شبکه های عصبی

مفهوم الگوهای نوظهور برای استخراج دانش از پایگاه داده ها توسط Dong و Li پیشنهاد شده است تا تغییرات قابل توجه بین کلاس ها را به تصویر بکشند [1]. یک الگوی نوظهور، […]

 کلاسه بندی[1] یکی از وظایف اساسی در داده کاوی[2] است که بطور وسیعی در زمینه یادگیری ماشین[3]، شبکه های عصبی[4] و تشخیص الگو[5] مورد مطالعه واقع شده است. ورودی، مجموعه ای از

تاریخچه هوش مصنوعی توانایی یادگیری منحصر به سیستم‌های زنده نیست بلکه در مدل‌های شبکه عصبی نیز قابل دسترس است. گرچه مفهوم یادگیری ماشین‌ برخلاف باورهای معمول ما از کامپیوترها است، زیرا اغلب

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

الگوريتم هاي آموزشي متنوعي جهت آموزش شبكه هاي عصبي به كار گرفته شده است. از مهم ترين الگوريتم هاي آموزشي مي توان از الگوريتم پس انتشار(back propagation)نام برد. در الگوريتم پس انتشار

در مرحله آشکارسازی علامت روی تصویر پیش پردازش انجام می گیرد و بخش بندی تصویر با توجه به خصوصیات رنگ واشکال ، انجام می گیرد. هر کدام از این بخش ها حاوی

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

با کشف سیگنال های EEG بسیاری از محققین در سراسر دنیا شروع به فعالیت در این زمینه کردند. مجموعه داده های متفاوت و با کاربردهای متفاوتی ایجاد شد. اکثر این محققین در

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

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]

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

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

برای ارزیابی سیستم از نظیرکردن یک به یک گوینده های مرجع به گوینده هایی که سیستم آنها را تشخیص داده است، استفاده می شود. این موضوع را در نظیر کردن مورد توجه

در این سیستم ها هدف از خوشه بندی گوینده، شناسایی و دسته بندی سگمنت های گفتاری مربوط به یک گوینده و اختصاص یک برچسب واحد به آنهاست و در نهایت نتیجه فرآیند

در این روش بعد از فاز استخراج ویژگی، برای تصمیم گیری از یک شبکه عصبی استفاده می شود. شبکه های عصبی دارای ورودی، خروجی و لایه های مخفی میانی[1]می باشند.  شکل (2-7)

بطور کلی مراحل مختلف یک سیستم بازشناسی گوینده، بصورت زیر خلاصه می گردد: 1-قطعه بندی آکوستیکی[1] 2-تشخیص گفتار از غیر گفتار[2] 3-تشخیص جنسیت گوینده 4-تشخیص تغییر گوینده 5-جمع زدن گوینده های مشابه

در دهه اخیر با توجه به بالا رفتن سرعت شبکه های کامپیوتری، روش های نظارت و شناسایی مبتنی به جریان شبکه بسیار مورد توجه قرار گرفته اند. به طوری که تولید کنندگان