Neural Network

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

Fractional neural network approximation

a b s t r a c t
Here, we study the univariate fractional quantitative approximation of real valued
functions on a compact interval by quasi-interpolation sigmoidal and hyperbolic tangent
neural network operators. These approximations are derived by establishing Jackson type
inequalities involving the moduli of continuity of the right and left Caputo fractional
derivatives of the engaged function. The approximations are pointwise and with respect
to the uniform norm. The related feed-forward neural networks are with one hidden
layer. Our fractional approximation results into higher order converges better than the
ordinary ones

تخمين تقريبي شبكه­ ي عصبي كسري

چكيده

تقريب كمي كسري يك متغيره­ي توابع با ارزش واقعي را بر روي فاصله­ي فشرده توسط عملگرهاي شبكه­ي عصبي مجانبي هايپربوليك و سيگموئيد شبه ميان­يابي مطالعه مي­كنيم. اين تقريب­ها با برقراري نامساوي­هاي نوع جكسون شامل مدول­هاي پيوستگي مشتقات كسري كاپوتوي راست و چپ تابع مورد استفاده استخراج مي­شود. تقريب­ها نقطه به نقطه و نسبت به نُرم يكنواخت هستند. شبكه­هاي عصبي فيدفوروارد مربوطه داراي يك لايه­ي پنهان هستند. تقريب زني كسري ما  منجر به همگرايي بهتري نسبت به تقريب­هاي معمولي مي­شود.

.

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

DISCRETE FRACTIONAL ORDER ARTIFICIAL NEURAL NETWORK

Abstract: In this paper the discrete time fractional order artificial neural network is presented. This structure is proposed
for simulating the dynamics of non-linear fractional order systems. In the second part of this paper several numerical examples
are shown. The final part of the paper presents the discussion on the use of fractional or integer discrete time neural network
for modelling and simulating fractional order non-linear systems. The simulation results show the advantages of the
proposed solution over the classical (integer) neural network approach to modelling of non-linear fractional order systems

شبكه عصبي مصنوعي نوع مرتبه كسري گسسته

چكيده

در اين مقاله شبكه عصبي مصنوعي مرتبه كسري زمان گسسته ارائه مي­شود. اين ساختار براي شبيه­سازي ديناميك­هاي سيستم­هاي مرتبه كسري غير خطي ارائه مي­شود. در بخش دوم اين مقاله چند مثال عددي نشان داده مي­شود. بخش آخر مقاله بحث بر روي استفاده از شبكه عصبي زمان گسسته عدد صحيح يا كسري براي مدل­سازي و شبيه­سازي سيستم­هاي غير خطي مرتبه كسري را نشان مي­دهد. نتايج شبيه­سازي مزاياي راه­حل ارائه شده نسبت به روش شبكه عصبي (عدد صحيح) كلاسيك با مدل­سازي سيستم­هاي مرتبه كسري غير خطي را نشان مي­دهد.

.

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

Fractional-Order Hopfield Neural Networks

Abstract. This paper proposes Fractional-order Hopfield Neural Networks
(FHNN). This network is mainly based on the classic well-known Hopfield net
in which fractance components with fractional order derivatives, replace
capacitors. Stability of FHNN is fully investigated through energy-like function
analysis. To show how effective the FHNN network is, an illustrative example
for parameter estimation problem of the second-order system is finally
considered in the paper. The results of simulation are very promising.

شبكه­ هاي عصبي هوپفيلد با مرتبه­ ي كسري

چكيده

 اين مقاله شبكه­هاي عصبي هوپفيلد مرتبه كسري (FHNN) را ارائه مي­كند. اين شبكه عمدتا مبتني بر شبكه هوپفيلد مشهور استكه در اين مولفه­هاي كسريبا مشتقات مرتبه كسري جايگزين خازن مي­شوند. پايداري FHNN بطور كامل از طريق آناليز تابع شبيه انرژي بررسي مي­شود. در نهايت براي نشان دادن تاثير شبكه FHNN، يك مثال تصويري براي مسئله­ي برآورد پارامتري سيستم مرتبه دوم در نظر گرفته مي­شود. نتايج شبيه­سازي بسيار اميدواركننده هستند.

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

IMPROVEMENT OF IMAGE PROCESSING BY USING HOMOGENEOUS NEURAL NETWORKS WITH FRACTIONAL DERIVATIVES THEOREM

Abstract. The present paper deals with the unique circumvention of design-
ing feed forward neural networks in the task of the interferometry image recog-
nition. In order to bring the interferometry techniques to the fore, we recall
briefly that this is one of the modern techniques of restitution of three di-
mensional shapes of the observed object on the basis of two dimensional flat
like images registered by CCD camera. The preliminary stage of this process
is conducted with ridges detection, and to solve this computational task the
discussed neural network was applied. By looking for the similarities in the bi-
ological neural systems authors show the designing process of the homogeneous
neural network in the task of maximums detection. The fractional derivative
theorem has been involved to assume the weight distribution function as well
as transfer functions. To ensure reader that the theoretical considerations are
correct, the comprehensive review of experiment results with obtained two di-
mensional signals have been presented too

بهبود پردازش تصوير با استفاده از شبكه­ هاي عصبي همگن با قضيه­ ي مشتقات كسري

چكيده

اين مقاله شرايط منحصربفردي از طراحي شبكه­هاي عصبي تغذيه مستقيم (فيد فوروارد) در زمينه­يشناسايي تداخل تصوير را  بررسي مي­كند. به منظور پيشبرد فن­آوري­هاي تداخل، بطور خلاصه يادآوري مي­كنيم كهاين  يكي از روش­هاي جديد بازگرداني تصاوير سه بعدي از جسم مشاهده شده بر اساس تصاوير دو بعدي مسطح مانند است كه توسط دوربين CCDگرفته شده است. مرحله مقدماتي اين فرايند با تشخيص شيارها انجام مي­شود، و براي حل كردن اين كار محاسباتي شبكه عصبي مورد بحث به كار مي­رود. با جستجوي مشابهت­ها در سيستم­هاي عصبي بيولوژيكي، مولفانفرايند طراحي شبكه عصبي همگن را در تشخيص حداكثرها نشان مي­دهند. قضيه مشتق كسري شامل در نظر گرفتن تابع توزيع بار و هم­چنين توابع انتقال است. براي اطمينان دادن به خوانندهكه ملاحظات تئوري صحيح است، بررسي جامعي از نتايج آزمايش كه با دو سيگنال دوبعدي بدست آمده است ارائه مي­شود.

.

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

Neuro-fuzzy network modeling versus fractional model identification of a thermal process

Abstract—This paper deals with the modeling and identification
of heat transfer process. This diffusive phenomena exhibit
complex dynamics varying with the operating frequency band.
Two models are investigated: a fractional order state space
model and a neural fuzzy networks. Numerical simulations on
a thermal benchmark are performed in order to analyze the two
models fitting ability to approximate the diffusive phenomena

مدل­ سازي شبكه عصبي-فازي در برابر شناسايي مدل كسري فرآيند گرمايي

چكيده

اين مقاله مدل­سازي و شناسايي فرايند انتقال حرارت را بحث مي­كند. اين پديده­يپراكنشي ديناميك­هاي پيچيده را نشان مي­دهد كه با باند فركانس عملياتي تغيير مي­كند. دو مدل كه ادغام مي­شوند عبارت از: مدل فضايي حالت مرتبه كسري و شبكه­هاي فازي عصبي. شبيه­سازي­هاي عددي در محك (بنچمارك) گرمايي به منظورآناليز دو مدل با تطبيق توانايي براي تخمين پديده­ي پراكنشي انجام مي­شوند.

..

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

Synchronization of a Class of Fractional-Order Chaotic Neural Networks

Abstract: The synchronization problem is studied in this paper for a class of fractional-order
chaotic neural networks. By using the Mittag-Leffler function, M-matrix and linear feedback
control, a sufficient condition is developed ensuring the synchronization of such neural
models with the Caputo fractional derivatives. The synchronization condition is easy to
verify, implement and only relies on system structure. Furthermore, the theoretical results
are applied to a typical fractional-order chaotic Hopfield neural network, and numerical
simulation demonstrates the effectiveness and feasibility of the proposed method

سنكرون­ سازي كلاسي از شبكه­ هاي عصبي آشفته­ با مرتبه­ ي كسري

چكيده 

در اين مقاله مسئله سنكرون­سازي براي طبقه­اي از شبكه­هاي عصبي آشفته با مرتبه­ي كسري مطالعه مي­شود. با استفاده از تابع ميتاگ - لفر، كنترل فيدبك خطي و ماتريس-M، يك شرط كافيايجاد شده است كه سنكرون­سازيچنين مدل­هاي عصبي با مشتقات كسري كاپوتو را تضمين مي­كند. اثبات و پياده­سازي شرط سنكرون­سازي آسان و تنها بر ساختار سيستم متكي است. علاوه بر اين، نتايج تئوري بر يك شبكه­ي عصبي هوپفيلد آشفته­ي نوعي از مرتبه­ي كسرياعمال مي­شود، و شبيه­سازي عددي اثربخشي و امكان­سنجي روش ارائه شده را نشان مي­دهد.

.

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

The Fractional Differential Polynomial Neural Network for Approximation of Functions

Abstract: In this work, we introduce a generalization of the differential polynomial neural
network utilizing fractional calculus. Fractional calculus is taken in the sense of the Caputo
differential operator. It approximates a multi-parametric function with particular polynomials
characterizing its functional output as a generalization of input patterns. This method can
be employed on data to describe modelling of complex systems. Furthermore, the total
information is calculated by using the fractional Poisson process.

شبكه عصبي چند جمله­ اي ديفرانسيلِ كسري براي تقريب­ زني توابع

چكيده

در اين مقاله، تعميمي از شبكه عصبي چند جمله­اي ديفرانسيلي را با استفاده از محاسبات كسري معرفي مي­كنيم. محاسبات كسري در معنايعملگرديفرانسيلي كاپوتو در نظر گرفته مي­شوند كه يك تابع چند پارامتري را با چند جمله­اي­هاي خاصتقريب مي­زند كه خروجي عملكردي آن را به عنوان تعميمي از الگوهاي ورودي مشخص مي­كند. مي­توان اين روش را بر داده­هايي به منظور تشريح مدل­سازي سيستم­هاي پيچيده به كار گرفت. علاوه بر اين، اطلاعات كل با استفاده از فرايند پويسون كسري محاسبه مي­شود.

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

Finite-time stability analysis of fractional-order neural networks with delay

Abstract
Stability analysis of fractional-order neural networks with delay is addressed in this paper. By using the
contracting mapping principle, method of iteration and inequality techniques, a sufficient condition is established to
ensure the existence, uniqueness and finite-time stability of the equilibrium point of the proposed networks. Finally,
based on the Predictor-Corrector Approach, two numerical examples are presented to illustrate the validity and
feasibility of the obtained result.

تحليل پايداري زمان-محدود شبكه­ هاي عصبي مرتبه كسري تاخيردار

چكيده

تحليل پايداري شبكه­ هاي عصبي مرتبه كسري با تاخير در اين مقاله ارائه مي­شود. با استفاده ازاصل نگاشت قراردادي، روش تكراري و تكنيك­هاي نابرابر، شرط مناسبي به منظور تضمين وجود، منحصر به فردبودن و پايداريزمانمحدود نقطه­ي تعادلشبكه­هايارائه شده ايجاد مي­شود. در نهايت،بر اساسروشاصلاح-پيشگويي، دو مثال عددي به منظور نشان دادن اعتبار و احتمال نتيجه­ي به دست آمده ارائه مي­شود.

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

Dynamics of fractional-order neural networks

Abstract—In this paper we discuss the stability analysis
for fractional-order neural networks of Hopfield type. The
stability domain of a steady state is completely characterized
with respect to some characteristic parameters of the system,
in the case of a two-dimensional network and of a network
of

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

A Note on the Fractional-Order Cellular Neural Networks

Abstract—This paper deals on fractional - order cellular
neural networks (CNNs). It is based on the well-known concept
of the CNNs, where mathematical model of the CNN consists
a fractional order derivative. Traditional first order cell is
replaced by fractional order (non-integer) one. We present
the method to derive such kind of the fractional order cell.
An illustrative example has been used to demonstrate and
investigate the existence of the fractional order CNN. We
present the fractional three-cell CNN where the total order
of system is less than three, namely 2.7, and the corresponding
state space trajectories are shown as well.

مطالعه­ اي بر روي شبكه­ هاي عصب سلولي مرتبه­ ي-كسري

چكيده

اين مقاله به مطالعه­يشبكه­هاي عصبي سلولي (CNNهاي) مرتبه­ي كسري مي­پردازد. اين مقاله بر اساس مفهوم شناخته شده­يCNNها است، كه در آن مدل رياضي CNN شامل مشتق مرتبه­ي-كسري است. بجاي سلول مرتبه­ي اولمتعارف، از نوعمرتبه كسري (غير صحيح) استفاده مي­شود. روشي را به منظور ايجاد چنين نوع سلول مرتبه كسري ارائه مي­كنيم. يك مثال تصويري براي نشان دادن و بررسي وجود CNNمرتبه­ي كسري استفاده مي­شود. CNN سه-سلولي كسري را كه در آن مرتبه­ي كل سيستم كمتر از سه (يعني 2.7)است و هم­چنين منحني­هاي مسير حالت فضايي را نيز ارائه مي­كنيم.

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود