مجله اینترنتی دیتاسرا
امروز یکشنبه ۲۴ آذر ۱۳۹۸

بازسازی سه بعدی و تشخیص چهره با استفاده از ICA مبتنی بر هسته و شبکه های عصبی 3D reconstruction and face recognition using kernel-based ICA and neural networks

Abstract



Kernel-based nonlinear characteristic extraction and classification algorithms are popular new research directions in machine learning. In this paper, we propose an improved photometric stereo scheme based on improved kernel-independent component analysis method to reconstruct 3D human faces.

Next, we fetch the information of 3D faces for facial face recognition. For reconstruction, we obtain the correct normal vector’s sequence to form the surface, and use a method for enforcing integrability to reconstruct 3D objects. We test our algorithm on a number of real images captured from the Yale Face Database B, and use three kinds of methods to fetch characteristic values. Those methods are called contour-based, circle-based, and feature-based methods. Then, a three-layer, feed-forward neural network trained by a back-propagation algorithm is used to realize a classifier. All the experimental results were compared to those of the existing human face reconstruction and recognition approaches tested on the same images. The experimental results demonstrate that the proposed improved kernel independent component analysis (IKICA) method is efficient in reconstruction and face recognition applications.



Keywords: Independent component analysis, 3D human face reconstruction, 3D human face recognition, Back-propagation algorithm, Neural networks



چکیده فارسی



الگوریتم های طبقه بندی و انتخاب ویژگی های غیر خطی مبتنی بر هسته جزء دستورالعمل های پژوهش های رایج جدید در یادگیری ماشینی(machine learning) می باشد. در این مقاله، برای بازسازی چهره سه بعدی انسان ها، طرح استریوی فتومتریک اصلاح شده ای را بر اساس روش تجزیه و تحلیل مولفه مستقل از هسته اصلاح شده پیشنهاد می نماییم. سپس، اطلاعات سه بعدی چهره ها را برای تشخیص چهره صورت بازیابی می نماییم. برای بازسازی، توالی صحیح بردار قائم را برای شکل دادن سطح به دست می آوریم و برای بازسازی اشیاء سه بعدی از روشی با قابلیت انتگرال گیری استفاده می نماییم. الگوریتم را بر روی چند تصویر واقعی گرفته شده از بانک اطلاعات صورت ییل B (Yale Face Database B)  امتحان می کنیم و برای بازیابی مقادیر مشخصه(characteristic values) از سه روش استفاده می کنیم. این روش ها، روش های مبتنی بر طراحی(contour-based)، مبتنی بر دایره (circle-based) و مبتنی بر ویژگی (feature-based) نامیده می شوند. سپس، برای دسته بندی از شبکه های عصبی سه لایه خود بازخورد (feed-forward ) مرتب شده توسط الگوریتم انتشار رو به عقب استفاده شده است. تمام نتایج تجربی با نتایج بدست آمده از بازسازی چهره انسانی موجود مقایسه شد و رویکرد های بازشناسی بر روی تصاویر یکسانی مورد امتحان قرار گرفتند. نتایج تجربی نشان می دهد که روش تحلیل مولفه مستقل از هسته اصلاح شده پیشنهادی (IKICA) در برنامه های بازسازی و تشخیص چهره موثر می باشد.



واژه های کلیدی: تجزیه و تحلیل مولفه مستقل، بازسازی سه بعدی چهره انسان، تشخیص سه بعدی  چهره انسان، الگوریتم انتشار رو به عقب ، شبکه های عصبی


مشخصات

مشخصات

توسط: Shye-Chorng Kuo, Cheng-Jian Lin, Jan-Ray Liao مجله: Expert Systems with Applications انتشارات: Elsevier سال انتشار: 2011 میلادی تعداد صفحات متن اصلی: 10 تعداد صفحات متن ترجمه: 34 تاریخ درج: ۱۳۹۵/۶/۲ منبع: دیتاسرا

خرید آنلاین فایل ترجمه

خرید آنلاین فایل ترجمه

عنوان: بازسازی سه بعدی و تشخیص چهره با استفاده از ICA مبتنی بر هسته و شبکه های عصبی حجم: 1.66 مگابایت فرمت فایل: pdf قیمت: 9500 تومان رمز فایل (در صورت نیاز): www.datasara.com

دانلود فایل اصلی

دانلود فایل اصلی

عنوان: 3D reconstruction and face recognition using kernel-based ICA and neural networks

رمز فایل
رمز فایل (در صورت نیاز): www.datasara.com

نمای مطلب

مقدمه



هنگامی که برای گرفتن عکس از اشیاء و صحنه های سه بعدی از دوربین استفاده می کنیم، اطلاعات عمقی اشیاء سه بعدی را از دست می دهیم و تنها اطلاعات تصویر دو بعدی را به دست می آوریم. با این حال، اطلاعات عمقی اشیاء سه بعدی نقش مهمی در بسیاری از  برنامه های کاربردی از جمله بازشناسی سه بعدی و نمایش سه بعدی شی ایفا می نماید. بازسازی سطح سه بعدی از جمله مشکلات بازسازی جسم سه بعدی از تصاویر دو بعدی برای نشان دادن اطلاعات اصلی اشیاء سه بعدی می باشد. در این مقاله، برای حل مشکلات ذکر شده در بالا روش های جدیدی را پیشنهاد می کنیم.



رویکرد استریو فتومتریک در بازسازی سطح، یکی از این رویکردهای بینایی کامپیوتری(computer vision) می باشد. این رویکرد می تواند موقعیت محلی سطح را با استفاده از چندین تصویر یکسان گرفته شده از سطح یکسان از نقطه نظر یکسان اما با اشراق از جهات مختلف برآورد نماید. محدودیت اصلی رویکرد استریو فتومتریک کلاسیک این است که موقعیت منبع نور باید به دستی و بدون هرگونه خطا شناخته شده باشد. این امر مستلزم تجهیزات نورپردازی تنظیم شده و ثابت است. از این رو، روش اصلاح شده استریو فتومتریک توسط ه‍ای‍ا ک‍اوا (1994) برای برآورد محور عمود سطح و بازتاب سطح اشیاء بدون دانش قبلی از جهت منبع نور یا شدت منبع نور ارائه شد. روش ه‍ای‍ا ک‍اوا برای فاکتور گیری ماتریس داده های تصویر سه اشراق مختلف در ماتریس بازتاب سطحی و ماتریس منبع نور مبتنی بر مدل لامبرتین، از روش تجزیه و تحلیل مقدارهای منفرد (SVD) استفاده می نماید. با این حال، ه‍ای‍ا ک‍اوا برای یافتن تبدیل خطی بین ماتریس بازتاب سطحی و ماتریس منبع نور همیشه از یکی از این دو محدودیت اضافه شده استفاده می کند. مک گانیگل (1998) طرح استریو فتومتریک ساده ای را معرفی نمود که در آن تنها مدل بازتاب لامبرتین در نظر گرفته شده است و در این مدل سایه روی خود(self shadow) و سایه افکنده(cast shadow) و همچنین بازتاب متقابل نادیده گرفته شده است. سه تصویر در زاویه انحراف افزایشی  °90 گرفته شده است. مک گانیگل استفاده از روش خود را به عنوان اولین برآورد برای یک رویه تکراری پیشنهاد کرده است.



جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.



لین و همکاران، رویکرد استریو فتومتریک مبتنی بر ICA را بر اساس یک مدل غیر لامبرتینی ارائه نمودند(لین، چنگ و لیانگ، 2005). هدف از مدل ICA ، جدایی مولفه مستقل از سطح نرمال در هر نقطه از تصویر است. با این حال، مدل ICA همیشه با مقادیر محور x، محور y و محور z بردار نرمال جدا شده و به نوبه خود تنظیم نشده مشکل دارد. از این رو، مدل محدودشده تجزیه و تحلیل مولفه مستقل(CICA) ایجاد شد (هایوارینن، کارهونن و اجا،2001؛ لو و راجاپاکس، 2001). این مدل تحت نظارت ICA می باشد و موجب ایجاد مقادیر خروجی مختصات بردار عمود تنظیم شده می شود. لی و همکاران، برای حل مشکل اختلال بردار عمود، روش بازسازی استریو فتومتریک مبتنی بر cICA را ارائه نمودند (لی، چنگ و لین، 2006). با این حال، دریافتیم که مدل cICAدارای مشکل دیگری نیز می باشد. به طور کلی، داده های ورودی وارد شده در مدل cICA داده های خطی بودند. با این حال، داده های ورودی به دست آمده از تصاویر دوبعدی غیر خطی بودند. بنابراین تمام داده های غیر خطی را باید قبل از استفاده فرآیند cICA به داده های خطی تغییر داد. با این حال، این تبدیل موجب نوعی واپیچش غیر قابل اجتناب خواهد شد. یک نوع تغییر که به روش تبدیل خطی صورت گرفته و ما از آن استفاده نمودیم توسط الگوریتم هسته(مولر، مایک، راتسچ، تی سودا و اسچولکوپف، 2001 ؛ کوسور و توت، 2004) بوده که نیازی نداشت تا در طول تغییر از پارامتر مستلزم دگرگونی آگاهی یابیم و به ما این قدرت را می داد تا آرام و سریع تغییر را ایجاد نماییم.



در این مقاله، روش اصلاح شده تجزیه و تحلیل مولفه های مستقل از هسته (IKICA) را به عنوان مرجع تحت نظارت، برای بردار عمود سطح کروی و ترکیبی جسم ارائه می نماییم. IKICA پیشنهادی، تجزیه و تحلیل مولفه های مستقل از هسته سنتی (IKICA) را گسترش می دهد (ان و روان،2006؛ باخ و جردن، 2003؛ مارتیریجیانو، لیو، اسپاگنولو و دورازیو،2005؛ خو و گوا، 2006). یک مدل ICA غیر خطی می باشد که می تواند داده های غیر خطی را به طور مستقیم به تصاویر دوبعدی تبدیل نماید. بنابراین داده های مقدماتی نیازی به تغییر خطی پیشرفته ندارند. بنابراین، می تواند موجب کاهش خطا در بردار عمود اشیاءسه بعدی شود. سپس، مدل سطح سه بعدی بواسطه سطح نرمال هر پیکسل از تصویر بازسازی شده و به روش IKICA با استفاده از روش اجرای قابل انتگرال گیری به دست آمده است (فرانکوت و چلاپا، 1988). دلیل انتخاب این روش پیشنهادی سهولت پیاده سازی آن می باشد. پس از استفاده از روش بازسازی، می توانیم بسیاری از چهره های سه بعدی انسانی را در پایگاه داده های سه بعدی  انتخاب نماییم. آنگاه، می توانیم اطلاعات سه بعدی مدل چهره سه بعدی را برای بازشناسی انسان سه بعدی بازیابی نماییم.



مابقی این مقاله به شرح زیر است. جزئیات مدل بازتاب مبتنی بر IKICA پیشنهادی و ساختارهای آن در بخش 2 ارائه شده است. مدل بازسازی سه بعدی را در بخش 3 ارائه می نماییم. پس از بازسازی چهره، در بخش 4در مورد تشخیص چهره سه بعدی به بحث می پردازیم. نتایج تجربی در بخش 5 نشان داده شده است. در نهایت، بخش آخر نتایج را خلاصه می نماید.



2. مدل اصلاح شده KICA



2.1. مدل KICA



ICA  روشی می باشد که سیگنال تصادفی چند متغیره را به سیگنالی تبدیل می نماید که دارای مولفه هایی می باشد که از لحاظ آماری بطور متقابلا مستقل هستند (هایوارینن و همکاران، 2001). فرض می کنیم که سیگنال متغیر با زمان مشاهده شده به صورت x = (x1, x2, ... , xm)T باشد و سیگنال مورد نظر حاوی مولفه های مستقل (ICs) s = (s1, s2, ... , sn)T است. کلاسیک ICA فرض می نماید که سیگنال x مخلوط خطی لحظه ای ICs یا منابع مستقل si، i = 1, 2, ... , m می باشد. بنابراین، x = As می باشد و در آن ماتریس A با اندازه  نشان دهنده کانال های خطی ترکیبی بدون حافظه می باشد. هدف ازICA ، به دست آوردن  ماتریس اختلاط W برای بازیابی تمام ICs های سیگنال مشاهده شده می باشد. y = (y1, y2, ... , ym)T توسط y = Wx داده شده است. در این بخش به سادگی، قضیه کامل ICA را مطرح می نماییم، جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.



ایده اصلیKICA ، در ابتدا نگاشت داده های ورودی در فضای ویژگی ضمنی F می باشد:   . سپس KICA در F برای ایجاد مجموعه ای از ویژگی های غیر خطی داده های ورودی اجرا می شود. همانطور که در مورد الگوریتم ICA در قسمت بالا توضیح داده شده، داده های ورودی X در فضای ویژگی F سفید شده اند. ماتریس سفید به شرح ذیل است: ، در اینجا ،  به ترتیب مقادیر مشخصه (eigen values) ماتریس و بردارهای ویژه(eigenvectors) ماتریس کواریانس  می باشند. سپس می توانیم داده های سفید شده  را به شرح ذیل به دست آوریم:



که در آن K توسط:  تعریف شده است وα  بردارهای ویژه ماتریس K است. الگوریتم یادگیری پس از تبدیل سفید کردن، توسط الگوریتم تکرار شونده زیر محاسبه شده است:



 همگرا و ρ ثابت یادگیری است. با توجه به الگوریتم بالا، ویژگی های داده های آزماینده s را می توان به شرح ذیل دست آورد:



که در آن K ،K  تابع کرنل است.



تابع  در الگوریتم تکراری بالا، دارای شکل ضمنی می باشد. تابع کرنل  را می توان به جای  محاسبه نمود. این این ترفند حقه کرنل (kernel trick) نامیده می شود. توابع بسیاری از جمله کرنل چند جمله ای را می توان برای هسته انتخاب نمود:



کرنل گوسی  و کرنل سیگموئید . همانطور که در معادله(6) نشان داده شده، لیو و همکاران از تابع کرنل کسینوس مشتق شده از تابع کرنل چند جمله ای استفاده می نمایند (چنگ و همکاران، 2004)، این تابع می تواند برای انتخاب ویژگی عملکردی بهتر از تابع کرنل چند جمله ای ارائه نماید:



که در آن k یک کرنل چند جمله ای است. در عمل، Kernel- ICA = Kernel-Centering + Kernel-Whitening + ICA می باشد. انتخاب تابع کرنل مناسب برای یک سطح کاربردی خاص امر دشواری می باشد و تا حد زیادی یک مسئله حل نشده باقی مانده است. ثابت شده است که هر گونه تابع کرنل جدید به دست آمده از هسته به صورت  ، زمانی که  تابعی با مقادیر مثبت راقعیx  است، یک تابع کرنل معتبر است و این امر همیشه صدق می نماید. بنابراین، هسته کسینوسی یک تابع کرنل معتبر است. هسته کسینوسی را در آزمایش های مان اتخاذ می نماییم.



2.2. مدل IKICA



پژوهش های قبلی ما از مدل KICA برای حل مشکل سافتن سطح نرمال در هر نقطه از تصویر استفاده نمود. اما در مدلKICA، به راحتی می توان مشاهده نمود که در شکل 1 ابهامات زیر وجود دارد: (1) نمی توانیم واریانس های(انرژی های) مولفه های مستقل را مشخص نماییم ؛ و (2) نمی توانیم مرتبه مولفه های مستقل را تعیین کنیم. به طور کلی کشف نمودیم که یافتن سطح بردار عمود دارای دو مشکل می باشد. به همین دلیل، برای بررسی این ابهامات از الگوریتم انطباق یادگیری محدود(IKICA) بر اساس کثرت تصویراستفاده نمودیم.



الگوریتم IKICA که توسط لو و راجاپاکس(2001) شرح داده شده، موجب اجرای محدودیتی برای به دست آوردن خروجی شده و از لحاظ آماری مستقل از سایر منابع می باشد و نزدیک ترین مقدار به سیگنال مرجع r(t)   است. این سیگنال محدودکننده، نیازی به انطباق کامل ندارد، بلکه باید در الگوریتم در جهت یک IC خاص در محدوده فضای اندازه گیری نشان داده شود. محدودیت نزدیکی را می توان به صورت ذیل نوشت



جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.



که در آن w نشان دهنده بردار وزن اختلاط واحد می باشد، به طوری که  است؛  نزدیکی بین خروجی برآوردشده y و مرجعr  را نشان می دهد و n نشان دهنده نزدیکی تقریبی آستانه است. اندازه نزدیکی می تواند به هر شکلی از جمله به صورت میانگین مربعات خطا (MSE) یا همبستگی، یا سایر اندازه های مناسب نزدیکی باشد. در پیاده سازی الگوریتم مان، همبستگی به صورت مقیاس نزدیکی در می آید،به طوری که g(w) به شکل ذیل در می آید



که در آن  به آستانه ای تبدیل می شود که کران پایین تر ارتباط مطلوب را تعریف می کند.



شکل1. «ابهامات مدل KICA ». سیگنال های منبع در ردیف اول، منابع اصولی مختلط در ردیف دوم و منابع پیش بینی شده در ردیف سوم نشان داده شده اند.



مشکل IKICA با محدودیت به جا، به شرح زیر مدل سازی شده است:



بیشینه ساختن:



مشروطه به اینکه:



که در آن f(w) نشان دهنده تابع محدودیت تک واحد IKICA است؛ g(w)محدودیت نزدیکی است. h(w) محدودیت خروجی yبرای داشتن واریانس واحد است؛ و سیگنال مرجع r نیز برای داشتن واریانس واحد محدود شده است. در مطالعه لو و راجاپاکس (2001)، مشکل معادله (10) به صورت مسئله بهینه سازی محدودی بیان شده است که از طریق استفاده از تابع لاگرانژ حل شده و در آن یادگیری وزن ها و پارامترهای لاگرانژ از طریق فرایند یادگیری نیوتن مانند، به دست آمده است.



به عنوان مثال، الگوریتم IKICA با استفاده از مجموعه داده های ترکیبی چهار منبع شناخته شده در شکل 2 (الف) مورد آزمایش قرار گرفتند و برای عملی نمودن IKICA  مورد استفاده قرار گرفتند. این منابع بطور خطی توسط ماتریس مختلط به طور تصادفی ایجاد شده در هم آمیخته شدند و مجموعه داده های شکل 2 (ب) ایجاد گشت. الگوریتم IKICA با استفاده از این ترکیب داده ها،100.000  مرتبه و هر دفعه توسط یکی از پنج سیگنال مرجع نشان داده شده در شکل 2 (ج) به عنوان مرجع اجرا شد. چهار مرجع اولین توسط نشانه ای از چهار مرجع اصلی به دست آمدند و عمداً به عنوان نمایشی دقیق از منابع صحیح حفظ شدند. مرجع پنجم یک موج سینوسی می باشد که دارای فرکانسی کاملاً متفاوت از هر کدام از مرجع های اصلی می باشد و با توجه مرجع غلط اجازه مطالعه رفتار خاص الگوریتم را می دهد. خروجی های معمول الگوریتم در شکل 2 (د) نشان داده شده اند. بنابراین، اگر بخواهیم سطح بردار عمود را در هر نقطه از تصویر بیابیم، می توانیم از مدل IKICA استفاده کنیم.



3. مدل بازسازی سه بعدی



3.1. تعیین سطح نرمال اشیاء با استفاده از مدل IKICA



فرض می شود که بازیابی شکل سطح، توسطz(x, y) نشان داده شده است و تصاویر سایه دار به تغییرات سیستماتیک روشنایی تصویر در جهت سطح وابسته اند و در آنz  عمق میدان می باشد و x و y شبکه دوبعدی در دامنهD  از سطح تصویر را شکل می دهند. آنگاه، برای نشان دادن سطح روشن شده توسط نقطه واحد از منبع نور از مدل بازتاب لامبرتینی استفاده شده است و به صورت ذیل نوشته شده است:



که در آن R(.)شدت مولفه بازتاب،  بازتاب بازتابش در موقعیت (x, y) از سطح ، s بردار ستونی نشان داده شده در جهت نور و L قدرت نور است. سطح نرمال در موقعیت(x, y)، توسط n(x, y) نشان داده شده و می توان آن را به شرح ذیل نشان داد.



که در آن  و  به ترتیب مشتقات جزئیx  و y از هستند. در معادله (11)، max{.} مولفه های منفی را متناظر با نقاط سطحی قرار می دهد که در سایه متصل به صفر قرار دارند و در آن نقطه سطح  در سایه متصل به   قرار دارد (وودهام، 1980).



در این بخش، روش استفاده از مدل IKICA را برای برآورد بردار عمود n(x, y)  بر روی سطح جسم متناظر با هر پیکسل در تصویر توصیف می نماییم. از آنجا که بردارn(x, y)  یک بردار ستونی3 1 می باشد، برای برآورد بردار عمود n(x, y)، به حداقل سه تصویر تحت روشنایی نورهای ناشی از جهات مختلف نیاز داریم. از این رو، برای بازسازی سطح سه بعدی یک شی با استفاده از تصاویر آن، باید سه تصویر خاکستری با سه روشنایی متفاوت بگیریم. تصور می نماییم که یک تصویر در کل شامل T پیکسل است، می توانیم تمام ارزش های خاکستری سه تصویر را مجدداً در یک ماتریس3 T تنظیم نماییم، در این ماتریس هر سطر نشان دهنده یک تصویر و هر ستون نشان دهنده مقادیر خاکستری پیکسل واحد در سه روشنایی متفاوت می باشد. زمانی که این ماتریس در معادله(11) قرار داده شد و با  x = Asمقایسه شد، در می یابیم که s بردار n(x,y)  می باشد که ما به دنبال آن هستیم.



جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.


 برچسب ها: 

3D reconstruction and face recognition using kernelbased ICA and neural networks

بازسازی سه بعدی و تشخیص چهره با استفاده از ICA مبتنی بر هسته و شبکه های عصبی

ISI

Paper

Papers

Article

Articles

مقاله ISI

دانلود ISI

ترجمه مقاله

دریافت مقاله

شبکه های عصبی

مقاله انگلیسی

Persian Paper

خرید ترجمه ISI

Neural networks

ترجمه مقاله ISI

Persian Article

دانلود مقاله ISI

مقاله رایگان ISI

خرید ترجمه مقاله

دانلود ترجمه ISI

دانلود مقاله جدید

مقالات رایگان ISI

دریافت مقالات ISI

مقاله ISI با ترجمه

مقاله انگلیسی جدید

خرید ترجمه انگلیسی

فروش ترجمه انگلیسی

دانلود مقاله انگیسی

ترجمه مقاله انگلیسی

ترجمه مقاله کامپیوتر

مقالات معتبر انگلیسی

ترجمه مقالات انگلیسی

دریافت مقاله انگلیسی

دریافت مقاله کامپیوتر

دانلود مقاله جدید ISI

مقاله انگلیسی با ترجمه

خرید ترجمه ISI کامپیوتر

دانلود رایگان مقاله ISI

Translate English Paper

ترجمه مقاله ISI کامپیوتر

دانلود مقالات رایگان ISI

مقاله رایگان ISI کامپیوتر

خرید ترجمه مقاله کامپیوتر

دانلود ترجمه ISI کامپیوتر

3D human face recognition

تجزیه و تحلیل مولفه مستقل

تشخیص سه بعدی چهره انسان

الگوریتم انتشار رو به عقب

دانلود مقاله ISI با ترجمه

دانلود مقاله انگلیسی جدید

دریافت مقاله انگلیسی جدید

Translate English Article

مقالات رایگان ISI کامپیوتر

دریافت مقالات ISI کامپیوتر

Back-propagation algorithm

بازسازی سه بعدی چهره انسان

ترجمه مقالات معتبر انگلیسی

Translate Paper in English

مقاله انگلیسی جدید کامپیوتر

خرید ترجمه انگلیسی کامپیوتر

فروش ترجمه انگلیسی کامپیوتر

دانلود مقاله انگلیسی رایگان

دانلود رایگان مقاله انگلیسی

دانلود مقاله انگلیسی رایگان

دریافت مقاله انگلیسی رایگان

ترجمه مقاله انگلیسی کامپیوتر

3D human face reconstruction

Translate Article in English

مقالات معتبر انگلیسی کامپیوتر

ترجمه مقالات انگلیسی کامپیوتر

دریافت مقاله انگلیسی کامپیوتر

دانلود مقاله انگلیسی با ترجمه

دریافت مقاله انگلیسی با ترجمه

Independent component analysis

Translation of Paper in English

دانلود رایگان مقاله ISI کامپیوتر

دانلود مقالات رایگان ISI کامپیوتر

Translation of Article in English

دانلود مقاله انگلیسی جدید کامپیوتر

دریافت مقاله انگلیسی جدید کامپیوتر

ترجمه مقالات معتبر انگلیسی کامپیوتر

دانلود مقاله انگلیسی رایگان کامپیوتر

دانلود رایگان مقاله انگلیسی کامپیوتر

دانلود مقاله انگلیسی رایگان کامپیوتر

دریافت مقاله انگلیسی رایگان کامپیوتر

دریافت مقاله انگلیسی با ترجمه کامپیوتر

به سوی پایگاه داده چندگانه (اشتراکی) انعطاف پذیر و مستقل
فايل پيوست

Abstract The success of cloud computing as a platform for deploying webapplications has led to a deluge of applications characterized by small data footprints with unpredictable access patterns. A scalable multitenant ... [ ادامه مطلب ]

انتشارات: ACM
پرداخت و دانلود قیمت: 7000 تومان

رویکردی در ارتباط با معماری خط تولید سرویسگرا
فايل پيوست

Abstract Service-Oriented Architecture (SOA) has appeared as an emergent approach for developing distributed applications as a set of self-contained and business-aligned services. SOA aids solving integration and interoperability problems and provides ... [ ادامه مطلب ]

انتشارات: ACM
پرداخت و دانلود قیمت: 8000 تومان

ظرفیت شبکه های بی سیم
فايل پيوست

Abstract When n identical randomly located nodes, each capable of transmitting at W bits per second and using a fixed range, form a wireless network, the throughput (formula) obtainable by each ... [ ادامه مطلب ]

انتشارات: ACM
پرداخت و دانلود قیمت: 17000 تومان

سیستم های صف بندی زمان گسسته با تعطیلی های انحصاری مارکوفب
فايل پيوست

Abstract In this contribution we investigate discrete-time queueing systems with vacations. A framework is constructed that allows for studying numerous different vacation systems, including a.o. classical vacation systems like the exhaustive ... [ ادامه مطلب ]

انتشارات: ACM
پرداخت و دانلود قیمت: 12000 تومان

طراحی و تحلیل یک مدل وقفه (تعطیلی) برای سیستم صف بندی دو فازه با خدمات ورودی
فايل پيوست

Abstract This paper mainly deals with a two phase service queueing model with gated service vacation. In this gated service vacation model, only those customers who are present in the queue ... [ ادامه مطلب ]

انتشارات: ACM
پرداخت و دانلود قیمت: 9000 تومان

به اشتراک گذاری طیف مشارکتی بین شبکه های تلفن همراه و اد هاک
فايل پيوست

Abstract Spectrum sharing between cellular and ad-hoc networks is studied in this work. Weak signals and strong interferences at the cell-edge area usually cause severe performance degradation. To improve the cell-edge ... [ ادامه مطلب ]

انتشارات: ACM
پرداخت و دانلود قیمت: 15000 تومان

مقایسه پروتکل های مسیر یابی تک مسیره در مقابل پروتکل های مسیر یابی چندگانه برای انتقال تصویر در شبکه های حسگر بی سیم چند رسانه ای
فايل پيوست

Abstract Wireless multimedia sensor network (WMSN) applications require strong multimedia communication competence. Therefore, in WMSN applications, it is necessary to use specific mechanisms in order to handle multimedia communication challenges and ... [ ادامه مطلب ]

انتشارات: ACM
پرداخت و دانلود قیمت: 11000 تومان

هوش کسب و کار به روش محاسبه ابری
فايل پيوست

Abstract Business Intelligence (BI) deals with integrated approaches to management support. Currently, there are constraints to BI adoption and a new era of analytic data management for business intelligence these constraints ... [ ادامه مطلب ]

انتشارات: ACM
پرداخت و دانلود قیمت: 8000 تومان

مدل احتمال جدید برای ضمانت کردن مشکل مسیر بحرانی با الگوریتم اکتشافی
فايل پيوست

Abstract In order to obtain an adequate description of risk aversion for insuring critical path problem, this paper develops a new class of two-stage minimum risk problems. The first-stage objective function ... [ ادامه مطلب ]

انتشارات: ACM
پرداخت و دانلود قیمت: 9000 تومان

فایل اکسل جامع طراحی دیوار حائل (با در نظر گرفتن نیروی زلزله)
فايل پيوست

تک فایل اکسل طراحی دیوار حائل (با در نظر گرفتن نیروی زلزله) دیوار حائل یا سازه نگهبان بنایی است که به منظور تحمل بارهای جانبی ناشی از خاکریز پشت دیوار، سازه ... [ ادامه مطلب ]

پرداخت و دانلود قیمت: 15000 تومان
 مشخصات کلی: 

گروه: اکسل طراحی

2 فایل اکسل مجزا جهت طراحی فونداسیون تجهیزات افقی، قائم و پیت (Air Separation Units, Heat Exchangers, Drums, Pits...)
فايل پيوست

2 فایل اکسل مجزا جهت طراحی فونداسیونهای تجهیزات: Air Separation Units, Heat Exchangers, Horizontal & Vertical Drums, Pits پالایشگاه ها و مجتمعهای پتروشیمی مجموعه هایی متشکل از تجهیزات گوناگون صنعتی هستند؛ تجهیزاتی ... [ ادامه مطلب ]

پرداخت و دانلود قیمت: 9500 تومان
 مشخصات کلی: 

گروه: اکسل طراحی

3 فایل اکسل مجزا جهت طراحی فونداسیون های تجهیزات دینامیک: Compressors & Pumps (reciprocating & centrifugal), Oil-Water Skid
فايل پيوست

3 فایل اکسل مجزا جهت طراحی فونداسیونهای تجهیزات دینامیک: Compressors & Pumps (reciprocating & centrifugal), Oil / Water Skid در ساخت یک مجتمع پتروشیمی تجهیزات متعددی مورد استفاده قرار می گیرد. برخی از ... [ ادامه مطلب ]

پرداخت و دانلود قیمت: 12500 تومان
 مشخصات کلی: 

گروه: اکسل طراحی

دستورالعمل جامع آشنایی با اصول طراحی سکوهای ثابت فلزی دریایی
فايل پيوست

مجموعه دستورالعمل های ارائه شده در دیتاسرا شامل ضوابط و مراحل تحلیل و طراحی سازه های گوناگون صنعتی و بر اساس الزامات مندرج در آیین نامه های معتبر داخلی و ... [ ادامه مطلب ]

پرداخت و دانلود قیمت: 25000 تومان

دستورالعمل کاربردی و گام به گام طراحی سازه های باز بتنی (پایپ رک ها) و فونداسیون
فايل پيوست

مجموعه دستورالعمل های ارائه شده در دیتاسرا شامل ضوابط و مراحل تحلیل و طراحی سازه های گوناگون صنعتی و بر اساس الزامات مندرج در آیین نامه های معتبر داخلی و ... [ ادامه مطلب ]

پرداخت و دانلود قیمت: 15000 تومان

دستورالعمل طراحی سازه های فولادی به روش DIRECT ANALYSIS METHOD بر اساس آئین نامه AISC با استفاده از نرم افزارهای SAP و ETABS
فايل پيوست

مجموعه دستورالعمل های ارائه شده در دیتاسرا شامل ضوابط و مراحل تحلیل و طراحی سازه های گوناگون صنعتی و بر اساس الزامات مندرج در آیین نامه های معتبر داخلی و ... [ ادامه مطلب ]

پرداخت و دانلود قیمت: 12500 تومان

دستورالعمل طراحی فونداسیون های تجهیزات ارتعاشی (چرخشی، رفت و برگشتی)ـفارسی
فايل پيوست

مجموعه دستورالعمل های ارائه شده در دیتاسرا شامل ضوابط و مراحل تحلیل و طراحی سازه های گوناگون صنعتی و بر اساس الزامات مندرج در آیین نامه های معتبر داخلی و ... [ ادامه مطلب ]

پرداخت و دانلود قیمت: 12500 تومان

تقویت کننده ی شبه تفاضلی کلاس-AB برمبنای اینورتر CMOS برای کاربردهای HF
فايل پيوست

 Abstract This paper presents a CMOS inverter-based c1ass-AB pseudo differential amplifier for HF applications using new sim pIe rail-to-rail CMFB circuit. The proposed circuit em ploys two CMOS inverters and the ... [ ادامه مطلب ]

پرداخت و دانلود قیمت: 5000 تومان

روش جاروب رو به عقب، برای حل پخش بار در شبکه های توزیع
فايل پيوست

Abstract A methodology for the analysis of radial or weakly meshed distribution systems supplying voltage dependent loads is here developed. The solution process is iterative and, at each step, loads are ... [ ادامه مطلب ]

پرداخت و دانلود قیمت: 8000 تومان

بازسازی سه بعدی و تشخیص چهره با استفاده از ICA مبتنی بر هسته و شبکه های عصبی
فايل پيوست

Abstract Kernel-based nonlinear characteristic extraction and classification algorithms are popular new research directions in machine learning. In this paper, we propose an improved photometric stereo scheme based on improved kernel-independent component ... [ ادامه مطلب ]

پرداخت و دانلود قیمت: 9000 تومان

ناحیه کاربری

فرمت ایمیل صحیح نمی باشد. ایمیل خود را وارد نمایید.

رمز عبور خود را وارد نمایید.

مجله اینترنتی دیتاسرا
کلیه حقوق مادی و معنوی این وبسایت متعلق به گروه نرم افزاری دیتاسرا می باشد.
ایمیل:
support.datasara[AT]gmail[دات]com

Copyright © 2019