شبکه عصبی
شبکه های عصبی مصنوعی جزء سیستم های دینامیکی هوشمندی هستند که با پردازش روی داده های تجربی ، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند . به همین خاطر « هوشمند » هستند چون بر اساس محاسبات روی داده های عددی یا مثال ها ، قوانین کلی را استخراج کرده و یاد گرفته اند .
ترجمه مقاله شبکه عصبی بهبود یافته برای طبقه بندی خطا های خط انتقال
قالب مقاله: PDF
قالب ترجمه: WORD
عنوان مقاله فارسی: یک شبکه عصبی بهبود یافته برای طبقه بندی خطا های خط انتقال
عنوان مقاله انگلیسی: An Improved Neural Network Algorithm for
Classifying the Transmission Line Faults
چکیده- این مطالعه یک مفهوم جدید از الگوریتم مصنوعی مبتنی بر هوش برای طبقه بندی خطاها در شبکه های سیستم قدرت معرفی می کند.این طبقه بندی منطقه و نوع دقیق خطا را شناسایی می کند. این الگوریتم بر مبنای نوع منحصر به فرد شبکه عصبی به خصوص توسعه یافته به منظور برخورد کردن با مجموعه بزرگی از دیتای ورودی ابعاد بالایی. بهبود الگوریتم توسط پیاده سازی مراحل مختلف پردازش سیگنال ورودی، از طریق انتخاب پارامترها برای فیلترینگ آنالوگ، و مقادیر برای پنجره دیتا و فرکانس نمونه برداری ارائه شده است. علاوه بر این، یک روش پیشرفته برای طبقه بندی الگوهای تست مورد بحث قرار گرفته است و مقایسه مزایای اصلی با نزدیکترین طبقه بندی همسایه قبلی استفاده شده نمایش داده شده است.
کلید واژه ها – روش خوشه بندی، الکترومغناطیس گذرا، شبکه های عصبی، دسته بندی الگو، خطاهای سیستم قدرت، رله های حفاظتی، آموزش.
کامپیوتر 54. تعیین هویت مخاطب مستقل از متن کارآمد از طریق مدل ترکیبی ساختاری گاوس و شبکه های عصبی
تعیین هویت مخاطب مستقل از متن کارآمد از طریق مدل ترکیبی ساختاری گاوس و شبکه های عصبی
چکیدهچکیده – ما سیستم مرکبی را در ارتباط با مدل ترکیبی گاوس (SGMM) و شبکه های عصبی برای دستیابی به راندمان محاسباتی و صحت بالا در ارتباط با تعیین هویت مخاطب ارائه می دهیم. یک مدل ساختاری پیشینه (SBM) در ابتدا از طریق طبقه بندی زنجیره ای تمام اجزای ترکیبی گاوس در ارتباط با این مدل ایجاد می گردد. به این ترتیب ، یک فضای صوتی به مناطق مختلف در سطوح مختلف بخش بندی می گردد. در ارتباط با هر یک از این اهداف ، مدل SGMM از طریق فرایندهای چند سطحی MAP از طریق SBM ایجاد می گردد. در هنگام تست ، تنها شاخه هایی از اجزای ترکیبی گاوس در ارتباط با این ویژگی ها مورد محاسبه قرار می گیرند تا هزینه های محاسباتی را به طور قابل توجهی کمتر کنند. علاوه بر این موارد مورد محاسبه شده در لایه های مدل درختی مختلف ، برای تصمیم گیری نهایی با شبکه های عصبی ترکیب می گردند. پیکره بندی های متفاوتی در ارتباط با این بررسی ها بر روی اطلاعات حاصل از گفتگوهای تلفنی مورد استفاده در ارزیابی NIST انجام می گیرد. نتایج حاصل از این بررسی ها نشان می دهد که کاهش محاسباتی با استفاده از فاکتور 17 از طریق 5 درصد کاهش نسبی در نرخ اشتباهات در مقایسه با خطوط اصلی مد نظر قرار می گیرد. روش SGMM-SBM مزایایی را در ارتباط با آمیزش GMM نشان می دهد ، که شامل ، سرعت بالاتر و عملکردهای بهتر می باشد.عبارات کلیدی ، طبقه بندی گاوس ، شبکه عصبی ، تعیین هویت مخاطب ، مدل ترکیبی گاوس.
5 مقاله جدید در مورد عقیده کاوی
1- مقایسه کارایی طبقه بندی های مختلف متن برای عقیده کاوی در نقد کالا
2-کمی سازی گرایش احساسی نظرات متنی فارسی مشتریان بر روی کالای مشتریان بر روی ویژگی های کالا
3- مقایسه کارایی طبقه بندی های مختلف متن برای عقیده کاوی در نقد کالا
4-افزایش هوش تجاری براساس تحلیل عقاید در نقدهای فارسی
چکیده :
با گسترش تجارت الکترونیک و سیستمهای مدیریت درخواست مشتری، روزانه حجم عظیمی از دادههای متنی توسط کاربران بهطور مستقیم و غیرمستقیم تولید میشود. این دادههای متنی ارزش اطالعاتی بسیار باالیی دارند و واضح و بدیهی است که بررسی تمامی آنها بهطور دستی توسط انسان سخت و دشوار و در برخی موارد غیرممکن است. از طرفی خریداران یک محصول و حتی مدیران نیاز دارند تا اطالعات جامع و کارآمدی که حاصل تمامی نظرات داده شده است را مشاهده نمایند تا بتوانند در کوتاهترین زمان تصمیم درستی در خصوص کمیت و کیفیت در راستای گسترش خرید و یا فروش آن محصول اتخاذ نمایند. بررسی نتایج نشان میدهد که 11 %کاربران اینترنت قبل از خرید یک محصول یا خدمات راجع به آن جستجو نمودهاند و دیگر نظرات را مطالعه کردهاند. لذا در دهه اخیر، حوزه تحلیل احساست، نگاه بسیاری از محققان حوزه صنعت و دانشگاه را به خود معطوف کرده است اما متأسفانه بسیاری از این پژوهشها مختص زبان انگلیسی بوده و کارهای بسیار کمی در زبان فارسی صورت پذیرفته است. در این مقاله به ارائه چارچوبی خواهیم پرداخت که میتواند با استفاده از متون نقد کاربران در زبان فارسی قطبیت آن را پیشبینی نموده و ویژگیهای مورد نقد را استخراج نماید. در این راستای، ابتدا در مرحله پیشپردازش دادهها با جداسازی کلمات و جمالت، و ریشهیابی کلمات، اطالعات موردنیاز از نقدها استخراج شده و در گام بعدی با استفاده از مدل SVM نظرات و عقیده کاربران در مورد یک محصول و ویژگیهای آن طبقهبندی نمودیم. در پایان نیز مدل آموزش داده شده توانست با سرعت و دقت باالیی قطبیت نقدهای نوشته شده کاربران را بهدرستی پیشبینی نماید.
واژگان کلیدی: هوش تجاری، تحلیل احساسات، عقیده کاوی، پردازش زبان طبیعی، مدل SVM
5-مروری بر رویکردهای ارائه شده در نظرکاوی
چکیده:
به طور کلی، عقیده کاوی و تجزیه و تحلیل احساسات کمک می کند تا شرکت ها و ارائه دهندگان خدمات عقاید و احساسات مشتریان و کاربران خود را بدانند و بر اساس نیازهای مشتریان و کاربران محصوالت و خدمات خود را ارائه دهند. رایت در ]21 ] ادعا می کند که "برای بسیاری از کسب و کار ها، عقیده کاوی آنالین، یک نوع ارز مجازی است که می تواند باعث شکست یا موفقیت یک محصول در بازار شود.". از طرفی این حوزه یکی از برترین عالیق دانشمندانی مانند روانشناسان اجتماعی را تشکیل می دهد، طوری که در برخی منابع عقیده کاوی را باز شدن پنجره ای به روی تفکر روانی و واکنش آنالین جوامع می دانند. این مسئله به مطالعه و درک اذهان عمومی در جوامع در زمان های خاص )در مورد موضوعات خاص موجود در جامعه( کمک می کند. به عنوان مثال، عقیده کاوی می تواند برای تحلیلگران سیاسی در پیش بینی نتایج انتخابات استفاده داشته باشد.
کلمات کلیدی:عقیده ، عقیده کاوی ، آنتولوژی ، آنتروپی ، یادگیری ماشین ، احساسات ، شبکه عصبی ، زبان شناسی