سیستم شبکه عصبی عمیق معادلات دیفرانسیل معمولی
ترجمه شده

سیستم شبکه عصبی عمیق معادلات دیفرانسیل معمولی

عنوان فارسی مقاله: سیستم شبکه عصبی عمیق معادلات دیفرانسیل معمولی: شبیه سازی و الگوریتم برداری
عنوان انگلیسی مقاله: Deep neural network for system of ordinary differential equations: Vectorized algorithm and simulation
مجله/کنفرانس: یادگیری ماشین با کاربردهای آن - Machine Learning with Applications
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی، مهندسی نرم افزار
کلمات کلیدی فارسی: شبکه عصبی عمیق، الگوریتم، سیستم معادلات دیفرانسیل معمولی
کلمات کلیدی انگلیسی: Deep Neural Network - Algorithm - Systems of ordinary differential equation
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: DOAJ
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.mlwa.2021.100058
دانشگاه: دانشگاه علم و صنعت آداما، آداما، اتیوپی
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2021
شناسه ISSN: 2666-8270
صفحات مقاله انگلیسی: 6
صفحات ترجمه فارسی: 19 (2 صفحه رفرنس انگلیسی)
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: بله
کد محصول: 11874
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
ضمیمه: ندارد
ترجمه فارسی فهرست مطالب

چکیده


1. مقدمه 


2. فعالیتهای مرتبط


2.1 شبکه های عصبی عمیق 


2.2. فعالیتهای مرتبط با حل معادلات دیفرانسیلی


3. سیستم معادله دیفرانسیل معمولی


4.شبکه عصبی عمیق برای سیستم ODEs 


4.1 پیش به سوی انتشار


4.2. الگوریتم برداری


5. پیاده سازی و مقایسه 


5.1 آزمایش روی شبکه 


5.2. راه حل های عددی 


5.3 امتیازات ANN نسبت به روش های RK4


6. نتیجه گیری و چشم انداز 


منابع

فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Related works


2.1. Deep neural networks


2.2. Works related to solving differential equations


3. Systems of ordinary differential equation


4. Deep neural network for system of ODEs


4.1. Forward propagation


4.2. The vectorized algorithm


5. Implementation and comparison


5.1. Experiment on the network


5.2. Numerical solutions


5.3. Advantage of ANN over the RK4 methods


6. Conclusions and outlook


References

نمونه ترجمه فارسی مقاله

چکیده


هدف این تحقیق استفاده از شبکه های عصبی عمیق برای حل سیستم معادلات دیفرانسیل معمولی است ما با استفاده از کد پیتون یک الگوریتم برداری را ساخته و اجرا کردیم ،همچنین ما آزمایشهای متعددی را انجام دادیم تا بهترین معماری عصبی را انتخاب کنیم  .برای یادگیری شبکه عصبی ما از بروزترین روش در کمترین زمان ممکن استفاده کردیم نهایتا ما روش خودمان را با یکی از متدهای مرسوم عددی RK4 مقایسه کردیم ما همچنین نشان دادیم شبکه عصبی می تواند دقت بیشتری برای ماتریس با اعداد کوچکتر فراهم کند .


1. مقدمه 


شبکه عصبی عمیق (DNN) توجهات فراوانی را در خصوص حل مسائل مهندسی به خود معطوف کرده است .سیستم معادلات دیفرانسیل معمولی (ODEs) که می تواند پدیده های فیزیکی مختلف را مدل سازی کند از این امتیاز بهره می برد .گرچه روشهای سنتی مرسوم جهت حل سیستم های ODEs وجود دارد اما هر کدام از آنها مزایا و معایب خودشان از نظر دقت ، ثبات،همگرایی و زمان محاسبه و ... را دارند .یکی از معروفترین مدل ها RK4 است .این روش یکی از معدود روشهای مناسب جهت حل مسائل حل ناپذیر است 


6. نتیجه گیری و چشم انداز 


در این تحقیق ، ما یک الگوریتم برداری برای حل سیستم های ODE با استفاده از DNN ارائه کردیم. ما آزمایش متفاوتی را با استفاده از کد پایتون انجام دادیم و نتیجه را با استفاده از نمودار شبیه سازی کردیم. ما دیدگاهی در مورد ماهیت معماری مدل بدست آورده ایم. ما دیده ایم که برای برخی از مسائل خاص می توانیم دقت لازم را حتی برای یک نورون واحد در لایه مخفی بدست آوریم. اندازه بیشتر نورون دقت بیشتر ، اما تکرار بیشتر برای یادگیری پارامترها را فراهم می کند. علاوه بر این ، افزایش بدون برنامه ریزی  نورون سفارش نمی شود. بر اساس این مسئله مهم ، فرد باید بهترین اندازه سلولهای عصبی را تعیین کند.

نمونه متن انگلیسی مقاله

Abstract


This paper is aimed at applying deep artificial neural networks for solving system of ordinary differential equations. We developed a vectorized algorithm and implemented using python code. We conducted different experiments for selecting better neural architecture. For the learning of the neural network, we utilized the adaptive moment minimization method. Finally, we compare the method with one of the traditional numerical methods-Runge–Kutta order four. We have shown that, the artificial neural network could provide better accuracy for smaller numbers of grid points.


1. Introduction


Deep neural network (DNN) has obtained great attention for solving engineering problems. System of ordinary differential equations (ODEs) that can model various physical phenomena could utilize the advantages of using the method. Though there are well established traditional numerical methods for solving systems of ODEs, they have their own advantages and disadvantages in-terms of accuracy, stability, convergence, computation time etc. One of the well known method is the fourth order Runge–Kutta method (RK4). It is among the finite difference methods well suited for non-stiff problems.


6. Conclusions and outlook


In this paper, we presented a vectorized algorithm for solving systems of ODE using DNN. We conducted different experiment using python code and simulated the result using graphs. We have obtained some insight on the nature of the architecture for the model. We have seen that for some specific problems we can obtain a required accuracy even for a single neuron in the hidden layer. More neuron size provides more accuracy, but more iteration for learning the parameters.

تصویری از فایل ترجمه

          


(جهت بزرگ نمایی روی عکس کلیک نمایید)

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۵۹,۸۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

سیستم شبکه عصبی عمیق معادلات دیفرانسیل معمولی
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها