Skip Navigation Linksلیست مقالات ترجمه شده / خرید و دانلود
1,269,850

پیش از اقدام به خرید ترجمه فارسی می توایند نسخه انگلیسی را به صورت رایگان دانلود و بررسی نمایید. متن چکیده و ترجمه آن در پایین همین صفحه قابل مشاهده است.
دانلود رایگان مقاله انگلیسی
موسسه ترجمه البرز اقدام به ترجمه مقاله " مهندسی كامپيوتر " با موضوع " الگوریتم یادگیری جدید برای یک سیستم استنتاج فازی-عصبی کاملآ همبند " نموده است که شما کاربر عزیز می توانید پس از دانلود رایگان مقاله انگلیسی و مطالعه ترجمه چکیده و بخشی از مقدمه مقاله، ترجمه کامل مقاله را خریداری نمایید.
عنوان ترجمه فارسی
الگوریتم یادگیری جدید برای یک سیستم استنتاج فازی-عصبی کاملآ همبند
نویسنده/ناشر/نام مجله :
IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS
سال انتشار
2014
کد محصول
1005181
تعداد صفحات انگليسی
17
تعداد صفحات فارسی
53
قیمت بر حسب ریال
1,165,000
نوع فایل های ضمیمه
Pdf+Word
حجم فایل
4 مگا بایت
تصویر پیش فرض




Abstract

A traditional neuro-fuzzy system is transformed into an equivalent fully connected three layer neural network (NN), namely, the fully connected neuro-fuzzy inference systems (F-CONFIS). The F-CONFIS differs from traditional NNs by its dependent and repeated weights between input and hidden layers and can be considered as the variation of a kind of multilayer NN. Therefore, an efficient learning algorithm for the F-CONFIS to cope these repeated weights is derived. Furthermore, a dynamic learning rate is proposed for neuro-fuzzy systems via F-CONFIS where both premise (hidden) and consequent portions are considered. Several simulation results indicate that the proposed approach achieves much better accuracy and fast convergence

چکیده

یک سیستم فازی، عصبی سنتی در یک شبکه عصبی (NN) سه لایه کاملآ همبند معادل، به نام، سیستم استنتاج عصبی-فازی کاملآ همبند (F-CONFIS) شکل‌گرفت. F- CONFIS از NNهای سنتی توسط وزن‌های وابسته و تکرارشده‌اش بین لایه‌های ورودی-خروجی متمایز شده‌است و می‌تواند به عنوان تغییرات در انواع NNهای چندلایه دیده‌شود. بنابراین، یک الگوریتم یادگیری کارآمد برای F-CONFIS برای مقابله با این وزن‌های تکرارشده استخراج ‌شده ‌است. بنابراین، یک نسبت یادگیری پویا برای سیستم‌های عصبی-فازی  با F-CONFIS در جایی که  هر دو قضیه (پنهان) و بخش نتیحه بررسی‌شده‌اند، بیان می‌شود. نتایج شبیه‌سازی متعددی نشان‌می‌دهند که رویکرد پیش‌بینی شده دقت‌بسیار بهتر و سرعت همگرایی بسیار بهتری را بدست‌می‌آورد.

1-مقدمه

سیستم عصبی-فازی برای بسیاری از برنامه‌های کاربردی مهندسی در دهه‌های مربوط به تشخیص الگو، کنترل تطبیقی هوشمند، تخمین رگرسیون و تراکم، مدل‌سازی سیستمی، و غیره [1]-[6] بکارگرفته شدند. یک سیستم عصبی فازی، خصیصه‌های شبکه عصبی (NN)، توصیف زبانی و کنترل منطقی را پردازش می‌کند. اگرچه پیشرفت‌های مهمی توسط ترکیب الگوریتم‌های یادگیری یا سیستم عصبی-فازی ایجادشده است، هنوز مسائلی وجود دارند که برای پیاده‌سازی‌های عملی برای نمونه، یافتن نسبت یادگیری بهینه برای هردو بخش قضیه و نتیجه برای افزایش سرعت همگرایی، یا ارتقای پارامترهای توابع عضو (MF) نیازمند حل‌شدن هستند. در یک سیستم عصبی-فازی، به طور عمومی، لایه قاعده یک لایه حاصل به جای یک لایه جمع در یک NN پیشخور معمولی است. در نتیجه،  بکاربردن الگوریتم‌های یادگیری در تبدیل پارامترهای قضیه مختصر نیست. بنابراین، برای طراحی یادگیری سیتماتیک سیستم عصبی-فازی، یک سیستم فازی-عصبی به عنوان یک NN سه لایه کاملآهمبند دوباره فرمول‌بندی شده‌است، برای مثال، سیستم استنتاج فازی کاملآهمبند (F-CONFIS).  اگرچه یکسری از نوشته‌ها اثبات کرده‌اند که هم‌ارزی‌های کاربردی بین سیستم‌فازی و یک NN، غیرسازنده است. F-CONFIS یک مرحله سازنده را برای ایجاد هم‌ارزی بین یک سیستم عصبی-فازی و NN ارائه‌می‌دهد. F-CONFIS با NN چند لایه کلاسیک توسط وزن لینک‌های تکرارشده‌اش، تفاوت پیدا کرده‌است. با یکسری از آرگومان‌های خاص، می‌توانیم الگوریتم‌های یادگیری را از F-CONFIS مشتق‌کنیم، بنابراین برای یک سیستم عصبی-فازی کارآمد و موثر است...


خدمات ترجمه تخصصی و ویرایش مقاله مهندسی كامپيوتر در موسسه البرز


این مقاله ترجمه شده مهندسی كامپيوتر در زمینه کلمات کلیدی زیر است:





Fully connected neuro-fuzzy inference systems (F-CONFIS)
fuzzy logic
fuzzy neural networks

ثبت سفارش جدید