در بسیاری از مسائل دنیای واقعی، داده، پویا و دارای نویز است. در چنین شرایطی تشخیص ناهنجاری باید با یک مدل برخطی که در مقابل نویز استوار است، انجام شود. در سال های اخیر شبکه های عصبی بازگشتی بر روی توالی داده ها مورداستفاده قرار گرفته و نتایج خوبی در این حوزه بدست آورده اند. اما راهکارهای موجود، استواری کافی در مقابل نویز ندارند. این مقاله، به ارائه راهکاری برای تشخیص ناهنجاری در داده گرافی پویا با استفاده از شبکه های عصبی بازگشتی می پردازد که در مقابل نویز استوار بوده و با تغییرات داده ها تطبیق پذیری کافی را دارند. نسخه استوار ارائه شده از شبکه عصبی بازگشتی، به هدف مدیریت نویز، همزمان با یادگیری الگوی اصلی و تطبیق با تغییرات، ناهنجاری ها را استخراج و معرفی می کند. برای بررسی صحت ﻋﻤﻠﮑﺮد روش پیشنهادی، آزمایش هایی ارائه شده که قدرت ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎری و توان ﺗﻄﺒﯿﻖ یادگیرنده را در مقایسه با راهکارهای موجود می سنجد. نتایج، برتری روش پیشنهادی را تصدیق کرده اﺳت.

بویلر-توربین یک سیستم چندمتغیره و پیچیده در نیروگاه های بخار است و از سه حلقه کنترل اصلی و مجزای احتراق، دما و سطح آب درام تشکیل شده است. انتخاب حلقه های کنترلی به عنوان یک حلقه واحد به منظور کنترل و شناسایی بویلر به صورت یکپارچه، به علت حضور مشخصه های دینامیکی غیر خطی متغیر با زمان بسیار سخت و پیچیده خواهد بود. بنابراین برای تحقق یک مدل واقعی و دقیق برای طراحی کنترل کننده مناسب، هر حلقه کنترلی باید جداگانه شناسایی شود. همچنین عملکرد مؤثر و کارامد مدل شناسایی شده در زمان تغییرات بار نیز حایز اهمیت است. در این مقاله شناسایی حلقه بسته سیستم احتراق ارائه شده است. با توجه به حساسیت، پیچیدگی، غیر خطی و حلقه بسته بودن سیستم، شناسایی سیستم با استفاده از روش های هوشمند مانند سیستم استنباط فازی-عصبی تطبیقی (ANFIS) بازگشتی و شبکه با ورودی های برون زا (NARX) سری-موازی انجام می گیرد. در انتها مقایسه نتایج دو روش با یکدیگر و همچنین مقایسه با داده های واقعی نمونه برداری شده از بویلر واحد 320 مگاوات نیروگاه بخار اصفهان-ایران ارائه شده و دقت روش ها نشان داده می شود.

سیستم های کنترل حرکت مبتنی بر هیدروموتورها، دارای دینامیکی غیرخطی و متغییر با زمان هستند که کنترل دقیق آنها را دچار چالش می نماید. در این مقاله بر مبنای شبکه عصبی موجک بازگشتی، کنترل کننده ای تطبیقی برای کنترل سیستم الکتروسروهیدرلیک دو عملگره ارایه می گردد. به دلیل نیاز به پهنای باند و گشتاور بالا از دو عملگر هیدرولیکی دوار برای کنترل حرکت بار استفاده شده است. کنترل کننده پیشنهادی نیازی به مدل دقیق دینامیکی سیستم ندارد و به همین جهت برای کنترل سیستم غیرخطی الکتروسرووهیدرولیک مناسب است. شبکه عصبی به کار گرفته شده در فرآیند آموزش علاوه بر شناسایی دینامیک سیستم، پیش بینی خروجی سیستم در یک نمونه بعدی را نیز فرامی گیرد و بدین ترتیب طرح پیشنهادی علاوه بر خاصیت تطبیقی از الگوی پیش بین نیز بهره می برد. جهت آموزش شبکه عصبی از الگوریتم بهینه سازی اجتماع ذرات انعطاف پذیر استفاده شده است. کنترل کننده ارایه شده برای سیستم الکتروسروهیدرولیک با توجه به عدم استفاده از مدل دقیق سیستم و در حضور اغتشاش بار، شبیه سازی شده است و نتایج شبیه سازی تاییدکننده توانایی طرح کنترلی پیشنهادی در ردیابی مناسب فرمان های ورودی است.

در این مقاله یک شبکه جدید و خاص به نام شبکه عصبی فازی محلی مدولار (LMFNN)، که از مبانی منطق فازی و شبکه های عصبی منتج شده و قابلیت هر دو در آن پیش بینی شده است پیشنهاد می شود. این شبکه بصورت ریاضی، بلوک دیاگرام، ساختار داخلی و فازی بیان شده و سپس مشخصات و چگونگی تعیین پارامترهای شبکه مورد نظر مشخص شده و مزایای آن نسبت به شبکه های عصبی معمولی از جمله کمی حجم محاسبات، سرعت و سادگی آموزش، نیاز کم به داده آموزشی و حذف ورودی غیرضروری نشان داده شده است.

تکنولوژی جعل عمیق امکان تولید و ایجاد خودکار محتوای ویدیویی (جعلی) را از طریق شبکه های متخاصم مولد فراهم می سازد. فناوری جعل عمیق یک فناوری بسیار چالش برانگیز با ابعاد بسیار گسترده در مسائل مختلف می باشد که بر جامعه تأثیر مستقیم می گذارد، به عنوان مثال این تکنولوژی ممکن است باعث سوگیری در انتخابات، ایجاد محتوای غیراخلاقی به منظور اخاذی، ایجاد جریانات سیاسی و غیره شود. تحقیقات زیادی به توسعه روش های تشخیص جعل عمیق برای کاهش تأثیر منفی بالقوه جعل عمیق اختصاص داده شده است. استفاده از شبکه های عصبی و یادگیری عمیق یک رویکرد مشترک بین تمام تحقیقات انجام شده در این حوزه می-باشد. در این پژوهش، از ترکیب دو شبکه عصبی GRU و LSTM برای تشخیص جعل استفاده شده است. به گونه ای که ابتدا از شبکه ی عصبی Resnet برای استخراج ویژگی های هر فریم استفاده شده و سپس دولایه GRU و LSTM با استفاده از این ویژگی ها آموزش داده شده و نهایتا آموزش لایه تماما متصل به منظور طبقه بندی نمونه های ورودی به کار گرفته می شود. برای آموزش و ارزیابی روش پیشنهادی از مجموعه داده های FaceForensics++، Celeb-DF و Deepfake Detection Challenge استفاده شده است. نتایج نشان می دهد که روش پیشنهادی صحت تشخیص 97، 93 و 84 درصدی برای مجموعه داده های ذکر شده کسب شده است و این نتایج بهبود بیش از 2 درصدی را به نسبت کارهای مشابه به همراه داشته است

در این مقاله به بررسی قدرت پیشبینی شبکه های عصبی بازگشتی (Recurrent Neural Networks - RNNs ) و به صورت ویژه شبکه های مطلع از فیزیک (Physics-Informed Neural    Networks - PINNs) برای دینامیک های غیرخطی پرداخته شده است. شبکه های مطلع از فیزیک شبکه های عصبی بدون نظارتی (unsupervised) هستند که در آن ها صرف برقراری رابطه ی ورودی و خروجی مد نظر قرار نگرفته و برقراری رابطه ی دینامیکی مشخصی میان مشتقات به عنوان تابع هدف آموزش تعیین می گردد. این مشخصه ی شبکه های مطلع از فیزیک به ما کمک خواهد کرد تا معادلات دیفرانسیل غیرخطی پیچیده ای را با این دسته از شبکه های عصبی تقریب زده و برای طراحی کنترل کننده های پیچیده از این تقریب به عنوان حل گر زمان-حقیقی مدل سامانه استفاده گردد. در این تحقیق نشان داده خواهد شد که این رده از شبکه های عصبی به خوبی توانمندی اخذ دینامیک سامانه را دارند و حتی در مناطقی از فضای حالت که به شبکه نقطه ی نمونه ای داده نشده است تقریب قابل قبولی از سامانه بدست می دهند. برای اثبات این فرضیه، در مقاله ی حاضر سه دسته از دینامیک های غیرخطی مورد بررسی قرار گرفته اند: سیستم های (1) خود- پایا (self-sustained)، (2) تحریک شونده (excitatory)، و (3) آشوبناک ( (chaotic). نتایج ارائه شده نشان دهنده ی توانمندی شبکه های مطلع از فیزیک برای تخمین سامانه های خود- پایا و آشوبناک است. این در حالی است که پاسخ شبکه در پیش بینی رفتار شبکه های تحریک شونده مطلوب نبوده و نیاز به مطالعه ی بیش تر دارد.

پیش بینی ترافیک، به عنوان بخش مهمی از سیستم های حمل و نقل هوشمند، نقش مهمی در نظارت بر وضعیت ترافیک ایفا می کند. با توجه به اینکه بسیاری از مطالعات کار پیش بینی سرعت ترافیک را با مدل های یادگیری عمیق انجام داده اند، همچنان پژوهشی بر روی پیش بین سرعت ترافیک در فصل های مختلف انجام نشده است.همچنین با توجه به تأثیرات مهم عوامل مکانی-زمانی و عملکرد عالی شبکه های عصبی بازگشتی (RNN) در زمینه تحلیل سری های زمانی، در این مقاله، یکی از شبکه های عصبی یادگیری عمیق که ویژگی های واحد بازگشتی گیتی تزریقی (FI_GRU) در داده های زمانی متوالی را ترکیب می کنند، پیشنهاد شده است. داده های مورد استفاده در این پژوهش از شبکه تجسم و ارزیابی فعال در شهر سیاتل ایالت متحده بدست آمده است. این پژوهش سه فصل بهار، تابستان و پاییز و چهار مدل یادگیری عمیق شامل LSTM وGRU و ConvLSTM و BiLSTM و یک مدل کم عمق SVM در سه گام زمانی 5دقیقه، 10دقیقه و15 دقیقه باهم مقایسه کرده است، نتایج این تحقیق نشان می دهد، مدل پیشنهادی در فصل های مختلف اختلافی چشمگیری نداشته است، و همچنین چهار مدل یادگیری عمیق ومدل SVM ، در فصل های مختلف اختلاف قابل توجه نداشته اند ، نتایج دیگرنشان می دهد هرچه بازه گام های زمانی بیشتر می شود خطاها بیشتر و دقت مدل کاهش پیدا می کند، با توجه به نتایج بدست آمده دقت مدل  FI-GRUنسبت به کمترین دقت مدل یادگیری عمیق  (BiLSTM)52/0درصد بیشتر است، و دقت مدل پیشنهادی نسبت به مدل کم عمق (SVM) 24/1درصد بیشتر است و همچنین مدل پیشنهادی برای پیش بینی سرعت ترافیک در گام زمانی 5 دقیقه 44/1درصد بهتر عمل کرده است.

هدف: یکی از اهداف تحقیقات پزشکی تعیین عوامل مرتبط در پیش ­ بینی بیماری می ­ باشد. یکی از شایع ­ ترین بیماری های متابولیک در ایران، دیابت می­ باشد. هدف از این مطالعه شناسایی عوامل موثر در پیش بینی دیابت با استفاده از مدل­ های شبکه عصبی مصنوعی و درخت تصمیم می ­ باشد. روش بررسی: برای انجام مطالعه، پرونده 901 تن از افرادی که در سال­ های 91 و 92 به مراکز بهداشتی شهر مشهد مراجعه کرده بودند، استفاده گردید. در ابتدا با استفاده از روش­ های آمار توصیفی و تحلیلی، داده ­ ها آنالیز شدند. سپس 70% داده­ ها به طور تصادفی برای ساخت مدل­ های شبکه عصبی مصنوعی و درخت تصمیم انتخاب شدند. 30% باقیمانده برای مقایسه عملکرد مدل ­ ها استفاده شد. در نهایت عملکرد مدل ­ ها با استفاده از سطح زیر منحنی راک (ROC) مورد مقایسه قرار گرفت. یافته ­ ها: توسعه دو مدل پیش ­ بینی با استفاده از 14 متغیر انجام شد. دو مدل از نظر سطح زیر منحنی راک، حساسیت، ویژگی و صحت مورد ارزیابی قرار گرفتند. برای مدل شبکه عصبی، سطح زیر منحنی راک و حساسیت به ترتیب 69/1 و 74/2 بدست آمد. برای مدل درخت تصمیم نیز سطح زیر منحنی راک و حساسیت به ترتیب 68/9 و 64/77 بدست آمد. در هر دو مدل متغیرهای سابقه خانوادگی دیابت، تری گلیسرید، شاخص توده بدنی، لیپوپروتئین با چگالی کم و فشار خون سیستولیک و دیاستولیک مهم ترین عوامل مرتبط در شناسایی دیابت نوع 2 بودند. نتیجه گیری: نتایج نشان داد که مدل شبکه عصبی چند لایه سطح زیر منحنی راک بهتری نسبت به درخت تصمیم CART در پیش ­ بینی دیابت نوع 2 دارد. همچنین لیپوپروتئین با چگالی کم مهم ­ ترین عوامل مرتبط در شناسایی دیابت نوع 2 می ­ باشد. مطالعه حاکی از آنست که روش ­ های داده­ کاوی نوین از جمله شبکه عصبی مصنوعی و درخت تصمیم می ­ توانند برای شناسایی عوامل مرتبط با بیماری­ ها مورد استفاده قرار گیرند.

در این مقاله، مدلسازی دستگاه تولید لینک خودکار یا ALE با استفاده از شبکه های عصبی یا هوش مصنوعی معرفی شده است. به طور کلی می توان عملکرد یک دستگاه ALE را مدلسازی کرد. هدف از مدلسازی، طراحی همین دستگاه با استفاده از روش های جدید و پیاده سازی با استفاده از ابزارهای موجود و در نتیجه بومی سازی آن است. در همین راستا، در این مقاله با استفاده از شبکه های عصبی و الگوریتم MLP تلاش شده است که عملکرد کلی دستگاه ALE مدلسازی و پیاده سازی شود. در ابتدا، پس از بررسی کانال های مخابراتی و اثرات غیرخطی و نویز بر انتقال داده، یک مدل برای انتقال داده در کانال های مخابراتی معرفی و در محیط نرم افزار متلب کد نویسی شده است. سپس به معرفی انواع شبکه های عصبی و کاربردهای آن پرداخته شده است و بهترین الگوریتم برای مدلسازی دستگاه ALE انتخاب شده است. در ادامه چندین مدل با استفاده از tools نرم افزار متلب و کد نویسی الگوریتم MLP انجام گرفته است و مقایسه شده است. در نهایت مدل پیشنهادی که مبتنی بر الگوریتم MLP است با کمترین خطا، به ازای خروجی جدید می تواند کانال مناسب را پیش بینی کند. مدل های پیشنهادی پس از بهینه سازی قابل پیاده سازی بر روی FPGA هستند و راهی برای ساخت این دستگاه در داخل کشور فراهم می آورد.