نتایج جستجو

606

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

61

انتقال به صفحه



فیلترها/جستجو در نتایج    

فیلترها

سال

بانک‌ها



گروه تخصصی










متن کامل


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

QURESHI M. | LYNCH D. | MUTLU O.

اطلاعات دوره: 
  • سال: 

    2006
  • دوره: 

    -
  • شماره: 

    33
  • صفحات: 

    0-0
تعامل: 
  • استنادات: 

    408
  • بازدید: 

    17048
  • دانلود: 

    19321
کلیدواژه: 
چکیده: 

آمار یکساله:  

بازدید 17048

دانلود 19321 استناد 408 مرجع 0
نویسندگان: 

HASHEMI S.M.R. | HASSANPOUR H. | KOZEGAR E. | Tan T.

اطلاعات دوره: 
  • سال: 

    2020
  • دوره: 

    11
  • شماره: 

    1
  • صفحات: 

    93-105
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    26891
  • دانلود: 

    14813
چکیده: 

In the past three decades, the use of smart methods in medical diagnostic systems has attracted the attention of many researchers. However, no smart activity has been provided in the eld of medical image processing for diagnosis of bladder cancer through cystoscopy images despite the high prevalence in the world. In this paper, a multilayer neural network was applied to classify blad-der cystoscopy images. One of the most important issues in training phase of neural networks is determining the learning rate. Because selecting too small or large learning rate leads to slow con-vergence, volatility and divergence, respectively. Therefore, an algorithm is required to dynamically change the convergence rate. In this respect, an adaptive method was presented for determining the learning rate so that the multilayer neural network could be improved. In this method, the learning rate is determined using a coe cient based on the di erence between the accuracy of training and validation according to the output error. In addition, the rate of changes is updated according to the level of weight changes and output error. Another challenge in neural networks is determining the initial weights. In cystoscopy images, randomized initial weights should not be used due to a small number of images collected. Therefore, the genetic algorithm (GA) is applied to determine the initial weight. The proposed method was evaluated on 540 bladder cystoscopy images in three classes of blood in urine, benign and malignant masses. Based on the simulated results, the proposed method achieved a 7% decrease in error and increased the convergence speed of the proposed method in the classi cation of cystoscopy images, compared to the other competing methods.

آمار یکساله:  

بازدید 26891

دانلود 14813 استناد 0 مرجع 0
نویسندگان: 

BELLILI A. | GILLOUX M. | GALLINARI P.

اطلاعات دوره: 
  • سال: 

    2003
  • دوره: 

    5
  • شماره: 

    4
  • صفحات: 

    244-252
تعامل: 
  • استنادات: 

    408
  • بازدید: 

    12477
  • دانلود: 

    19321
کلیدواژه: 
چکیده: 

آمار یکساله:  

بازدید 12477

دانلود 19321 استناد 408 مرجع 0
گارگاه ها آموزشی
اطلاعات دوره: 
  • سال: 

    1389
  • دوره: 

    2
  • شماره: 

    6-5
  • صفحات: 

    45-53
تعامل: 
  • استنادات: 

    1
  • بازدید: 

    1723
  • دانلود: 

    392
چکیده: 

یکی از حوزه های تحقیقاتی مهم در پردازش تصویر، فشرده سازی تصاویر است. تاکنون روش های مختلفی برای فشرده سازی تصویر ارائه شده است، در این میان شبکه های عصبی مخاطبان زیادی را به خود جذب کرده اند. متداول ترین روش آموزشی شبکه های عصبی، روش پس انتشار خطاست که همگرایی کند و توقف در بهینه های محلی از مهمترین نقاط ضعف آن محسوب می شوند. رویکرد جدید محققین، استفاده از الگوریتم های ابتکاری در فرایند آموزش شبکه های عصبی است. در این مقاله، روش آموزشی نوینی مبتنی بر روش جستجوی گرانشی (GSA) معرفی می شود. روش جستجوی گرانشی آخرین و جدیدترین نسخه از انواع روش های جستجو و بهینه سازی هوش جمعی است. در این روش پاسخ های کاندید در فضای جستجو اجرامی هستند که توسط نیروی گرانش بر یکدیگر اثر گذاشته و موقعیتشان تغییر می کند. به تدریج اجرام با برازندگی بهتر دارای جرم بیشتری می شوند و بر اجرام دیگر تاثیر بیشتری می گذارند.در تحقیق حاضر با استفاده از الگوریتم GSA یک شبکه عصبی MLP به منظور فشرده سازی تصاویر آموزش داده می شود.برای ارزیابی کارایی فشرده ساز ارائه شده عملکرد آن با الگوریتم بهینه سازی گروه ذرات و روش متداول پس انتشار خطا در فشرده سازی چهار تصویر استاندارد مقایسه می شود. نتایج نهایی گویای قابلیت چشمگیر روش GSA در آموزش شبکه های عصبی MLP می باشد.

آمار یکساله:  

بازدید 1723

دانلود 392 استناد 1 مرجع 0
اطلاعات دوره: 
  • سال: 

    1397
  • دوره: 

    9
  • شماره: 

    17
  • صفحات: 

    119-131
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    263
  • دانلود: 

    172
چکیده: 

در این پژوهش شبکه عصبی مصنوعی CANFIS و پرسپترون چندلایه (MLP) در برآورد بار رسوب حوزه زشک ابرده شهرستان شاندیز مورد ارزیابی قرار گرفت. بدین منظور سه سناریو شبیه سازی شد. به منظور شبیه سازی سناریوی S1 از ورودی دبی آب، سناریوی S2از دبی آب و باران روزانه و سناریوی S3از ورودی دبی آب، باران و دمای روزانه استفاده گردید. نتایج نشان داد سناریوی S3_CANFIS با معماری تابع عضویت بل، تابع انتقال تانژانت هایپربولیک و قانون آموزش لونبرگ مارکوارت باNSE (ضریب نش) برابر با 743/0 و AM (سنجه جمعی) برابر با 806/0 نسبت به S2_CANFIS و S1_CANFIS کارایی بهتری در پیش بینی بار رسوبی دارد. نتایج شبکه MLPحاکی از این است که سناریوی S2_MLP با معماری 5 نورون مخفی در 2 لایه پنهان، تابع انتقال سیگموئید و قانون یادگیری مومنتم با NSE برابر با 604/0 و AM برابر با 626/0 در مقایسه با سایر سناریوهایMLP بهتر عمل کرده است. ازآنجایی که شبکه MLP در مقایسه با شبکه CANFIS عملکرد ضعیف تری را در برآورد میزان رسوب نشان داد، از الگوریتم ژنتیک برای آموزش و تعیین بهینه پارامترهای معماری شبکه S2_MLP کمک گرفته شد. نتایج نشان داد که الگوریتم ژنتیک با ضریب نش-ساتلکیف برابر با 658/0 و AM برابر با 655/0 نسبت به مدل MLP عملکرد بهتری داشته است. با مقایسه شبکه عصبی CANFISبا MLP-GA مشخص می شود که CANFIS عملکرد بهتری را در پیش بینی رسوب حوزه نسبت به سایر شبکه ها داشته است. اما بااین وجود درمجموع شبکه عصبی در این حوزه کارایی کاملاً رضایت بخشی را در پیش بینی دقیق بار رسوبی نشان ندادکه این می تواند ناشی از کمبود داده های آموزشی (به ویژه مقادیر حدی) و غیردقیق بودن و وجود خطا در آمار حوزه باشد.

آمار یکساله:  

بازدید 263

دانلود 172 استناد 0 مرجع 0
نویسندگان: 

نشریه: 

PROCEDIA COMPUTER SCIENCE

اطلاعات دوره: 
  • سال: 

    2021
  • دوره: 

    181
  • شماره: 

    -
  • صفحات: 

    0-0
تعامل: 
  • استنادات: 

    119
  • بازدید: 

    1141
  • دانلود: 

    11260
کلیدواژه: 
چکیده: 

آمار یکساله:  

بازدید 1141

دانلود 11260 استناد 119 مرجع 0
strs
نویسندگان: 

FAUNDEZ ZANUY M.

اطلاعات دوره: 
  • سال: 

    2003
  • دوره: 

    2687
  • شماره: 

    -
  • صفحات: 

    671-678
تعامل: 
  • استنادات: 

    408
  • بازدید: 

    15285
  • دانلود: 

    19321
کلیدواژه: 
چکیده: 

آمار یکساله:  

بازدید 15285

دانلود 19321 استناد 408 مرجع 0
نویسندگان: 

MOKRIANI G. | HAGHIFAM M.R.

اطلاعات دوره: 
  • سال: 

    2009
  • دوره: 

    8
  • شماره: 

    1
  • صفحات: 

    9-15
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    50140
  • دانلود: 

    28204
چکیده: 

A novel method for ferroresonance detection is presented in this paper. Using this method ferroresonance can be discriminate from other transients such as capacitor switching, load switching, transformer switching. Wavelet transform is used for decomposition of signals and Multi Layer Perceptron (MLP) neural network used for classification. Ferroresonance data and other transients are obtained by simulation using EMTP program. Results show that the MLPNN trained with the Levenberg–Marquardt algorithm is effective for discriminating Ferroresonance from other transients.

آمار یکساله:  

بازدید 50140

دانلود 28204 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    1389
  • دوره: 

    8
  • شماره: 

    4
  • صفحات: 

    267-274
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    3715
  • دانلود: 

    1144
چکیده: 

تاکنون شیوه های مختلفی برای طبقه بندی داده ارایه شده است اما در این میان شبکه های عصبی مخاطبان بیشتری را به خود جذب کرده اند. مهم ترین مساله در این نوع از طبقه بندی کننده ها انتخاب روشی مناسب برای آموزش شبکه های عصبی است. متداول ترین روش آموزشی شبکه های عصبی روش پس انتشار خطا است که همگرایی کند و توقف در نقاط بهینه محلی از مهم ترین نقاط ضعف آن محسوب می شود. رویکرد جدید محققین استفاده از الگوریتم های ابتکاری در فرایند آموزش شبکه های عصبی است. در این مقاله پیشنهاد استفاده از روش آموزشی نوینی به نام الگوریتم جستجوی گرانشی (GSA) در آموزش شبکه های عصبی به منظور طبقه بندی داده ها ارایه می شود. روش GSA آخرین و جدیدترین نسخه از انواع روش های بهینه سازی هوش جمعی است که با الهام از مفاهیم جرم و نیروی جاذبه و با شبیه سازی قوانین مرتبط با آن ارایه شده است. در این مقاله با استفاده از روش GSA یک شبکه عصبی MLP جهت طبقه بندی پنج مجموعه داده مرجع آموزش داده می شود. همچنین کارایی روش پیشنهادی در آموزش و آزمایش شبکه عصبی با دو روش آموزشی پس انتشار خطا و بهینه سازی گروه ذرات مقایسه می شود. نتایج نهایی نشان می دهند در اکثر موارد روش GSA قابلیت چشمگیری در طبقه بندی صحیح داده ها دارد. به علاوه در آزمایشات انجام گرفته ویژگی منحصر به فردی از روش GSA پدیدار شد و آن پایداری نسبتا عالی در طبقه بندی صحیح داده ها در تمام موارد بود. از نقطه نظر معیار زمانی نیز روش GSA نسبت به روش PSO در زمان کمتری به پاسخ مناسب دست می یابد.

آمار یکساله:  

بازدید 3715

دانلود 1144 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    1395
  • دوره: 

    4
  • شماره: 

    1
  • صفحات: 

    55-65
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    813
  • دانلود: 

    190
چکیده: 

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

آمار یکساله:  

بازدید 813

دانلود 190 استناد 0 مرجع 0
litScript