تشخیص اشیاء دو بعدی بصری با استفاده از شبکه های عصبی مصنوعی بر مبنای استخراج ویژگی
چکیده
چکیدهای برای این سند ثبت نشده است.
چکیدهای برای این سند ثبت نشده است.
تجزیهوتحلیل مدلسازی استخراج از ترکیبات طبیعی در کاربرد صنعتی ضروری است. در مقاله حاضر، استخراج عصاره از گیاه غازیاغیFalcaria vulgaris) ) به روش حرارتدهی مقاومتی مورد بررسی قرار گرفت. این مطالعه به منظور بیان تأثیر برخی از متغیرهای مشخص (نظیر گرادیان ولتاژ، نسبت اتانول به آب، ز
هدف پژوهش حاضر، پیشبینی سینتیک استخراج اسانس طی تقطیر مقاومتی با سه مدل مختلف (روشهای رگرسیون غیر خطی (ریاضی)، شبکه عصبی مصنوعی (ANN) و منطق فازی) برای مقایسه دقت این مدلها بود. بر اساس نتایج به دست آمده شبکه عصبی مصنوعی بهترین روش در بین همه مدلهای اجرا شده برای پیشبینی عمل
طبقه بندی و تهیه نقشه کاربری های اراضی یکی از پرکاربردترین موارد در استفاده از داده های سنجش از دور است. تعدادی از روش های پیشرفته تر طبقه بندی در دهه های گذشته توسعه پیداکرده اند که از آنها می توان به شبکه های عصبی مصنوعی و ماشین بردار پشتیبان اشاره کرد. در این مطالعه از تصاویر
طبقهبندی و تهیه نقشه کاربریهای اراضی یکی از پرکاربردترین موارد در استفاده از دادههای سنجش از دور است. تعدادی از روشهای پیشرفتهتر طبقهبندی در دهههای گذشته توسعه پیداکردهاند که از آنها میتوان به شبکههای عصبی مصنوعی و ماشین بردار پشتیبان اشاره کرد. در این مطالعه از تصاویر
این مقاله به تشخیص ارتعاشی خرابی در چندلایه کامپوزیت الیاف شیشه با استفاده از آنالیز سیگنال زمانی و شبکه عصبی مصنوعی میپردازد. بهمنظور کاهش نویز سیگنالهای ارتعاشی، نویز زدایی با استفاده از تبدیل موجک به انجام رسید. پس از دادهکاوی و استخراج ویژگیهای آماری از سیگنالهای پردازش
نشتی های خط لوله نفت اگر مورد توجه واقع نشود می تواند منجر به خسارت های بزرگی گردد. اولین گام برای مقابله موثر با این نشتی ها، تشخیص محل وقوع آن ها است. در مقاله ی حاضر یک روش جدید آشکارسازی و جداسازی عیوب (fdi) مبتنی بر داده پیشنهاد می شود که نه تنها قادر است وقوع عیب نشتی و محل