آمار کلی

بازدیدکنندگان : 2963844

Who's Online

ما 57 مهمان آنلاین داریم

آخرين ارسالهاي تالار

پرداخت آنلاین بانک ملت

مبلغ تراکنش (ريال):
ثبت سفارش مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 59 Votes )
میانگین امتیار کاربران: / 59
ضعیفعالی 

پروژه های آماده و پروژه های جدید

پروژه خود را ثبت کنید

آیا به مقاله شبیه سازی شده نیاز دارید؟

مقالات معتبر همراه با پیاده سازی متلب هوش مصنوعی و پردازش تصویر مقالات معتبر همراه با پیاده سازی متلب برق - کنترل مقالات معتبر همراه با پیاده سازی متلب برق - قدرت

ارسال درخواست موضوعی مقالات دارای شبیه سازی فازی- عصبی-ژنتیک-الترونیک قدرت-کنترل مقاوم- چند متغیره- مدرن- دیجیتال-بهینه-شناسایی-قابلیت اطمینان-پردازش تصویر- سیگنال- ریاضیات  و ...

ثبت سفارش پیاده سازی مقالات جدید شما با نرم افزار متلب

ثبت سفارش ترجمه روان مقالات انگلیسی با هزینه مناسب

سفارش پستی DVD آخرین نسخه متلب  برای  ویندوز یا لینوکس (32 و 64 بیتی) همراه با مجموعه کتاب های آموزشی

ما را در صفحه فیسبوک دنبال کنید

facebook.com/mathworks.ir

 
اعمال تبديل بر ويژگيها با استفاده از خطاي كلاس­بندي كمينه مبتني بر هسته برای بازشناسي الگو مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 1 Vote )
میانگین امتیار کاربران: / 1
ضعیفعالی 

اعمال تبديل بر ويژگيها  با استفاده از خطاي كلاس­بندي كمينه مبتني بر هسته برای بازشناسي الگو

 

چكيده

روشهاي اعمال تبديل بر وي‍‍ژگي را مي­توان به دو دسته خطي و غيرخطي تقسيم كرد. روشهاي تبديل و استخراج وي‍ژگي مبتني بر هسته از جمله روش­هاي غيرخطي هستند كه اخيراً مورد توجه بيشتري قرار گرفته­اند. در اين روشها، ايده اصلي نگاشت غيرخطي ويژگيها به فضايي با ابعاد بالاتر است. اين نگاشت با هدفها و معيارهاي متفاوتي صورت مي­گيرد. در آناليز متمايزساز خطي مبتني بر هسته (KLDA)، معيار تفكيك­پذيري بيشتر ويژگيها در فضاي جديد است، حال آنكه در آناليز مولفه­هاي اصلي مبتني بر هسته (KPCA)، معيار استقلال بيشتر ويژگيها در فضاي حاصل است. در مقاله حاضر يك روش جديد مبتني بر هسته پيشنهاد و فرموله مي شود كه بر كمينه كردن خطاي كلاس­بندي در فضاي ايجاد شده توسط هسته (KMCE) تكيه دارد. معیارهای بهینه­سازی در روشهای KLDA و KPCA مستقل از خطای کلاس­بندی می­باشند در صورتیکه در روش پیشنهادی علاوه بر بهره برداری از ایده­ی نگاشت غیرخطی هسته­، معیار کمینه­سازی خطای کلاس بندی نیز مورد نظر قرار می­گیرد. نتايج حاصل بر روي دادگان UCI و كلاس­بندهاي مختلف، نشان مي­دهند كه روش پيشنهادي در مقايسه با روشهاي تبديل ويژگي خطي و روشهاي شناخته شده تبديل ويژگي مبتني بر هسته، در مورد كلاس­بندهای مبتنی بر فاصله، نرخ بازشناسی بهتری دارد و در مورد کلاس­بندهای آماری و مبتنی بر درخت تصمیم نیز کارآیی قابل قبولی دارد.

کلمات کلیدی: تبدیل ویژگی،  آنالیز تفکیک­پذیری خطی، روش آنالیز مولفه اصلی، خطای کلاس­بند کمینه، تابع هسته

 

ادامه مطلب...
 
تشخيص لبه با الگوریتم فازی مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 1 Vote )
میانگین امتیار کاربران: / 1
ضعیفعالی 

تشخيص لبه در تصاوير ديجيتال با استفاده از تكنيك فازي

روش های مختلفی برای لبه یابی وجود دارد که هر کدام از آنها عیوب و مزایای دارند.اما یکی از متدهای لبه یابی که اخیرا توجه بسیاری از محققان در زمینه پردازش تصویر را به خود جلب کرده روش فازی یا همان لبه یابی فازی است.برای دریافت اطلاعات بیشتر روی کادر زیر کلیک کنید :

خلاصه مقاله :

لبه ها اجزای با فرکانس بالای تصویر هستند.به فیلترهای که در تشخیص لبه ها کاربرد دارند فیلترهای بالا گذر گویند. اما کار بر روی این دامنه های فرکانسی می تواند این کار را با بار پیچیدگی های اضافی همراه کند. بنابراین عموما تکنیک های تشخیص لبه بر اساس فضایی دامنه کار عمل می کنند. در حوزه فضایی، یک لبه را می توان به صورت کلاسیک با اولین یا دومین دستور مشتق گیری بدست آورد. چون مشتق مرتبه دوم حساسیت بالای نسبت به نویز دارد،عموما از مشتق مرتبه اول برای شناسای لبه های تصویر استفاده می کنیم واساس کار مشتق مرتبه اول شیب لبه هاست به صورت عمومی. قبل از بررسی مشتق مرتبه اول ، ما در ذهن داشته باشیم سیستم فازی ما طراحی شده بر اساس رابطه بین هر پیکسل و هشت نزدیک ترین پیکسل همسایه آن . وبنابراین اگر به یاد بیاریم که شیب خط از برادار X ها و جهت خط از بردار Y ها در مشتق مرتبه اول بدست میاید .پس می توانیم لبه ها را با ادامه همین عمل پیدا کنیم.

 

تكنيك فازي، يك عملگر معرفي شده به منظور شبيه سازي سطوح رياضي رفتار جبراني در پردازش تصميم گيري يا ارزيابي ذهني است. اين مقاله چنين عملگري را براي كاربردهاي بينايي كامپيوتري معرفي مي كند.
در اين مقاله يك روش جديد بر پايه استراتژي استدلال منطق فازي براي تشخيص لبه در تصاوير ديجيتال بدون تعيين مقدار آستانه ، پيشنهاد مي شود. روش پيشنهاد شده با بخش‌بندي كردن تصوير به نواحي، با استفاده از ماتريس باينري 3*‌3 شروع مي شود. پيكسل‌هاي لبه به محدوده اي از مقادير متمايز از يكديگر نگاشته مي شود. قابليت اطمينان نتايج روش پيشنهاد شده براي تصاوير گرفته شده متفاوت با عملگر سوبل (Sobel) خطي مورد مقايسه قرار مي گيرد. اين روش باعث تاثير پايدار در همواري و صاف بودن خطوط براي خط‌هاي مستقيم و گرد شدن براي خط هاي منحني مي شود. در اين حالت گوشه هاي تصوير تيزتر و به راحتي تعريف مي شوند.

 
الگوریتم کرم شب تاب مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 2 Votes )
میانگین امتیار کاربران: / 2
ضعیفعالی 

الگوریتم کرم شب تاب (FA) یک الگوریتم metaheuristic، با الهام از رفتار های رایانه ای از کرم شب تاب است.

هدف اصلی برای فلش کرم شب تاب است که به عنوان یک سیستم سیگنال عمل می کنند برای جذب دیگر کرم شب تاب ها است .

شین، او یانگ این الگوریتم کرم شب تاب با فرض فرموله زیر را ارائه کرد :

1. همه کرم شب تاب ها تمایل جنسی دارند، به طوری که یک کرم شب تاب به تمام کرم شب تاب های دیگر را جذب میکند .

2. جذابیت متناسب است به روشنایی خود، و برای هر دو کرم شب تاب یکی کمتر روشن خواهد شد جذب (و در نتیجه به حرکت می افتد ) یکی روشن تر، با این حال، روشنایی می تواند به عنوان فاصله آنها افزایش و یا کاهش یابد .

3. اگر کرم شب تابی روشن تر از کرم شب تاب داده شده وجود داشته باشد آن را به طور تصادفی حرکت خواهد داد.

روشنایی باید با تابع هدف در ارتباط باشد .

الگوریتم کرم شب تاب یک الگوریتم بهینه سازی است که از طبیعت الهام گرفته است.

 

ادامه مطلب...
 
الگوريتم ماهي ها مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 2 Votes )
میانگین امتیار کاربران: / 2
ضعیفعالی 

 

الگوريتم ماهی‌های مصنوعی

 

الگوريتم دسته ماهي هاي مصنوعي (AFSA) يك مدل محاسباتي تكاملي است كه مبتني بر الگوريتم هاي هوش جمعي و بر گرفته شده از طبيعت مي باشد.عملكرد اين الگوريتم بر اساس جستجوي تصادفي است

الگوریتم دسته‌ی ماهی‌هاي مصنوعی یکی از الگوریتم‌هاي هوش جمعی است که بر اساس جمعیت و جستجوي تصادفی کار می‌کند. این الگوریتم در سال 2002 توسط دکتر Li Xiao Lei ارائه گردید. اساس کار AFSA از روي رفتارهاي اجتماعی ماهی‌ها برگرفته شده و بر مبناي جستجوي تصادفی، جمعیت و رفتارگرایی کار می‌کند. این الگوریتم داراي خصوصیاتی از جمله سرعت همگرایی بالا، حساس نبودن به مقادیر اولیه‌ی ماهی‌هاي مصنوعی، انعطاف‌پذیري و تحمل‌پذیري خطا میباشد که آن را براي حل مسائل بهینه‌سازي قابل قبول می‌کند.

اساس کار AFSA   بر پایه‌ی توابعی است که از رفتارهاي اجتماعی دسته‌ی ماهی‌ها در طبیعت برگرفته شده‌اند. در دنیاي زیر آب، ماهی‌ها می‌توانند مناطقی را پیدا کنند که داراي غذاي بیشتري است، که این امر با جستجوي فردي یا گروهی ماهی‌ها محقق می‌شود. مطابق با این ویژگی، مدل ماهی مصنوعی با رفتارهاي حرکت آزادانه، جستجوي غذا، حرکت گروهی و دنباله‌روي ارائه شده است که به وسیله‌ی آنها فضاي مسئله جستجو می‌شود.

 

ادامه مطلب...
 
تصمیم گیر وزنی برای سیستم های تحمل پذیر خطا مبتنی برالگوریتم ژنتیک مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 2 Votes )
میانگین امتیار کاربران: / 2
ضعیفعالی 

تحمل پذیری خطا به قابلیتی از سیستم اشاره دارد که سیستم را قادر می سازد تا حتی در صورت بروز خطا در آن بتواند آن خطا را پوشش داده و از خرابی سیستم جلوگیری کند. این قابلیت در بسیاری از سیستم ها در زمره مهمترین ملزومات غیر وظیفه مندی سیستم است. برای بسیاری از سیستم ها ، عملیات نرم افزاری امن و قابل اعتماد یک نیاز مهم به شمار می رود، مانند کاربردهای هوافضایی، کنترل ترافیک هوایی، تجهیزات پزشکی، هسته ای ، بانکداری الکترونیکی. هزینه و نتیجه خرابی این سیستم ها می تواند در گستره وسیعی از صدمات انسانی ، مالی و غیره مطرح شود. یکی از روش های مهم در ساخت سیستم های تحمل پذیر خطا افزونگی است که هم در سطح سخت افزار و هم در سطح نرم افزار قابل پیاده سازی می باشد . در این سیستم ها ، الگوریتم های تصمیم گیری به منظور داوری میان نتایج N ماژول سخت افزاری یا N نسخه نرم افزاری افزونه، در گستره وسیعی به کار می روند.تاکنون روش های تصمیم گیری متنوعی ارائه شده اند که هر کدام مزایا و معایب خاص خود را دارند.از آنجائیکه الگوریتم ژنتیک برای بهبود دادن  جواب مسائل بکار می رود لذا در این تحقیق ، با استفاده از الگوریتم ژنتیک ، الگوریتم تصمیم گیروزنی ای برای سیستم های تحمل پذیر خطا ارائه خواهد شد که کارایی  دسترس پذیری و قابلیت اطمینان بهتری نسبت به سایر الگوریتم های تصمیم گیری مطالعه شده خواهد داشت.

 

ادامه مطلب...
 
<< شروع < قبلی 1 2 بعدی > انتها >>

صفحه 1 از 2