استفاده از کدهای طول کوتاه در ارتباطات دیجیتال به خاطر فراگیر شدن پدیده اینترنت اشیاء از اهمیت ویژه‌ای برخوردار است. از طرفی مدل های یادگیری عمیق در زمینه‌های مختلفی مانند تشخیص اشیاء و تشخیص گفتار نتایج لبه علمی را بدست آورده‌اند. از این میان شبکه‌های کانولوشنی نقش اساسی در موفقیت مدل های یادگیری عمیق را دارند. برای افزایش دقت کدبرداری کدهای طول کوتاه (Low Density Parity Check Codes) بر مبنای معادله علامت از شبکه کانولوشنی استفاده گردید. برای تعیین جواب معادله علامت، از روش تشخیص الگوی خطا بهره گرفته شد. به این منظور، نخست شبکه کانولوشنی یک بعدی با سه لایه اصلی که هر لایه شامل زیرلایه‌های کانولوشن و ادغام میباشند استفاده شد. سپس خروجی شبکه کانولوشنی بر شبکه برگشتی GRU اعمال گردید. شبکه برگشتی GRU با تعداد سه برابر طول کدواژه با تابع فعالسازی ReLU مورد استفاده واقع گردید. تعیین مقدار ابرپارامترهای شبکه عصبی مورد استفاده ابتدا بصورت مقادیر پیش فرض کتابخانه تنسورفلو نسخه ۲ مقدار دهی و در برخی موارد برای افزایش دقت تغییر داده شدند.مقایسه بین مدل ترکیبی حاصل از شبکه کانولوشنی یک بعدی و شبکه برگشتی با مدل شبکه برگشتی نشان می دهد که برای کد LDPC با طول ۶۴ در کاهش نرخ خطای بیت، مدل ترکیبی حاصل از شبکه کانولوشنی و شبکه GRU بهتر عمل میکند. نرخ خطای بیت در شرایط نویزی مختلف به میزان ۵.۰ تا ۸.۰ دسیبل کمتر از میزان کدبردار بیشینه‌گر احتمال میباشد. همچنین نشان دادیم که شبکه‌های کانولوشنی در کنار شبکه‌های برگشتی پتانسیل این را دارند که بتوانند عملکرد چنین شبکه‌هایی را بهبود ببخشند. پرونده مقاله

امروزه علم و فن آوری با آهنگی شتابناک در حال رشد است و شبکه های اجتماعی پیچیده به بخشی ضروری از زندگی تبدیل شده اند، آن گونه که بحث جدایی مردم از شبکه های درهم پیچیده ای که مبتنی بر نیازهای اساسی زندگی است بحث ناگزیری در زندگی روزمره و عرصه دانش است. در پژوهش پیش رو مدلی برای شبکه های اجتماعی چندلایه ای پویا برای کشف گروه های تأثیرگذار، مبتنی بر ترکیبب الگوریتم تکاملی جهش قورباغه و خوشه بندی C-means ارائه شده است. بدین ترتیب که پس از جمع‌آوری داده‌ها به پاک سازی و نرمال سازی آن ها پرداخته شد تا داده‌های مطلوب منجر به شناسایی افراد و گروه‌های مؤثر شود که در ادامه کار ماتریس تصمیم شکل گرفت و از روی آن شناسایی و خوشه‌بندی(مبتنی بر خوشه‌بندی فازی) انجام شد و اهمیت گروه‌ها نیز مشخص گردید. برای دستیابی به افراد و گروه‌های تأثیرگذار در شبکه‌های اجتماعی، از الگوریتم قورباغه جهنده برای بهبود تشخیص پارامترهای تأثیرگذار استفاده شد که باعث بهبود اهمیت گره ها شده است. در ارزیابی و شبیه سازی بخش خوشه‌بندی، روش پیشنهادی با روش K-means مقایسه و نتیجه مقدار تعادل روش در انتخاب خوشه برابر 5 شد. گفتنی است که روش پیشنهادی به نسبت روش‌های مورد مقایسه، بهبود مناسب تری را نشان داد. همچنین ارزیابی معیار صحت روش پیشنهادی به نسبت روشهای همسان بهبود 3.3 داشته و نسبت به روش پایه M-ALCD بهبود 3.8 را به ثبت رسانده است. پرونده مقاله

مقاله حاضر بـا مدل سـازی ریاضـی، فرآینـد اجتمـاعی-سیاسـی الگوریتم رقابت استعماری را در جهت ارائه یک الگوریتم قوی و کارا در حوزه بهینـه سـازی تشخیص به کارگرفته است. دراین الگو از الگوریتم بهینه سازی برای یـادگیری یک ساختار شبکه عصبی استفاده شده است. شبکه عصبی مورد استفاده در حل مسئله طبقه بندی دیتاهای بانکی به کار رفته است و اعمـال الگوریتم رقابت استعماری به مسئله یادگیری شـبکه عصـبی طبقـه بندی کننده نیز روش مطرح شده در کار است. ساختار ترکیبی و پلکانی مدل- مبتنی بر الگوی هوشمند سازی – بر اساس ساختار ارتقا ی سیستم پیشنهادی عمل می کند . در این پژوهش تشخیص تقلب در کارت‌های اعتباری با هدف شناسایی نرخ تقلب، بالا بردن دقت و اعمال کمترین نرخ خطای سیستم با استفاده شبکه‌های عصبی و ترکیب آن با الگوریتم رقابت استعماری همراه بوده است؛ همچنین استخراج ویژگی‌های مؤثر در ارزیابی تشخیص تقلب از دیگر اهداف این تحقیق می‌باشد. پرونده مقاله

از آنجا که سایت‌های شبکه‌سازی اجتماعی با هدف برند‌سازی سازمانی، استخدام کارکنان و ترغیب دانش‌آموزان برای مشارکت فعالیت می‌کنند، در حوزۀ آموزش و پژوهش بسیار سودمندند. در این پژوهش روشی برای تشخیص تاثیر استفاده از شبکه‌های اجتماعی و اینترنت بر یادگیری دانش‌آموزان، مبتنی بر تکنیک یادگیری عمیق و با طبقه‌بندی دقیق ارائه شده است. روش پیشنهادی دارای دو فاز اصلی است؛ در فاز اول داده ها طی سه مرحله یکپارچه‌سازی، پاکسازی و تبدیل داده برای مدل سازی آماده می‌شوند و در فاز بعدی بااستفاده از یادگیری عمیق به ایجاد مدل و بررسی داده‌ها پرداخته می‌شود. روش ارائه شده مبتنی بر انتخاب ویژگی داده‌های منظقه و زمان خاص است و از زمان مناسبی برای پاسخگویی بهره می‌برد. روش پیشنهادی باتوجه به صحت خروجی حصول نتیجه مناسب، می‌تواند در دنیای واقعی استفاده شود. روش مذکور در مجموعه انتخاب ویژگی دارای خروجی مطلوب به میزان 68 درصد بوده که نسبت به روش پایه بهبود 14 درصدی به ثبت رسانده است و می‌توان نتیجه گرفت که استفاده از شبکه‌های اجتماعی و اینترنت حدود 68 درصد بر یادگیری و کارایی تحصیلی دانش‌آموزان تأثیرگذار است. پرونده مقاله