نتایج جستجو برای: شبکه های عصبی پرسپترون

تعداد نتایج: 488189  

ژورنال: :مهندسی عمران مدرس 0
محمد علی ارجمند استادیار / دانشگاه تربیت دبیر شهید رجایی جمال محمودی دانشجوی دوره کارشناسی ارشد / دانشگاه صنعتی خواجه نصیرالدین طوسی مسعود رضائی دانشجوی دوره کارشناسی ارشد / مرکز تحقیقات ساختمان و مسکن محمد حسین محمدی دانشجوی دوره کارشناسی ارشد / دانشگاه خوارزمی

به دلیل نواقص موجود در روش های پیشین محاسبه بزرگای زلزله، شبکه عصبی به عنوان یک روش جدید برای این منظور آزمایش می گردد. در این مقاله نوعی شبکه عصبی با نام پرسپترون چندلایه برای پیش بینی بزرگای گشتاوری زلزله مورد استفاده قرار گرفته است. شبکه عصبی پرسپترون شامل سه لایه اصلی با نام های لایه ورودی، لایه پنهان و لایه خروجی است. ورودی های این شبکه شش متغیر مربوط به مکان و زمان وقوع زلزله و همچنین مشخ...

ژورنال: :مهندسی عمران مدرس 2014
محمد امامی سید شهاب الدین یثربی

آزمایش پرسیومتری، یکی از مهم­ترین آزمایش های برجای مهندسی ژئوتکنیک است. در این مقاله از سه نوع شبکه عصبی مصنوعی (ann) به منظور تفسیر نتایج آزمایش پرسیومتری استفاده شده است. در ابتدا از شبکه عصبی چند لایه پرسپترون، در ادامه از شبکه نروفازی بهره گرفته شده و در پایان از شبکه عصبی تابع مبنای شعاعی استفاده شده است. مدل ها از ساختار کلی دارای 5 ورودی و یک خروجی تشکیل شده­اند. در پایان مدل های مختلف ش...

تشخیص آفت سوسک چهار نقطه­ای نخود  توسط پردازش تصویر و شبکه عصبی مصنوعی سامان ساجدیان1* چکیده: نظر به اهمیت تشخیص مکانیزه آفات گیاهان، در این پژوهش تشخیص آفت نخود توسط تکنیک پردازش تصویر با بهره­گیری از شبکه­های عصبی مصنوعی شبیه­سازی شده است. بدین منظور تعدادی تصویر در ابعاد 27×18پیکسل از نخودهای سالم و آسیب دیده بعنوان تصاویر آموزش تهیه شده و پس از استخراج ویژگی آنها توسط موجک گابور، بعنوان داد...

ژورنال: مهندسی مخابرات 2020

پیش­بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیش­بینی کوتاه مدت بار به ویژگی­های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده­های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش­بینی کوتاه مدت بار الکتریکی استان پرداخته­ایم. بدین منظور با استفاده از چهار روش مختلف شبکه عصبی پرسپترون (MLp < /strong>)، مجمعی از شبکه عصبی ...

پایان نامه :وزارت علوم، تحقیقات و فناوری - دانشگاه سیستان و بلوچستان - دانشکده مدیریت و حسابداری 1391

یکی از راه های کمک به سرمایه گذاران و شرکت ها ارایه الگوهای پیش بینی ورشکستگی درباره شرکت ها است. در ابتدا در پیش بینی ورشکستگی از روش های مختلف آماری مانند تحلیل ممیز ، رگرسیون و تحلیل لوجیت استفاده می شده است. اما بعدها توسعه و پیشرفت علم و کسب آگاهی در خصوص توانایی های هوش مصنوعی (ann) (در زمینه شناسایی و دسته بندی الگوها می باشد) محققین توانستند از شبکه های عصبی برای پیش بینی ورشکستگی استفا...

پایان نامه :دانشگاه آزاد اسلامی - دانشگاه آزاد اسلامی واحد تهران مرکزی - دانشکده علوم پایه 1390

مدل های deaبه منظورآنالیز کارایی نسبی داده های ورودی وخروجی های چند گانه وکاربرد این مدلها در مسائل دسته بندی است و محدودیت های خاص و ویژه ای را مطرح می کند.انگیزه اولیه برای این تحقیق غلبه بر برخی محدودیت های رایج مدل های deaاست، به طوری که این مدل ها بتوانندبرای بازه گسترده ای از مسائل دسته بندی و رتبه بندی مورد استفاده قرار گیرند.یکی از عمده ترین مشکلات استفاده از تحلیل پوششی داده ها ضعف قدر...

ژورنال: :کنترل 0
سید محمد جواد آل هاشر seyyed mohammad javad alehasher دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران محمد تشنه لب mohammad teshnehlab دانشگاه خواجه نصیر

در این مقاله یک شبکه عصبی راف بهبود یافته به منظور شناسایی سیستم  های غیرخطی آشوبی ارائه شده است. شبکه  های عصبی راف نوعی از ساختارهای عصبی هستند که براساس نرون  های راف طراحی می  شوند. یک نرون راف را می  توان بصورت زوجی از نرون  ها در نظر گرفت، که به نرون  های کرانه بالا و کرانه پایین موسوم هستند. رویکرد نرون راف استفاده از محاسبات بازه  ای در شبکه عصبی را امکان پذیر می  سازد، بنابراین می  توا...

ژورنال: :نشریه مهندسی مکانیک امیرکبیر 2016
محمدرضا دشت بیاض مهدی قنبریان

در این تحقیق ماده مرکب زمینه اپوکسی پرشده با ذرات آلومینیم تهیه گردیده و با تغییر شرایط مختلف تراش کاری شامل: سرعت برش، کسر وزنی ذرات، عمق برش و نرخ پیشروی از قطعات مواد مرکب براده برداری صورت گرفته است. سپس زبری سطح قطعات اندازه گیری شده و برای پیش بینی اثر چهار عامل تراش کاری بر زبری سطح قطعات، با استفاده از دو نوع شبکه عصبی شامل: شبکه عصبی چند لایه پرسپترون و شبکه عصبی با تابع پایه شعاعی، مد...

ژورنال: کنترل 2012

در این مقاله یک شبکه عصبی راف بهبود یافته به منظور شناسایی سیستم  های غیرخطی آشوبی ارائه شده است. شبکه  های عصبی راف نوعی از ساختارهای عصبی هستند که براساس نرون  های راف طراحی می  شوند. یک نرون راف را می  توان بصورت زوجی از نرون  ها در نظر گرفت، که به نرون  های کرانه بالا و کرانه پایین موسوم هستند. رویکرد نرون راف استفاده از محاسبات بازه  ای در شبکه عصبی را امکان پذیر می  سازد، بنابراین می  توا...

ژورنال: علوم دامی 2015
حمیدرضا میرزایی, محمّد صالحی دیندارلو

این تحقیق به منظور بررسی عملکرد سه مدل شبکه عصبی رگرسیون عمومی، تابع پایه شعاعی وشبکه عصبی پرسپترون سه لایه دربرآورد اپانرژی قابل سوخت وساز ظاهری 15 واریته گندم و ذرت بااستفاده از ترکیب مواد مغذی موجود در آنان انجام گردید. متغیرهای ورودی شامل میزان انرژی خام، پروتئین خام، چربی خام، فیبر خام، فسفر، خاکستر وهمچنین الگوی اسیدهای آمینه ضروری (متیونین، سیستئین، متیونین+ سیستئین، لوسین، ایزولوسین، فن...

نمودار تعداد نتایج جستجو در هر سال

با کلیک روی نمودار نتایج را به سال انتشار فیلتر کنید

function paginate(evt) { url=/search_year_filter/ var term=document.getElementById("search_meta_data").dataset.term pg=parseInt(evt.target.text) var data={ "year":filter_year, "term":term, "pgn":pg } filtered_res=post_and_fetch(data,url) window.scrollTo(0,0); } function update_search_meta(search_meta) { meta_place=document.getElementById("search_meta_data") term=search_meta.term active_pgn=search_meta.pgn num_res=search_meta.num_res num_pages=search_meta.num_pages year=search_meta.year meta_place.dataset.term=term meta_place.dataset.page=active_pgn meta_place.dataset.num_res=num_res meta_place.dataset.num_pages=num_pages meta_place.dataset.year=year document.getElementById("num_result_place").innerHTML=num_res if (year !== "unfilter"){ document.getElementById("year_filter_label").style="display:inline;" document.getElementById("year_filter_place").innerHTML=year }else { document.getElementById("year_filter_label").style="display:none;" document.getElementById("year_filter_place").innerHTML="" } } function update_pagination() { search_meta_place=document.getElementById('search_meta_data') num_pages=search_meta_place.dataset.num_pages; active_pgn=parseInt(search_meta_place.dataset.page); document.getElementById("pgn-ul").innerHTML=""; pgn_html=""; for (i = 1; i <= num_pages; i++){ if (i===active_pgn){ actv="active" }else {actv=""} pgn_li="
  • " +i+ "
  • "; pgn_html+=pgn_li; } document.getElementById("pgn-ul").innerHTML=pgn_html var pgn_links = document.querySelectorAll('.mypgn'); pgn_links.forEach(function(pgn_link) { pgn_link.addEventListener('click', paginate) }) } function post_and_fetch(data,url) { showLoading() xhr = new XMLHttpRequest(); xhr.open('POST', url, true); xhr.setRequestHeader('Content-Type', 'application/json; charset=UTF-8'); xhr.onreadystatechange = function() { if (xhr.readyState === 4 && xhr.status === 200) { var resp = xhr.responseText; resp_json=JSON.parse(resp) resp_place = document.getElementById("search_result_div") resp_place.innerHTML = resp_json['results'] search_meta = resp_json['meta'] update_search_meta(search_meta) update_pagination() hideLoading() } }; xhr.send(JSON.stringify(data)); } function unfilter() { url=/search_year_filter/ var term=document.getElementById("search_meta_data").dataset.term var data={ "year":"unfilter", "term":term, "pgn":1 } filtered_res=post_and_fetch(data,url) } function deactivate_all_bars(){ var yrchart = document.querySelectorAll('.ct-bar'); yrchart.forEach(function(bar) { bar.dataset.active = false bar.style = "stroke:#71a3c5;" }) } year_chart.on("created", function() { var yrchart = document.querySelectorAll('.ct-bar'); yrchart.forEach(function(check) { check.addEventListener('click', checkIndex); }) }); function checkIndex(event) { var yrchart = document.querySelectorAll('.ct-bar'); var year_bar = event.target if (year_bar.dataset.active == "true") { unfilter_res = unfilter() year_bar.dataset.active = false year_bar.style = "stroke:#1d2b3699;" } else { deactivate_all_bars() year_bar.dataset.active = true year_bar.style = "stroke:#e56f6f;" filter_year = chart_data['labels'][Array.from(yrchart).indexOf(year_bar)] url=/search_year_filter/ var term=document.getElementById("search_meta_data").dataset.term var data={ "year":filter_year, "term":term, "pgn":1 } filtered_res=post_and_fetch(data,url) } } function showLoading() { document.getElementById("loading").style.display = "block"; setTimeout(hideLoading, 10000); // 10 seconds } function hideLoading() { document.getElementById("loading").style.display = "none"; } -->