[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
صفحه اصلی::
مدیریت دانشکده::
درباره دانشکده::
معرفی افراد::
امور آموزش ::
امور پژوهش::
اخبار دانشکده::
فضاهای آموزشی و تحقیقاتی::
تسهیلات پایگاه::
ارتباط با صنعت::
لینک های مفید::
تماس با ما::
گروه های دانشجویی::
::
مصاحبه تخصصی دکترای برق 98
98
..
مراکز تحقیقاتی و پزوهشی
مرکز تست و پایش ماشین های الکتریکی

مرکز تحقیقات نانوپترونیکس 

پژوهشکده سبز  

پژوهشکده الکترونیک 

آزمایشگاه تحقیقاتی الکترونیک قدرت 

قطب علمی اتوماسیون و بهره برداری از سیستمهای قدرت 

مجله مهندسی برق و الکترونیک 

پژوهشکده مهندسی و فناوری عصبی ایران  

آزمایشگاه تحقیقاتی آنتن 

مرکز مطالعات راهبردی وبین الملل فاوا

..
پیوند با سیستم های دانشگاه

AWT IMAGE
AWT IMAGE

AWT IMAGE

AWT IMAGE

AWT IMAGE

AWT IMAGE

..
گواهینامه HSE
..
جستجو در پایگاه

جستجوی پیشرفته
..
نظرسنجی
کدام بخش از سایت دانشکده مهندسی برق بیشتر مورد استفاده شما قرار می گیرد؟
آموزش و اطلاعیه های آموزشی
پژوهش و اطلاعیه های پژوهشی
اطلاعات دانشکده و اساتید
اخبار
اکثر موارد موجود در سایت
   
..
نظرسنجی
ارزیابی شما از سایت دانشکده مهندسی برق چیست؟
اطلاعات ارائه شده در حد کفایت است.
اطلاعات ارائه شده مطلوب است ولی نیاز به اطلاعات بیشتر می باشد.
اطلاعات ارائه شده کافی نیست.
   
..
درج نظر
به نظر شما کمبودهای سایت دانشکده برق چیست و برای رفع آن ها چه اقداماتی باید انجام شود؟ برای درج نظر کلیک نمایید.
..
:: تبریک به آقایان دکتر موسوی میرکلایی و مهندس افراخته ::
 | تاریخ ارسال: ۱۳۹۸/۱۱/۲۷ | 
شرح مساله: همواره در یک سیستم تشخیصی، استخراج ویژگی و طبقه بندی دو مرحله حیاتی است، به طوری که عملکرد بهتر سیستم مبتنی بر تصمیم عمدتاً وابسته به روش های به کار رفته در این مراحل است. در فرآیند استخراج ویژگی، این نکته مطرح می شود که برای بهینه سازی عملکرد یک سیستم تشخیصی باید به اندازه کافی اطلاعات و ویژگی داشته باشیم. از طرف دیگر تعداد زیاد این ویژگی ها، پیچیدگی سیستم را افزایش داده و از نظر سخت افزاری نیز پر هزینه خواهد بود. بنابراین، در این پژوهش این ایده مطرح شد که ویژگی هایی که اطلاعات مفید اضافی ندارند و فقط باعث افزایش پیچیدگی سیستم می شوند، حذف شوند. در بخش طبقه بندی از شبکه های عصبی ساده استفاده کردیم، لذا آموزش وزن ها و حد آستانه های آن یک مسئله جدی است. با بکارگیری روش پس انتشار خطا و گرادیان نزولی، به دلیل مبتنی بر مشتق بودن، امکان گیر کردن در تله های محلی وجود دارد و این باعث می شود مقادیر بهینه وزن ها و حد آستانه ها برای شبکه مورد بررسی در فاز طبقه بندی حاصل نشود و در نهایت منجر به دقت قابل قبولی نمی گردد. بنابراین برای تعیین این مقادیر نیاز به یک الگوریتم قدرتمند احساس می شود.
الگوریتم پیشنهادی: در این مطالعه یک الگوریتم بهینه سازی جدید Mo-PSO پیشنهاد شده است. هدف از ارائه این الگوریتم، بهبود دقت طبقه بندی با سرعت همگرایی قابل قبول است.
ارزیابی: الگوریتم پیشنهادی ابتدا بر روی توابع استاندارد مختلف با یک (unimodal) و چند نقطه بهینه (multimodal) اعمال شده است. هدف از این آزمایشات، نشان دادن قدرت الگوریتم پیشنهادی در یافتن و یا حداقل نزدیک شدن به بهینه سراسری است. نتایج این آزمایشات نشان دادند که روش پیشنهادی با سرعت همگرایی قابل قبولی دارای کارآیی بسیار بهتری نسبت به سایر الگوریتم های تکاملی است. این روش پیشنهادی سپس در مرحله انتخاب ویژگی (آزمایش تشخیص صرع مبتنی بر سیگنال های الکتروآنسفالوگرافی (EEG)) برای انتخاب ویژگی های بهینه و در مرحله طبقه بندی (طبقه بندی تصورات حرکتی مبتنی بر سیگنال های EEG)، برای آموزش شبکه عصبی (NN) برای دستیابی به عملکرد بهینه بکار گرفته شد. نتایج حاصله حاکی از عملکرد بسیار دقیق روش پیشنهادی در دو بخش مورد بررسی در سیستم تشخیصی است.
روش پیشنهادی از نظر سرعت نیز مناسب بوده و باعث کاهش پیچیدگی سیستم شده است. این مطالعه می تواند قدم بزرگی برای استفاده بیشتر از روش های مبتنی بر الگوریتم های تکاملی در سیستم های مبتنی بر تصمیم پزشکی باشد.
  
دفعات مشاهده: 445 بار   |   دفعات چاپ: 12 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
کلیه حقوق مادی و معنوی این سایت متعلق به دانشکده مهندسی برق دانشگاه علم و صنعت ایران می باشد . نقل هرگونه مطلب با ذکر منبع بلامانع می باشد .
Persian site map - English site map - Created in 0.2 seconds with 55 queries by YEKTAWEB 4061