نتایج جستجو

23518

نتیجه یافت شد

مرتبط ترین ها

اعمال فیلتر

به روزترین ها

اعمال فیلتر

پربازدید ترین ها

اعمال فیلتر

پر دانلودترین‌ها

اعمال فیلتر

پر استنادترین‌ها

اعمال فیلتر

تعداد صفحات

2352

انتقال به صفحه



فیلترها/جستجو در نتایج    

فیلترها

سال

بانک‌ها




گروه تخصصی











متن کامل


مرکز اطلاعات علمی SID1
مرکز اطلاعات علمی SID
اسکوپوس
مرکز اطلاعات علمی SID
ریسرچگیت
strs
نویسندگان: 

اطلاعات دوره: 
  • سال: 

    2018
  • دوره: 

    28
  • شماره: 

    3
  • صفحات: 

    0-0
تعامل: 
  • استنادات: 

    315
  • بازدید: 

    2004
  • دانلود: 

    9195
کلیدواژه: 
چکیده: 

آمار یکساله:  

بازدید 2004

دانلود 9195 استناد 315 مرجع 0
اطلاعات دوره: 
  • سال: 

    1394
  • دوره: 

    22
  • شماره: 

    135
  • صفحات: 

    28-37
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    1013
  • دانلود: 

    409
چکیده: 

زمینه و هدف: بیماری دیابت با گسترش روزافزون و بار سنگینی که در نتیجه کنترل و درمان عوارض به مردم و کشور تحمیل می کند به یکی از چالش های مسوولین درمانی و دولتی تبدیل شده است. از این رو پیشگیری از بروز و پیشرفت آن در اولویت قرار می گیرد که این امر تنها با شناسایی عوامل موثر و کنترل آن ها امکان پذیر است. این مطالعه درصدد پیش بینی ابتلا به دیابت بر اساس برخی متغیرهای موثر با کمک روش شبکه های عصبی مصنوعی است.روش کار: این مطالعه که در سال 93 و با کمک نرم افزارهای R2.14.0 و SPSS21 انجام گرفت، بر روی نمونه ای شامل 13423 نفر از شرکت کنندگان در طرح بررسی عوامل خطر بیماری های غیرواگیر در سال 8866 انجام شده است. سن افراد بالای 25 سال بوده و هیچ کدام دیابت کنترل شده نداشته اند. برای بررسی این داده ها از مدل شبکه عصبی مصنوعی سه لایه استفاده شد و برای انتخاب بهترین مدل از سطح زیر منحنی راک (AURC) و صحت پیش بینی استفاده شده است. هر دو تابع فعالیت در این مدل سیگموئید بوده است.یافته ها: مدل شبکه عصبی مصنوعی سه لایه با معماری (53:20:2) با سطح زیر منحنی راک 72.7 درصد و صحت پیش بینی آموزش 92 درصد و صحت پیش بینی آزمون 91.6 درصد بهترین مدل شناخته شد.نتیجه گیری: با توجه به عدم نیاز مدل شبکه عصبی مصنوعی به پیش فرض های معمول روش های کلاسیک آماری و صحت پیش بینی بالای مدل شبکه عصبی مصنوعی (53:20:2) پیشنهاد می شود از این مدل برای پیش بینی ابتلا به بیماری دیابت استفاده شود.

آمار یکساله:  

بازدید 1013

دانلود 409 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    1395
  • دوره: 

    6
  • شماره: 

    23
  • صفحات: 

    18-33
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    1278
  • دانلود: 

    499
چکیده: 

بدون شک اولین قدم در مدیریت رودخانه پیش بینی بارش سطح حوضه آبریز می باشد. با این حال، با توجه به بالا بودن خاصیت تصادفی فرآیندها، بسیاری از مدل ها هنوز هم به منظور تعریف چنین پدیده پیچیده ای در زمینه مهندسی هیدرولوژیک توسعه داده می شوند. اخیرا شبکه های عصبی مصنوعی به عنوان یک برونیابی و درون یابی غیرخطی گسترده توسط هیدرولوژیست ها مورد استفاده قرار می گیرد. در پژوهش حاضر، تجزیه و تحلیل موجک به صورت ترکیب با شبکه عصبی مصنوعی و مقایسه با شبکه عصبی مصنوعی برای پیش بینی بارش ایستگاه وراینه در شهرستان نهاوند انجام شد. برای این منظور، سری زمانی اصلی با استفاده از تئوری موجک به چندین زیرسیگنال زمانی تجزیه شد، پس از آن این زیرسیگنال ها به عنوان داده های ورودی به شبکه عصبی مصنوعی برای پیش بینی بارش ماهانه استفاده شد. نتایج به دست آمده نشان داد که با توجه به ضریب همبستگی 0.92 و میانگین مربعات خطای 0.002 مدل ترکیبی شبکه عصبی مصنوعی-موجک، عملکرد این مدل نسبت به مدل شبکه عصبی مصنوعی با ضریب همبستگی 0.75 و میانگین مربعات خطای 0.003 بهتر می باشد و میتواند برای پیشبینی بارش کوتاه مدت و بلند مدت استفاده شود.

آمار یکساله:  

بازدید 1278

دانلود 499 استناد 0 مرجع 0
گارگاه ها آموزشی
نویسندگان: 

SHAHIN M.A. | JAKSA M.B. | MAIER H.R.

نشریه: 

AUSTRALIAN GEOMECHANICS

اطلاعات دوره: 
  • سال: 

    2001
  • دوره: 

    36
  • شماره: 

    1
  • صفحات: 

    49-62
تعامل: 
  • استنادات: 

    315
  • بازدید: 

    6367
  • دانلود: 

    9195
کلیدواژه: 
چکیده: 

آمار یکساله:  

بازدید 6367

دانلود 9195 استناد 315 مرجع 0
نویسندگان: 

SAHRAIE H. | SALEHI G.R. | GHAFFARI A. | AMIDPOUR M.

نشریه: 

GAS PROCESSING

اطلاعات دوره: 
  • سال: 

    2013
  • دوره: 

    1
  • شماره: 

    2
  • صفحات: 

    31-40
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    21069
  • دانلود: 

    7329
چکیده: 

In this paper, artificial neural network (ANN) was used for modeling the nonlinear structure of a debutanizer column in a refinery gas process plant. The actual input-output data of the system were measured in order to be used for system identification based on root mean square error (RMSE) minimization approach. It was shown that the designed recurrent neural network is able to precisely predict and track the response of the actual system. The comparison between the results of this paper and those of the most recent published studies as NARX model indicates the significance of the proposed approach.

آمار یکساله:  

بازدید 21069

دانلود 7329 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    1398
  • دوره: 

    23
  • شماره: 

    2
  • صفحات: 

    215-226
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    274
  • دانلود: 

    159
چکیده: 

برآورد تبخیر و تعرق به منظور کاربرد در برنامه ریزی، طراحی و مدیریت طرحهای آبیاری و زهکشی و مدیریت منابع آب ضروری است. در این تحقیق به ارزیابی مدل های شبکه عصبی مصنوع، مدل شبکه عصبی-موجک، رگرسیون چند متغیره و روش تجربی هارگریوز در برآورد تبخیر و تعرق مرجع به منظور تعیین بهترین مدل از نظر میزان کارایی با توجه به دادههای موجود پرداخته شد. از دادههای روزانه دو ایستگاه هواشناسی فرودگاه شهرکرد و فرخ شهر در منطقه خشک و سرد شهرکرد در بازه زمانی 2013-2004 شامل دمای حداقل و حداکثر، رطوبت نسیبی میانگین، سرعت باد در ارتفاع دو متری و ساعات آفتابی استفاده شد. 75 درصد دادهها برای آموزش و اعتبارسنجی و 25 درصد دادهها برای تست مدلها استفاده شد. شبکه طراحی شده یک شبکه عصبی پیش خور با تابع فعال تانژانت سیگموئید در لایه پنهان است. در مرحله بعدی موجک های مختلف Haar، db و Sym روی داده ها اعمال شد و شبکه عصبی-موجک طراحی شد. برای ارزیابی مدلها روش پتمن مونتیث فائو مبنای کار قرار گرفت. برای هر چهار روش استفاده شده شاخص های آماری RMSE، MAE و R محاسبه و رتبه دهی شدند. نتایج نشان داد که از میان مدل های طراحی شده، شبکه عصبی موجک با موجک 5 db عملکرد بهتری نسبت به موجک های دیگر و همچنین نسبت به شبکه عصبی مصنوعی، روش آماری رگرسیون چند متغیره و روش هارگریوز داشته است. نتایج مدل شبکه عصبی-موجک با موجک 5 db در ایستگاه فرخ شهر به ترتیب برابر 0/2668، 0/2067 و 0/998 و در ایستگاه فرودگاه به ترتیب برابر 0/2138، 0/14 و 0/9989 محاسبه شد. نتایج نشان داد که شبکه عصبی-موجک عملکرد دقیقتری نسبت به سایر مدلهای مورد بررسی در این تحقیق داشت.

آمار یکساله:  

بازدید 274

دانلود 159 استناد 0 مرجع 0
strs
نویسندگان: 

MOTALLEB GHOLAMREZA

نشریه: 

CELL JOURNAL (YAKHTEH)

اطلاعات دوره: 
  • سال: 

    2014
  • دوره: 

    15
  • شماره: 

    4 (60)
  • صفحات: 

    324-331
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    15684
  • دانلود: 

    9830
چکیده: 

Objective: In this study, artificial neural network (ANN) analysis of virotherapy in preclinical breast cancer was investigated.Materials and Methods: In this research article, a multilayer feed-forward neural network trained with an error back-propagation algorithm was incorporated in order to develop a predictive model. The input parameters of the model were virus dose, week and tamoxifen citrate, while tumor weight was included in the output parameter. Two different training algorithms, namely quick propagation (QP) and Levenberg-Marquardt (LM), were used to train ANN.Results: The results showed that the LM algorithm, with 3-9-1 arrangement is more efficient compared to QP. Using LM algorithm, the coefficient of determination (R2) between the actual and predicted values was determined as 0.897118 for all data.Conclusion: It can be concluded that this ANN model may provide good ability to predict the biometry information of tumor in preclinical breast cancer virotherapy. The results showed that the LM algorithm employed by neural Power software gave the better performance compared with the QP and virus dose, and it is more important factor compared to tamoxifen and time (week).

آمار یکساله:  

بازدید 15684

دانلود 9830 استناد 0 مرجع 3465
نویسندگان: 

ZHANG C. | SHAO H. | LI Y.

اطلاعات دوره: 
  • سال: 

    2000
  • دوره: 

    4
  • شماره: 

    -
  • صفحات: 

    2487-2490
تعامل: 
  • استنادات: 

    315
  • بازدید: 

    7042
  • دانلود: 

    9195
کلیدواژه: 
چکیده: 

آمار یکساله:  

بازدید 7042

دانلود 9195 استناد 315 مرجع 0
نویسندگان: 

HUIQUN M. | LING L.

اطلاعات دوره: 
  • سال: 

    2008
  • دوره: 

    1
  • شماره: 

    -
  • صفحات: 

    13-15
تعامل: 
  • استنادات: 

    315
  • بازدید: 

    2388
  • دانلود: 

    9195
کلیدواژه: 
چکیده: 

آمار یکساله:  

بازدید 2388

دانلود 9195 استناد 315 مرجع 0
نویسندگان: 

GHAZANFARI S. | NOBARI K. | TAHMOORESPUR M.

اطلاعات دوره: 
  • سال: 

    2011
  • دوره: 

    1
  • شماره: 

    1
  • صفحات: 

    11-16
تعامل: 
  • استنادات: 

    315
  • بازدید: 

    28827
  • دانلود: 

    10714
چکیده: 

artificial neural networks (ANN) have shown to be a powerful tool for system modeling in a wide range of applications. The focus of this study is on neural network applications to data analysis in egg production. An ANN model with two hidden layers, trained with a back propagation algorithm, successfully learned the relationship between the input (age of hen) and output (egg production) variables. High R2 and T for ANN model revealed that ANN is an efficient method of predicting egg production for pullet and hen flocks. We also estimated ANN parameters of a number of eggs on four data sets of individual hens. By increasing the summary intervals to 2 wk, 4 wk and then to 6 wk, ANN power was increased for prediction of egg production. The results suggested that the ANN model could provide an effective means of recognizing the patterns in data and accurately predicting the egg production of laying hens based on investigating their age.

آمار یکساله:  

بازدید 28827

دانلود 10714 استناد 315 مرجع 0
litScript