مجله اینترنتی دیتاسرا
امروز یکشنبه ۲۴ آذر ۱۳۹۸

تابع هدف جدید محدب برای آموزش نظارت شبکه‌های عصبی تک لایه‌‌ A new convex objective function for the supervised learning of single-layer neural networks

Abstract



This paper proposes a novel supervised learning method for single-layer feedforward neural networks. This approach uses an alternative objective function to that based on the MSE, which measures the errors before the neuron's nonlinear activation functions instead of after them. In this case, the solution can be easily obtained solving systems of linear equations, i.e., requiring much less computational power than the one associated with the regular methods. A theoretical study is included to proof the approximated equivalence between the global optimum of the objective function based on the regular MSE criterion and the one of the proposed alternative MSE function.

Furthermore, it is shown that the presented method has the capability of allowing incremental and distributed learning. An exhaustive experimental study is also presented to verify the soundness and efficiency of the method. This study contains 10 classification and 16 regression problems. In addition, a comparison with other high performance learning algorithms shows that the proposed method exhibits, in average, the highest performance and low-demanding computational requirements.



Keywords: Single-layer neural networks; Global optimum; Supervised learning method; Least squares; Convex optimization; Incremental learning



چکیده فارسی



در این مقاله روش آموزش نظارت جدید برای ارزیابی چگونگی شبکه‌های Feed Forward عصبی تک‌لایه ارائه می‌شود. این روش از تابع ‌هدفی بر مبنایMSE   استفاده می‌کند، که خطاها را به جای این ‌که پس از تابع فعالسازی غیرخطی نورون‌ها ارزیابی کند قبل از آن‌ها بررسی می‌کند. در این گونه موارد، راه‌حل را می‌توان به سهولت از طریق حل معادلات در سیستم‌های خطی به‌دست آورد یعنی در این روش نسبت به روش‌های معین و مرسوم پیشین به محاسبات کمتری نیاز است. تحقیقات تئوری شامل اثبات موازنه‌های تقریبی بین بهینه ستزی سراسری تابع هدف بر مبنای معیارMSE  و یک تابع پیشنهادی دیگر می‌باشد. بعلاوه مشخص شده است که این روش قابلیت توسعه و توزیع آموزش را دارا می‌باشد. طی تحقیقات تجربی جامع نیز تنوع صحت در انرمان این روش مشخص شده است. این تحقیق شامل 10 دسته‌بندی و 16 مسئله‌ی بازگشتی می‌باشد. بعلاوه، مقایسه ‌این روش با دیگر الگوریتم‌های آموزشی با عملکرد بالا نشان می‌دهد که روش مذکور بطور متوسط بیشترین قابلیت اجرایی را داشته و به حداقل محاسبات در این روش نیاز می‌باشد.


مشخصات

مشخصات

توسط: Oscar Fontenla-Romero and others مجله: Pattern Recognition انتشارات: Elsevier سال انتشار: 2009 میلادی تعداد صفحات متن اصلی: 9 تعداد صفحات متن ترجمه: 28 تاریخ درج: ۱۳۹۵/۷/۳ منبع: دیتاسرا

خرید آنلاین فایل ترجمه

خرید آنلاین فایل ترجمه

عنوان: تابع هدف جدید محدب برای آموزش نظارت شبکه‌های عصبی تک لایه‌‌ حجم: 519.16 کیلوبایت فرمت فایل: pdf قیمت: 14000 تومان رمز فایل (در صورت نیاز): www.datasara.com

دانلود فایل اصلی

دانلود فایل اصلی

عنوان: A new convex objective function for the supervised learning of single-layer neural networks

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

نمای مطلب

«مقدمه‌»

برای بررسی شبکه‌ عصبیFeed Forward تک‌لایه با تابع فعالسازی خطی، مقادیر وزن برای تابع بهMSE  حداقل رسیده و می‌توان این مقادیر را به وسیله‌ یک ماتریس شبه‌معکوس بدست آورد[1,2] . بعلاوه، می‌توان اثبات کرد که سطح MSE این شبکه خطی تابعی درجه دوم می‌باشد [3] . بنابراین این سطحمحدب هایپر پارابولیک‌‌( فراسهمی‌وار‌) را می‌توان به سادگی با روش گرادیان نزولی (Gradient descent) طی کرد. با این حال، اگر ازتابع فعالسازی غیر خطی استفاده شود، مینیمم‌های محلی می‌توانند بر مبنای معیارMSE در تابع هدف دیده شوند[4-6]. طی تحقیقات مختلف می‌توان مشاهده نمود که تعداد چنین مینیمم‌هایی می‌توانند با ابعاد ورودی به صورت نمایی توسعه پیدا کند. تنها در برخی موارد خاص می‌توان تضمین کرد که شرایط حاکم، فاقدMin  های محلی هستند. در مورد الگوهای تفکیک‌پذیرخطی و معیار آستانه MSE ، وجود حداقل یک مقدارMin  در تابع هدف به اثبات رسیده است[8,9]. با این حال، این امر یک موقعیت عمومی نمی‌باشد.

کارهای مشابه این تحقیق نیز بیانگر تابع هدفمحدب  جدید و معادل باMSE  هستندکه شاملMin  های محلی نبوده و راه حل کلی آن‌ها با استفاده از سیستم‌های معادلات خطی بدست‌می‌آید. این سیستم را می‌توان برای هر خروجی با پیچیدگی( N ) O حل کرد؛ در جایی که N تعداد پارامترهای شبکه را نشان می‌دهد:

 جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید. برای شبکه‌های تک لایه در مآخذ‌ (5) به اثبات رسیده‌اند، در جایی که مثال ارائه شده با یک تابع انتقال Sigmoid باشد، برای مجموع خطاهایSquared یکMin  محلی ارائه می‌شوند. طی این تحقیقات اذعان‌شده است که حضورMin های محلی بعلت این حقیقت است که تابع خطا منطبق با توابعی‌کهMin  های آن‌ها درنقاط مختلف است. تحت این شرایط، امکان ارائه‌ی راه‌حل به‌شکل بسته چندان امکان‌پذیر نمی‌باشد. روش‌های پیشین، طی چند دهد‌ی اخیر بیانگر غلبه‌ی مشکلات حاضر با وجود این‌گونه نقاط ساکن در شبکه‌های عصبی تک‌لایه می‌باشند. در مآخذ شماره[10]، همگراییGlobal  Homotopy Mapping طبیعی برای پرسپترون‌ تک‌لایه با تغییر ساختار نقاط (Node) غیرخطی تعریف شده‌است. این اثرهای هوموتوپی امکان تعداد نامتناهی از وزن‌ها را با تغییر شکل مختصات و مشخصات همه راه‌حل‌ها، به‌وسیله تعداد متناهی از راه‌حل‌های منحصربه‌فرد فراهم می‌آورند . اگرچه این روش به راه‌حل‌های محاسباتی اطمینان می‌دهد اما Global Optimization را نمی‌توان فراهم‌آورد[1]. همزمان محققین روشی را  برای2 ارزیابی‌های پیشین ارائه کرده‌اند[11] خواه راه‌حل منحصر به‌فرد بوده یا به لحاظ کلی بهینه باشد و برای بررسی Scaling اولیه بردارهای مطلوب و اطمینان از یگانگی آن‌ها داده‌های ورودی آنالیز می‌شوند. اگرچه این روش‌ها برای ارزیابی مقادیر واحد و بهینه بصورت بالقوه (Potentially) مفید واقع می‌شوند،Min  ها تنها پس از پایان آموزش مشخص می‌شوند، بعلاوه محققین دیگر روش‌های دیگری را برای شرایط مختلف ارائه کرده‌اند که در آن‌ها از مسئله مربوط به‌Min های محلی در توابع هدف با به حداقل رساندن میزانMSE  اجتناب شده است. در بخش‌[12‌]، روش آموزش Online دیگری برای تطابقCost Function  بر مبنای واگرایی(Divergence) . Bergman ارائه‌شده است.Pao [2] روش تابع خطی را پیشنهادکرده است که راه‌حل‌های تحلیلی در آن از طریق سیستم معادلات خطی    بدست می‌آیند، در جایی کهX ماتریس تشکیل‌شده توسط الگوهای‌ورودی بود،wبردار وزن وz نوع دیگری از بردارهای تشکیل شده توسطتابع فعالسازی   به کاررفته در محل خروجی باشد. ابعاد ماتریس X عبارت ازS×N هستند، در جایی کهS تعدادPattern  (دادگان) وN تعداد پارامتر‌ها ( وزن‌ها ) می‌باشد همانگونه که Pao در کارهایش اشاره داشته است، اگرS=N باشد و دترمینانX صفر نباشد در نتیجه راه‌حل را می‌توان از طریق فرمول       بدست‌آورد. با این وجود، این یک موقعیت عمومی نیست، زیرا در واقع مجموعه‌های داده‌ها معمولا به صورتSN هستند. برای این موارد اخیر،Pao به‌طور جداگانه موقعیت‌ها را آنالیز کرده است. در مواردی کهSN باشد، تعداد نامتناهی توابع ارتونرمال را می‌توان ایجاد کرد، و سپس روشی بر مبنای حالت شبه‌ معکوس به صورت    ارائه می‌شود. با یان حال، همانگونه که قبلا نیز اشاره شد، این فرمول اغلب می‌تواند غیر قابل قبول باشد چرا که در خاتمه فرآیند آموزشی می‌توانند میزان خطای فراوانی را به همراه داشته باشد.

برخی تحقیقات برای بررسی شبکه‌های عصبیfeed forward چندلایه از نتایج مشابهی استفاده کرده‌اند که یکی از آن‌ها در مآخذ شمار[2] برایBack Propagation خروجی مطلوب یا برای آموزش پارامترهای لایه خروجی ارائه شده است. مخصوصا، در این زمینه، پرپوزال‌های ذهنی مربوط به روش‌های آموزشی و حداقل مربعات آغازین( Least Squares) وجود دارد. جالب‌تر از همه‌ی موارد[15] این است که در جایی که حداقل سه طرح با حداقل مربعات آغازین وجود داشته باشد، سرعت وعملکرد آن‌ها با یکدیگر مورد مقایسه قرار داده می‌شوند. با این حال، این روش‌ها نمی‌توانند به شدت تغییرات مطلوبی را در موارد خروجی از طریقتابع فعالسازی غیرخطی بوجود بیاورند تا جایی که نمی‌توان اثرات مسائل مربوط به حداقل مربعات در شیب‌های غیرخطی را نادیده انگاشت.  این قضیه از جمله مباحث مهم ومطرح در این زمینه است که در ادامه بیشتر راجع‌به آن صحبت خواهد شد.

در نهایت، طبق مقالات پیشین، یک روش آموزشی جدید برای شبکه‌های عصبی تک‌لایه بر مبنای سیستم معدلات خطی ارائه می‌شود. این روش امکان‌پذیر می‌باشد. زیرا از تابع هدف جدیدی استفاده می‌کند که مجموع خطاهای مجذور(Squared Errors) را به جای این‌که پس ازتابع فعالسازی غیرخطی بررسی کند قبل از انجام این کار، ارزیابی‌هایش را انجام می‌دهد. با این حال نتایج تجربی ارائه شده در کارهای پیشین صحت و دقت روش مفروض را تأیید می‌کنند، انجام یک سری تحقیقات تئوری هنوز هم برای اثبات برابری بین تابع هدف بهینه بر مبنایMSE پس از غیرخطی شدن و تابع هدف مفروض ضروری احساس می‌شوند‌(‌به حداقل رساندنMSE قبل از توابع غیرخطی‌). این مقاله موارد مذکور در آنالیزهای تئوریکی‌ تحقیقات اخیر را تکمیل نموده و اثراتScaling تابع هدف را با تعیین شیب تابع انتقالی(transfer ) غیرخطی مورد بررسی قرار می‌دهد از طرف دیگر، مجموعه جدیدی از معادلات خطی نیزکه برای دستیابی به وزن‌ها‌(‌پارامتر‌) بهینه در مسائل مختلف بدست می‌آیند، ارائه می‌شوند.

.2« تعریف روش پیشنهادی »:

ساختار موردنظر برای شبکه عصبی در تصویر شماره 1 نشان داده شده است. ورودی‌ها با علامتXjs و Yjsخروجی‌ها با نشان داده شده‌اند و بصورت زیر می‌باشند:  s=1,2…S  و j=1,2…Jو i=0,1…I  ارقامI ،J وS به ترتیب نشان‌دهنده‌ی تعداد ورودی‌ها، خروجی‌ها و نمونه‌های آموزشی(Training Samples ) می‌باشند. شبکه تنها حاوی یک‌لایه از نورون‌های خروجیJ باتابع فعالسازی غیرخطی  می‌باشد. مجموعه معادلات مربوط به ورودی‌ها و خروجی‌ها به شکل زیر می‌باشند:

  جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

 در جایی کهwjo و  i=1,2,…I,Wjiبه ترتیب بیانگر بایاس و وزن‌های مرتبط با نورونj (‌برای j=1,2,…J‌) می‌باشند. سیستم ارائه‌شده درمعادله (1) دارای معادلاتJ×S بوده و( I+1)J× در آن نامعلوم می‌باشد. در عمل، از آنجایی که تعداد داده‌ها بزرگ است‌    این مجموعه از معادلات را نمی‌توان حل کرد و به این ترتیب نمی‌توان به لحاظ تحلیلی اینگونه موارد را مورد بررسی قرارداد.

بنابراین، گسترده‌ترین روش مورد استفاده برای دستیابی به وزن‌های بهینه برمبنای بهینه‌سازی از طریق روش‌(تکرارشونده‌)Iterative است که در آن‌ها تابع هدف خطا ‌( MSE‌)را با مقایسه خروجی واقعی شبکه و پاسخ دلخواه‌ ( Desired‌) بدست‌ می‌آورد.

 .2.1« تنظیم تابع هدف: تعیین میزان خطا (‌MSE)

 پس از غیرخطی‌شدن » :

اخیرا، توابع هدف مختلفی ارائه‌شده‌اند که یکی از آن‌ها که بر مبنای معیار ‌( ‌MSE) متواول است بیشتر رایج می‌باشد و این همان تابعی است که در این کار مورد برریس قرار داده می‌شود. بنابراین، از روش‌های مرسوم برای بررسی برخی از خطاها، اندازه‌گیری   پس از غیر‌خطی‌شدن استفاده می‌شود. در نتیجه، مجموعه معادلات مرتبط با مقادیر ورودی و خروجی را می‌توان در حال حاضر به شکل زیر تعریف کرد:

 در جایی djsکه خروجی موردنظر برای نرونj بوده و پترن آموزشی آنS می‌باشد. برای ارزیابی‌(آموزش‌)وزن‌های شبکه، مجموع میزان مربعات خطا را می‌توان بدین صورت تعریف کرد:

  جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

که بدین صورت خطاMin در می‌آید. روش‌هایGradient Descent متعددی وجود دارد که می‌توان از آن‌ها برای دستیابی به نقاط واقع در ته سهمی در این توابع دسترسی پیدا کرد. لازم به‌ذکر است که به‌علت وجود توابع فعال غیرخطی  ، تابع موجود در معادله‌(3‌) غیرخطی می‌باشد. در چنین شرایطی، عدم وجودMin های محلی در نیز همانگونه که درMSEA مآخذ[5] اشاره شد، چندان ضمانت شده نیست. بنابراین روش گرادیان نزولی در یک Min محلی، به‌جای رسیدن به مقدار بهینه تابع هدف       ‌( بهینه ستزی سراسری) متوقف می‌شود.

.2.2 « تابع هدف جدید: تعیین میزان خطا‌( MSE)پیش از غیرخطی شدن‌» :

برای اجتناب از موارد مذکوردر بخش‌های پیشین، روش جدیدی برای بررسی آموزشی شبکه‌های عصبی تک‌لایه ارائه شده است. این روش برمبنای استفاده از تابع هدفی استوار است که ارزیابی خطا در آن قبل ازتابع فعالسازی غیرخطی صورت می‌گیرد، یعنی با استفاده از متغییرهای  به جای   که این حالت به لحاظ گرافیکی در تصویر شماره‌ 1 نشان داده شده است.

در کارهای پیشین‌[18‌]، اینگونه خطاهایAlternative برای آموزش‌ شبکه‌های عصبی تک‌لایه مورد استفاده قرار می‌گرفتند. با این حال، دو مبحث تئوری عمده در این زمینه وجود دارد که شایان توجه و قابل بررسی می‌باشند‌:

* تأثیرشیبتابع فعالسازی  غیرخطی در خطاهای مربوط به توابع هدف. در این تحقیق جدید، مشخص می‌شود که اثراتScaling این توابع را می‌توان زمانی که تغییر‌پذیری خطاها بسیار کوچک است از طریق راه‌حل‌هایی که اغلب دقیق هستندمحاسبه کرد.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

*موازنه بین راه‌حل‌های بدست‌آمده از بررسی خطاها قبل و بعد از توابع غیرخطی. این آنالیزها در این مقاله ارائه شده و برای بررسی اثرات مذکوردر بخش پیشین به‌کاربرده می‌شوند. محققین دیگر از خطا پیش ازتابع فعالسازی غیرخطی برایInitialization یا آموزش شبکه‌های عصبی چندلایه استفاده می‌کنند[17-13]. با این‌حال، از همه‌ی روش‌های قبلی نمی‌توان برای بررسی اثراتScaling شیب توابع فعال غیرخطی در بررسی خطاهای مربوط به قبل از این توابع، استفاده کرد: در این‌کار، یک تابع هدف جدید وجود دارد که تأثیر شیب را بررسی کرده و روش آموزشی جدیدی را بر مبنای این هدف ارائه می‌نماید. بعلاوه ثابت شده است که راه‌حل‌های بدست‌آمده تقریبا مشابه موارد حاصل از استفاده تابع هدف برمبنایRegular,MSE می‌باشند. این حقیقت در قضیه1 نشان‌داده شده است. وزن‌هایWji برای هرخروجیj به گونه‌ای است که تنها با خروجی Yjs مرتبط باشند. بنابراین بدیهی است که مسئله ی آموزشی وزنها را می توان مستقل از J ( یکی برای هر خروجی j ) بررسی کرد. در نتیجه برای سهولت و مختصرسازی علائم، به گونه ای که در ادامه می آید تنها یکی از این مسائل ( برای j ثابت) مورد بررسی قرار داده خواهند شد.

 اگر‌  ورودی‌های شبکه عصبی تک‌لایه باشند،  خروجی‌های مطلوب و حقیقی برای نرون خروجی j و الگویS  بوده وWji وزن‌ها،  مشتق و معکوس تابع فعال‌سازی غیرخطی باشد. سپس به حداقل رساندنMSE بینdjs وYjs در خروجی غیرخطی تقریبا هم‌ارز بوده و مقدار آن‌ها تا اولین درجه از سری‌های تیلور افزوده می‌شود، برای حداقل‌سازیMSE قبل غیرخطی‌شدن، یعنی بین  وزن‌ها برحسب مقدارمشتقات غیرخطی در نقطه عملیاتی ‌(Operating Point‌) متناظر مشخص می‌شوند به لحاظ ریاضیاتی این خصوصیات را می‌توان چنین نوشت:

  جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

اثبات:قضیه‌ی حداقل‌سازیMSE را بصورت منظم به شکل زیر در نظربگیرید.

وبا استفاده از     

         درطرف سمت راست معادله‌(6)، مسئله کمینه‌سازی معادل را می‌توان به شکل زیر دنبال کرد:

حال اگر‌     خروجی مطلوب پیش‌از تابع غیرخطی باشد، در نتیجه می‌توان انحراف قبل از نرون خروجی را بدین شکل تعریف کرد:

 جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

در صورتی که تغییر‌پذیری این خطا‌    اندک باشد، پس می‌توان از سری‌های درجه اولTaylor  برای برآورد تقریبی هرمولفه از بردار خروجی استفاده کرد:

با جایگزینی طرف سمت راست معدله‌(9) در معدله‌(8‌) می‌توان نتیجه‌ی مطلوب زیررا بدست آورد:

قضیه پیشین ( فوق ) نتایج مهمی را به همراه دارد زیرا ثابت می‌کند که کمینه‌سازیMSE  در خروجی شبکه، معادل‌( تا حددرجه‌اول‌) کمینه‌سازی خطا قبل از نرون‌های خروجی اسکیل‌شده توسط فاکتور‌‌  است. این فاکتور اطمینان حاصل می‌آوردکه هر انحراف‌(خطا‌)، متناظر با مجموعه آموزشی ورودی- خروجی بوده و متناسب با میزان توابع فعال غیرخطی در نقطه‌ی متناظر پاسخ مطلوب می‌باشد. با بررسی این فاکتورScaling همه‌ی کارهایی که قبلا انجام شده‌اند با شکست مواجه می‌شوند زیرا آن‌ها به سهولت منعکس کننده پاسخ مطلوب در محل ورودی غیرخطی می‌باشند. همانگونه که در قضیه  1نشان داده شد، اگر تغییر خطا کوچک باشد(‌واریانس خطا‌)، تقریب خوبی ارائه نمی‌شود، زیرا تأثیرScaling غیرفعلی روی واریانس خطا باید مورد توجه قرار بگیرد.

در نتیجه‌ی این قضیه، امکان استفاده ازهرگونه مسائل مربوط به کمینه‌سازی ارائه‌شده درمآخذ‌(5) برای فرآیندهای آموزشی شبکه‌های عصبی بوجود می‌آید. این نتیجه مبنای اصلی روش ارائه شده‌دراین‌کار می‌باشد. تنها عامل مورد نیاز برای مسائل مربوط به کمینه‌سازی باید‌ برگشت‌پذیر‌( ‌Invertible) معکوس‌پذیر باشد. با این‌حال این امر چندان منجر به ایجاد محدودیت در شرایط مذکور نمی‌شود زیرا بیشتر توابع‌فعال مورد استفاده در شبکه‌های‌عصبی همچون تابعSigmoid برگشت‌پذیرهستند. از نتایج بسیار مهم شرح قضایای این‌چنین این است که اگرمسائلMin سازی درطرف سمت راست معادله‌(5‌)مورد استفاده واقع‌شوند، به‌راحتی می‌توان راه‌حل را بدست‌آورد زیرا مسئله به‌صورت بهینه‌سازی یکمحدب در‌می‌آید. از این‌رو، عدم حضور‌(‌فقدان‌)Min های محای در‌این‌گونه شرایط حتمی‌می‌باشد. در چنین‌مواردی، سیستم معادلاتی پیشین برای معادله‌(2‌) را می‌توان مجددا از طریق زیربازنویسی کرد:



 جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.


 برچسب ها: 

A new convex objective function for the supervised learning of singlelayer neural networks

تابع هدف جدید محدب برای آموزش نظارت شبکه‌های عصبی تک لایه‌‌

ISI

Paper

Papers

Article

Articles

مقاله ISI

دانلود ISI

ترجمه مقاله

دریافت مقاله

ISI کامپیوتر

Least squares

مقاله انگلیسی

Persian Paper

Global optimum

خرید ترجمه ISI

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

مقاله ISI کامپیوتر

Convex optimization

دانلود مقاله انگیسی

ترجمه مقاله انگلیسی

دانلود ISI کامپیوتر

Incremental learning

مقالات معتبر انگلیسی

ترجمه مقالات انگلیسی

دریافت مقاله انگلیسی

ترجمه مقاله کامپیوتر

دانلود مقاله جدید ISI

دریافت مقاله کامپیوتر

مقاله انگلیسی با ترجمه

مقاله انگلیسی کامپیوتر

دانلود رایگان مقاله ISI

خرید ترجمه ISI کامپیوتر

Translate English Paper

دانلود مقالات رایگان ISI

ترجمه مقاله ISI کامپیوتر

دانلود مقاله ISI با ترجمه

دانلود مقاله انگلیسی جدید

دریافت مقاله انگلیسی جدید

دانلود مقاله ISI کامپیوتر

مقاله رایگان ISI کامپیوتر

خرید ترجمه مقاله کامپیوتر

دانلود ترجمه ISI کامپیوتر

Translate English Article

Supervised learning method

ترجمه مقالات معتبر انگلیسی

دانلود مقاله جدید کامپیوتر

مقالات رایگان ISI کامپیوتر

دریافت مقالات ISI کامپیوتر

Translate Paper in English

دانلود مقاله انگلیسی رایگان

دانلود رایگان مقاله انگلیسی

دانلود مقاله انگلیسی رایگان

دریافت مقاله انگلیسی رایگان

مقاله ISI با ترجمه کامپیوتر

مقاله انگلیسی جدید کامپیوتر

خرید ترجمه انگلیسی کامپیوتر

فروش ترجمه انگلیسی کامپیوتر

Single-layer neural networks

دانلود مقاله انگیسی کامپیوتر

ترجمه مقاله انگلیسی کامپیوتر

Translate Article in English

دانلود مقاله انگلیسی با ترجمه

دریافت مقاله انگلیسی با ترجمه

مقالات معتبر انگلیسی کامپیوتر

ترجمه مقالات انگلیسی کامپیوتر

دریافت مقاله انگلیسی کامپیوتر

دانلود مقاله جدید ISI کامپیوتر

مقاله انگلیسی با ترجمه کامپیوتر

Translation of Paper in English

دانلود رایگان مقاله ISI کامپیوتر

دانلود مقالات رایگان ISI کامپیوتر

Translation of Article in English

دانلود مقاله ISI با ترجمه کامپیوتر

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

دانلود مقاله انگلیسی با ترجمه 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