فهرس المقالات Recurrent neural network

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - یک شبکه عصبی بازگشتی تک لایه کارا برای حل دسته‌ای از مسائل بهینه‌سازی محدب ناهموار
  محمد جواد عبادی علی‌رضا حسینی حسین جعفری
  مسائل بهینه‌سازی مقید دارای کاربردهای وسیعی در علوم، مهندسی و اقتصاد می‌باشند. در این مقاله یک مدل شبکه عصبی برای حل دسته‌ای از مسائل بهینه‌سازی مقید ناهموار با تابع هدف محدب ناهموار و قیود نامساوی‌های غیرخطی و خطی آفین پیشنهاد شده است. آن یک شبکه عصبی بازگشتی تک لایه غ أکثر

  مسائل بهینه‌سازی مقید دارای کاربردهای وسیعی در علوم، مهندسی و اقتصاد می‌باشند. در این مقاله یک مدل شبکه عصبی برای حل دسته‌ای از مسائل بهینه‌سازی مقید ناهموار با تابع هدف محدب ناهموار و قیود نامساوی‌های غیرخطی و خطی آفین پیشنهاد شده است. آن یک شبکه عصبی بازگشتی تک لایه غیر جریمه‌ای مبتنی بر شمول دیفرانسیلی است. برخلاف اکثر مدل‌های شبکه‌ عصبی موجود برای حل مسائل بهینه‌سازی، در ساختار مدل پیشنهادی هیچ پارامتر جریمه‌ای یا تابع جریمه وجود نداشته و مدل از پیچیدگی کمتری برخوردار است که منجر به پیاده‌سازی آسان‌تر مدل پیشنهادی می‌شود. معادل بودن مجموعه جواب‌های بهینه مسأله بهینه‌سازی اصلی و مجموعه نقاط تعادلی مدل شبکه عصبی پیشنهادی اثبات گردیده است. به‌علاوه همگرایی سراسری و پایداری شبکه عصبی پیشنهادی نشان داده شده‌اند. به منظور روشن ساختن کارایی و اثربخشی مدل ارائه شده تعدادی مثال شامل مسأله مینیمم‌سازی نرم L1 ارائه و حل شده‌است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - یک شبکه عصبی بازگشتی برای تشخیص واحدهای تصمیم گیرنده کارا در تحلیل پوششی داده ها
  عباس قماشی غلامرضا جهانشاهلو فرهاد حسین زاده لطفی
  در این مقاله ما یک مدل شبکه عصبی برای تشخیص واحدهای تصمیم­گیرنده کارا در تحلیل پوششی داده­ها معرفی می­کنیم. مدل شبکه عصبی پیشنهادی از یک مسئله بهینه­سازی نامقید حاصل می­شود. از دیدگاه تئوری نشان داده می­شود شبکه عصبی پیشنهادی دارای پایداری لیاپان أکثر

  در این مقاله ما یک مدل شبکه عصبی برای تشخیص واحدهای تصمیم­گیرنده کارا در تحلیل پوششی داده­ها معرفی می­کنیم. مدل شبکه عصبی پیشنهادی از یک مسئله بهینه­سازی نامقید حاصل می­شود. از دیدگاه تئوری نشان داده می­شود شبکه عصبی پیشنهادی دارای پایداری لیاپانف و همگرای سراسری می­باشد. مدل پیشنهادی تک لایه  می­باشد. شبیه­سازی نشان می­دهد مدل پیشنهادی قادر به تشخیص واحدهای کارا در تحلیل پوششی داده­ها می­باشد.   تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM
  محبوبه شادابی بجند ابراهیم امیری
  10.30495/jest.2022.54871.5157
  زمینه و هدف: برآورد مناسب از میزان رسوب جاری شده در رودخانهها به عنوان مبنای داده¬ای برای بسیاری از طرحها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه¬های آبی بسیار مهم در غرب استان گیلان می باشد. رودخانه قلعه رودخان از دو شاخه (حیدرآلات) أکثر

  زمینه و هدف: برآورد مناسب از میزان رسوب جاری شده در رودخانهها به عنوان مبنای داده¬ای برای بسیاری از طرحها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه¬های آبی بسیار مهم در غرب استان گیلان می باشد. رودخانه قلعه رودخان از دو شاخه (حیدرآلات) و (نظر آلات) تشکیل شده است. از همین رو، هدف از انجام این پژوهش، مدل-سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) است. روش بررسی: در این تحقیق از آمار دبی ـ رسوب ثبت شده مربوط به دوره آماری سال 1381 تا 1395 استفاده شده است. این آمار شامل دبی لحظه ای روزانه به مترمکعب بر ثانیه و رسوب روزانه لحظه ای به تن در روز است که همزمان اندازه گیری شده اند. متغیرهای تحت بررسی در مدلسازی پیش بینی مستلزم ايجاد يک شبکه عصبي مصنوعي، وجود يک سري داده، به منظور مدلسازي در اين شبکه مي باشد. یافته ها: دقت پیش بینی های انجام شده با سه معیار خطا بررسی شد. سه معیار مورد بررسی به ترتیب AFE، FFE و n-AFE هستند. بحث و نتیجهگیری: نتایج به دست آمده نشان داد که از میان معیارهای مورد بررسی معیار FFE همبستگی میان خروجی مدل و داده¬های اندازه¬گیری شده رسوب مناسب می باشد. در نتیجه مدل LSTM دارای دقت مناسب برای پیش بینی مقدار رسوب دو رودخانه قلعه رودخان می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - Extended ‎A‎artificial Neural Networks Approach and Fractional Volterra ‎I‎ntegro-Differential Equation‎s
  A. Jafarian R. Saneifard
  10.30495/ijim.2023.15261.817
  In current research, an architecture of hybrid articial neural networks has been employed to solve a special kind of fuzzy systems. The proposed four-layer fuzzied recurrent network can approximate real solution of the present fuzzy system to any desired degree of acc أکثر

  In current research, an architecture of hybrid articial neural networks has been employed to solve a special kind of fuzzy systems. The proposed four-layer fuzzied recurrent network can approximate real solution of the present fuzzy system to any desired degree of accuracy. To do this, a back-propagation learning rule based on the gradient descent method is designed to estimate the unknowns. Finally, some numerical experiments with comparison are presented to show the effectiveness of the recurrent back-propagation method.In current research, an architecture of hybrid articial neural networks has been employed to solve a special kind of fuzzy systems. The proposed four-layer fuzzied recurrent network can approximate real solution of the present fuzzy system to any desired degree of accuracy. To do this, a back-propagation learning rule based on the gradient descent method is designed to estimate the unknowns. Finally, some numerical experiments with comparison are presented to show the effectiveness of the recurrent back-propagation method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - A Recurrent Neural Network for Solving Strictly Convex Quadratic Programming Problems
  A. Ghomashi M. Abbasi
  In this paper we present an improved neural network to solve strictly convex quadratic programming(QP) problem. The proposed model is derived based on a piecewise equation correspond to optimality condition of convex (QP) problem and has a lower structure complexity res أکثر

  In this paper we present an improved neural network to solve strictly convex quadratic programming(QP) problem. The proposed model is derived based on a piecewise equation correspond to optimality condition of convex (QP) problem and has a lower structure complexity respect to the other existing neural network model for solving such problems. In theoretical aspect, stability and global convergence of the proposed neural network is proved. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - Designing Path for Robot Arm Extensions Series with the Aim of Avoiding Obstruction with Recurring Neural Network
  ramin khodaie محمد اسمعیل اکبری
  In this paper, recurrent neural network is used for path planning in the joint space of the robot with obstacle in the workspace of the robot. To design the neural network, first a performance index has been defined as sum of square of error tracking of final executor. أکثر

  In this paper, recurrent neural network is used for path planning in the joint space of the robot with obstacle in the workspace of the robot. To design the neural network, first a performance index has been defined as sum of square of error tracking of final executor. Then, obstacle avoidance scheme is presented based on its space coordinate and its minimum distance between the obstacle and each of robot links and proper inequality equations have been derived which describe the qualification of obstacle avoidance. Moreover, nonlinear optimization problem with nonlinear constraint functions has been derived by considering the joint physical limits. In order to design the neural network, equivalent problem of projection theorem has been converted to quadratic programming by using Kuhn-Tucker 1optimality conditions. Based on the projection theorem, model of recurrent neural network has been determined which is as a first order differential equation. Simulation results show the good performance of the proposed method by applying the proposed algorithm on the seven-degree freedom PA-10 robot. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  7 - Soft Error Rate Estimation of Logic Circuits Using Recurrent Neural Networks
  Rasoul Farjaminezhad saeed safari Amir Masoud Eftekhari Moghadam
  Nano-scale technology has brought more susceptibility to soft errors for the generation of complicated and state of the art devices. Soft errors are the impacts of radiation of the particles like a neutron, alpha, and ions on the surface of the circuits. To tackle the s أکثر

  Nano-scale technology has brought more susceptibility to soft errors for the generation of complicated and state of the art devices. Soft errors are the impacts of radiation of the particles like a neutron, alpha, and ions on the surface of the circuits. To tackle the system malfunctions and provide a reliable device, studying the transient fault effects on the logic circuits can be a more significant issue. This paper presents a new approach based on Recurrent Neural Networks (RNNs) to estimate ICs' Soft Errors Rate (SER). As RNN can be deployed for signal processing and time series, we applied it to investigate transient fault effects while propagating through the combinational and sequential parts of a test chip and compute its SER by simulating and analyzing the circuit outputs. In this paper, the results of utilizing the proposed RNN model to estimate the SER of the ISCAS-85 benchmark circuits have been provided. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  8 - بررسی و مقایسه عملکرد شبکه‌های عصبی پیشرو و بازگشتی در کنترل فعال نویز صوتی
  مهرشاد سلماسی همایون مهدوی نسب
  کنترل فعال نویز صوتی براساس تولید یک سیگنال نویز دیگر و تداخل آن با نویز اصلی انجام می‌شود. سیگنال تولید‌شده دارای دامنه‌ای برابر با نویز اصلی و 180 درجه اختلاف فاز نسبت به آن می‌باشد. در این مقاله، کنترل فعال نویز صوتی با استفاده از شبکه‌های عصبی پیشرو و بازگشتی انجام أکثر

  کنترل فعال نویز صوتی براساس تولید یک سیگنال نویز دیگر و تداخل آن با نویز اصلی انجام می‌شود. سیگنال تولید‌شده دارای دامنه‌ای برابر با نویز اصلی و 180 درجه اختلاف فاز نسبت به آن می‌باشد. در این مقاله، کنترل فعال نویز صوتی با استفاده از شبکه‌های عصبی پیشرو و بازگشتی انجام شده و عملکرد شبکه‌ها در کاهش نویز مورد بررسی و مقایسه قرار می‌گیرد. شبکه‌های عصبی پیشرو و بازگشتی با نویزهای صوتی موجود در پایگاه دادة SPIB مورد آموزش و تست قرار می‌گیرند. برای مقایسه‌ی دقیق‌تر عملکرد شبکه‌ها، از نمونه‌های مشابه برای آموزش و تست و همچنین پیچیدگی مشابه در ساختار شبکه‌ها استفاده می‌شود. نتایج شبیه‌سازی‌ها توانایی مناسب شبکه‌های عصبی مورد بررسی را در کاهش نویز صوتی نشان می‌دهد. همچنین مشاهده می‌شود که شبکه‌ی عصبی بازگشتی (Elman) عملکرد بهتری را در کاهش نویز صوتی نسبت به شبکه‌ی پیشرو دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  9 - A Recurrent Neural Network Model for solving CCR Model in Data Envelopment Analysis
  معصومه عباسی عباس قماشی
  In this paper, we present a recurrent neural network model for solving CCR Model in Data Envelopment Analysis (DEA). The proposed neural network model is derived from an unconstrained minimization problem. In the theoretical aspect, it is shown that the proposed neural أکثر

  In this paper, we present a recurrent neural network model for solving CCR Model in Data Envelopment Analysis (DEA). The proposed neural network model is derived from an unconstrained minimization problem. In the theoretical aspect, it is shown that the proposed neural network is stable in the sense of Lyapunov and globally convergent to the optimal solution of CCR model. The proposed model has a single-layer structure. A numerical example shows that the proposed model is effective to solve CCR model in DEA. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  10 - Neural Network Model Based on The Control for Transient Stability and Low-Frequency Oscillation in Power System Operation
  Amir Bagheran Sharbaf Ali Asghar Shojaei
  Flexible AC Transmission System (FACTs) devices are used in power transmission networks to increase maximum power transmission and stability. On the one hand, they help to damp low-frequency oscillations for both local and internal areas. But on the other, the design of أکثر

  Flexible AC Transmission System (FACTs) devices are used in power transmission networks to increase maximum power transmission and stability. On the one hand, they help to damp low-frequency oscillations for both local and internal areas. But on the other, the design of these devices with uncoordinated Power System Stability (PSS) may degrade the performance of the power system. In addition, the power systems are vast, complex, and nonlinear. Linear control strategies do not have satisfactory performance for these systems, especially when some disturbances occur. In this study, a nonlinear Coordinated Control Strategy based on Recurrent Neural Network (CCSRNN) is designed to control PSS and Static Synchronous Compensators (STATCOM) coordinates for a standard multi-machine power system and also using the Multi-Bound Power System Stability (MB-PSS) and Multi-Bound Recurrent Neural Network MB-RNN PSS and compare the result of each one for having better stability of the system. The results simulation proves that the controller leads to transient stability and low-frequency oscillation. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  11 - Persian Speech Recognition Through the Combination of ANN/HMM
  Ladan Khosravani pour Ali Farrokhi
  The goal is to create a speech recognition system that is able to recognize Persian speech. Pro-sodic speech is attributed to the hierarchical structure from speech rhythm and tonal expression to the smallest syllable components and provides important information about أکثر

  The goal is to create a speech recognition system that is able to recognize Persian speech. Pro-sodic speech is attributed to the hierarchical structure from speech rhythm and tonal expression to the smallest syllable components and provides important information about trans segmental features such as F0 (fundamental frequency), intensity, and duration, which are crucial for natu-ral sound. Prosodic features are highly language dependent, however, the relationship between linguistic features and prosodic data is not well understood in some languages. While relatively high-performance prosodic generators have been developed for many languages, very limited work has been done on prosodic generators in Farsi. In this article, we first use a simple four-layer RNN to extract prosodic information, then we investigate the hybrid ANN/HMM model for Persian speech recognition. 210 samples of the speech of a male person were collected and after removing the noise, 47 of the samples were manually labeled phonetically. Then, the remaining training samples were automatically labeled and new neural networks (ANN) were created for the final recognition of the three-layer MLP type. Four methods including MEL, MEL derivative, energy, and energy derivative were used to extract features, and the values of each of these four methods were combined and given to the neural network. Then we use the neural network to classify these feature vectors and get the most similar vowels. We give the order of vowels as "observations" to HMMs (which are created based on pronunciations) and then find the most probable HMM (or in other words, the most words) to the input sound and output it. By applying recognition on 99.4% of test data, we even reached 100% accuracy in one case, which is a very favorable result considering the small number of speech data تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  12 - Novel Adaptive Recurrent Neural Controller based on VSC HVDC Damping Controller to Improve Power System Stability
  Naser Taheri
  10.30495/ijsee.2022.1963367.1216
  The use of high voltage direct current (HVDC) transmission lines in power systems not only increase the capacity of electrical power transmission systems, but also strengthen the stability of the power network. In order to optimize the HVDC influences on voltage-frequen أکثر

  The use of high voltage direct current (HVDC) transmission lines in power systems not only increase the capacity of electrical power transmission systems, but also strengthen the stability of the power network. In order to optimize the HVDC influences on voltage-frequency stability, it is necessary to design supplementary controllers in the most optimal path between input-output signals of the whole power system. The supplementary controllers are added to the local control loop of HVDC to improve active-reactive power flow. In this paper, an optimized method based on the controllability concept is proposed for the coupling of the input-output (IO) signals of the power system equipped with voltage source converter (VSC)-based HVDC. Then, the optimal path is used for supplementary damping controller design based on a novel adaptive recurrent neural network (ARNN). The ARNN is trained online Using a new training algorithm. The simulation results, which are carried on using MATLAB software, show the effectiveness of the control strategy to improve the voltage profile and dynamic stability of the power system. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  13 - مقایسه مدل‌های مختلف یادگیری ماشین در پیش‌بینی شاخص بازار سهام
  مریم سهرابی سید مظفر میربرگ کار ابراهیم چیرانی سینا خردیار
  پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت ا أکثر

  پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت این موضوع، در این پژوهش، با بهره‌‌گیری از مقایسه مدل‌های مختلف یادگیری ماشین از قبیل رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به بررسی توانایی مدل های مختلف یادگیری ماشین در پیش‌بینی شاخص کل بورس اوراق بهادار تهران در طی دوره ی 1392 تا 1399 پرداخته شده است. نتایج پیش بینی دوره‌های 1، 3 و 6 روزه برای دوره خارج از نمونه نشان می‌دهد که روش‌ یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت (LSTM) در مقایسه با سایر مدل‌های مورد بررسی نتیجه بهتری داشته است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  14 - ارزیابی و اعتبارسنجی معماری بهینه یادگیری عمیق در پیش بینی قیمت سهام (رویکرد الگوریتم حافظه کوتاه مدت ماندگار LSTM )
  امیر شریف فر مریم خلیلی عراقی ایمان رئیسی وانانی میر فیض فلاح
  امروزه انواع مدل‌های هوش مصنوعی جایگاه خود را در محاسبات و پیش‌بینی‌های بازارهای مالی تثبیت کرده‌اند؛ در این میان معماری‌های مبتنی بر یادگیری عمیق که خود براساس الگوریتم‌های یادگیری ماشینی می‌باشند، از طریق رفع ضعف‌های‌ مدل‌های سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای أکثر

  امروزه انواع مدل‌های هوش مصنوعی جایگاه خود را در محاسبات و پیش‌بینی‌های بازارهای مالی تثبیت کرده‌اند؛ در این میان معماری‌های مبتنی بر یادگیری عمیق که خود براساس الگوریتم‌های یادگیری ماشینی می‌باشند، از طریق رفع ضعف‌های‌ مدل‌های سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای دینامیک، مورد توجه قرار گرفته‌اند. مهمترین مزیت الگوریتم‌های یادگیری عمیق نسبت به مدل‌های سنتی شبکه‌ عصبی، استخراج خودکار ویژگی‌های مناسب از ورودی‌های خام می-باشد که از آن برای روند یادگیری مدل استفاده می‌کند؛ به عبارتی الگوریتم‌های این روش از چندین لایه‌ی پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره می‌برند تا بهترین ویژگی‌های مناسب را از ورودی خام استخراج نمایند. در پژوهش حاضر توانایی معماری‌های الگوریتم حافظه کوتاه‌مدت ماندگار (LSTM) جهت پیش-بینی قیمت سهام مورد بررسی قرار گرفته است؛ علاوه بر این، ضمن طبقه‌بندی عوامل موثر بر قیمت سهام، مولفه‌‌های نشان‌دهنده معاملات سهامداران حقیقی و حقوقی به عنوان عاملی اثرگذار بر قیمت سهام معرفی و بررسی شده است. برای اجرای مدل از سه گروه داده‌های قیمتی، شاخص‌های تکنیکال و معاملات سهامداران حقیقی و حقوقی استفاده شده است. نتایج تحقیق نشان از عملکرد بهتر معماری LSTM همراه با لایه Drop Out نسبت به مدل ساده آن و همچنین مدل RNN دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  15 - ارائه ی مدلی جهت پیش بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق
  مسعود نادم یحیی کامیابی اسفندیار ملکیان
  امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیو أکثر

  امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیوت است. از طرف دیگر سرعت پیشرفت روش‌های هوش مصنوعی نیز به گونه ای است که هر بار روشی قدرتمندتر معرفی می‌گردد. از جمله روش‌های نوین و قدرتمند هوش مصنوعی روش یادگیری عمیق است. لذا در پژوهش حاضر به ارائه‌ی مدلی جهت پیش‌بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق پرداخته شده است. در این پژوهش تعداد 15 الگوی امواج الیوت مدنظر قرار گرفت و سپس تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران، برای الگوها جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی وارد گردید. در این پژوهش از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده‌ی صحت 61 درصدی در تشخیص الگوها توسط مدل است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  16 - A Method for Solving Nonsmooth Pseudoconvex Optimization
  Maryam Bala Seyed Ghasir Aghileh Heydari Mohammad Ali Badamchizadeh
  10.30495/ijm2c.2022.1938594.1230
  In this paper, a two layer recurrent neural network (RNN) is shown for solving nonsmooth pseudoconvex optimization . First it is proved that the equilibrium point of the proposed neural network (NN) is equivalent to the optimal solution of the orginal optimization probl أکثر

  In this paper, a two layer recurrent neural network (RNN) is shown for solving nonsmooth pseudoconvex optimization . First it is proved that the equilibrium point of the proposed neural network (NN) is equivalent to the optimal solution of the orginal optimization problem. Then, it is proved that the state of the proposed neural network is stable in the sense of Lyapunov, and convergent to an exact optimal solution of the original optimization. Finally two examples are given to illustrate the effectiveness of the proposed neural network. تفاصيل المقالة