ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

تحلیل راهکارهای مبتنی بر یادگیری عمیق و شبکه های عصبی کلاسیک درتشخیص کاراکتر از روی پتانسیل های وابسته به رخداد

سال انتشار: 1396
کد COI مقاله: NCAEC03_044
زبان مقاله: فارسیمشاهده این مقاله: 298
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
محتوای کامل این مقاله با فرمت WORD هم قابل دریافت می باشد.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 8 صفحه است به صورت فایل PDF و یا WORD در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله تحلیل راهکارهای مبتنی بر یادگیری عمیق و شبکه های عصبی کلاسیک درتشخیص کاراکتر از روی پتانسیل های وابسته به رخداد

مریم عادلی - دانشجوی کارشناسی ارشد، دانشکده مهندسی برق، پزشکی و مکاترونیک، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
سیدوهاب شجاع الدینی - دانشیار مهندسی پزشکی، پژوهشکده برق و فناوری اطلاعات، سازمان پژوهش های علمی و صنعتی ایران، تهران، ایران

چکیده مقاله:

یکی از رایج ترین کاربرد های واسط مغز-کامپیوتر در هجی کننده مولفه P300 است که با استفاده از آن، کاربر با تمرکز بر روی یک کاراکتر قادر به تایپ کردن آن با استفاده از سیگنال مغزی خود می-باشد. یک چالش مهم در این فرآیند اشتباه شدن برخی کاراکترها با هم می باشد که به علت تغییرپذیری سیگنال های مغزی و تشابه پاسخ های به دست آمده از یک کاراکتر، رخ می دهد. در این مقاله روش یادگیری مبتنی بر شبکه عصبی با ساختار عمیق کانولوشن برای مقابله با این چالش پیاده سازی و بر روی داده گان واقعی هجی کننده مولفه P300آزموده می شود. به منظور تحلیل اثر بخشی روش فوق، نتایج حاصل از آزمون این شبکه عصبی با نتایج حاصل از عملکرد یک شبکه عصبی پرسپترون چند لایه با آموزش پس انتشار خطا، مقایسه می شوند. بر این اساس، روش یادگیری عمیق مبتنی بر شبکه های کانولوشنی مقدار دقت 59/90درصد را برای تفکیک 29 کاراکتر حاصل می نماید. این در حالی است که روش مبتنی بر شبکه عصبی کلاسیک در بهترین حالت و فقط برای 5 کاراکتر، به دقت 12/45 درصد دست می یابد و با افزایش تعداد کاراکترها عملا تفکیکی بین آن ها ایجاد نمی کند. این نتایج حاکی از آن هستند که استفاده از ساختارهای عمیق می تواند به عنوان گزینه ای مناسب برای بالا بردن دقت طبقه بندی در فناوری هجی کننده P300 مورد استفاده قرار گیرد.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا NCAEC03_044 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/701348/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
عادلی، مریم و شجاع الدینی، سیدوهاب،1396،تحلیل راهکارهای مبتنی بر یادگیری عمیق و شبکه های عصبی کلاسیک درتشخیص کاراکتر از روی پتانسیل های وابسته به رخداد،سومین کنفرانس ملی دستاوردهای نوین در برق وکامپیوتر و صنایع،https://civilica.com/doc/701348

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1396، عادلی، مریم؛ سیدوهاب شجاع الدینی)
برای بار دوم به بعد: (1396، عادلی؛ شجاع الدینی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: 10,209
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی