تخمین تقریبی شبکه­ ی عصبی کسری

توابع مجانبی هایپربولیک و سیگموئید، تقیب کسری شبکه­ی عصبی، عملگر شبه­میان­یابی، مدول پیوستگی، مشتق کسری

دسته بندی	مقالات ترجمه شده isi
بازدید ها	1
فرمت فایل	doc
حجم فایل	2117 کیلو بایت
تعداد صفحات فایل	23

فروشنده فایل

کد کاربری 1055

تمام فایل ها

Fractional neural network approximation

a b s t r a c t
Here, we study the univariate fractional quantitative approximation of real valued
functions on a compact interval by quasi-interpolation sigmoidal and hyperbolic tangent
neural network operators. These approximations are derived by establishing Jackson type
inequalities involving the moduli of continuity of the right and left Caputo fractional
derivatives of the engaged function. The approximations are pointwise and with respect
to the uniform norm. The related feed-forward neural networks are with one hidden
layer. Our fractional approximation results into higher order converges better than the
ordinary ones

تخمین تقریبی شبکه­ ی عصبی کسری

چکیده

تقریب کمی کسری یک متغیره­ی توابع با ارزش واقعی را بر روی فاصله­ی فشرده توسط عملگرهای شبکه­ی عصبی مجانبی هایپربولیک و سیگموئید شبه میان­یابی مطالعه می­کنیم. این تقریب­ها با برقراری نامساوی­های نوع جکسون شامل مدول­های پیوستگی مشتقات کسری کاپوتوی راست و چپ تابع مورد استفاده استخراج می­شود. تقریب­ها نقطه به نقطه و نسبت به نُرم یکنواخت هستند. شبکه­های عصبی فیدفوروارد مربوطه دارای یک لایه­ی پنهان هستند. تقریب زنی کسری ما منجر به همگرایی بهتری نسبت به تقریب­های معمولی می­شود.

.

Sigmoidal and hyperbolic tangent functionsNeural network fractional approximationQuasiinterpolation operatorModulus of continuityFractional derivative

ترجمه مقاله کاهش فلیکر ولتاژ مبتنی بر شبکه‌های عصبی مصنوعی با کنترلر یکپارچه عبور توان

دانلود ترجمه مقاله یک سیستم خبره فازی – عصبی برای تشخیص

لینک پرداخت و دانلود *پایین مطلب* فرمت فایل:Word تعداد صفحه:35 چکیده: منطق فازی،یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند.با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند ، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی میکند که از داده ها ...

ترجمه مقاله کاربردهای پیشرفته‌ی شبکه‌های عصبی و هوش مصنوعی

عنوان انگلیسی مقاله: Advanced Applications of Neural Networks and Artificial Intelligence: A Review

عنوان فارسی مقاله: کاربردهای پیشرفته‌ی شبکه‌های عصبی و هوش مصنوعی

دسته: کامپیوتر - فناوری اطلاعات

فرمت فایل ترجمه شده: WORD (قابل ویرایش)

تعداد صفحات فایل ترجمه شده: 31

جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

_______________________________________

چکیده ترجمه:

شبکه‌ی عصبی مصنوعی  را می‌توان یکی از شاخه‌های هوش مصنوعی دانست که به‌عنوان یک تکنولوژی رایانشی در علوم کامپیوتر مدنظر قرارگرفته است. در این مقاله قصد داریم به بازبینی حوزه‌ی هوش مصنوعی پرداخته و بر روی کاربردهای اخیر آن، که از شبکه‌های عصبی مصنوعی (ANN) و هوش مصنوعی (AI) استفاده می‌کند بیندازیم.همچنین قصد داریم ادغام شبکه‌های عصبی را با سایر متدهای رایانشی‌ای مانند منطق فازی  در نظر گرفته تا بتوانیم توانایی تفسیر داده‌ها را بهبود دهیم. شبکه‌های عصبی مصنوعی را می‌توان یک تکنولوژی رایانشی نرم دانست که در سطح زیادی موردمطالعه قرارگرفته و در طی دو دهه‌ی اخیر نیز کاربردهای زیادی از آن پدید آمده است. رایج‌ترین کاربردهای شبکه‌های عصبی را می‌توان در حل مسائل تشخیص الگو، تحلیل داده‌ای، کنترل و خوشه‌بندی دانست. شبکه‌های عصبی مصنوعی دارای ویژگی‌های زیادی من‌جمله سرعت پردازشی بالا و توانایی در یادگیری و به دست آوردن جواب یک مسئله(از طریق یادگیری یک مجموعه داده‌ای) می‌باشند. هدف اصلی این مقاله این بوده که به بررسی کاربردهای اخیر شبکه‌های عصبی مصنوعی و هوش مصنوعی پرداخته و یک بازبینی جامعی را در خصوص  نقش اصلی AI و NN در حوزه‌های مختلف ارائه دهیم.

واژگان کلیدی:

هوش مصنوعی، شبکه‌های عصبی، یادگیری ماشین، رایانش نرم

جهت دانلود محصول اینجا کلیک نمایید

ترجمه مقاله سیستم های خبره :تشخیص مدیریت درآمد با شبکه های عصبی

عنوان انگلیسی مقاله: Detecting earnings management with neural networks

عنوان فارسی مقاله: تشخیص مدیریت درآمد با شبکه های عصبی

دسته: اقتصاد

فرمت فایل ترجمه شده: WORD (قابل ویرایش)

تعداد صفحات فایل ترجمه شده: 21

جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

_______________________________________

چکیده ترجمه:

مطالعات زیادی جهت ارزیابی و سنجش رخداد و پیدایش مدیریت درآمد در زمینه های مختلف صورت گرفته است. در اکثر مطالعات، مفروضات بر این است که درآمد از طریق اقلام تعهدی حسابداری، مدیریت می‌شود. بدین ترتیب یکسری از مدل‌های تشخیص مدیریت درآمد مبتنی بر اقلام تعهدی پیشنهاد شد. توانایی این مدل‌ها برای تشخیص مدیریت درآمد، توسط برخی مطالعات دیگر زیر سؤال رفته است. یک توجیه برای عملکرد ضعیف مدل‌های موجود آن است که اکثر این مدل‌ها از یک رویکرد خطی برای مدلسازی فرایند اقلام تعهدی حتی در صورتی که فرایند اقلام تعهدی غیر خطی باشد، استفاده می‌کنند. گزینه دیگر در مواجهه با موارد غیرخطی، استفاده از انواع مختلف شبکه های عصبی است. هدف از این مطالعه ارزیابی این مورد است که آیا مدل‌های مبتنی بر عملکرد عصبی نسبت به مدل‌های خطی و قسمتی خطی درتشخیص مدیریت درآمد، موثرتر هستند یا خیر؟. این مطالعه شامل مدل‌های شبکه عصبی براساس نقشه خود سازمان دهنده SOM) )، یک مفهوم چند لایه MLP) ) و یک شبکه عصبی رگرسیون عمومی GRNN) ) می‌باشد. نتایج نشان می‌دهد عملکرد مدل بر مبنای شبکه های عصبی، بهترین عملکرد را دارا می‌باشد، درحالی که مدل خطی مبتنی بر رگرسیون، ضعیف‌ترین عملکرد را دارد، همچنین نتایج نشان داد که هر 5 مدل مورد ارزیابی قرار گرفته، قادر به تخمین اقلام تعهدی اختیاری هستند که باقدری اغماض بعنوان نماینده مدیریت درآمد، عمل می‌نماید.

واژگان کلیدی: مدیریت درآمد، تعهدات اختیاری، شبکه های عصبی

جهت دانلود محصول اینجا کلیک نمایید