مقاله : هوش مصنوعی
برای دانلود بر روی گزینه دانلود کلیک کنید
دانشجوی برتر
بهترین ها حق برترین هاست.
طبقه بندی موضوعی
-
مقالات
(۱۵)
-
تحقیق
(۹) -
پروژه
(۴) -
جزوات
(۱) -
مقالات شبکه عصبی
(۱۰) -
مقالات یادگیری ماشین
(۸) -
هوش مصنوعی
(۵) -
سیستم های فازی
(۵) -
پردازش تکاملی
(۱۲) -
سمینار
(۱۲) -
جاوا
(۲)
بایگانی
- آذر ۱۳۹۴ (۲)
- آبان ۱۳۹۴ (۱۲)
- مهر ۱۳۹۴ (۵)
- شهریور ۱۳۹۴ (۲)
- تیر ۱۳۹۴ (۱۷)
آخرین مطالب
- ۹۴/۰۹/۲۸بازی مار با زبان جاوا
- ۹۴/۰۹/۲۸جدول ضرب
- ۹۴/۰۸/۲۰جهش قورباغه
- ۹۴/۰۸/۲۰الگوریتم PSO
- ۹۴/۰۸/۱۹الگوریتم رقابت استعماری
- ۹۴/۰۸/۱۹الگوریتم جستجوی گرانشی
- ۹۴/۰۸/۱۹الگوریتم کرم شب تاب
- ۹۴/۰۸/۱۹تکامل تفاضلی
- ۹۴/۰۸/۱۹جستجوی فاخته
- ۹۴/۰۸/۱۹بهینهسازی مبتنی بر جغرافیا
مقاله :(شبکه عصبی، هوش مصنوعی، برق) کد 2015/02
تشخیص چهره نمونه با روش های تشابه محلی و شبکه عصبی
پکیج شامل:
اصل مقاله، ترجمه مقاله، پیاده سازی مقاله با متلب و پاورپوینت مقاله می باشد.
مقاله :(یادگیری ماشین، هوش مصنوعی، برق) کد 2015/01
طبقه بندی ماشین های یادگیر برای ارزیابی امنیت حالت پایدار
طبقه بندی ماشین های یادگیر برای ارزیابی امنیت حالت پایدار
در سیستم های قدرت
پکیج شامل:
اصل مقاله، ترجمه مقاله، پیاده سازی مقاله با متلب و پاورپوینت مقاله می باشد.
به ادامه مطلب بروید.
مروری بر مدیریت کنترل کیفیت مبتنی برCMMI
چکیده
روش های سنتی توسعه نرم افزار، توانایی تضمین کیفیت نرم افزار های کنونی را ندارند. دلیل این موضوع را می
توان پیچیدگی دغدغههای مداخلهای و قابلیتهای متنوع سیستمهای کنونی بیان کرد. با توجه به اینکه پیچیدگی
نرمافزارهای کنونی بسیار زیاد است، لذا نیاز به مدل های کنترل کیفیت پیچیده تری نیز می باشد. این مدل ها می توانند بر روی ارتقای کارآمدی و همچنین کیفیت توسعه نرم افزار تاثیر گذار باشند. لذا می بایستی مدلهایی را ارائه داد که علاوه بر قابلیت های مانور بالا دارای خصوصیاتی همچون عملیاتی بودن و امکان تعمیم آن برای پروژه های مختلف را داشته باشد. در این مقاله روشی در این زمینه ارائه شده است.
به ادامه مطلب بروید.
تشخیص حملات منع سرویس توزیع شده مبتنی بر شاخص
های تئوری اطلاعات و نظریه‌ی آشوب
چکیده:
اگرچه رویکردها و سیستمهای گوناگونی برای حملات سرازیر شدن انکار سرویس توزیع شده (DDoS) پیشنهاد شده است، این حملات همچنان تهدید بزرگی برای اینترنت محسوب می‌شوند. در این مقاله ما در ابتدا ترافیک شبکه را با میانگین‌گیری تراکمی آن در طی زمان و استفاده از مدل خطی ساده AR، پیش‌پردازش می‌کنیم و سپس پیش‌بینی ترافیک شبکه را ایجادمی‌کنیم. در ادامه با فرض این که خطایپیش‌بینی به طور آشوبی رفتار می‌کند، ما از نظریه‌ی آشوب برای تحلیل آن استفاده می‌کنیم . سپس یک الگوریتم شناسایی نابهنجاری شبکه (NADA) را برای شناسایی ترافیک غیرمعمولی پیشنهادمی‌کنیم. با این ترافیک غیر معمولی، در انتها یک شبکه عصبی را برای شناسایی حملات DDoS آموزش می‌دهیم. آزمایشات و تحلیل‌های مقدماتی ما نشان می‌دهد که الگوریتم شناساییDDoSپیشنهادی ما می‌تواند به طور دقیق و کارامدی حملات DDoS را شناسایی کند.
به ادامه مطلب بروید.