نتایج جستجو برای: عصبی

تعداد نتایج: 15334  

ژورنال: مدیریت صنعتی 2009
نجمه نشاط ‌هاشم محلوجی

در این مقاله با ارایه نمونه عملی فرآیند اسپری درایینگ، متدولوژی مدل‌سازی فرآیندها با استفاده سلسله مراتبی از تحلیل رگرسیونی و الگوریتم شبکه عصبی مصنوعی، با هدف کنترل پیش‌بینانه کیفیت، برای نخستین‌بار تشریح و پیاده‌سازی شده است. استفاده ازANNs در این مقاله، به منظور معماری مدل عصبی فرآیند اسپری درایینگ با اتخاذ یک رویکرد عمومی و انتخاب الگوریتم پس انتشار خطا به کمک داده‌های مستقیم است. فرض تاثیر...

متن کامل
ژورنال: مطالعات اقتصاد انرژی 2018
دهقانی پور تلگردویی, صفورا, فیروزی جهانتیغ, فرزاد,

قیمت نفت، اهمیت و نوسانات آن در طول زمان در اخذ تصمیمات مهم اقتصادی در دنیا، سبب گسترش روش‌های مختلفی در پیش­بینی قیمت نفت، ازجمله ابزارهای غیرخطی مانند شبکه عصبی شده است. در این مقاله برای در نظر گرفتن عامل زمان در پیش­بینی توسط شبکه عصبی، با دریافت بازخورد از شبکه عصبی مصنوعی اصلاح شده با الگوریتم ژنتیک GADNN وقفه­های بهینه ناشی از ورودی­ها و خروجی‌های قیمت نفت توسط شبکه عصبی پویا محاسبه می­گ...

متن کامل
ژورنال: مجله دانشگاه علوم پزشکی کردستان 2007
طاهری, محمد حسین, عبادیان, شهره, غریب زاده, شهریار, پرویز, محسن,

زمینه و هدف: از آن جایی که سیستم عصبی انتریک پیچیده است و نیاز به شناخت بیشتری دارد لذا، تصمیم گرفتیم که فعالیت میو الکتریکی روده باریک را به جهت شناخت بهتر سندرم روده تحریک‌پذیر، با استفاده از شبکه‌های عصبی مصنوعی مدل‌سازی کنیم چون بر اساس اطلاعات تجربی، در این بیماری میزان سروتونین در سیستم عصبی انتریک افزایش یافته است و سیستم عصبی انتریک نیز بیش از اندازه فعال و حساس می‌شود، هدف این تحقیق اث...

متن کامل
ژورنال: مجله پژوهش های برنامه ریزی و سیاستگذاری انرژی 2019
آق خانی, محمدحسین, ابراهیمی نیک, محمدعلی, روحانی, عباس, شاهنظری, آرمان,

هدف این مطالعه، تخمین نفت زیستی حاصل از فرایند پیرولیز مواد زائد بر حسب رطوبت، کربن ثابت، مواد فرار و خاکستر  است. از نتایج آزمایشگاهی 41 مطالعه مختلف برای مدل سازی استفاده شد. از مدل شبکه عصبی به عنوان یک ابزار سیاستگذاری در ارزیابی  و پیش‌بینی مقدار درصد نفت زیستی حاصل از مواد زائد طی فرایند پیرولیز استفاده شد. مقادیر بهینه پارامترهای شبکه عصبی به روش آماری تخمین زده شد. نتایج مقایسات در دو ش...

متن کامل
ژورنال: پژوهش های سیاستگذاری و برنامه ریزی انرژی 2019
آق خانی, محمدحسین, ابراهیمی نیک, محمدعلی, روحانی, عباس, شاهنظری, آرمان,

هدف این مطالعه، تخمین نفت زیستی حاصل از فرایند پیرولیز مواد زائد بر حسب رطوبت، کربن ثابت، مواد فرار و خاکستر  است. از نتایج آزمایشگاهی 41 مطالعه مختلف برای مدل سازی استفاده شد. از مدل شبکه عصبی به عنوان یک ابزار سیاستگذاری در ارزیابی  و پیش‌بینی مقدار درصد نفت زیستی حاصل از مواد زائد طی فرایند پیرولیز استفاده شد. مقادیر بهینه پارامترهای شبکه عصبی به روش آماری تخمین زده شد. نتایج مقایسات در دو ش...

متن کامل
ژورنال: مهندسی مالی و مدیریت اوراق بهادار 2012
رضا تهرانی سعید مرادپور

تا کنون برای پیش بینی بازده سهام و بازده شاخص از روش های متعددی استفاده شده است در این میان هوش مصنوعی و شبکه های عصبی مصنوعی یکی از روش های پیش بینی بازده شاخص بوده است. در حال حاضر به دنبال بررسی عملکرد شبکه عصبی شعاع پایه برای پیش‌بینی بازده شاخص هستیم. بدین منظور از شاخص بورس اوراق بهادار تهران استفاده شده است و عملکرد شبکه عصبی شعاع پایه و شبکه عصبی پرسپترون مقایسه شده‌اند. نوع آزمون عملکر...

متن کامل
ژورنال: مجله علوم اعصاب شفای خاتم 2015
آتشی, امیر, احمدی, جواد, براهیمی, احمدرضا, جهانبازی جهان آباد, علی,

مقدمه: RNA های غیرکدشوندۀ بلند مولکول‌های تنظیمی هستند که بسیاری از فرایندهای حیاتی در سلول را تنظیم می‌کنند. این RNA های تنظیمی به‌عنوان یک جزء مهمی از شبکه‌های تنظیمی ژن‌ها و بیان ژن‌های کلیدی درگیر در تنظیم تکامل یک نقش مهمی را در بیماری های عصبی سیستم عصبی مرکزی بازی می‌کنند. هدف از این مطالعه بررسی عملکردهای تنظیمی این lncRNA ها در تکامل سیستم عصبی مرکزی و یک مروری بر نقش‌های آن‌ها در بیول...

متن کامل
ژورنال: مجله دانشکده پزشکی دانشگاه علوم پزشکی مشهد 2007
زهرا رضایی یزدی, علی سخدری محسن فروغی پور, مسعود ثقفی, پرنیان احمدی مقدم

مقدمه: بیماری لوپوس اریتماتو سیستمیک یک بیماری خود ایمنی سیستمیک است که علت آن ناشناخته است. این بیماری تظاهرات کلینیـکی متعددی دارد. از اختلالات عمده و شدیدی که در این بیماری ممکن است پدیدار شود،اختلالات عصبی وروانشناختی است. با توجه به اهمیت تظاهرات عصبی، نیاز به بررسی زود هنگام و درمانهای جدی است. هدف این تحقیق بررسی تظاهرات عصبی روانی بیماران مبتلا به لوپوس بوده است. روش کار: این تحقیق، تو...

متن کامل
ژورنال: مهندسی پزشکی زیستی 2005
عباس عرفانیان امیدوار,

مدل جدیدی از عضله تحریک شده در شرایط غیر ایزومتریک ارایه شده است. مدل های ارایه شده کنونی مبتنی بر ساختار مدل هیل هستند. در این ساختار، رفتار عضله به بخش های مستقل از یکدیگر تجزیه شده و فرض می شود که این بخش ها ارتباطی با یکدیگر ندارند، در صورت که این تجزیه و عدم وابستگی بخش ها به یکدیگر، واقعیت فیزیکی ندارد. به منظور رفع محدودیت های مد...

متن کامل
ژورنال: فرآیند نو 2018
حسین بیکی, رقیه نظری, مرتضی اسفندیاری,

در این پژوهش با استفاده از شبکه عصبی و عصبی-فازی ضریب انتقال حرارت در نانوسیالات جاری در یک لوله مدور در رژیم جریان آشفته مدلسازی و پیش‌بینی شده است. داده‌های ورودی به مدل، عدد رینولدز و کسر حجمی نرمال شده نانو‌ذرات و خروجی آن ضریب انتقال حرارت نرمال شده است. در شبکه عصبی استفاده شده مقادیر متوسط خطای نسبی و متوسط مربع خطا نسبت به نتایج آزمایشگاهی به‌ترتیب برابر 002/0 و 0005/0 می‌باشد، در شبکه ...

متن کامل

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"; } -->