آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,989,899 |
| تعداد دریافت فایل اصل مقاله | 4,033,390 |
تحمل‌پذیری خطا در شبکه‌های عصبی MLP با استفاده از افزونگی مؤلفه‌های سه‌گانه | ||
| پدافند غیرعامل | ||
| دوره 4، شماره 1 - شماره پیاپی 13، خرداد 1392، صفحه 51-61 اصل مقاله (457.82 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| محمدرضا حسنی آهنگر1؛ مصطفی اخضمی* 2 | ||
| 1دانشگاه جامع امام حسین (ع) | ||
| 2دانشجوی کارشناسی ارشد کامپیوتر دانشگاه جامع امام حسین(ع) | ||
| تاریخ دریافت: 18 فروردین 1392، تاریخ بازنگری: 24 اردیبهشت 1392، تاریخ پذیرش: 20 خرداد 1392 | ||
| چکیده | ||
| استفاده از سامانه‌ها و زیرساخت‌های پیچیده و بزرگ، برای انجام فعالیت‌های مختلف یک کشور حیاتی و مهم است و رعایت مسائل پدافند غیرعامل برای آن‌ها در شرایط بحران، که بتوانند سرویس‌های خود را به‌طور کامل یا بخشی از آن را ارائه نمایند، یکی از معیارهای ارزیابی این‌گونه سامانه‌ها می‌باشد. مدل‌سازی و شبیه‌سازی این سامانه‌ها، جهت تشخیص گلوگاه‌ها مهم است. رخداد خطا با وجود تمهیدات مختلف مانند پیش‌بینی خطا، جلوگیری از خطا، پوشش خطا و تحمل‌پذیری خطا، طبیعی به نظر می‌رسد. شبکه‌های عصبی مصنوعی به‌عنوان یکی از روش‌های مدل‌سازی و شبیه‌سازی، کاربرد‌های فراوانی در این خصوص برای بررسی عملکرد سامانه‌های پیچیده و حیاتی دارند. با توجه به این‌که شبکه‌های عصبی مصنوعی بر اساس الگوی شبکه‌های عصبی طبیعی که به‌طور ذاتی قابلیت تحمل‌پذیری خطا را دارا هستند طراحی شده‌اند، لذا باید بتوانند از قابلیت تحمل‌پذیری خطا بهره گیرند. در این مقاله روشی برای افزایش و بهبود تحمل‌پذیری خطا در شبکه‌های عصبی، مبتنی‌بر روش افزونگی مؤلفه‌های سه‌گانه (TMR) ارائه شده است. این روش نشان می‌دهد که بر اساس این تکنیک، تحمل‌پذیری خطا به شکل مطلوبی افزایش یافته است. | ||
| کلیدواژه‌ها | ||
| شبکه‌های عصبی چند‌لایه؛ تحمل‌پذیری خطا؛ افزونگی؛ پدافند غیرعامل؛ TMR | ||
| عنوان مقاله [English] | ||
| Fault Tolerance in the MLP Neural Networks Using Triple Modular Redundancy | ||
| نویسندگان [English] | ||
| M. R. Hasani Ahangar1؛ M. Akhzami2 | ||
| 1ihu | ||
| 2ihu | ||
| چکیده [English] | ||
| The use of complex and large systems and infrastructure is vital to carry out various activities in a country, and observance issues of passive defense in critical situations that could provide complete or partial services, is considered one of the evaluation criteria for these systems. Modeling and simulation of these systems to identify bottlenecks is important. Fault occurrance seems natural despite various provisions such as fault forecasting , fault prevention, fault coverage and fault tolerance. Artificial neural networks as a method of modeling and simulation, have many applications in monitoring complex and critical systems. Since artificial neural networks have been designed based on natural neural networks model, that possess the inherent capability of fault tolerance. Therefore, they must be able to take advantage of fault tolerance ability. This article presents a method to enhance the fault tolerance and improve neural networks based on Triple Modular Redundancy (TMR). It shows that, based on this technique, the desired fault tolerance has been favorably increased. | ||
| کلیدواژه‌ها [English] | ||
| Multi-Layered Neural Networks, Fault Tolerance, Redundancy, Passive Defense, TMR | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,081 تعداد دریافت فایل اصل مقاله: 465 |
||