1. یک روش جدید مسیریابی در سیستمهای هدایت اتومبیل با استفاده از شبکه های عصبی
2. تقريب تابع منحني agc راديو بوسيله شبكه عصبي
3. تشخيص عيوب جوشکاري در تصاوير راديوگرافي با استفاده از طبقه بندي کننده شبکه عصبي
4. سيستم تشخيص تهاجم مبتني بر شبکه عصبي art
5. یادگیری سریع با استفاده از شبکههای عصبی
6. حذف اعوجاج از سیگنال ارسالی با استفاده از شبکه عصبی
7. پيشگويي زلزله به وسيله شبكه عصبي مصنوعي
8. بلوك شبكه عصبي براكيال با هدايت اولتراسوند: بررسي 30 مورد
9. مدلسازي و بهينه سازي ارتعاشات سيلندر ناشي از گردابه ها بوسيله شبکه عصبي و الگوريتم ژنتيک
10. استفاده از شبكه عصبي در كنترل توان راكتيو tsc و tcr به منظور كاهش هارمونيك
11. شبکه عصبی فازی انعطاف پذیر برای گروه بندی و شناسایی اثر انگشت
12. آموزش در شبكه هاي عصبي – فازي: عملكرد يا تعبيرپذيري؟
13. پيش بينی پديده شکوفايی جلبک با استفاده از شبکه عصبی
14. کاربرد شبکه عصبي مصنوعي در پيش بيني محتواي رطوبتي در طي فرآيند خشک کردن انگور
15. بررسي مقايس هاي توان پي شبيني شبكه هاي عصبي مصنوعي با روش توقف زود هنگام و فرايند سري زماني خودبازگشت در براورد نرخ تورم
16. تخمين دبي رسوب ايستگاه ونيار با استفاده از شبكه عصبي مصنوعي
17. برآورد پتانسيل روانگرايي خاكها بااستفاده از شبكه عصبي مصنوعي
18. استفاده از تبدیل موجک انعکاس صدا و شبکه های عصبی برای سورتینگ پسته
19. پيش بيني تقاضاي ماهيانه برق با استفاده از مدل هاي شبكه عصبي مصنوعي و آريما در ايران
20. تخمین شتاب جانبی، سرعت جانبی و زاویه رول یک خودروی سواری با مخزن cng به کمک شبکه عصبی انتشار برگشتی
21. پيش بيني نرخ سايش فولادهاي متالورژي پودر توسط شبكه هاي عصبي مصنوعي
22. مقايسه نتايج حاصل از شبكه هاي عصبي mlp و rbf در پيش بيني جريان هاي ساحلي
23. مقايسه عملكرد شبكه هاي عصبي rbf و mlp در برآورد تبخير و تعرق گياه مرجع
24. رله جريان زياد بر پايه شبكه مصنوعي
25. مقايسه عملکرد شبکه mlp و شبکه rbf براي شبيه سازي سلول هاي خورشيدي
26. کاربرد شبکه هاي عصبي در شبيه سازي توابع و نگاشت هاي غيرخطي-معکوس
27. مقايسه ي كاربرد روش شبكه ي عصبي مصنوعي با وايازي خطـي و چند متغيره درنحوه ي توزيع رسوب
28. تشخيص خودكار سطح هوشياري با استفاده از شبكه عصبي مصنوعي و ضرايب ويولت
29. كلاس بندي لهجه هاي فارسي با استفاده از شبکه هاي عصبي
30. مدل سازي پيش بيني قيمت سهام با استفاده از شبكه عصبي و مقايسه آن با روشهاي پيش بيني رياضي
31. هدايت بصري روبات توسط شبكه هاي عصبي مصنوعي
تشخيص عيوب جوشکاري در تصاوير راديوگرافي با استفاده از طبقه بندي کننده شبکه عصبي
تشخيص عيوب جوشکاري در تصاوير راديوگرافي با استفاده از طبقه بندي کننده شبکه عصبي
خلاصه مقاله:
اين مقاله در واقع به كمك روشهاي تشخيص الگو ( Pattern Recognition ) در تصاوير راديوگرافي با اشعه ايكس به تشخيص عيوب جوشكاري مي پردازد . در اين مقاله يك سيستم تشخيص الگو متشكل از قسمتهاي پردازش تصوير استخراج ويژگي و قسمت هوشمند شبكه عصبي جهت تفسير اتوماتيك و كامپيوتري عيوب جوشكاري ارائه شده است . ابتدا با استفاده از بلوك پردازش تصوير كيفيت تصاوير راديوگرافي تا حد قابل قبولي ارتقا داده مي شوند سپس برخي ويژگيهاي ساختاري از هر تصوير استخراج مي شوند تاجهت تغذيه به ورودي بلوك طبقه بندي كننده بكار روند. در نهايت طبقه بندي كننده شبكه عصبي طراحي شده، جداسازي تصاوير معيوب را از سالم انجام مي دهد. در عمل هنگام راديوگرافي ، بيش از 60 (شصت ) درصد تصاوير راديوگرافي معيوب نيستند ولي نياز دارند كه توسط مفسر راديوگرافي جوش كه داراي تخصص و Certificate هاي كافي در اين زمينه باشد مورد بازرسي فني قرار گيرند . اين عمل يك فرآيند وقت گير براي مفسر جوش است و باعث كاهش حساسيت بازرسي چشمي مي شود و قابليت اطمينان تفسير جوش را به خصوص براي تصاوير معيوب به شدت كاهش مي دهد . سيستم هوشمند تشخيص الگوي معرفي شده، جهت حل اين مشكل طراحي شده است و بر روي نمونه تصاوير راديوگرافي خطوط لوله تست شده و نتايج مطلوبي اخذ گرديده است.
این مقاله به درد کسانی میخوره که علاقه دارند به خواندن مقالات جدید و مشاهدهٔ اینکه در حال حاضر چه مقالاتی در مجلات معتبر ارائه میشن. این مقاله ۴ روز پیش در (IEEE) ارائه داده شده.
من خودمم در حال خوندنش هستم. در مورد یاد گیری با شبکههای عصبی برای (Classification) هستش. که این روش ادعا میکنه در زمان
O(n)
یادگیری صورت میگیره.
امیدوارم خوشتون بیاد.
A Very Fast Neural Learning for Classification
Using Only New Incoming Datum
حذف اعوجاج از سیگنال ارسالی با استفاده از شبکه عصبی
حذف اعوجاج از سیگنال ارسالی با استفاده از شبکه عصبی
چکیده:
يكي از مشکلات ارسال سیگنال وجود نویز و خطای بین سمبلها واعوجاج ميباشد. يكي از كاربردهاي شبكههاي عصبي در پردازش سيگنالها طراحي فيلتر است بطوريكه از آن براي: 1. حذف خطاي بين سمبلها [1] (isi)2. حذف اثر اعوجاج كانال 3. حذف اثر نويز استفاده ميشود. شبكه با مينيمم كردن كردن سيگنال خطا عملا تلاش ميکند تا خطاي سيگنال خروجي به حداقل خود برسد. در این مقاله شبکه عصبی برای حذف اعوجاج طراحی شده است
اين مقاله به بررسي سيستمي در مورد پيشگويي زلزله مي پردازد كه بر اساس استفاده از ميدان الكتريكي تك قطبي طراحي گرديده است، هدف از پيشگويي زلزله تعيين اندازه، مركز زلزله و زمان وقوع زلزله مي باشد. شبكه هاي عصبي مصنوعي به عنوان ابزار قدرتمندي براي يادگيري و بازسازي سيستمها در زمينه هاي مختلف كاربردي شناخته مي شوند. يكي از ويژگيهاي اصلي شبكه هاي عصبي توانايي يادگيري آنها از روي الگوها مي باشد. شبكه هاي عصبي مصنوعي داراي ساختار لايه اي مي باشد كه هر نورون مصنوعي در آنها در تقابل با ساير تورونها مي باشد. در مقايسه با سيستمهاي كلاسيك كه به وسيله مجموعه اي از روابط شناسايي مي شوند شبكه هاي عصبي مصنوعي از روي مثالهاي آموزشي كه به آنها داده مي شوندآموزش مي بينند و قوانين و روابط حاكم بر خود را پايه ريزي مي كنند يادگيري در شبكه هاي عصبي مصنوعي به وسيله تغيير در وزنهاي اتصالات نرونها تحقق مي پذيرد. فاصله و اندازه زلزله كه از دستگاههاي زلزله نگار به دست آمده اند به وسيله شبكه هاي عصبي به گروههاي همان طبقه بندي شده و اين خروجي به عنوان خروجي مطلوب يه شبكه عصبي مصنوعي براي آموزش اعمال مي شود. اين كار باعث افزايش قابليت پيشگويي شبكه عصبي مي شود.