دانلود ترجمه مقاله شبکه ‌های عصبی فازی – مجله الزویر

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” شبکه ‌های عصبی فازی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
1.مقدمه
2. مقالات
3. یادگیری
3.1. پس‌انتشار فازی
3.2. پس‌انتشار در برش‌های α
3.3. پس‌انتشار مبتنی بر برش α
3.4. تحقیق تصادفی
3.5. الگوریتم‌های ژنتیکی
3.6. هرج و مرج فازی
3.7. دیگر روش‌های یادگیری
4. برنامه‌های کاربردی
4.1. رگرسیون فازی
4.2. کنترل‌کننده فازی
4.3. سیستم هوشمند فازی
4.4. تحلیل سلسله مراتبی فازی
4.5. معادلات ماتریس فازی
4.6. تقریب‌گرهای عمومی
4.7. برنامه‌های کاربردی دیگر
5. خلاصه و نتایج

• بخشی از ترجمه:

5. خلاصه و نتایج
در این مقاله، الگوریتم‌های یادگیری و موارد کاربرد شبکه‌های عصبی فازی را مورد نقد و بررسی قرار دادیم. ما شبکه عصبی فازی را یک شبکه لایه‌ای پیشخور تعریف می‌کنیم که سیگنال‌های مجموعه فازی را پردازش نموده و دارای وزن‌های مجموعه فازی می‌باشد.
ساخت الگوریتم‌های یادگیری برای شبکه‌های عصبی فازی با مجموعه‌های فازی عمومی‌تر، موضوع اصلی تحقیقات آینده را شکل می‌دهد. در ابتدا محققان تصور می‌کردند که سیگنال‌ها و وزن‌ها، اعداد فازی مثلثی (متقارن) هستند. این تصور برای برنامه‌های کاربردی محدود‌یت زیادی ایجاد می‌کند. در حال حاضر باید این تصور را داشته باشیم که سیگنال ها و وزن‌ها، اعداد فازی (هر نوع) یا مجموعه‌های فازی عمومی به شمار می‌روند. چنین به نظر می‌رسد که الگوریتم‌های ژنتیکی (فازی) شاید ابزار مورد نیاز برای بکارگیری از مجموعه‌های فازی عمومی‌تر باشند. هنگامی که یک الگوریتم یادگیری عمومی برای شبکه‌های عصبی فازی در اختیار داریم، برنامه‌های کاربردی به طور طبیعی به دنبال آن خواهد آمد.

• بخشی از مقاله انگلیسی:

5. Summary and conclusions

In this paper we reviewed learning algorithms and applications of fuzzy neural networks. Our definition of a fuzzy neural network is a layered, feedforward, network that processes fuzzy set signals and/or has fuzzy set weights.

The main topic for future research is to develop learning algorithms for fuzzy neural nets that have more general fuzzy sets. Initially researchers assumed the signals/weights were (symmetric) triangular fuzzy numbers. This is too restrictive for applications. We need now to assume the signals/weights are fuzzy numbers (any type) or general fuzzy sets. It appears that (fuzzy) genetic algorithms might be the tool needed to handle the more general fuzzy sets. Once we have a general learning algorithm for fuzzy neural nets the applications will follow naturally.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله