Artificial Intelligence - هوش مصنوعی  
انجمن را در گوگل محبوب کنيد :

بازگشت   Artificial Intelligence - هوش مصنوعی > محاسبات نرم > سیستم های فازی (Fuzzy Systems)


 
تبليغات سايت
Iranian Association for the Advancement of Artificial Intelligence
ارسال تاپيک جديد  پاسخ
 
LinkBack ابزارهاي تاپيک نحوه نمايش
قديمي ۱۱-۱۳-۱۳۸۸, ۰۶:۲۳ قبل از ظهر   #61 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Wink

Dual Gate MESFET مدل سازي سيگنال بزرگ ترانزيستورهاي با استفاده از شبكه هاي عصبي و فازي-عصبي

در اين مقاله، مدل سازي سيگنال بزرگ ترانزيستورهاي Dual Gate MESFET با استفاده از شبكه عصبي پرسپترون چند لايه و شبكه فازي-عصبي ANFIS مد نظر است. علاوه بر مدل سازي، مقايسه تواناييهاي اين شبكه ها و همچنين تاثير تعداد لايه هاي مخفي در توان مدل سازي شبكه عصبي پرسپترون چند لايه بررسي شده است. روشهاي مختلف، در مدلسازي يك ترانزيستور DG MESFET با شماره E 25118 ساخت كمپاني NEC مقايسه شده و نتايج آزمايش آمده است.
فايل ضميمه
نوع فايل: pdf i759.pdf (586.2 كيلو بايت, 347 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
masood (۱۰-۲۹-۱۳۸۹), __masoud__ (۰۸-۶-۱۳۹۲)

  #ADS
نشان دهنده تبلیغات
تبليغگر
 
 
 
تاريخ عضويت: -
محل سكونت: -
سن: 2010
پست ها: -
 

نشان دهنده تبلیغات is online  
قديمي ۱۱-۱۳-۱۳۸۸, ۰۶:۲۵ قبل از ظهر   #62 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Cool

بهينه سازي اندازة سازه هاي خرپايي با استفاده از روش EAS

امروزه سازه هاي خرپايي با توجه به كاربردهاي گوناگون آن بيش از پيش اهميت پيدا كرد ه اند. شايد علت استفاده فراوان از اين نوع سازه ها را بتوان در مقرون به صرفه بودن، راحتي اجرا، عدم نياز به تخصصي ويژه براي اجرا و نياز امروز بشر به سازه هايي با دهانه هاي بزرگ بدون ستون مركزي را نام برد. از طرفي تحقيقات زيادي در مورد انواع مختلف روشهاي بهينه سازي اندازه خرپاها معرفي شده اند؛ آقاي Dorigo يك روش جديد بهينه سازي به نام Ant Colony Optimization را در سال ١٩٩١ پايه ريزي كرد. در اين مقاله سعي شده است تا خرپاها را با الگوريتم EAS يكي از روشهاي ACO مي باشد، بهينه نماييم. مقايسه اي بين نتايج حاصل از طراحي خرپا با اين روش و طراحي با استفاده از الگوريتم ژنتيكي و روشهاي بهينه سازي كلاسيك و همچنين روش ACS ) يكي ديگر از روشهاي (ACO آورده شده است. در پايان نشان داده شده است كه اين روش نسبت به روشهاي ديگر عملكرد بهتري دارد.
فايل ضميمه
نوع فايل: pdf i317.pdf (427.0 كيلو بايت, 257 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
masood (۱۰-۲۹-۱۳۸۹), __masoud__ (۰۸-۶-۱۳۹۲)
قديمي ۱۱-۱۳-۱۳۸۸, ۰۶:۲۸ قبل از ظهر   #63 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Lightbulb

بهينه سازي گنبدهاي فضائي تك لايه با استفاده از روش eas

سازه هاي فضائي يكي از متداولترين سازه هاي مدرن محسوب مي شوند كه طي چند دهه اخير رواج زيادي يافته اند. يكي از انواع سازه هاي مذكور گنبدهاي فضائي مي باشند كه نسبت به ساير سازه هاي فضائي داراي مزاياي قابل توجهي هستند اما مسأله بهينه سازي اين سازه ها همواره از معضلات خاص آنها محسوب ميشود؛ بطوريكه در گذشته غالباً معماران و مهندسان مجبور بودند براي طرح اين سازه ها از جداول نامفهوم و حجيمي استفاده كنند كه بالطبع سرعت عمل و امكان بررسي طرحهاي مختلف و رسيدن به يك طرح بهينه را از آنها مي گرفت. در اين مقاله گنبدهاي فضائي با يك روش جديد بهينه سازي به نام روش eas كه يكي از الگوريتم هاي aco مي باشد، بهينه شده اند. مقايسه اي بين نتايج حاصل از اين طراحي با روش eas و طراحي با استفاده از روشهاي بهينه سازي ديگر انجام شده است.
فايل ضميمه
نوع فايل: pdf i305.pdf (644.4 كيلو بايت, 271 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
masood (۱۰-۲۹-۱۳۸۹), milad_sabz (۰۳-۲-۱۳۹۳), __masoud__ (۰۸-۶-۱۳۹۲)
قديمي ۱۱-۱۳-۱۳۸۸, ۰۶:۳۲ قبل از ظهر   #64 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Arrow

كنترل بي اختياري ادراري با استفاده از مواد هوشمند IPMC

مواد ( Ionic Polymer Metal Composites) IPMC يكي از جديدترين انواع مواد هوشمند هستند كه از لحاظ طبقه بندي در دسته پليمرهاي الكترواكتيو (EAP) قرار مي گيرند . اين مواد با توجه به كارايي بالا ، قابليت تكرارپذيري زياد ، وزن كم ، ولتاژ ورودي بسيار پايين )درحد1- 6 ولت) مقاله با هدف بررسي حركت اين مواد وطراحي يك شيركنترل جريان در مصارف پزشكي ومشخصا "كنترل دبي در مجاري ادرار ، علاوه بر معرفي بيشتر اين مواد، راهكارهايي براي درمان برخي بيماريها كه نياز به كنترل جريان ادرار به صورت حلقه باز وحلقه بسته دارند، ارائه مي گردد. ازسوي ديگر سعي بر اين بوده است كه با ارائه يك مدل عملي از اين مواد به يك ساختار قابل نصب از لحاظ اندازه و عملكرد در داخل بدن دست يابند.
فايل ضميمه
نوع فايل: pdf i171.pdf (446.4 كيلو بايت, 269 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
green_Dream (۱۲-۱۷-۱۳۹۱), milad_sabz (۰۳-۲-۱۳۹۳), __masoud__ (۰۸-۶-۱۳۹۲)
قديمي ۱۱-۱۳-۱۳۸۸, ۰۶:۳۷ قبل از ظهر   #65 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
پيش فرض

دسته بندي گوجه فرنگي با استفاده از lvq و mlp، svm

در اين مقاله كنترل خودكار كيفيت گوجه فرنگي براساس بكارگيري روشهاي مختلف svm و mlp ، lvq مورد بررسي قرار گرفته است. ابتدا تصاوير توسط دوربين ديجيتالي گرفته شد و سپس عمليات حذف نويز و بهبود كنتراست بر روي تصاوير صورت پذيرفت. سپس مهمترين مرحله كه استخراج ويژگي از تصاوير گوجه فرنگي است، انجام گرفت. ويژگيهاي استخراج شده عبارتند از: ميزان قرمزي و زردي كه به صورت فازي به دست آمده، ميزان سبز بودن، ممان مرتبه اول، ممان مرتبه دوم، ممان مرتبه سوم، ميانگين اين سه ممان، ميزان گرد بودن و مساحت. ويژگيهاي بدست آمده به دسته بندي كننده هاي متفاوت داده شد و نتايج بدست آمده مورد مقايسه و ارزيابي قرار گرفت . نتايج نشان مي دهند كه svm نسبت به روش هاي ديگر بهتر عمل مي كند.
فايل ضميمه
نوع فايل: pdf i459.pdf (292.5 كيلو بايت, 303 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
green_Dream (۱۲-۱۷-۱۳۹۱), masood (۱۰-۲۹-۱۳۸۹), milad_sabz (۰۳-۲-۱۳۹۳), __masoud__ (۰۸-۶-۱۳۹۲), بازبازی (۰۶-۲۶-۱۳۹۲)
قديمي ۱۱-۱۳-۱۳۸۸, ۰۶:۴۸ قبل از ظهر   #66 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Question

آناليز الپتيكال فوريه كپسول شنوايي در سه گونه مريونس (persicus, libycus crassu) :كاربرد آن در بيوسيستماتيك


براي بررسي اشكال در زيست شناسي و پزشكي از تكنيك هاي مورفومتريك استفاده مي شود. اين تكنيكها در دهه اخير رشد چشمگيري داشته اند يكي از اين روش ها Outline است. در اين روش به جاي بررسي اجزاي شكل مانند روشهاي كلاسيك تمام شكل به صورت دو بعدي مورد بررسي قرار مي گيرد و شكل با انتخاب يك نقطه ثابت به عنوان مرجع براي تمام شكلهاي مشابه و اندازه گيري مختصات نقاط دور شكل به صورت رياضياتي تعريف مي شود. در اين مطالعه شكل 4 قسمت كپسول شنوايي (بخش شكمي، ماستوئيد، مئاتوس و مثلث سوپرامئاتال) از سه گونه M.crassus و M.persicus, M.libycus متعلق به جنس Meriones ( پستانداران، جوندگان) مورد بررسي قرار گرفت. آناليز بيضي الپتيكال براي بررسي داده ها كه مبتني است بر تجزيه هاي جداگانه فوريه از اختلافات اولين مولفه هاي (Δxi, Δyi)x,y به عنوان تابع پارامتريك از فاصله تجمعي t از نقاط حول شكل، استفاده شد. براساس مطالعات انجام شده تنها شكل قسمت مئاتوس داراي تغييرات معني دار در بين سه گروه بوده و داراي ارزش تاكسونوميكي است. اين روش امروزه در تشخيص سلولهاي سرطاني از ساير سلولها و تشخيص اسكيزوفرني بر اساس تغيير شكل كورپوس كالوزوم وتغييرات شكلي اسكلت بدن و بيماريهاي آن مورد استفاده قرار مي گيرد.
فايل ضميمه
نوع فايل: pdf i905.pdf (535.7 كيلو بايت, 244 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
masood (۱۰-۲۹-۱۳۸۹), __masoud__ (۰۸-۶-۱۳۹۲)
قديمي ۱۱-۱۳-۱۳۸۸, ۰۶:۵۲ قبل از ظهر   #67 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Question

به كارگيري الگوريتم آموزش شبكه هاي عصبي چند لايه pso ا

هدف از آموزش شبكه هاي عصبي، يافتن اندازة وزنها و باياس ها به نحوي است كه خطاي داده هاي آموزش را به حداقل ممكن برساند. لذا آموزش شبكه هاي عصبي را مي توان در بردارندة يك مسألة بهينه سازي دانست كه هدف از آن بهينه سازي ضرايب وزني و باياسها جهت دستيابي به حداقل خطاي آموزش مي باشد. در روش هاي مرسوم جهت آموزش شبكه هاي عصبي از الگوريتم پس انتشار و ديگر روش هاي گرادياني استفاده مي شود. اين روش ها در مواردي كه شكل تابع غيرخطي و پيچيده باشد، ضعف و ناكارآمدي خود را نشان ميدهند. در اين مقاله، آموزش شبكة عصبي با استفاده از الگوريتم pso انجام شده است. به كارگيري الگوريتم pso در آموزش شبكه هاي عصبي و مقايسة صورت گرفته با الگوريتم آموزشي پس انتشار، نشان مي دهد كه در مسائل پيچيده توأم با فرآيندهاي غيرخطي، استفاده از الگوريتم جديد كارآيي بالاتري را به همراه دارد. در انتها نتايج پياده سازي الگوريتم ارائه شده بر روي دو مسأله و مقايسة آن با روش آموزشي پس انتشار آورده شده است.
فايل ضميمه
نوع فايل: pdf i967.pdf (458.2 كيلو بايت, 355 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
masood (۱۰-۲۹-۱۳۸۹), milad_sabz (۰۳-۲-۱۳۹۳), __masoud__ (۰۸-۶-۱۳۹۲)
قديمي ۱۱-۱۳-۱۳۸۸, ۰۶:۵۵ قبل از ظهر   #68 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
پيش فرض

جهت طراحي آشكارساز بهينه كمپلكس pso و ga الگوريتم تركيبي ecg در سيگنال qrs


در اين مقاله روشي جهت طراحي آشكارساز بهينه كمپلكس QRS ارائه مي گردد. در اين آشكارساز ابتدا توسط يك فيلتر چند جمله اي خطي كمپلكس QRS يكسو و تقويت مي شود و سپس يك آشكارساز تطبيقي، بيشينه سيگنال را پيدا مي كند. پارامترهاي فيلتر و آشكارساز به وسيله الگوريتم ژنتيك طوري انتخاب مي شود كه خطاي تشخيص بر روي مجموعه اي از سيگنالهاي قلب به كمينه مقدار خود برسد. از آنجايي كه حجم اطلاعات مورد پردازش در هر نسل بسيار زياد است ارائه روشي كه به تعداد نسل كمتري جهت همگرا شدن احتياج داشته باشد مورد توجه مي باشد. بدين منظور در اين مساله الگوريتم HGAPSO جهت سرعت بخشيدن به مرحله پردازش به كار گرفته شده و عملكرد آن از لحاظ سرعت همگرايي با الگوريتم GA مقايسه شده است. در نهايت نتايج به دست آمده از طراحي بر روي مجموعه اي از سيگنالهاي ECG مربوط به پايگاه داده MIT-BIH مورد بررسي قرار گرفته است. تحليل نتايج به خوبي گواه بر موفقيت روش پيشنهادي مي باشد.
فايل ضميمه
نوع فايل: pdf i857.pdf (387.6 كيلو بايت, 260 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
green_Dream (۱۲-۱۷-۱۳۹۱), masood (۱۰-۲۹-۱۳۸۹), __masoud__ (۰۸-۶-۱۳۹۲)
قديمي ۱۱-۱۳-۱۳۸۸, ۰۶:۵۸ قبل از ظهر   #69 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Arrow

بازشناسي حروف دستنويس به وسيله سيستم فازي به كمك روش قاب بندي در استخراج ويژگي

به علت وجود دستخط هاي مختلف، بازشناسي حروف دستنويس يك مسالة پيچيده است .در اين فرآيند ، استخراج ويژگيهاي حروف به صورت صحيح، گامي مهم در جهت تشخيص درست حروف خواهد بود . اين مقاله يك روش جديد به نام قاب بندي براي استخراج ويژگيه ا 5 بيان مي كند .در اين روش يك تصوير باينري از حروف جزء بندي شده به مقدار ثابتي از تصاوير كوچكتر كه قاب ناميده مي شوند شكسته مي شود . از هر جعبه با اين روش دو ويژگي استخراج مي شود :الف(يك نقطه ثابت براي هر جعبه كه فاصله آن تا مبدا جعبه (گوشه پايين سمت چپ )برابر ميانگين فاصله هر يك از پيكسلهاي سياه تا مبدا است . ب (يك زاويه كه اندازه آن برابر ميانگين اندازه زاويه هاي هر يك از پيكسلهاي سياه نسبت به سطح افق است. اين دو ويژگي براي هر جعبه استخراج مي شود و مجموع اين ويژگيها جهت آموزش به يك سيستم فازي وارد مي شود . با توجه به اينكه ، در اين روش از دو ويژگي فاصله و زاويه به طور مناسب بهره برده شده است دقت بازشناسي حروف بسيار بالا مي باشد .و به 99 % مي رسد.اين روش وابسته به نوع قلم 6 و اندازه حرف ورودي نيست و با يك تغيير كوچك در مرحله پيش پردازش براي هر زبان مي تواند كارا باشد.
فايل ضميمه
نوع فايل: pdf i719.pdf (604.7 كيلو بايت, 389 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
masood (۱۰-۲۹-۱۳۸۹), __masoud__ (۰۸-۶-۱۳۹۲)
قديمي ۱۱-۱۴-۱۳۸۸, ۰۸:۱۳ بعد از ظهر   #70 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Wink

داده كاوي با استفاده از شبكه عصبي grnn بر روي نتايج كاليبراسيون تونل باد

قبل از استفاده عملي از تونل باد همانند ساير سيستمهاي اندازه گيري و شبيه سازي بايد آنرا با دقت بالا كاليبره نمود، بدست آوردن پارامترهاي جريان عبوري از محفظه آزمون تونل باد مانند توزيع سرعت و فشار، يكنواختي و زاويه جريان، دقت اطلاعات و غيره در حين فرآيند كاليبراسيون تونل باد بسيار مهم و حياتي مي باشد. انجام آزمونهاي مدل اجسام پرنده در تونل بادي با شرايط جرياني مناسب نقش عمده اي در ايجاد اعتماد صنايع وابسته به آن را به همراه خواهد داشت. اين فرآيند به دليل داشتن طيف وسيعي از عدد ماخ و محفظه آزمون نسبتا بزرگ تونل باد مورد نظر بسيار زمانبر و پرهزينه است. در اين مقاله با اعمال روش داده كاوي مبتني بر شبكه عصبي grnn روي نتايج كاليبراسيون تونل باد و آموزش اين شبكه، تعداد دفعات آزمون را تقليل داده و نهايتا هزينه و زمان انجام آزمونها براي كاليبراسيون تونل باد را به شدت كاهش دادايم.
فايل ضميمه
نوع فايل: pdf i71.pdf (541.7 كيلو بايت, 186 نمايش)

ويرايش شده توسط Astaraki; ۱۰-۲۹-۱۳۸۹ در ساعت ۰۹:۱۳ قبل از ظهر
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
milad_sabz (۰۳-۲-۱۳۹۳), __masoud__ (۰۸-۶-۱۳۹۲)
پاسخ



كاربران در حال ديدن تاپيک: 1 (0 عضو و 1 مهمان)
 

قوانين ارسال
You may not post new threads
You may not post replies
You may not post attachments
You may not edit your posts

BB code is فعال
شکلکها فعال است
كد [IMG] فعال است
كدهاي HTML غير فعال است
Trackbacks are فعال
Pingbacks are فعال
Refbacks are فعال




زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۲:۲۷ بعد از ظهر ميباشد.


Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2024, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.

Teach and Learn at Hexib | Sponsored by www.Syavash.com and Product In Review

استفاده از مطالب انجمن در سایر سایت ها، تنها با ذکر انجمن هوش مصنوعي به عنوان منبع و لینک مستقیم به خود مطلب مجاز است

Inactive Reminders By Icora Web Design