دانلود مقاله در مورد شبکه عصبی

مقدمه:

خلاصه سازی روشی است برای فشرده سازی منتهای  بسیاربزرگ که به دلیل روش بیشترین درمرتبط نرین اطلاعات موجود درمتن استخراج می شودآنچه که مارادراین محدود می نماید استخراج مرتبط ترین اطلاعات وعامل مهم دیگرخواندنی بودن وقابل فهم بودن متن است.

باتوجه به افزایش روزافزون اطلاعات موجود دراینترنت که به صورت الکترونیکی ارائه می شود، تحقیقات وسیعی برروی این زمینه درحال انجام است تابتوان هرچه سریع تر به مرتبط ترین اطلاعات   است یافت مثلاٌ :اگر شما دراینترنت به دنبال موضوعی باشید حجم وسیعی ازصفحات اینترنتی دراختیار شما قرار نی گیرد حال باید تک تک این صفحات رابه طور کامل  مطالعه ؟؟؟؟؟ به اطلاعات موردنیاز دست پیداکنیم . ولی به کمک روشهای خلاصه سازی می توان به راحتی خلاصه یک صفحه اینترنتی رادرچند جمله مشاهده کنید وسپس به به طور خلاصه سازی کلی صورت می پذیرد:

خلاصه سازی مبتنی برفهم مطلبخلاصه سازی مبتنی براستخراج مطالب مهم

روش اول که نام دیگرآن (پرورش طبیعی زبانی) (NLP) می باشد یعنی سعی وآموزش سیستم درفهمیدن متن وباتوجه که قواعد وساختار های زبانی درباره وبایک ساختار جدید تری متن راخلاصه کند دراین روش مانیاز مند گرامر ونحوه جمله نویسی یک زبان خاص هستیم.

-------

این تحقیق 20 صفحه ای در فرمت word میباشد . 

اعتبار سنجی سنسورهای توربین گاز V94.2 به وسیله طبقه بندی با شبکه های عصبی مصنوعی

• مقاله با عنوان: اعتبار سنجی سنسورهای توربین گاز V94.2 به وسیله طبقه بندی با شبکه های عصبی مصنوعی  

• نویسندگان: سعید فلاح ، علی ربانی ، ابوالفضل رکن رابعی  

• محل انتشار: بیست و نهمین کنفرانس بین المللی برق – پژوهشگاه نیرو - 5 تا 7 آبان ماه 93  

• محور: کمیته کنترل و ابزار دقیق و اتوماسیون (ACI)

• فرمت فایل: PDF و شامل 8 صفحه می‌باشد.

چکیــــده:

نیروگاه‌های مدرن به قرائت دقیق و معتبر سنسورها برای نظارت و کنترل وابسته‌اند، بنابراین سنسورها یکی از مهم‌ترین بخش‌های سیستم کنترل در هر نیروگاه هستند. عملکرد ناصحیح یک سنسور باعث ایجاد خطای تصمیم‌گیری در یک پروسه‌یا حلقه‌های کنترلی داخلی شود لذا سالم بودن و همچنین کالیبره بودن سنسورها از اهمیت بالایی برخوردار است. با توجه به اهمیت‌های گفته‌شده سنسورها به کالیبره منظم و نگهداری نیاز دارند که یک فرآیند زمان‌بر و در نتیجه فرآیندی هزینه‌بر است. در این مقاله یک روش برای ارزیابی دقت سنسورها باهدف به حداقل رساندن نیاز به کالیبراسیون و همچنین اجتناب از shut-down واحد به دلیل فالت سنسور ارائه‌شده است.

روش ارائه‌شده بر پایه آموزش شبکه‌های عصبی مصنوعی طبقه‌بندی‌شده برای تشخیص خطاهای سنسور است. این روش برای توربین گاز V94.2 مورد بررسی قرارگرفته است. نتایج نشان می‌دهد که این روش قادر به تشخیص زودهنگام خطای سنسور است. این یافته‌ها نشان می‌دهد که استفاده از شبکه‌های عصبی مصنوعی برای تائید سنسور می‌تواند به نگهداری مقرون‌به‌صرفه و همچنین افزایش دسترسی و قابلیت اطمینان نیروگاه کمک کند.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **

مدلسازی متوسط حجم روزانه ترافیک با استفاده از شبکه های عصبی انتشار برگشتی (BP)

شاهین شعبانی 1 ، مهدی معتمدی سده 2 ، فرید امجدی 3
-1 استادیار، گروه مهندسی عمران دانشگاه پیام نور تهران، مرکز تهران شمال، تهران، ایران
-2 دانشجوی کارشناسی ارشد، گروه مهندسی عمران دانشگاه پیام نور، مرکز تهران شمال، تهران، ایران
-3 دانش آموخته کارشناسی ارشد، گروه مهندسی عمران دانشگاه پیام نور، مرکز تهران شمال، تهران، ایران
[e-mail]
[e-mail]
[e-mail]
خلاصه
پیش بینی دقیق جریان ترافیک کوتاه مدت، نقشی بنیادی در سیستم های هوشمند حمل و نقل و نیز سیستم های مدیریت ترافیک پیشرفته ایفا می کند.
در پژوهش حاضر، از شبکه های عصبی انتشار برگشتی به منظور پیش بینی متوسط حجم روزانه ترافیک استفاده شده است. داده های حقیقی استفاده
شده برای مدلسازی، از جاده قدیم قم- تهران طی دوره زمانی بین سال های 5831 تا 5831 بدست آمده است. سپس، تغییر متغیری بر روی داده ها
صورت پذیرفته و داده های حاصل از نگاشت، به منظور آموزش شبکه عصبی، بکار گرفته می شوند. در این راستا برای دستیابی به بهترین شبکه، از
الگوریتم های آموزشی مختلفی استفاده شده است. سپس شبکه های آموزش دیده برای پیش بینی احجام ترافیکی روزهای آتی مورد استفاده قرار
گرفته و اعتبار سنجی می شوند. نتایج نشان می دهد که روش حاضر، احجام روزانه ترافیکی را با دقتی بالا و سرعتی مطلوب پیش بینی می کند.
کلمات کلیدی: حجم روزانه ترافیک، مدلسازی، شبکه های عصبی، پیش بینی.

پایان نامه شبکه های عصبی مصنوعی

گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت  می پردازیم. 

پیش بینی ارتفاع غوطه وری جریان غلیظ با استفاده از مدل تلاطمی RNG و شبکه های عصبی

• مقاله با عنوان: پیش بینی ارتفاع غوطه وری جریان غلیظ با استفاده از مدل تلاطمی RNG و شبکه های عصبی  

• نویسندگان: مریم آشوری ، حامد ارجمندی ، سجاد پیربوداقی ، مهدی قمشی ، امیر خلیلی  

• محل انتشار: دهمین کنگره بین المللی مهندسی عمران - دانشگاه تبریز - 15 تا 17 اردیبهشت 94  

• فرمت فایل: PDF و شامل 8 صفحه می باشد.

چکیــــده:

جریان های غلیظ هرگاه به یک توده سیال سبکتر برخورد نمایند، یک ناحیه غوطه وری را ایجاد می‌کنند. با توجه به این که در ارتفاع غوطه وری مرز بین سیال غلیظ با سیال پیرامون در محل نقطه غوطه وری مشخص می‌گردد، برآورد این نقطه از اهمیت به سزایی برخوردار است. در این تحقیق پارامترهای هیدرولیکی جریان غلیظ و همچنین شیب بستر سیال ساکن که بر نقطه غوطه وری تاثیر گذار است، بررسی شده است. برای نیل به اهداف این تحقیق ابتدا یک مدل فیزیکی در آزمایشگاه هیدرولیک دانشگاه شهید چمران ساخته شد و آزمایش‌های مختلف در آن انجام گردید. در همه آزمایش‌ها ارتفاع غوطه وری در دبی‌های مختلف از سیال غلیظ و تفاوت دانسیته 6، 9، 13 و 16 گیلوگرم بر مترمکعب برای سه شیب 8، 12 و 16 درصد اندازه گیری شد. سپس با استفاده از مدل Flow-3D تحت شرایط مدل آشفتگی RNG ارتفاع نقطه غوطه وری برای شرایط آزمایشگاهی موجود شبیه سازی شد. به منظور بررسی مقایسه‌ای ابتدا با استفاده از شبکه‌های عصبی، عمق غوطه وری برآورد شده با استفاده از Flow-3D تحت شرایط مدل آشفتگی RNG در مقایسه با داده‌های مشاهداتی در آزمایشگاه آموزش داده شده و سپس بهترین برازش با معماری شبکه بدست آمد. با توجه به محدودیت‌های آزمایشگاهی و داده‌های محدود در دسترس برای مایعات و هندسه‌های مختلف، از شبکه‌های عصبی برای پیش بینی عمق غوطه وری در این شرایط استفاده شد. نتایج نشان می‌دهد که شبکه‌های عصبی قابلیت بالایی برای پیش بینی و برازش عمق غوطه وری دارند.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **