شبکه های عصبی

کامپیوتر 79. شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداری

شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداریچکیدهدر این پژوهش، دو الگوریتم خوشه بندی جدید را معرفی می کنیم. شبکه اموزشی رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در زمینه تشخیص کلاهبرداری و تشخیص نفوذ شبکه در می باشند. شبکه اموزشی رقابتی پیشرفته (ICLN) به عنوان الگوریتم خوشه بندی غیرنظارتی می باشد، که قوانین جدیدی را برای شبکه های عصبی آموزشی رقابتی استاندارد (SCLN) اعمال می کند. نورون های شبکه در شبکه آموزشی رقابتی پیشرفته (ICLN)  برای ارائه مرکز داده توسط قوانین بروز شده تنبیه و پاداش جدید آموزش دیده اند. این قوانین بروز شده، بی ثباتی شبکه های عصبی آموزشی رقابتی استانداردSCLN)  ) را از بین می برند. شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) به عنوان نسخه بازبینی شده شبکه اموزشی رقابتی پیشرفته (ICLN) می باشد . در SICLN (شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) ، قوانین بروزرسانی شده نظارتی از دسته بندی داده برای هدایت مراحل آموزش برای دسترسی به نتایج خوشه بندی بهتر استفاده می کند. شبکه آموزشی رقابتی پیشرفته نظارت شده می تواند برای داده های دسته بندی شده و دسته بندی نشده اعمال شده و در سطح بالایی در برابر اتیکت های مفقودی و تاخیری مقاوم می باشد. علاوه بر این، شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) دارای قابلیت بازسازی بوده، بنابراین کاملا مستقل از تعداد اولیه خوشه ها می باشد. برای ارزیابی الگوریتم های مورد نظر، به مقایسه عملی در مورد داده های تحقیق و داده های حقیقی در تشخیص کلاهبرداری و تشخیص نفوذ شبکه پرداختیم. نتایج اثبات می کند که هر دو مورد ICLN و SICLN به بایگانی عملکرد بالا می پردازند، و SICLN در الگوریتم های خوشه بندی غیرنظارتی سنتی عملکرد بهتری دارد. 
کلیدواژه: آموزش رقابتی، شناسایی کلاهبرداری، شناسایی نفوذ، خوشه بندی نظارتی/ غیر نظارتی، شبکه عصبی

فروش پروژه تشخیص اثر انگشت با شبکه عصبی ART و تکنیکهای پردازش تصویر با نرم افزار MATLAB

اثر انگشت یکی از قدیمی ترین روش ها برای شناسایی هویت افراد است.

در این پروژه که در برنامه MATLAB پیاده سازی و اجرا شده است، تشخیص اثر انگشت به کمک تکنولوژی TDNN مورد تحلیل و اجرا قرار گرفته است.

این پروژه از روی مقاله "استفاده از شبکه عصبی تاخیر زمانی(TDNN) در استخراج مشخصات اثرانگشت" که از طریق این لینک به صورت رایگان قابل دریافت است، پیاده سازی شده است.لازم به ذکر است فایل پی دی اف این مقاله که رایگان بر روی وبسایت ما قابل دریافت است در سایت های دیگر به رایگان قابل دسترسی نیست.برای دریافت اطلاعات بیشتر در مورد این برنامه ابتدا مقاله فارسی منتشر شده را مطالعه و سپس برای دریافت فایل اوپن سورس پروژه بر روی دکمه خرید کلیک نمایید. توجه داشته باشید کیفیت و قیمت این پروژه رقابتی و در سراسر محیط نت بی رقیب می باشد.

پیش بینی تقاضای انرژی الکتریکی با روش شبکه عصبی

پیش بینی تقاضای انرژی الکتریکی با روش شبکه عصبی

ترجمه مقاله شبکه عصبی بهبود یافته برای طبقه بندی خطا های خط انتقال

قالب مقاله: PDF

قالب ترجمه: WORD

عنوان مقاله فارسی: یک شبکه عصبی بهبود یافته برای طبقه بندی خطا های خط انتقال

عنوان مقاله انگلیسی: An Improved Neural Network Algorithm for

Classifying the Transmission Line Faults

چکیده- این مطالعه یک مفهوم جدید از الگوریتم مصنوعی مبتنی بر هوش برای طبقه بندی خطاها در شبکه های سیستم قدرت معرفی می کند.این طبقه بندی منطقه و نوع دقیق خطا را شناسایی می کند. این الگوریتم بر مبنای نوع منحصر به فرد شبکه عصبی به خصوص توسعه یافته به منظور برخورد کردن با مجموعه بزرگی از دیتای ورودی ابعاد بالایی. بهبود الگوریتم توسط پیاده سازی مراحل مختلف پردازش سیگنال ورودی، از طریق انتخاب پارامترها برای فیلترینگ آنالوگ، و مقادیر برای پنجره دیتا و فرکانس نمونه برداری ارائه شده است. علاوه بر این، یک روش پیشرفته برای طبقه بندی الگوهای تست مورد بحث قرار گرفته است و مقایسه مزایای اصلی با نزدیکترین طبقه بندی همسایه قبلی استفاده شده  نمایش داده شده است.

کلید واژه ها – روش خوشه بندی، الکترومغناطیس گذرا، شبکه های عصبی، دسته بندی الگو، خطاهای سیستم قدرت، رله های حفاظتی، آموزش.