دانلود رایگان ترجمه مقاله طبقه بندی تصویر بیولوژیکی با شبکه عصبی مصنوعی راف-فازی (نشریه الزویر ۲۰۱۵)

این مقاله انگلیسی ISI در نشریه الزویر در ۷ صفحه در سال ۲۰۱۵ منتشر شده و ترجمه آن ۱۶ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

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

عنوان انگلیسی مقاله:

Biological image classification using rough-fuzzy artificial neural network

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۵
تعداد صفحات مقاله انگلیسی ۷ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی، مهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال) سیستم های خبره و کاربردهای آن – Expert Systems With Applications
کلمات کلیدی شناسایی تصویر، انتخاب خصوصیت، مجموعه های راف، مجموعه های فازی، شبکه عصبی مصنوعی
ارائه شده از دانشگاه گروه EIM، برزیل
رفرنس دارد 
کد محصول F1369
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۶ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است 
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده
۱-مقدمه
۲-بررسی متون
۲-۱-شناسایی تصویر
۲-۲-تئوری مجموعه راف یا RS
۲-۳-مجموعه فازی (FS)
۲-۴-شبکه های عصبی مصنوعی یا ANN
۲-۵-شبکه عصبی مصنوعی راف-فازی RFANN
۳-روش شناسی آزمایشی
۳-۱-تعیین الگوریتم جدید
۳-۲-فضاهای تخمین
۴-اجرای آزمایشات
۴-۱-RFANN بکار بسته شده برای شناسایی تصویر
۴-۲-مقایسه با خصوصیات انتخابی تصادفی
۵-نتیجه گیری ها

 

بخشی از ترجمه
 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.
 
۱- مقدمه
درمسائل پیچیده مانند طبقه بندی تصویر سلولهای بیولوژیکی، کسب خصوصیات اساسی باید بدون یک دانش قبلی از تصویر انجام گیرد. مقدار افزایش یافته خصوصیات باعث پیچیدگی محاسباتی و زمان اجرای حتی بیشتر می شود. وانگهی، به دلیل نویز پایگاه داده ها که در اثر خصوصیات تصویر اضافی است می تواند باعث کاهش ظرفیت نمایش گردد. طبق گفته Shang & Qiang در ۲۰۰۸ ، بکارگیری مکانیسم انتخاب خصوصیات راف-فازی به کاهش یک مجموعه خصوصیات بعدگرایی پایین از شرحیات نمونه ها امکان می دهد.
برای این موارد پیچیده از زندگی واقعی، استفاده از مجموعه های راف یا RS در پردازش قبلی پایگاه داده ها کارامد بوده است، چرا که تنها مرتبط ترین خصوصیات به عنوان پارامترهای ورودی برای شبکه عصبی استفاده می شود. RS اخیرا به شکل رهیافت ریاضی اصلی دیگری برای مدیریت عدم قطعیت پدیدار شده است که از اطلاعات غیردقیق، مختل شده، یا ناکامل ناشی می شود. مشخص شده است که بویژه در حیطه کاهش دانش موثر می باشد.
در این موارد، تئوری مجموعه فازی یا FS و RS نمایانگر دو رهیافت مختلف برای ابهام می باشند. FS مطرح کننده تدریجی بودن دانش می باشد که با عضویت فازی بیان می گردد درصورتیکه تئوری مجموعه راف دانه دانه بودن دانش را مطرح می سازد که با رابطه قابلیت عدم تمیز بیان می شود.
یک گزینه برای ساده سازی ساختار شبکه عصبی مصنوعی ANN و کاهش اختلال ایجاد شده توسط خصوصیات غیرمعنی دار استفاده از رهیافت مجموعه راف یاRS برای انتخاب مهمترین خصوصیات می باشد. مقاله کنونی یک الگوریتم جدیدی را برای درک انتخاب خصوصیت، با قصد استفاده از RS به عنوان یک ابزاری برای ساختاربندی ANN مطرح می دارد. روش شناسی شامل تولید قوانینی از مثالهای آموزشی با یادگیری مجموعه راف، و نقشه بندی فاکتورهای وابستگی قوانین به سنجشهای ارتباطی یک شبکه عصبی چهارلایه می باشد.
مزیت رهیافت شبکه عصبی مصنوعی راف-فازی یا RFANN شامل سینرجی حاصله توسط ترکیب دو یا چند توانایی تکنیکی برای دستیابی به یک سیستم قدرتمندتر درباره یادگیری و تعمیم می باشد. یک معماری ترتیبی در این کار استفاده شده است که در آن RS و FS توابع مجزایی دارند: RS مهمترین خصوصیات را شناسایی می کنند که FS پاسخ سطح را تولید می کند (ورودی، خروجی) چون شبکه فازی عصبی یا NFN قابلیت یادگیری دارد و می تواند خودش را با دنیای واقعی سازگار سازد.
این مقاله به ترتیب ذیل سازماندهی شده است: بخش ۲ نمایانگر بررسی متون علمی است، بخش ۳ نمایانگر روش شناسی آزمایشی و بخش ۴ نمایانگر اجرای آزمایشات است. نتیجه گیری در بخش ۵ ارائه گردیده است.

 

بخشی از مقاله 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.

۱ Introduction

In complex problems as biological cells image classification, the capture of the essential features must be carried out without a priori knowledge of the image. The increased amount of attributes requires computational complexity and runtime even bigger. Moreover, due to noise in the database caused by excessive image features can cause a reduction in capacity of representation. According to Shang and Qiang (2008), the employment of Rough-Fuzzy features selection mechanism allows the reduction for a low dimensionality features sets from samples descriptions.

For these complex cases from the real life the use of Rough Sets (RS) in the pre-processing of the database has been efficient, since only the most relevant features are used as input parameters for the neural network. The RS has recently emerged as another major mathematical approach for managing uncertainty that arises from inexact, noisy, or incomplete information. It is found to be particularly effective in the area of knowledge reduction (Petrosino & Salvi, 2006).

In these cases, Fuzzy Set theory (FS) and RS represent two different approaches to vagueness. FS addresses gradualness of knowledge, expressed by the fuzzy membership, whereas rough set theory addresses granularity of knowledge, expressed by the indiscernibility relation (Affonso & Sassi, 2010).

An option to simplify the structure of the Artificial Neural Network (ANN) and reduce the noise caused by non-significant features is to use the Rough Set (RS) approach in order to select the most important features. The present paper proposes a new algorithm to realize the feature selection, with the intention to use RS as a tool for structuring the ANN. The methodology consisted of generating rules from training examples by rough-set learning, and mapping the dependency factors of the rules into the connection weights of a four-layered neural network.

The advantage of the Rough-Fuzzy Artificial Neural Network (RFANN) approach consists in the synergy achieved by combining two or more technical capabilities to achieve a more powerful system regarding to learning and generalization (Gomide, Figueiredo, & Pedrycz, 1998). A sequential architecture is used in this work, in which RS and the FS have distinct functions: RS identifies the most critical features, while the FS generates the surface response (input, output) since the Neuro Fuzzy Network (NFN) has Learnability and can adapt itself to the real world.

The paper is organized as follows: Section 2 presents the Literature review, Section 3 presents the Experimental Methodology and Section 4 presents the Conduct of Experiments. The Conclusion is presented in Section 5.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا