نتایج جستجو برای: شبکه یادگیری عمیق

تعداد نتایج: 63882  

Journal: : 2023

طوفان‌های گردوغبار بلایایی طبیعی‌اند که در زندگی انسان و محیط‌زیست تأثیر چشمگیری گذاشته‌اند. توسعة مدل‌هایی، به‌منظور پیش‌بینی مسیر حرکت این طوفان‌ها، پیشگیری مدیریت نقش بسزایی ایفا می‌کند زیرا انتقال آنها را آشکار مناطق آسیب‌پذیر بعدی برابر طوفان مشخص می‌کنند. به‌لطف امکانات روش‌های یادگیری عمیق حل مسائل مبتنی‌بر سری زمانی یافتن الگوهای پنهان از حجم دادة کلان، پژوهش، یک مدل ترکیبی شبکة عصبی پی...

در سال‌های اخیر، توسعه‌ی پردازنده‌های کامپیوتری موجب معرفی الگوریتم‌های جدیدی برای پیش‌بینی دادههای مالی شده است که یکی از این الگوریتم‌ها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی‌ از شبکه یادگیری عمیق (Deep Learning) و مدل‌های منتخب خانواده GARCH جهت پیش‌بینی کوتاه‌مدت بازدهی روزانه شاخص کل بورس اوراق بهادار تهران پرداخته می‌شود. مهمترین ویژگی شبکه ی...

ژورنال: :هوش محاسباتی در مهندسی برق 0
سید علی سیدصالحی دانشگاه صنعتی امیرکبیر، سیده زهره سیدصالحی دانشگاه صنعتی امیرکبیر،

در این مقاله، یک روش پیش تعلیم دوسویه برای همگرا نمودن تعلیم شبکه های عصبی عمیق با یادگیری دیگرانجمنی ارائه شده است. تعلیم این شبکه ها به دلیل مواجه بودن با تعداد بالای کمینه های موضعی اغلب همگرا نمی گردد. این در حالی است که با مقداردهی اولیه مناسب وزن های شبکه، می توان از بسیاری از کمینه های موضعی اجتناب نمود. روش پیش تعلیم لایه به لایه دوسویه روشی سریع و کارا می باشد که در یک مسیر دوسویه به ط...

یادگیری عمیق، یکی از رویکردهای مورد توجه در یادگیری ماشین می باشد که شامل معماری های مهمی می باشد. شبکه کانولوشنی عمیق، یکی از معماری های مورد توجه در یادگیری عمیق می باشد که در پردازش های مربوط به تصاویر دیجیتالی کاربرد فراوانی پیدا کرده است. در این پژوهش، شبکه کانولوشنی Alexnet، به منظور شناسایی چهره در عکس های ورودی، مورد استفاده قرار گرفته است. تنظیم دقیق مدل از قبل تعلیم داده شده ی Alexnet...

ژورنال: :مهندسی فناوری اطلاعات مکانی 0
فاطمه علی دوست fatemeh alidoost university of tehran, college of engineering, surveying and geospatial engineering, north karegar street, tehran, iran, postal code: 1439957131دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران، کد پستی: 1439957131 حسین عارفی hossein arefi university of tehran, college of engineering, surveying and geospatial engineering, north karegar street, tehran, iran, postal code: 1439957131دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران، کد پستی: 1439957131

ساختمان­ها یکی از مهمترین سازه­های شهری هستند که در کاربردهای مختلف و در نقشه­برداری شهری مورد استفاده قرار می­گیرند. در سال­های اخیر، با توسعه تکنولوژی اخذ داده­ها با توان تفکیک بالا، روش­ها و الگوریتم­های مختلفی به منظور استخراج مدل­های دقیق و بهنگام ساختمان­ها ارائه شده است. در این مقاله، روشی نوین و مدل­مبنا به منظور استخراج ساختمان­ها و شناسایی اتوماتیک مدل سقف آنها از قبیل سقف مسطح، شیروا...

ژورنال: اکو هیدرولوژی 2020

مدل سازی دبی رودخانه در مدیریت منابع آب و مدیریت ریسک از اهمیت بالایی برخوردار است. این امر در مناطق کوهستانی اهمیت بیشتری پیدا می‌کند زیرا بیشتر جمعیت‌های پایین‌دست منطقه، وابستگی زیادی به کشاورزی و فعالیت‌های تجاری مانند تولید برق دارند. در این زمینه‌، در سال‌های اخیر، مدل‌های یادگیری ماشینی به دلیل دقت بالا در پیش‌بینی از طریق یادگیری به-صورت جعبه سیاه مورد توجه زیادی قرار گرفته‌اند. از این ...

رضایی, راضیه, زارعی, فاطمه, طهرانی, هادی,

مقدمه : به پشتوانه شواهد علمی بهینه سازی نظام آموزش و پژوهش در بستر شبکه های اجتماعی مجازی در بین دانشجویان تحصیلات تکمیلی ضرروی به نظر می رسد. از آنجا که دانشجویان و اساتید نظام آموزش عالی در زمره  مشتریان آن  قرار می گیرند، هدف این مطالعه واکاوی  دیدگاه ها و نقطه نظرات ایشان در پاسخ  به  چرایی به کاربست شبکه های مجازی در سیستم یادگیری و آموزش به روش شناسی کیفی بود. روش کار: این مطالعه، به شی...

چکیده زمینه و هدف: سیستم‌های تشخیص Computer-aided design به طور گسترده در تشخیص افتراقی سرطان سینه استفاده می‌شوند. بنابراین بهبود دقت یک سیستم CAD به یکی از حوزه‌های مهم تحقیقاتی تبدیل شده‌است. در این مقاله به بررسی سیستم های CAD مبتنی بر شبکه های عصبی عمیق از نوع کانولوشن در جهت تشخیص سرطان پستان در تصاویر ترموگرافی پرداخته شد. روش بررسی: برای تحلیل مدل‌ها از پایگاه داده “Database...

نمودار تعداد نتایج جستجو در هر سال

با کلیک روی نمودار نتایج را به سال انتشار فیلتر کنید