شبکه های عصبی

پیاده سازی متلب شبکه عصبی GoogLeNet

GoogLeNet یک مدل شبکه عصبی آموزش یافته بر روی بخشی از دیتاست ImageNet آموزش داده شده است. دیتاست ImageNet Large-Scale Visual Recognition Challenge (ILSVRC) می‌باشد. آموزش این مدل بر روی بیشتر از یک میلیون تصویر انجام شده است . این مدل 144 لایه دارد و می‌تواند 1000 کلاس تصویر را دسته بندی کند.

پیاده سازی متلب شبکه عصبی AlexNet

AlexNet یک شبکه عصبی کانالوشن CNN پیش آموزش یافته است که بر روی حدود 1.2 میلیون تصویر از دیتاست ImageNet از http://image-net.org/index آموزش داده شده است. این یک مدل با 23 لایه می‌باشد که می‌تواند 1000 کلاس را دسته بندی کند. ( مثلا کیبورد ، ماوس ، خورکار ، مداد و میز و …. ). …

پیاده سازی متلب شبکه عصبی AlexNet خواندن بیشتر & raquo؛

petri net فازی fuzzy

پروژه متلب شبکه پتری فازی fuzzy petri net

لینک دانلود Adam Petri در سال 1962 petri net را در قسمتی از پایان نامش ابداع کرد. عناصر Petri net : یک petri net از چهار نوع المان تشکیل شده است : token و places و arcs و transitions می‌باشد. Token با یک نقطه در مدلهای perti net نشان داده می‌شود. وقتی تعداد token‌ها زیاد …

پروژه متلب شبکه پتری فازی fuzzy petri net خواندن بیشتر & raquo؛

کد متلب دسته بندی اثرانگشت

یکی از مراحل مهم در شناسایی اثرانگشت، دسته بندی اثرانگشت می‌باشد. ابتدا تمام تصاویر موجود را تک تک می‌خوانیم و به تصویر دو بعدی تبدیل می‌کنیم و برای بالا بردن کیفیت تصاویر از روش یکسان سازی هیستوگرام استفاده می‌کنیم و سپس تصاویر را هم اندازه می‌کنیم. لینک دانلود سپس ماتریس co-occurrence را از تصاویر در …

کد متلب دسته بندی اثرانگشت خواندن بیشتر & raquo؛

فیلم آموزش فارسی شبکه عصبی بازگشتی NARX

در مدلسازی سری زمانی ، مدل برونی خودپنداره غیر خطی یا مدل nonlinear autoregressive exogenous یا NARX به عنوان یکی از مدلهای پر کاربرد می‌باشد. در این مدل مقدار فعلی به مقادیر قبلی ورودی و خروجی وابسته است. رابطه یک شبکه NARX به صورت زیر است : y(t)=f(y(t−1),y(t−2),…,y(t−ny),u(t−1),u(t−2),…,u(t−nu))+Ɛ y(t) خروجی نهایی ، u(t) ورودی مدل …

فیلم آموزش فارسی شبکه عصبی بازگشتی NARX خواندن بیشتر & raquo؛

درخت بگینگ Bagging tree

درخت بگینگ مخفف Bootstrap aggregating (Bagging) می‌باشد که در این قسمت توضیح داده شده است. الگوریتم بگینگ از مجموعه ای از مدل‌های پایه‌ای تشکیل شده و به ترتیب زیر عمل می‌کند. با دریافت مجموعه‌ی آموزشی D با سایز N (تعداد نمونه‌های داده آموزشی)، به تعداد K مجموعه آموزشی جدید Di، با سایز n<N، تولید می‌شود …

درخت بگینگ Bagging tree خواندن بیشتر & raquo؛

تاثیر رسانه ای شدن پرونده‌های کیفری بر رسیدگی قضایی

  لينك دانلود   دانلود و مشاهده قسمتی از متن کامل پایان نامه :         پایان نامه دوره کارشناسی ارشد (M.A) رشته : حقوق جزا و جرمشناسی   عنوان : تاثیر رسانه ای شدن پرونده‌های کیفری بر رسیدگی قضایی   استاد راهنما : دکتر محمد فرجیها استاد مشاور : دکتر علیرضا جمشیدی …

تاثیر رسانه ای شدن پرونده‌های کیفری بر رسیدگی قضایی خواندن بیشتر & raquo؛

بسته آموزشی جامع بینایی ماشین

به عبارت ساده تر، بینایی ماشین یعنی ” آموزش ماشین به نحوی که ببیند “. این زمینه تحقیقاتی بیش از 40 سال است که سابقه دارد اما رشد انفجاری اخیر تکنولوژی‌های تصویر برداری دیجیتال منجر به ایجاد مسائلی جدید شده است که بسیار هیجان انگیز و کاربردی است. در بینایی ماشین دو زمینه تحقیاتی وجود …

بسته آموزشی جامع بینایی ماشین خواندن بیشتر & raquo؛

برنامه نویسی متلب تبدیل کرولت

روشهای چند رزولوشنی به طور عمیقی به پردازش تصویر و ماشین بینایی و محاسبات علمی‌مرتبط هستند. تبدیل کرولت یک تبدیل چند جهتی چند مقیاسی است. تبدیل کرولت بیان غیر وفقی بهینه از لبه‌ها می‌باشد. از این تبدیل در پردازش تصویر و ویدئو و اکتشاف لرزه ای و مکانیک سیالات و شبیه سازی معادلات دیفرانسیل جزیی …

برنامه نویسی متلب تبدیل کرولت خواندن بیشتر & raquo؛

سیستم‌های اجرایی تولید

منشاء مفهوم سیستم اجرایی تولید[1] را می­توان در سیستم­ جمع­آوری داده­ها، در اوایل دهه 80 یافت، زمانی­که سازمان­های مختلف هریک برای خود قوانین ونظم­های متفاوت، نظیر طراحی تولید، مدیریت پرسنل تولید داشتند. به تدریج با ظهورCIM[2] معیاری برای تفکیک این وظایف عنوان شد ودر اواسط دهه 90، سیستم­های جمع­آوری داده­های تولید، خودرا به نحوی ارتقا …

سیستم‌های اجرایی تولید خواندن بیشتر & raquo؛

تست‌های آماری

در راستای مقایسه بازدهی الگوریتم پیشنهادی با دیگر الگوریتم‌های مشهور، تست‌های آماری مانند paired t-test، Wilcoxon و Friedman بکار گرفته شده اند. تست‌های آماری t-test و Wilcoxon برای مقایسه دو کلاسه بند بر روی مجموعه ای از داده‌ها بکار می‌روند، در حالیکه تست آماری Friedman با post-hoc متناظر برای مقایسه چندین کلاسه بند بر روی …

تست‌های آماری خواندن بیشتر & raquo؛

روش‌های کلاسه بندی مبتنی بر الگوهای نوظهور

روش کلاسه بندی بر اساس مجموع الگوهای نوظهور  CAEP[1][21] از آنجایی که الگوهای نوظهور، دانش تمایز بین کلاس‌های مختلف را نشان می‌دهد، آنها در ایجاد کلاسه بندی دقیق بسیار موثر هستند. کلاسه بند‌های بر پایه الگوهای نوظهور قدرت مجموع الگوهای نوظهور را برای کلاسه بندی یک نمونه تست بکار می‌گیرد. Dong [21] اولین کلاسه بند …

روش‌های کلاسه بندی مبتنی بر الگوهای نوظهور خواندن بیشتر & raquo؛

روش‌های استخراج الگوها

در مقایسه با قوانین انجمنی، الگوهای نوظهور قادر هستند که تمایلات نوظهور[1] در مجموعه داده‌های با محدودیت زمانی[2] را استخراج کنند و یا تمایزات مفید بین کلاس‌های مختلف را کشف نمایند [1]. مطالعه و پژوهش در رابطه با الگوهای نوظهور اساسا به دو دسته قابل تقسیم است؛ الگوریتم‌های استخراج الگوهای نوظهور و الگوریتم‌های کلاسه بندی …

روش‌های استخراج الگوها خواندن بیشتر & raquo؛

مفهوم الگوهای نوظهور

مفهوم الگوهای نوظهور برای استخراج دانش از پایگاه داده‌ها توسط Dong و Li پیشنهاد شده است تا تغییرات قابل توجه بین کلاس‌ها را به تصویر بکشند [1]. یک الگوی نوظهور، ترکیب عطفی بین ویژگی‌هایی است که میزان احتمال حضور آن در یک کلاس نسبت به دیگر کلاس‌ها بطور قابل توجهی تغییر می‌کند [1،2]. این الگوها …

مفهوم الگوهای نوظهور خواندن بیشتر & raquo؛

کلاسه بندی

 کلاسه بندی[1] یکی از وظایف اساسی در داده کاوی[2] است که بطور وسیعی در زمینه یادگیری ماشین[3]، شبکه‌های عصبی[4] و تشخیص الگو[5] مورد مطالعه واقع شده است. ورودی، مجموعه ای از نمونه‌های آموزشی[6] است که شامل چندین ویژگی[7] است. ویژگی‌ها با توجه به دامنه مقادیرشان به دو دسته ویژگی‌های گسسته[8] و ویژگی‌های پیوسته[9] قابل تفکیک …

کلاسه بندی خواندن بیشتر & raquo؛

شبکه عصبی مصنوعی

تاریخچه هوش مصنوعی توانایی یادگیری منحصر به سیستم‌های زنده نیست بلکه در مدل‌های شبکه عصبی نیز قابل دسترس است. گرچه مفهوم یادگیری ماشین‌ها برخلاف باورهای معمول ما از کامپیوترها است، زیرا اغلب فرض می‌شود که کامپیوترها تنها قادر به اعمالی هستند که برایشان برنامه ریزی شده است و خود توانایی تطبیق با محیط را ندارند. …

شبکه عصبی مصنوعی خواندن بیشتر & raquo؛

کلاس بندی با SVM

برای شناسایی علایم توسط SVM باید در ابتدا به آن آموزش داد، برای اینکار ویژگیهای تصاویر با استفاده از SIFT[1]  بدست آورد. مشکلات ناشی از مقیاس[2]،چرخش[3]،اعوجاج معین[4]،تغییر دید سه بعدی، نویز وتغییرات روشنایی تاثیر کمی‌بر SIFT دارند]76[ ؛ پس بخوبی از عهده تطبیق تصاویر[5] بر می‌آید]77[. SIFTشامل دو مرحله است: تشخیص نقاط کلیدی توصیف نقاط …

کلاس بندی با SVM خواندن بیشتر & raquo؛

کلاس بندی با PSO

الگوريتم اجتماع ذرات يك الگوريتم بهينه سازي تقليدي از رفتارهاي جوامع جانوري در پردازش دانش جامعه است. اين الگوريتم PSO از دو زمينه ريشه گرفته است . نخست زندگي مصنوعي (مانند دستة پرندگان، ماهي‌ها) و دوم محاسبات تكاملي، در این زندگی مصنوعی]73[. الگوریتم PSOبسیاری از مشکلات را در امر تجزیه وتحلیل تصویر حل کرده است …

کلاس بندی با PSO خواندن بیشتر & raquo؛

شبکه‌های پس انتشار

الگوريتم‌هاي آموزشي متنوعي جهت آموزش شبكه‌هاي عصبي به كار گرفته شده است. از مهم ترين الگوريتم‌هاي آموزشي مي توان از الگوريتم پس انتشار(back propagation)نام برد. در الگوريتم پس انتشار در هر مرحله مقدار خروجي محاسبه شدة جديد، با مقدار واقعي مقايسه شده، و با توجه به خطاي بدست آمده به اصلاح وزنها وباياسهاي شبكه پرداخته …

شبکه‌های پس انتشار خواندن بیشتر & raquo؛

شبکه‌های عصبی

شبکه‌های عصبی از عناصر عملیاتی ساده ای تشکیل شده است که بصورت موازی با هم در ارتباطند. این عناصر از سیستم عصبی بیولوژیکی الهام گرفته اند. وظیفه این شبکه‌ها در حالت طبیعی این است که ارتباط بین این عناصر را برقرار کنند. با آموزش این شبکه‌ها  میتوان که آنها را برای کار خاصی آماده نمود. …

شبکه‌های عصبی خواندن بیشتر & raquo؛

آشکارسازی علامت ترافیکی

در مرحله آشکارسازی علامت روی تصویر پیش پردازش انجام می‌گیرد و بخش بندی تصویر با توجه به خصوصیات رنگ واشکال ، انجام می‌گیرد. هر کدام از این بخش‌ها حاوی مناطقی است که احتمال وجود علامت ترافیکی در آن زیاد است.رنگ‌ها نقش مهمی‌را در سیستم‌های آشکارسازی علامت ترافیکی را ایفا می‌کنند، با این حال شناسایی اشکال …

آشکارسازی علامت ترافیکی خواندن بیشتر & raquo؛

تبدیل والش

توابع والش در سال 1923 توسط والش با ارائه توابع متعامد معرفی شد[41]. اما در سال 1969 از توابع والش برای تبدیل والش استفاده شد. تبدیل والش یک تبدیل بهینه موضعی و غیر سینوسی است این تبدیل یک تبدیل متعامد است که یک سیگنال را به مجموعه ای ازموج‌های مربعی تجزیه می‌کند که این موج‌های …

تبدیل والش خواندن بیشتر & raquo؛

مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنال‌های مغزی

با کشف سیگنال‌های EEG بسیاری از محققین در سراسر دنیا شروع به فعالیت در این زمینه کردند. مجموعه داده‌های متفاوت و با کاربردهای متفاوتی ایجاد شد. اکثر این محققین در تلاش به رسیدن به طراحی سیستم واسط مغز و کامپیوتر(BCI) بودند. در شکل) 1-1 ( یک سیستم BCI نشان داده شده است. این سیستم از …

مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنال‌های مغزی خواندن بیشتر & raquo؛

تعامل انسان با کامپیوتر

تعامل انسان با کامپیوتر (HCI) امروزه کاربردهای گسترده ای دارد. این رشته علم بررسی تعامل کامپیوتر و انسان است. در واقع این علم نقطه تقاطع دانش کامپیوتر، علوم رفتارشناسی طراحی و چند علم دیگر است. ارتباط و تعامل کامپیوتر وانسان از طریق واسط اتفاق می‌افتد. که شامل نرم‌افزار و سخت‌افزار است. یک تعریف دقیق آن …

تعامل انسان با کامپیوتر خواندن بیشتر & raquo؛

دسته بندی آسيب پذيری‌ها

محققان و سازمان­های مختلف، تاکنون دسته بندی­های متفاوتی را برای آسيب پذيری­ها ارائه کرده­اند. در اين بخش به معرفی برخی از کارهای انجام شده برای دسته بندی آسيب پذيری­ها پرداخته می­شود. بيشاپ[1] (در سال 1995) (30) و کرسل[2] (در سال 1998) (31) از پيشگامان کلاس بندی آسيب پذيری­های نرم افزارها هستند. بيشاپ (30) يک طبقه …

دسته بندی آسيب پذيری‌ها خواندن بیشتر & raquo؛

انتخاب ويژگی Feature Selection

انتخاب ويژگی، تکنيک انتخاب زيرمجموعه­ای از ويژگی­های مرتبط است، که هدف آن ساختن يک مدل يادگيری قوی­تر می­باشد. در يادگيری ماشين و آمار از عناوينی مثل انتخاب متغيير، کاهش ويژگی­ها، انتخاب صفت يا انتخاب زيرمجموعه­ای از متغييرها به جای انتخاب ويژگی نيز استفاده می­شود (12). انتخاب ويژگی با حذف ويژگی­های بی­ربط و کاهش ابعاد ويژگی­های …

انتخاب ويژگی Feature Selection خواندن بیشتر & raquo؛

خوشه بندی clustering

يكي ديگر از اهداف داده‌کاوی پديده‌ی خوشه‌بندي مي‌باشد، كه به فرآيند تقسيم مجموعه‌اي از داده‌ها (يا اشياء) به زير كلاس‌هايي با مفهوم خوشه‌ اشاره دارد. يك خوشه‌، يك‌ سري داده‌هاي مشابه مي‌باشد كه همانند يك گروه واحد رفتار مي‌كنند. لازم به ذكر است، خوشه‌بندي تاحدودیمشابه کلاس‌بندی است، با اين تفاوت كه كلاس‌ها از پيش‌تعريف‌شده و …

خوشه بندی clustering خواندن بیشتر & raquo؛

کلاس بندی و پيش بينی

کلاس بندی فرآيند پيدا کردن يک مدل توصيف کننده و تميز دهنده برای کلاس‌های داده‌ها است. اين مدل بايد به شکلی باشد که بتوان از آن برای پيش بينی کلاس داده‌هايی که برچسب آن‌ها نامشخص است، استفاده کرد. کلاس بندی کننده، بوسيله يک مجموعه داده آموزش که برای آن‌ها برچسب کلاس‌ها مشخص است، ساخته می‌شود. …

کلاس بندی و پيش بينی خواندن بیشتر & raquo؛

معیار ارزیابی سیستم‌های تشخیص گوینده

برای ارزیابی سیستم از نظیرکردن یک به یک گوینده‌های مرجع به گوینده‌هایی که سیستم آنها را تشخیص داده است، استفاده می‌شود. این موضوع را در نظیر کردن مورد توجه قرار می‌دهیم که هر گوینده در مرجع باید حداکثر به یک گوینده در خروجی سیستم نظیر شود و هر گوینده در خروجی سیستم باید حداکثر به …

معیار ارزیابی سیستم‌های تشخیص گوینده خواندن بیشتر & raquo؛

روش‌های خوشه بندی متداول در سیستم‌های خوشه بندی گوینده

در این سیستم‌ها هدف از خوشه بندی گوینده، شناسایی و دسته بندی سگمنت‌های گفتاری مربوط به یک گوینده و اختصاص یک برچسب واحد به آنهاست و در نهایت نتیجه فرآیند خوشه بندی، یک خوشه در ازای هر گوینده خواهد بود. در سیستم‌های بخش بندی و خوشه بندی گوینده، روش خوشه بندی تجمعی سلسله مراتبی بیشتر …

روش‌های خوشه بندی متداول در سیستم‌های خوشه بندی گوینده خواندن بیشتر & raquo؛

روش‌های خوشه بندی

خوشه بندی، سازمان دهی مجموعه ای از الگوها[1] بر اساس شباهت در خوشه‌ها است. به نحوی که الگوهای داخل یک خوشه شبیه به هم بوده و دارای بیشترین تفاوت با الگوهای خوشه‌های دیگر باشند. بطور کلی، فرآیند خوشه بندی بصورت یک دسته بندی بدون سرپرست، تعریف می‌شود که هیچ اطلاع قبلی در مورد کلاس‌ها و …

روش‌های خوشه بندی خواندن بیشتر & raquo؛