the best performances: the OAO system that contains 21 binary neural networks with 10 hidden nodes in each; […] — ادامه متن

Neural networks: Applications and opportunities in aeronautics

Technologies based on neural networks are currently being developed which may assist in addressing a wide range of complex problems in aeronautics. The review i […] — ادامه متن

پیش بینی قیمت کوتاه مدت مبتنی بر موجک-ELM ترکیبی، برای بازار برق

چکیده | پیشبینی دقیق قدمت برق، چالشی بزرگ برای شرکت کنندگان و مدیران بازار می باشد، زیرا قیمت الکتریسیته دارای نوسانات بسیاری است. پیشبینی قیمت نیز، مهم ترین هدف مدیریتی برای مشارکت کنندگان در بازار است، چرا که مبانی بیشینه کردن سود را، تشکیل می دهد. این مطالعه، عملکرد یک تکنیک شبکه عصبی جدید را بنام ناشین یادگیری سریع (Elm)، در مساله پیشبینی قیمت، بررسی می کند. با در نظر داشتن خط مربوط به بازهای برق که دارای نوسانات بسیاری در قیمت هستند، تکیه به یک تکنیک، خیلی هم سودمند نمی باشد. بنابراین، Elm با تکنیک موجک همراه شده است و یک مدل پیوندی (مرکب) را به نام Welm (Elm مبتنی بر موجک) را تشکیل داده […] — ادامه متن

تابع هدف جدید محدب برای آموزش نظارت شبکه های عصبی تک لایه

  • عنوان لاتین مقاله: A New Convex Obgective Function For The Supervised Learning Of Single-Layer Neural Networks
  • عنوان فارسی مقاله: تابع هدف جدید محدب برای آموزش نظارت شبکه های عصبی تک لایه .
  • دسته: فناوری اطلاعات و کامپیوتر
  • فرمت فایل ترجمه شده: Word (قابل ویرایش)
  • تعداد صفحات فایل ترجمه شده: 28
  • جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
  • ترجمه سلیس و روان مقاله آماده خرید است.
| خلاصه | چکیده: در این مقاله روش آموزش نظارت جدید برای ارزیابی چگونگی شبکه های Feed Forward عصبی تک لایه ارائه می شود. این روش از […] — ادامه متن

طرح شناخت فازی (FCMs) با استفاده از شبکه عصبی

  • عنوان لاتین مقاله: Design Of Fuzzy Cognitive Maps Using Neural Networks For Predicting Chaotic Time Series
  • عنوان فارسی مقاله: طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج
  • دسته: مهندسی صنایع
  • فرمت فایل ترجمه شده: Word (قابل ویرایش)
  • تعداد صفحات فایل ترجمه شده: 20
  • لینک دریافت رایگان نسخه انگلیسی مقاله: دانلود
  • ترجمه سلیس و روان مقاله آماده خرید است.
| خلاصه | به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و حوزه های کاربردی، طرح شناخت ف […] — ادامه متن

Function Approximation by Neural Networks - Springer

Neural networks are widely used to approximating continuous functions. In order to study its approximation ability, we discuss the constructive approximation on the […] — ادامه متن

Multi-class pattern classification using neural networks

Table 4 lists the neural network systems that gave the best performances: the OAO system that contains 21 binary neural networks with 10 hidden nodes in each; […] — ادامه متن

Review of pulse-coupled neural networks - ScienceDirect

This paper reviews the research status of pulse-coupled neural networks (PCNN) in the past decade. Considering there are too many publications about the PCNN, w […] — ادامه متن
نظرات 0 + ارسال نظر
برای نمایش آواتار خود در این وبلاگ در سایت Gravatar.com ثبت نام کنید. (راهنما)
ایمیل شما بعد از ثبت نمایش داده نخواهد شد