دسته: فناوری اطلاعات – ترجمه مقاله

دسته‌ها
فناوری اطلاعات - ترجمه مقاله کامپیوتر - ترجمه مقاله مقالات انگلیسی رایگان مقالات ترجمه شده

دانلود ترجمه مقاله استفاده های در زمینه رشد شبکه‌های عصبی و هوش مصنوعی

استفاده های در زمینه رشد شبکه‌های عصبی و هوش مصنوعی

http://20elm.ir/wp-content/uploads/2016/10/%D8%AA%D8%B1%D8%AC%D9%85%D9%87-%D9%85%D9%82%D8%A7%D9%84%D8%A7%D8%AA-%DA%A9%D8%A7%D9%85%D9%BE%DB%8C%D9%88%D8%AA%D8%B1-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-%D8%A7%D8%B7%D9%84%D8%A7%D8%B9%D8%A7%D8%AA-158x158.png

نمونه متن ترجمه شده در قسمت زیر
شبکه‌ی عصبی مصنوعی  را می‌توان یکی از شاخه‌های هوش مصنوعی دانست که به‌عنوان یک تکنولوژی رایانشی در علوم کامپیوتر مدنظر قرارگرفته است. در این مقاله قصد داریم به بازبینی حوزه‌ی هوش مصنوعی پرداخته و بر روی کاربردهای اخیر آن، که از شبکه‌های عصبی مصنوعی (ANN) و هوش مصنوعی (AI) استفاده می‌کند بیندازیم.همچنین قصد داریم ادغام شبکه‌های عصبی را با سایر متدهای رایانشی‌ای مانند منطق فازی  در نظر گرفته تا بتوانیم توانایی تفسیر داده‌ها را بهبود دهیم. شبکه‌های عصبی مصنوعی را می‌توان یک تکنولوژی رایانشی نرم دانست که در سطح زیادی موردمطالعه قرارگرفته و در طی دو دهه‌ی اخیر نیز کاربردهای زیادی از آن پدید آمده است. رایج‌ترین کاربردهای شبکه‌های عصبی را می‌توان در حل مسائل تشخیص الگو، تحلیل داده‌ای، کنترل و خوشه‌بندی دانست. شبکه‌های عصبی مصنوعی دارای ویژگی‌های زیادی من‌جمله سرعت پردازشی بالا و توانایی در یادگیری و به دست آوردن جواب یک مسئله(از طریق یادگیری یک مجموعه داده‌ای) می‌باشند. هدف اصلی این مقاله این بوده که به بررسی کاربردهای اخیر شبکه‌های عصبی مصنوعی و هوش مصنوعی پرداخته و یک بازبینی جامعی را در خصوص  نقش اصلی AI و NN در حوزه‌های مختلف ارائه دهیم.
واژگان کلیدی:
هوش مصنوعی، شبکه‌های عصبی، یادگیری ماشین، رایانش نرم
_______________________________________
عنوان انگلیسی مقاله: Advanced Applications of Neural Networks and Artificial Intelligence: A Review
عنوان فارسی مقاله: کاربردهای پیشرفته‌ی شبکه‌های عصبی و هوش مصنوعی
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: 31
جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

جهت دانلود محصول اینجا کلیک نمایید
بخشی از مقاله انگلیسی
Unsupervised Learning : In this type of learning external teacher is not present. So this kind of learning is based upon clustering technique. According to inputs patterns clusters are divided into different classes. This kind of learning is also called self organization. Typic al examples are the Hebbian learning rule and the competitive learning rule . Unsupervised learning is much more important then supervised learning since it likely to be much more common in the brain then supervised learning. The kind of learning is determi ned by the way in which the changes to network parameters have done.
 استفاده های در زمینه رشد شبکه‌های عصبی و هوش مصنوعی
دسته‌ها
فناوری اطلاعات - ترجمه مقاله کامپیوتر - ترجمه مقاله مقالات انگلیسی رایگان مقالات ترجمه شده

ترجمه مقاله خدمات وب درباره داده ها ترافیک جاده‌ای

خدمات وب درباره داده ها ترافیک جاده‌ای

http://20elm.ir/wp-content/uploads/2016/10/%D8%AA%D8%B1%D8%AC%D9%85%D9%87-%D9%85%D9%82%D8%A7%D9%84%D8%A7%D8%AA-%DA%A9%D8%A7%D9%85%D9%BE%DB%8C%D9%88%D8%AA%D8%B1-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-%D8%A7%D8%B7%D9%84%D8%A7%D8%B9%D8%A7%D8%AA-158x158.png

  • فرمت : zip
  • حجم : 1.92مگابایت
  • شماره ثبت : 411

 

 

 

بخشی از ترجمه این مقاله در قسمت زیر گذاشته شده است :

در این مقاله قصد داریم به تشریح یک پلت فرم چند عامله برای سیستم اطلاعات مسافر پردازیم که در این سیستم، به مسافرین اجازه داده شده تا سرویس وب مربوط به اطلاعات ترافیک جاده‌ای (WSs)  که با نیاز مندی آن‌ها بهترین مطابقت را دارد پیدا کنند. پس از مطالعه‌ی پروپوزال های موجودی که به کشف Ws معنایی پرداخته بودند، یک الگوریتم تطابق ترکیبی را پیاده سازی کردیم که به صورت کامل آنرا تشریح خواهیم نمود. پروفایل‌های Ws معنایی به صورت خودکار به عنوان OWL-S ها شناخته شده و همچنین درخواست مسافر در آن به صورت یک پروفایل OWL نشان داده می‌شود. این الگوریتم، مقیاس‌ها و وزن های مختلفی را به هر پارامتر پروفایل WS تخصیص داده شده که این تخصیص بر اساس سطح ارتباط، نوع و ماهیت آن‌ها صورت می‌گیرد. برای انجام این کار، الگوریتم پائولوچی  را توسعه داده‌ایم و از آن در سناریوی خود استفاده نموده‌ایم. همچنین مقیاس های معنایی جدیدی، مخصوصاٌ استفاده از رابطه‌ی هم نیا، برای بهبود فراخوانی‌ها بکار گرفته شده که به سرویس‌های مربوطه اجازه داده تا به وسیله‌ی کاربرانی که هنوز بازیابین شده‌اند کشف شوند. اگرچه ما روابط مفهوم تشابه را افزایش داده‌ایم و زمان اجرا را با استفاده از مرحله‌ی فیلتر پیش پردازش (که به کاهش مجموعه‌ی به احتمال مفید WS می‌پردازد) بهبود داده‌ایم. این امر باعث بهبود الگوریتم تطابق معنایی گردیده است.
واژگان کلیدی:
سرویس‌های وب معنایی، تطابق گذاری، بازیابی اطلاعات، سیستم های اطلاعات ترافیک جاده‌ای، کشف دانش
عنوان انگلیسی مقاله: Semantic web service discovery system for road traffic information services
عنوان فارسی مقاله: سیستم کشف سرویس وب معنایی برای سرویس‌های اطلاعات ترافیک جاده‌ای
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: ٢٧
ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

جهت دانلود محصول اینجا کلیک نمایید
نمونه متن مقاله انگلیسی :

taxonomies. Road traffic information is generally available via road operators’ web sites, for this scenario a standard taxonomy has been established by ISO TC 204 ( ISODIS14813-1.2, 2004 ) but as UNPSC is too broad. The use of service categories may have little meaning if the categories allowed in the ontology are too wide because the number of candidates won’t decrease significantly with the pre-pro- cess step. The use of less precise ontologies will be needed, although service descriptions should be more exact and the matchmaking pro- cess should be more complex. For that purpose, we defined the cat- egorization ontology ( Fig. 2 ) to be used as the taxonomy to classify our WS. This ontology has been defined taking into account the ISO TC204 as basis. Algorithm 4 presents the similarity measure for the NFPs Geo- graphical Radius, Quality of Service, Service’s Name, and Provider’s Name. For NFPs, the value of the similarity degree depends on whether it has a semantic (exact match) or syntactic (string match) type. Service’s Name and Provider’s name do not allow semantic comparisons and the match is only syntactic. Both matchings have the same weight. The algorithm counts the number of matches, and accumulates the fails

 

خدمات وب درباره داده ها ترافیک جاده‌ای