آمار
| تعداد نشریات | 39 |
| تعداد شماره‌ها | 1,170 |
| تعداد مقالات | 8,437 |
| تعداد مشاهده مقاله | 6,310,454 |
| تعداد دریافت فایل اصل مقاله | 3,559,082 |
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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 637 تعداد دریافت فایل اصل مقاله: 161 |
||