در این مقاله یک شبکه جدید و خاص به نام شبکه عصبی فازی محلی مدولار (LMFNN)، که از مبانی منطق فازی و شبکه های عصبی منتج شده و قابلیت هر دو در آن پیش بینی شده است پیشنهاد می شود. این شبکه بصورت ریاضی، بلوک دیاگرام، ساختار داخلی و فازی بیان شده و سپس مشخصات و چگونگی تعیین پارامترهای شبکه مورد نظر مشخص شده و مزایای آن نسبت به شبکه های عصبی معمولی از جمله کمی حجم محاسبات، سرعت و سادگی آموزش، نیاز کم به داده آموزشی و حذف ورودی غیرضروری نشان داده شده است.

در این مقاله طراحی یک کنترل کننده برای سیستمهای غیر خطی چند ورودی، چند خروجی (MIMO) مورد نظر است. کنترل این سیستمها در روشهای کنترل کلاسیک بخاطر وجود تداخل و غیر خطی بودن آنها مشکل است. اساس طراحی کنترل کننده در این مقاله، استفاده از شبکه های عصبی و عصبی فازی می باشد. اشکال این شبکه ها در کنترل سیستمهای غیر خطی چند ورودی چند خروجی بالا بودن حجم محاسبات، طولانی بودن دوره آموزش و اثر مخرب وجود ورودیهای غیر ضروری است. برای فائق آمدن بر این مشکلات، یک شبکه عصبی فازی مدولار خاص که جهت کنترل سیستمها تنها از اطلاعات ورودی خروجی استفاده می کند مورد نظر طراحی شده و ساختار کنترل کننده بهمراه الگوریتم یادگیری مناسب جهت بکارگیری آن در کنترل سیستمهای غیر خطی MIMO ارائه شده است. این کنترل کننده به چند سیستم غیر خطی MIMO اعمال شده و نتایج بدست آمده نشان می دهد که کنترل کننده مورد نظر از کیفیت و قابلیت خوبی برخوردار است.

در این مطالعه سعی شده تا کارآیی هوش مصنوعی در تخمین مقاومت خمشی پارچه با در اختیار داشتن فاکتورهای ساختاری آن نظیر قطر نخ پود، درصد جمع شدگی نخ های تار، درصد جمع شدگی نخ های پود، مقدار ضخامت پارچه، تراکم نخ های پود و وزن پارچه مورد ارزیابی قرار گیرد. از این رو در این مطالعه از مدلهای مختلفی همچون شبکه عصبی مصنوعی و شبکه فازی-عصبی و رگرسیون خطی-محلی و رگرسیون خطی-محلی دینامیک جهت برآورد مقاومت خمشی پارچه با در اختیار داشتن فاکتورهای ساختاری استفاده شده است. در این تحقیق ابتدا بهترین ترکیب ورودی با استفاده از الگوریتم ژنتیک و همچنین بهترین اندازه مجموعه آموزش با استفاده از گزینه M-test تعیین گردید. برای این کار از نرم افزار Wingamma استفاده شد. در ادامه کارایی هر یک از مدلها مورد بررسی قرار گرفت. نتایج نشان دادند که مدلهای رگرسیون خطی-محلی و رگرسیون خطی-محلی دینامیک در این مطالعه نتوانسته اند کارآیی خوبی از خود نشان دهند و از بین شبکه های عصبی استفاده شده در این مطالعه شبکه عصبی MLP با یک لایه مخفی بهترین جواب را ارایه کرده است. در کل از بین مدلهای استفاده شده در این مطالعه، مدل ترکیبی فازی-عصبی (ANFIS) بهترین برآورد را از مقاومت خمشی پارچه دارد.

کارهای قبلی بر روی بازشناسی گفتار به کمک شبکه های عصبی غالبا بر تقطیع واجی و یا نگاشت مسیر بردار بازنمایی گفتار به فضای واجها متکی بوده اند. در این روشها به علت نحوه برچسب دهی در مرزهای واجها بخشی از اطلاعات مفید گفتار ممکن است از دست بروند. برخی نتایج اخیر نشان می دهند که اولا نواحی مرزی و گذرای واجها برای شناسایی به عنوان واحدهای صوتی پتانسیل خوبی دارند و دوم اینکه بازشناسی نواحی گذرای سریع آواها به عنوان نشانه های صوتی ثابت توسط شبکه های عصبی به کیفیت بازشناسی بالایی منجر گردیده است. بازشناسی مجزای نواحی یکنواخت و نواحی گذرای آواها بر منبای تفکیک همخوان، واکه و ترکیب نتایج آنها را بر روی گفتار فارسی پیاده سازی نموده ایم. بررسی خطاهای عملکرد این مدل نشان داده اند که برخی نکات نظری زبان شناختی پیرامون همخوانها و واکه ها با نتایج پیاده سازیهای مهندسی کاملا تطبیق نمی کنند.

در این مقاله، مدلسازی دستگاه تولید لینک خودکار یا ALE با استفاده از شبکه های عصبی یا هوش مصنوعی معرفی شده است. به طور کلی می توان عملکرد یک دستگاه ALE را مدلسازی کرد. هدف از مدلسازی، طراحی همین دستگاه با استفاده از روش های جدید و پیاده سازی با استفاده از ابزارهای موجود و در نتیجه بومی سازی آن است. در همین راستا، در این مقاله با استفاده از شبکه های عصبی و الگوریتم MLP تلاش شده است که عملکرد کلی دستگاه ALE مدلسازی و پیاده سازی شود. در ابتدا، پس از بررسی کانال های مخابراتی و اثرات غیرخطی و نویز بر انتقال داده، یک مدل برای انتقال داده در کانال های مخابراتی معرفی و در محیط نرم افزار متلب کد نویسی شده است. سپس به معرفی انواع شبکه های عصبی و کاربردهای آن پرداخته شده است و بهترین الگوریتم برای مدلسازی دستگاه ALE انتخاب شده است. در ادامه چندین مدل با استفاده از tools نرم افزار متلب و کد نویسی الگوریتم MLP انجام گرفته است و مقایسه شده است. در نهایت مدل پیشنهادی که مبتنی بر الگوریتم MLP است با کمترین خطا، به ازای خروجی جدید می تواند کانال مناسب را پیش بینی کند. مدل های پیشنهادی پس از بهینه سازی قابل پیاده سازی بر روی FPGA هستند و راهی برای ساخت این دستگاه در داخل کشور فراهم می آورد.

در این مقاله یک روش جدید بر اساس شبکه عصبی فازی برای برآورد ضرایب فازی یک تابع عرضه و تقاضای نیروی کار با ورودی ها و خروجی های فازی، ارایه می شود. در بازارکار میزان دستمزد افراد و تولید ناخالص داخلی به صورت کلمات مبهم و یا فازی می باشند بنابراین لازم است این داده ها توسط رگرسیون فازی برآورد گردند و ضرایب این رگرسیون توسط شبکه عصبی فازی صورت می گیرد. برای تقریب پارامتر ها، یک الگوریتم درنظر گرفته می شود که این کار توسط شبکه عصبی صورت می پذیرد. در انتها به بررسی و براورد تابع عرضه و تقاضای فازی بازارکار ایران می پردازیم. همچنین توانایی روش مذکور را با روش های موجود مورد بررسی قرار خواهیم داد و مشخص شد که توانایی پیش بینی این روش از روش کاو و تاناکا برتری دارد.

زمینه و هدف: یﮑ ﯽ از ﻣ ﺸ ﮑ ﻼ ت اﺳ ﺎ ﺳ ﯽ ﺑ ﯿ ﻤ ﺎ ری دیابت عدم تشخیص به موقع و درمان ﺻ ﺤ ﯿ ﺢ آن است. مطالعه حاضر با هدف تشخیص بیماری دیابت با استفاده از روش مبتنی برداده کاوی انجام شده است. روش ها: این مطالعه از نوع تحلیلی بوده و پایگاه داده آن مشتمل بر 768 نفر با 8 ویﮋ ﮔ ﯽ می باشد. در این پژوهش از شبکه های عصبی مصنوعی و عصبی-فازی جهت تشخیص بیماری دیابت و انجام محساسبات استفاده شد. تحلیل آماری با استفاده از نرم افزار SPSS 23 و برنامه نویسی در محیط نرم افزار MATLAB 2018انجام شده است. به منظور حصول دقت واقعی از روش Kfold جهت تفکیک نمونه ها به دو دسته آموزش (Train) و آزمون (Test) استفاده گردید. نتایج: خطای محاسبه شده بر اساس میانگین مربعات خطا (mean square error) در روش شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و شبکه عصبی بردار یاد گیر کوانتیزه (Learning Vector Quantization) و شبکه های عصبی-فازی (Nero fuzzy) به ترتیب 98/6% و 98/2% و 99/6% بدست آمد. نتیجه گیری: با توجه به نتایج مطالعه، بنظر می رسد استفاده از مدل های مبتنی برداده کاوی می تواند بعنوان یک روش کمکی در تشخیص بیماری دیابت کارآمد باشد. اگرچه روش های مورد مطالعه با دقت قابل قبول توانایی امکان پیش بینی بیماری دیابت را دارند اما نتایج مطالعه نشان می دهد که روش مبتنی بر عصبی فازی دقت بالاتری دارند.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

افسردگی پس از زایمان یک مشکل سلامتی عمومی در مادران پرستاری است که به مراقبت های بهداشتی اولیه بعد از زایمان اهمیت چندانی نمی دهند. این نوع افسردگی که پس از زایمان تجربه می شود حدود 13 تا 19 درصد مادران شیرده را تحت تاثیر قرار می دهد؛ تشخیص افسردگی پس از زایمان بسیار مشکل است و با تمرکز بر بیماری های جسمی اغلب پزشکان قادر به تشخیص آن نبوده و نیاز به بررسی های دقیق روانی دارد. در این مقاله یک سیستم پیش بین فازی عصبی برای پیش بینی افسردگی پس از زایمان مورد استفاده قرار گرفته است همچنین روش جایگزین عصبی نیز در این مقاله مورد بررسی قرار گرفته و نتایج این دو روش با یکدیگر مقایسه شده اند. 20 نمونه داده در آموزش مدل مورد استفاده قرار گرفته است که در سیستم فازی عصبی خطای آموزشی 000054835/0 در دوره یک بوده و در سیستم عصبی مصنوعی خطای آموزشی برابر 003158/0 محاسبه شده است. این تکنیک، تشخیص سریع و صحیح افسردگی پس از زایمان را تسهیل می کند.

پژوهش حاضر با هدف مدلسازی نقش خود رهیابی و سواد رسانه­ای در طفره­روی مجازی انجام گرفت. این پژوهش از نظر راهبرد اصلی، کمی و از نظر تکنیک تحلیلی، توصیفی- همبستگی بود. جامعه آماری این مطالعه شامل دانشجویان تحصیلات تکمیلی بود. روش نمونه­گیری از نوع در دسترس بود. حجم نمونه با توجه به مدل کرجسی- مورگان و با در نظر گرفتن خطای 05/0 =α، 620 نفر در نظر گرفته شد. برای جمع آوری داده ها از پرسشنامه طفره­روی مجازی بلا و همکاران (2006) (با پایایی 89/0=α)، پرسشنامه محقق ساخته خودرهیابی (با پایایی 95/0=α) و پرسشنامه سواد رسانه­ای فلسفی (1393) (با پایایی 86/0=α)، استفاده شد. روایی محتوایی ابزارها با اعمال نظر ده نفر از خبرگان یادگیری الکترونیکی تأیید گردید. داده­ها با رویکرد شبکه عصبی مصنوعی با روش پرسپترون چندلایه (MPL) تحلیل شد. نتایج نشان داد مدلسازی عوامل خودرهیابی و سواد رسانه­ای در طفره­روی مجازی دانشجویان دارای یک لایه ورودی با ده گره و یک لایه پنهان با چهار گره است و شبکه عصبی مصنوعی به خوبی قادر است پرش­ها و روند طفره­روی مجازی دانشجویان را از روی این دو متغیر و خرده مقیاس­هایشان؛ پیش­بینی نماید. تمامی ضریب­های تاثیر لایه پنهان بر لایه خروجی در شبکه عصبی؛ منفی به دست آمده و از اینرو هرچه دانشجویان دارای مهارت خودرهیابی و سوادرسانه­ای بالاتری باشند، کمتر به رفتار طفره­روی مجازی می­پردازند و بالعکس. بر این اساس می­توان دریافت،  میزان سواد رسانه­ای و خودرهیابی دانشجویان متغیرهایی هستند که توان پیش بینی میزان طفره­روی مجازی دانشجویان را دارند.