ترجمه مقاله طبقه بندی تصویر بیولوژیکی با استفاده ازشبکه عصبی مصنوعی راف-فازی - نشریه الزویر

قیمت خرید این محصول

۲۹,۰۰۰ تومان

دانلود مقاله انگلیسی

عنوان فارسی

طبقه بندی تصویر بیولوژیکی با استفاده ازشبکه عصبی مصنوعی راف-فازی

عنوان انگلیسی

Biological image classification using rough-fuzzy artificial neural network

صفحات مقاله فارسی

16

صفحات مقاله انگلیسی

7

سال انتشار

2015

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده و pdf

فونت ترجمه مقاله

بی نازنین

سایز ترجمه مقاله

14

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

نوع ارائه مقاله

ژورنال

پایگاه

اسکوپوس

ایمپکت فاکتور(IF) مجله

5.891 در سال 2018

شاخص H_index مجله

162 در سال 2019

شاخص SJR مجله

1.190 در سال 2018

شناسه ISSN مجله

0957-4174

شاخص Q یا Quartile (چارک)

Q1 در سال 2018

کد محصول

F1369

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است ☓

وضعیت ترجمه منابع داخل متن

درج نشده است ☓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است ✓

بیس

نیست ☓

مدل مفهومی

ندارد ☓

پرسشنامه

ندارد ☓

متغیر

ندارد ☓

رفرنس در ترجمه

در داخل متن و انتهای مقاله درج شده است

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر، هوش مصنوعی، مهندسی الگوریتم ها و محاسبات

مجله

سیستم های خبره و کاربردهای آن - Expert Systems With Applications

دانشگاه

گروه EIM، برزیل

کلمات کلیدی

شناسایی تصویر، انتخاب خصوصیت، مجموعه های راف، مجموعه های فازی، شبکه عصبی مصنوعی

کلمات کلیدی انگلیسی

Image identification - Feature selection - Rough sets - Fuzzy sets - Artificial neural network

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.eswa.2015.07.075

ترجمه این مقاله با کیفیت متوسط انجام شده است. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
1-مقدمه
2-بررسی متون
2-1-شناسایی تصویر
2-2-تئوری مجموعه راف یا RS
2-3-مجموعه فازی (FS)
2-4-شبکه های عصبی مصنوعی یا ANN
2-5-شبکه عصبی مصنوعی راف-فازی RFANN
3-روش شناسی آزمایشی
3-1-تعیین الگوریتم جدید
3-2-فضاهای تخمین
4-اجرای آزمایشات
4-1-RFANN بکار بسته شده برای شناسایی تصویر
4-2-مقایسه با خصوصیات انتخابی تصادفی
5-نتیجه گیری ها

نمونه چکیده متن اصلی انگلیسی

Abstract

This paper presents a methodology to biological image classification through a Rough-Fuzzy Artificial Neural Network (RFANN). This approach is used in order to improve the learning process by Rough Sets Theory (RS) focusing on the feature selection, considering that the RS feature selection allows the use of low dimension features from the image database. This result could be achieved, once the image features are characterized using membership functions and reduced it by Fuzzy Sets rules. The RS identifies the attributes relevance and the Fuzzy relations influence on the Artificial Neural Network (ANN) surface response. Thus, the features filtered by Rough Sets are used to train a Multilayer Perceptron Neuro Fuzzy Network. The reduction of feature sets reduces the complexity of the neural network structure therefore improves its runtime. To measure the performance of the proposed RFANN the runtime and training error were compared to the unreduced features.

نمونه چکیده ترجمه متن فارسی

چکیده
این مقاله نمایانگر یک روش شناسی برای طبقه بندی تصویر بیولوژیکی ازطریق یک شبکه عصبی مصنوعی راف-فازی یا RFANN می باشد. این رهیافت برای بهبود پروسه یادگیری توسط تئوری مجموعه های راف RS متمرکز بر انتخاب خصوصیت با درنظرگیری این امر استفاده می شود که انتخاب خصوصیت RS به استفاده از خصوصیات بعد پایین از پایگاه داده های تصویر امکان می دهد. این نتیجه می تواند حاصل آید، زمانی که خصوصیات تصویر با استفاده از توابع عضویت مشخصه سازی گردیده است و آنرا با قوانین مجموعه های فازی کاهش داده باشند. RS ارتباط خصوصیات و تاثیرروابط فازی را روی پاسخ سطح شبکه عصبی مصنوعی یا ANN شناسایی می کند. بااینحساب، خصوصیات فیلتر شده با مجموعه های راف برای آموزش یک شبکه فازی نرونی ادراک چندلایه ای بکار می رود. کاهش مجموعه های خصوصیات منجر به کاهش پیچیدگی ساختار شبکه عصبی می گردد از اینرو زمان اجرای آن را بهبود می دهد. برای اندازه گیری عملکرد RFANN مطرح شده، زمان اجرا و خطای اموزشی را با خصوصیات کاهش نیافته مقایسه کردیم.