مقاله A survey of neural network-based cancer prediction models from microarray data

شبکه های عصبی  به عنوان ابزاری قدرتمند است که به طور گسترده ای برای ساخت مدل های پیش بینی سرطان استفاده می شود. در این مقاله،  مدل های پیشنهادی  اخیر را برای بررسی نقش شبکه های عصبی در پیش بینی سرطان از داده های بیان ژن بررسی می شوند. مقالات ارائه شده بین سال های 2013-2018 در پایگاه های علمی را با استفاده از کلمات کلیدی مانند طبقه بندی سرطان، تجزیه و تحلیل سرطان، پیش بینی سرطان، خوشه بندی سرطان  مورد بررسی قرار گرفته است. تجزیه و تحلیل مطالعات نشان می دهد که روش های شبکه عصبی برای فیلتر کردن (مهندسی داده ها) بیان ژن ها در یک مرحله قبل از مرحله پیش بینی ، وجود سرطان، نوع سرطان یا خطر زنده ماندن؛ یا برای خوشه بندی نمونه های بدون برچسب.استفاده شده است. نتایج نشان می دهد که عملکرد شبکه عصبی معماری کلی آن را تعیین می کند. با این حال، تصمیم گیری در مورد تعداد لایه های پنهان، نورون ها، ابررساناها و الگوریتم یادگیری با استفاده از تکنیک های آزمون و خطا صورت می گیرد.

دریافت مقاله یا کتاب
حجم: 1.22 مگابایت

مقاله A New Intelligent Approach for Mobile Robot Navigation

تکنیک های هوشمند محاسباتی مانند سیستم استنتاج فازی (FIS)، شبکه عصبی مصنوعی (ANN) و سیستم استنتاج فازی سازگار (ANFIS) عمدتا به عنوان روش های بهینه سازی موثر و مناسب برای مدل سازی یک سیستم مهندسی مورد استفاده قرار می گیرند. در این مقاله یک روش ترکیبی کارآمد برای ناوبری ربات های سیار با استفاده از چند سیستم استنتاج فازی سازگار (MANFIS) مورد استفاده قرار گرفته است. ابتدا، ما یک کنترل کننده فازی تطبیقی با چهار پارامتر ورودی، دو نوع پارامترهای خروجی و سه پارامتر را طراحی می کنیم. سپس هر کنترل کننده فازی تطبیقی به عنوان یک سیستم استنتاج فازی نوعی Sugeno-Takagi تنها عمل می کند که ورودی ها اطلاعات مختلف سنسور است و خروجی مربوط به سرعت ربات سیار است. اجرای کنترل کننده ناوبری پیشنهاد شده از طریق نمونه های متعدد شبیه سازی مورد بحث قرار گرفته است. نتیجه آن است که، چنین کنترل کننده عصبی-فازی با موفقیت  عمل می کند و در محیط  های ناشناخته با سرعت بالا هدف را می یابد.

دریافت مقاله یا کتاب
حجم: 275 کیلوبایت

مقاله پیش بینی میزان صادرات خرمای ایران با استفاده از روش های اقتصادسنجی و هوش مصنوعی

در این مطالعه با استفاده از روش های اقتصادسنجیARMA ،GARCH و روش های هوش محاسباتی، شبکه عصبی مصنوعی و الگوریتم ژنتیک اقدام به پیش بینی میزان صادرات خرمای ایران برای دوره 1395-1389 شد. به منظور انجام بررسی ها از داده های مربوط به دوره زمانی 1388-1346 استفاده گردید. از داده های دوره 1384-1346 به منظور مدل سازی و از داده های 4 سال آخر برای بررسی قدرت پیش بینی استفاده شد. نتایج مطالعه نشان داد که شبکه عصبی در مقایسه با سایر روش ها از خطای پیش بینی کمتری برخوردار است. بعد از شبکه عصبی الگوریتم ژنتیک دارای کمترین خطا بوده و معیارهای عملکرد نشان دهنده توانایی الگوریتم ژنتیک در پیش بینی میزان صادرات خرما می باشند. با توجه به برتری شبکه عصبی در پیش بینی میزان صادرات خرمای ایران، پیش بینی های صورت گرفته توسط این مدل، روند افزایشی-کاهشی در میزان صادرات خرمای ایران را نشان می دهد.

دریافت مقاله یا کتاب
حجم: 671 کیلوبایت

مقاله استفاده ازهوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب

استفاده از تکنیک های هوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب غیر الکلی توسط شاخص های بالینی

هدف از این پژوهش، ارایه یک روش کم هزینه و ساده برای تشخیص این بیماری از طریق علایم بالینی می باشد.
مواد و روش ها: در این تحقیق از یک مجموعه داده شامل 726 بیمار استفاده شد که هر یک دارای عارضه کبد چرب با شدت مختلفی بودند. برای هر بیمار، شدت بیماری توسط دستگاه فیبرواسکن اندازه گیری و آزمایشات بالینی و سنوگرافی نیز انجام گرفت. سپس به منظور تعیین رابطه بین اطلاعات به دست آمده از بیماران و سطوح بیماری از شبکه های عصبی مصنوعی استفاده شده است. در نهایت، به کمک تکنیک های هوش مصنوعی روشی برای استخراج قانون از شبکه های عصبی مصنوعی برای نمایش ارتباط بین داده ها استفاده شده است.

دریافت مقاله یا کتاب
حجم: 880 کیلوبایت

مقاله الگوسازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران: کاربردی از هوش مصنوعی

هدف پژوهش حاضر، الگوسازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران با استفاده از الگوهای شبکه عصبی فازی، شبکه عصبی ژنتیک و شبکه عصبی است. از این رو، از داده های سالانه مصرف انرژی بخش حمل و نقل کشور به عنوان متغیر خروجی الگوهای پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو، به عنوان متغیرهای ورودی الگوهای پیش بینی استفاده شد. در پایان دقت نتایج پیش بینی الگوهای مختلف، با استفاده از شاخص های ارزیابی مقایسه گردید. نتایج ارزیابی نشان داد که الگوی شبکه عصبی فازی، نسبت به سایر الگوها از بیشترین دقت در پیش بینی مصرف انرژی در بخش حمل و نقل کشور برخوردار است. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی جمعیت کشور به عنوان ورودی شناخته شد که بیشترین تاثیر را در مصرف انرژی دارد.

دریافت مقاله یا کتاب
حجم: 504 کیلوبایت

مقاله learning automata: a survey

اتوماتای تصادفی در محیط های ناشناخته، نسبت به سایر مدلهای پیشنهاد شده قبلی، بهتر عمل می کند. این اتوماتاها، احتمال انجام یک عمل را نسبت به ورودی هایی که در طول عملیات وجود دارند، به روز رسانی می کند. به خاطر این مورد به آنها اتوماتاهای یادگیر گفته می شود. در این مقاله بر روی نتایج به دست آمده از محیط هایی که اتوماتای یادگیر عمل کرده، مروری صورت گرفته. تمرکز اصلی در این مقاله بر روی، رفتارهای اتوماتای یادگیر،  مسائل مربوط به طراحی و بروز رسانی طرح ها، همگرایی احتمالات عمل و تعامل چندین اتوماتا است. کاربرد اتوماتا یادگیر در بهینه سازی پارامترها و آزمون فرضیه ها مورد بحث قرار گرفته و زمینه های کاربردی بالقوه پیشنهاد شده است.

دریافت مقاله یا کتاب
حجم: 2.73 مگابایت

مقاله Mobile robot Navigation Based on Q-Learning Technique

در این مقاله، از رویکرد Q-Learning برای حل مسئله ناوبری ربات های سیار استفاده شده است. رفتارهای ربات در محیط بدون نقشه با استفاده از منطق فازی پیاده سازی شده و برای هماهنگی بین این رفتارها از Q-Learning بهره گرفته شده است. نتایج به دست آمده نشان میدهد که  روش به کار گرفته شده  نتایج مطلوبی را از نظر سرعت همگرایی، زمان ذخیره شده و منابع محاسباتی به دست میدهد.

دریافت مقاله یا کتاب
حجم: 493 کیلوبایت

مقاله هوش مصنوعی و الگوریتم ترکیبی مناسب برای افزایش دقت پیش بینی های مدیریتی

معرفی سری فوریه، زنجیره مارکوف و مقایسه مدل پیش بینی (گری) با مدل پیش بینی ترکیبی گری- فوریه- مارکوف که در هم آمیخته شده اند ادامه یافته، تا منجربه خلق یک سامانه خبره پیش بینی با کمک هوش مصنوعی شود. این مدل موجب می شود اثربخشی پیش بینی داده های تصادفی نوسانی در اکثر برنامه های مدیریتی افزایش یابد. حاصل این مطالعه، معرفی الگوریتم تشخیص هوش مصنوعی است که کمک می کند تا محیطی رایانه ای برای یک سامانه پیش بینی خبره ایجاد شود که داده های کوتاه مدت و اتفاقی ناپایدار را به درستی و بادقت پیش بینی کند.

دریافت مقاله یا کتاب
حجم: 240 کیلوبایت

مقاله مقایسه روشهای کلاسیک و هوش مصنوعی در پیش بینی شاخص قیمت سهام و طراحی مدل ترکیبی

 در این تحقیق، سه رویکرد مطرح می شود: 1) پیش بینی شاخص قیمت سهام با رویکرد روشهای کلاسیک؛ 2) رویکرد هوش مصنوعی؛ 3) رویکرد ترکیبی. به این منظور ابتدا ارزیابی عملکرد روشهای کلاسیک از قبیل روشهای هموارسازی نمایی، تحلیل روند، ARIMA و هوش مصنوعی از قبیل شبکه های عصبی و شبکه های عصبی فازی انجام شده است، سپس سناریو سوم، یعنی طراحی مدل ترکیبی ازARIMA، شبکه های عصبی فازی مورد بررسی قرار گرفته است. ترکیبی از ARIMA، شبکه های عصبی و شبکه های عصبی فازی مورد بررسی قرار گرفته است. نتایج تحقیق بیانگر آن است که توانایی مدل ترکیبی نسبت به تمامی روشهای هوش مصنوعی و کلاسیک بالاتر است.

دریافت مقاله یا کتاب
حجم: 1.19 مگابایت