دانلود مقالات اولین کنگره مشترک سیستمهای فازی و سیستمهای هوشمند! - Artificial Intelligence

**Astaraki** · ۰۷-۲۱-۱۳۸۸, ۰۸:۵۳ قبل از ظهر

دانلود مقالات اولین کنگره مشترک سیستمهای فازی و سیستمهای هوشمند

فقط..
231 مقاله است!

همين!!

ليست مقالات:

**Astaraki** · ۰۷-۲۱-۱۳۸۸, ۰۸:۵۶ قبل از ظهر

طراحي امكاني چندهدفه شبكه هاي توزيع با در نظر گرفتن عدم قطعيت نقاط بار با استفاده از تئوري مجموعه فازي
اولین کنفرانس فازی isfs2007 Fuzzy Conferense Ferdowsi

**Astaraki** · ۰۷-۲۱-۱۳۸۸, ۰۸:۵۸ قبل از ظهر

طراحي كنترلگر فازي براي مسأله ناوبري ربات
دانلود مقاله:

**Astaraki** · ۰۷-۲۱-۱۳۸۸, ۰۹:۱۲ قبل از ظهر

طراحي كنترل كننده فازي جهت جداسازي نسبي سرويس براساس احتمال اتلاف

**Astaraki** · ۰۷-۲۱-۱۳۸۸, ۰۹:۱۴ قبل از ظهر

بهبود كيفيت توان مراكز رايانهاي توسط فيلتر فعال با اعمال كنترل كننده فازي در باس dc

**Astaraki** · ۰۷-۲۱-۱۳۸۸, ۰۹:۱۹ قبل از ظهر

حذف هارمونيك از روي بارهاي غيرخطي توسط كنترل كننده pi و تنظيم كننده فازي

**Astaraki** · ۱۱-۷-۱۳۸۸, ۰۷:۵۹ بعد از ظهر

استفاده از بهينه سازي گروهي ذرات براي آموزش شبكه هاي عصبي و كاربرد آن در فشرده سازي تصویر
در آموزش شبكه هاي عصبي انتخاب روش آموزش تأثير مهمي بر كارايي شبكه دارد. يكي از روش هايي كه محققين براي آموزش شبكه هاي عصبي ارائه داده اند بهينه سازي گروهي ذرات مي باشد. بهينه سازي گروهي ذرات روشي براي بهينه سازي هر تابع حقيقي پيوسته است، كه از رفتارهاي اجتماعي موجودات زنده اقتباس شده است. در اين مقاله ابتدا روش جديدي بر مبناي بهينه سازي گروهي ذرات براي آموزش شبكه هاي عصبي ارائه مي شود، سپس شبكه عصبي آموزش ديده با اين روش براي فشرده سازي تصوير استفاده شده و كارايي آن با روش آموزش انتشار به عقب مقايسه مي شود. نتايج نشان دهنده برتري اين روش بر روش آموزش انتشار به عقب است.

**Astaraki** · ۱۱-۹-۱۳۸۸, ۰۳:۵۶ بعد از ظهر

استفاده از معيارهاي هندسي و بافت براي تشخيص اشياء درتصاوير متفاوت و پيچيده كاربرد در يافتن اتوماتيك مكان پلاك

مكانيابي پلاك به عنوان اولين گام در جهت شناسايي پلاك وسائل نقليه مطرح است. در اين مقاله روشي جهت يافتن مكان پلاك موتور سيكلت در تصاوير با ويژگي ها و پس زمينه هاي متنوع و پيچيده ارائه مي گردد. الگوريتم پيشنهادي در دو مرحله ، يكبار بر روي تصوير اصلي و بار ديگر بر روي بخش مركزي تصوير كه به اندازه تصوير اوليه درآمده است ، اجرا مي شود و هر قسمت از مفاهيم ساده اي مانند آستانه گذاري، عمليات مورفولوژي و تشخيص لبه با استفاده از محاسبه گراديان براي قطعه بندي تصوير استفاده مينمايد. سپس با بررسي برخي معيارهاي هندسي پلاك مانند مساحت، نسبت طول به عرض، چگالي لبه ها و نسبت ميانگين به واريانس گراديان در هر ناحيه متصل به هم از تصوير، نواحي كانديد پلاك مشخص مي- گردد. در نهايت از يك معيار اعتماد جهت تشخيص ميزان شباهت بين ناحيه كانديد و پلاك موتور سيكلت بهره گرفت ه مي شود و با مقايسه خروجي دو مرحله، مكان پلاك تعيين ميگردد. اين روش براي تعدادي از تصاوير واقعي كه داراي شرايط تصويربرداري متفاوت مي باشند، نتايج مناسبي داشته است و عدم وابستگي اين روش به شرايط محيطي از قبيل شرايط نورپردازي، زاويه دوربين، فاصله شي از دوربين و جهت پلاك را نشان ميدهد.

**Astaraki** · ۱۱-۹-۱۳۸۸, ۰۳:۵۸ بعد از ظهر

الگوريتم بهبود يافته رمزگذاري سريع فركتالي تصوير براساس جستجوي هوشمند انحراف استاندارد

فشرده سازي فركتالي تصوير، كيفيت مناسب تصوير بازسازي شده را با نرخ فشرده سازي بالا فراهم مي آورد ولي مشكل اصلي آن، طولاني بودن زمان رمزگذاري مي باشد.در اين مقاله، بهبودي بر روي يكي از روشهاي ارائه شده بمنظور رفع اين مشكل صورت مي گيرد. محققان زيادي بر روي كاهش پيچيدگي تشخيص تشابه و در نتيجه فشرده سازي سريعتر متمركز شده اند.اين تلاشها شامل روشهاي دسته بندي ويژگي ها يا خوشه بندي مي شود.در اين ميان زيانوي و ديگران، الگوريتمي را بر اساس دسته بندي هوشمند انحراف معيار استاندارد (std) شامل سه مرحله دسته بندي هوشمند (ica) حذف افزونگي بلاك هاي دامنه (drm) و كنترل تطبيقي تعداد جستجو (snac) ارائه كرده اند.مشكل اين روش ، عملكرد يكنواخت مرحله drm براي تمامي بلاك هاي دامنه مي باشدكه براي رفع اين مشكل، از snac بعد از مرحله drm استفاده مي گردد. بهبود گفته شده بر روي اين روش، از طريق تطبيقي نمودن مرحله drm كه سبب حذف مرحله snac مي گردد ، صورت مي پذيرد و نتايج تجربي، كد گذاري سريع و كيفيت بهتر تصوير بازسازي شده با اين روش را نشان مي دهد.

**Astaraki** · ۱۱-۹-۱۳۸۸, ۰۴:۰۸ بعد از ظهر

انتخاب بهينه سبد سهام مبتني برمدل اسپين گلاس

مسئله انتخاب بهينه سبدسهام يكي از مسائل غيرچندجمله اي (np) است كه تاكنون الگوريتم دقيقي براي حل آن ارائه نشده است . معمولا براي حل اين گونه مسائل از روش هاي هوشمند استفاده مي گردد. در گذشته فعاليت هاي زيادي در اين زمينه انجام شده است كه با استفاده از تكنيك هاي مطرح شده در الگوريتم هاي تكاملي ، ژنتيك، اجتماع اجزاء ، بازپخت تطبيقي و شبكه عصبي همچنين رو ش هاي احتمالي - فازي اقدام به حل اين مسئله كرده اند. در اين مقاله كوشش شده است الگوريتم بهينه سازي نويني مبتني بر مدل آيزينگ اسپين گلاس و بازپخت تطبيقي ارائه گردد و بر مسئله بهينه سازي سبدسهام اعمال گردد. مزيت الگوريتم پيشنهادي ، افزايش توانايي در جستجوي محلي است بطوري كه با اجراي الگوريتم ، استقرار اسپينها آنقدر تغيير مي يابد تا جواب بهينه را نشان دهند. هرچند اين خاصيت امكان پردازش موازي را براي اجراي الگوريتم مهيا مي كند ولي با افزايش تعداد سهام ، سرعت همگرايي كاهش مي يابد كه براي رفع آن عملگرهاي جابجايي و رقابت اسپين هاي نخبه پيشنهاد شده است كه سرعت همگرايي را به مقدار چشم گيري افزايش مي دهند.