پیش بینی سری زمانی پر هرج و مرج

عنوان انگلیسی مقاله: Design of fuzzy cognitive maps using neural networks for predicting chaotic time series

عنوان فارسی مقاله: طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج. 

دسته: ریاضی

فرمت فایل ترجمه شده: WORD (قابل ویرایش)

تعداد صفحات فایل ترجمه شده: 20

جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

_______________________________________

چکیده ترجمه:

به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و حوزه های کاربردی، طرح شناخت فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs (طرح شناخت فازی) سنتی، روش کارامدی را برای تعیین وضعیت سیستم مورد بررسی و تعیین علت و معلول که مبنای واقعی نظریه FCMs (طرح شناخت فازی) می باشد، ایجاد نمی کند. بنابراین در بسیاری از موارد، ایجاد FCMs (طرح شناخت فازی) برای سیستم های علت و معلول یچیده بستگی به دانش متخصصان دارد. مدل های ایجاد شده فیزیکی، دارای کمبودهایی مهمی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی قابل اطمینان دارند. در این مقاله به طرح شبکه عصبی فازی برای بالا بردن توان یادگیری FCMs (طرح شناخت فازی) پرداخته به گونه ای که تعیین خودکار توابع عضویت و تعیین علت و معلول آن با مکانیسم استنتاج  FCMs (طرح شناخت فازی) رایج ادغام می گردد. به این ترتیب، مدل FCMs (طرح شناخت فازی) سیستم های مورد بررسی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از یافته های متخصصان می باشند. علاوه بر این، لز زیرمجموعه های متقابل برای تعریف و شرح علت و معلول در FCMs (طرح شناخت فازی) استفاده می کنیم.  این موارد تفاسیر مشخصی را در ارتباط با دلایل FCMs (طرح شناخت فازی)  ایجاد کرده و به این ترتیب درک فرایند استنتاج را اسان تر می کند. برای تایید عملکرد، روش پیشنهادی در سری زمانی پر هرج و مرج پیش بینی شده، تست می گردد. بررسی های شبیه سازی شده کارایی روش پیشنهادی را نشان می دهد.

1. مقدمه:

از زمان تحقیقات کوشو ، طرح شناختی فازی(FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به عنوان یک روش بررسی مدل ها، برای سیستم های پیچیده،  مدل FCMs به بررسی سیستم های دیگر به عنوان مجموعه ای از مفاهیم و روابط بین این مفاهیم که منشاء آن از ترکیب منطق فازی و شبکه های عصبی می باشد پرداخته است.ذاتا، FCMs به عنوان یک نمودار مستقیم همراه با بازخوردهایی می باشد که شامل مجموعه ای از گره ها و منحنی هایی می باشد که این گره ها را به هم مرتبط می کند. شکل 1 نمایش گرافیکی FCM و ساختار شبکه ای آن را نشان می دهد.

در FCMs گره نشان دهنده مفهوم معنایی می باشد که از سیستم مورد نظر مشتق می شود.

جهت دانلود محصول اینجا کلیک نمایید

طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی

عنوان انگلیسی مقاله: Design of fuzzy cognitive maps using neural networks for predicting chaotic time series

عنوان فارسی مقاله: طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج. 

دسته: ریاضی

فرمت فایل ترجمه شده: WORD (قابل ویرایش)

تعداد صفحات فایل ترجمه شده: 20

جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

_______________________________________

چکیده ترجمه:

به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و حوزه های کاربردی، طرح شناخت فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs (طرح شناخت فازی) سنتی، روش کارامدی را برای تعیین وضعیت سیستم مورد بررسی و تعیین علت و معلول که مبنای واقعی نظریه FCMs (طرح شناخت فازی) می باشد، ایجاد نمی کند. بنابراین در بسیاری از موارد، ایجاد FCMs (طرح شناخت فازی) برای سیستم های علت و معلول یچیده بستگی به دانش متخصصان دارد. مدل های ایجاد شده فیزیکی، دارای کمبودهایی مهمی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی قابل اطمینان دارند. در این مقاله به طرح شبکه عصبی فازی برای بالا بردن توان یادگیری FCMs (طرح شناخت فازی) پرداخته به گونه ای که تعیین خودکار توابع عضویت و تعیین علت و معلول آن با مکانیسم استنتاج  FCMs (طرح شناخت فازی) رایج ادغام می گردد. به این ترتیب، مدل FCMs (طرح شناخت فازی) سیستم های مورد بررسی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از یافته های متخصصان می باشند. علاوه بر این، لز زیرمجموعه های متقابل برای تعریف و شرح علت و معلول در FCMs (طرح شناخت فازی) استفاده می کنیم.  این موارد تفاسیر مشخصی را در ارتباط با دلایل FCMs (طرح شناخت فازی)  ایجاد کرده و به این ترتیب درک فرایند استنتاج را اسان تر می کند. برای تایید عملکرد، روش پیشنهادی در سری زمانی پر هرج و مرج پیش بینی شده، تست می گردد. بررسی های شبیه سازی شده کارایی روش پیشنهادی را نشان می دهد.

1. مقدمه:

از زمان تحقیقات کوشو ، طرح شناختی فازی(FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به عنوان یک روش بررسی مدل ها، برای سیستم های پیچیده،  مدل FCMs به بررسی سیستم های دیگر به عنوان مجموعه ای از مفاهیم و روابط بین این مفاهیم که منشاء آن از ترکیب منطق فازی و شبکه های عصبی می باشد پرداخته است.ذاتا، FCMs به عنوان یک نمودار مستقیم همراه با بازخوردهایی می باشد که شامل مجموعه ای از گره ها و منحنی هایی می باشد که این گره ها را به هم مرتبط می کند. شکل 1 نمایش گرافیکی FCM و ساختار شبکه ای آن را نشان می دهد.

در FCMs گره نشان دهنده مفهوم معنایی می باشد که از سیستم مورد نظر مشتق می شود.

جهت دانلود محصول اینجا کلیک نمایید

ترجمه مقاله بررسی و تحلیل کوپلاس

عنوان انگلیسی مقاله: COPULE AND THEIR USES

عنوان فارسی مقاله: کوپلاس (پیوند) و کاربرد آن.

دسته: ریاضی

فرمت فایل ترجمه شده: WORD (قابل ویرایش)

تعداد صفحات فایل ترجمه شده: 13

جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

_______________________________________

چکیده ترجمه:

این بررسی در مورد کوپلاس، بعضی از جنبه هایی از کوپلاس، خصوصیات آنرا مد نظر قرار داده که تاکیدی بر روی ارتباط آن با آمار و پیوند آن با مراحل مارکوف و پیش بینی شرطی دارد. 

1. کوپلاس چیست؟

کوپلاس در سال 1959 توسط اسکلار معرفی شد. امروزه تحقیقات بر روی کوپلاس بسیار گسترده می باشد. خواننده در درجه اول، به کتاب های معتبر و بررسی های افرادی چون شویزر، اسکلار و نلسون ارجاع می گردد. همچنین کتاب های نوشته شده توسط جو و هاتچینسون و لی شامل اطلاعات مهمی می باشد؛ به این ترتیب مجموعه ای از مقالات و موضوعات آن ها، زمانی که نیاز به آن ها احساس می گردد، مد نظر قرار می گیرند. مقاله کنونی به معرفی بعضی از ویژگی ها و کاربردهای کوپلاس، حتی مواردی که دارای ارتباط نزدیک با موضوع نمی باشند، می پردازد. البته نمی توان وانمود کرد که وسعت یا تشابه عمیقی در آثار ذکر شده وجود دارد. 

جهت دانلود محصول اینجا کلیک نمایید

ترجمه مقاله الگوریتم آشکارسازی بن بست موازی

عنوان انگلیسی مقاله: Parallel Deadlock Detection Algorithm

عنوان فارسی مقاله: الگوریتم آشکارسازی بن بست موازی.

دسته: ریاضی

فرمت فایل ترجمه شده: WORD (قابل ویرایش)

تعداد صفحات فایل ترجمه شده: 15

جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

_______________________________________

چکیده ترجمه:

مشکلات 1، 2، 3 ذکر شده در بخش 3.3.3، اجرای جلوگیری از بن بست ها (وقفه ها) را در سیستم های واقعی پیچیده می کند. روش جدید ما برای ادغام شناسایی این بن بست ها و اجتناب از آن ها ( اگرچه نیازمند اطلاعات پیشرفته نمی باشد، دانش مقدماتی از شرایط منابع)، سهمی در سازگاری راحت تر جلوگیری از این بن بست ها در MPSoC ، با تطبیق حداکثر آزادی به همراه مزایای های اجتناب از این بن بست ها، دارد ( یعنی همزمانی حداکثر درخواست ها و تایید آن بستگی به مسیرهای اجرایی خاص دارد). 

DAU از این بن بست ها بدون مجوز به درخواست دیگری که منجر به بن بست می گردد، جلوگیری می کند. در مورد تغییر مسیر که در نتیجه تلاش به منظور جبوگیری از بن بست ها می باشد، DAU از یکی از پردازشگرهای مرتبط با این تغییر مسیر می خواهد تا  منابع را منتشر کرده به گونه ای که این تغییر مسیر مشخص گردد. 

جهت دانلود محصول اینجا کلیک نمایید

ترجمه مقاله قضایای نقاط ثابت مشترک برای دو نگاشت در فضاهای متریک M فازی

عنوان انگلیسی مقاله: COMMON FIXED POINT THEOREMS FOR TWO MAPPINGS IN M-FUZZY METRIC SPACES

عنوان فارسی مقاله: قضایای نقاط ثابت مشترک برای دو نگاشت در فضاهای متریک M فازی.

دسته: ریاضی

فرمت فایل ترجمه شده: WORD (قابل ویرایش)

تعداد صفحات فایل ترجمه شده: 21

جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

_______________________________________

چکیده ترجمه:

 در این مقاله، ما به اثبات بعضی از قضیه های نقاط ثابت مشترک برای دو نگاشت غیرخطی  در فضاهای متریک M فازی کامل می پردازیم. نتایج اصلی ما، به اصلاح نسخه هایی از چند قضیه نقطه ثابت در فضاهای متریک فازی کامل می پردازد. 

1. مقدمه و دیباچه 

مفهوم مجموعه فازی نخستین بار توسط محققی به نام  زاده در سال 1965 معرفی شد. از آن به بعد، به منظور بکارگیری این مفهوم در توپولوژی (مکان شناسی) و تجزیه و تحلیل، بسیاری از محققان در سطح گسترده ای، تئوری مجموعه های فازی و کاربرد آن را توسعه داده اند. جورج و ورامانی (8) و کراموسیل و میچالک (11) به معرفی مفهوم فضای توپولوژیک فازی از طریق متریک فازی پرداختند که دارای کاربردهای بسیار مهمی در فیزیک ذرات کوانتوم  به ویژه در ارتباط با نظریه بینهایت و رشته بوده که توسط ال- ناشی مطرح و مورد بررسی قرار گرفته است. بسیاری از محققان به اثبات بعضی از قضایای نقاط ثابت مشترک در فضاهای متریک ( احتمال) فازی پرداختند. واسوکی، نسخه فازی قضیه نقاط ثابت مشترک را که دارای شرایط اضافی بوده است، بدست آورد. در واقع واسوکی به اثبات قضیه نقاط ثابت مشترک فازی با تعریف قوی از توالی کُشی پرداخته است ( نکته 3.13 و تعریف 3.15 را مشاهده کنید). 

از طرف دیگر،  داژ به معرفی مفهوم متریک تعمیم یافته و D متریک پرداخته و ادعا می کند که همگرایی D متریک به تعریف توپولوژی هاسدورف پرداخته و D متریک به ترتیب در هر سه متغیر متوالی می باشد. بسیاری از محققان از این ادعاها برای اثبات قضایای نقطه ثابت در فضاهای D متریک استفاده کرده اند، اما متاسفانه ، تقریبا تمام قضایا در فضاهای D متریک معتبر نمی باشند. 

اخیرا، صادقی و همکارانش به معرفی D متریک پرداخته اند که بر مبنای تغییر احتمالی تعریف D متریک توسط داژ بوده و به اثبات خصوصیات اصلی فضاهای D متریک می پردازد. همچنین با استفاده از مفهوم D متریک ، آن ها به تعریف فضای متریک فازی M پرداخته و به اثبات بعضی از قضایای نقطه ثابت مربوطه، برای بعضی از نگاشت های غیرخطی در فضاهای متریک فازی کامل M  پرداختند. 

در این مقاله، ما به اثبات بعضی از قضایای نقاط ثابت مشترک برای دو نگاشت غیرخطی  در فضاهای متریک فازی کامل M می پردازیم. نتایج اصلی ما به اصلاح نسخه هایی از چند قضیه نقطه ثابت در فضاهای متریک فازی کامل می پردازد.

جهت دانلود محصول اینجا کلیک نمایید