Results for deep neural network translation from English to Persian

neural networks
شبكه‌هاي نورونی

a hopfield network is a form of recurrent artificial neural network invented by john hopfield in 1982.
شبکه هاپفیلد نوعی از شبکه‌های عصبی مصنوعی بازگشتی است که توسط جان هاپفیلد اختراع شده است.

the connections of the brain's neural network determines the pathways along which neural activity flows.
ارتباطات شبکه عصبی مغز مسیری که فعالیت عصبی در آن جریان می یابد را تعیین میکند.

moneta is the first large-scale neural network model to implement whole-brain circuits to power a virtual and robotic agent using memristive hardware.
moneta اولین مدل شبکه عصبی در مقیاس بزرگ برای پیاده سازی مدارهای کل مغز برای تقویت عامل مجازی و روباتیک، سازگار با محاسبات سخت افزاری ممریستیو است.

for a feedforward neural network, the depth of the caps, and thus the depth of the network, is the number of hidden layers plus one (the output layer is also parameterized).
یادگیری عمیق (به عبارت دیگر ، یادگیری ساختار عمیق یا یادگیری سلسله مراتبی) یک زیر شاخه از یادگیری ماشینی است که اساس آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است.

artificial intelligence-based convolutional neural networks have been developed to detect imaging features of the virus with both radiographs and ct.
شبکه‌های عصبی پیچشی مبتنی بر هوش مصنوعی، توسعه یافته‌اند تا ویژگی‌های تصویربرداری این ویروس را هم توسط رادیوگرافی و هم توسط ct تشخیص دهند.

==training==there are two basic methods of training art-based neural networks: slow and fast.
دو روش اصلی برای تعلیم شبکه‌های عصبی بر پایه art وجود دارد:یکی روش آرام و دیگری روش سریع.

deep learning method is a kind of multi layer neural network structure, which can transform complex network information data into simple features and forms, and can effectively classify and identify network information data according to its specific situation. deep learning method has strong feature extraction ability, can effectively learn and analyze the data, and effectively process it, and finally get more accurate results
روش یادگیری عمیق نوعی ساختار شبکه عصبی چند لایه است که می تواند داده های اطلاعاتی شبکه پیچیده را به ویژگی ها و اشکال ساده تبدیل کند و به طور موثر داده های اطلاعات شبکه را با توجه به موقعیت خاص خود طبقه بندی و شناسایی کند. روش یادگیری عمیق دارای توانایی استخراج ویژگی قوی است، می تواند به طور موثر داده ها را یاد بگیرد و تجزیه و تحلیل کند و به طور موثر آنها را پردازش کند و در نهایت نتایج دقیق تری به دست آورد.

it contains support vector machine, neural networks, bayes, boost, k-nearest neighbor, decision tree, ..., etc.
it contains support vector machine, neural networks, bayes, boost, k-nearest neighbor, decision tree, ... , etc.

there are two stages involved in using neural networks for multi source classification: the training stage, in which the internal weights are adjusted; and the classifying stage.
دو مرحله درگیر در استفاده از شبکه های عصبی برای طبقه بندی چند منبع وجود دارد: مرحله تمرین، که در آن وزن های داخلی تنظیم می شوند؛ و مرحله طبقه بندی.

a fast and intelligent defect classification system for distinguishing defect features is developed in this study. defect images obtained from an automated optical inspection instrument are first trained utilizing a deep learning approach based on the convolutional neural network. the detailed features of defects, such as flaws in the inclination, size, quantity, and settlement, can then be characterized with the developed system. the obtained defect characteristics can be provided as a referenc
یک سیستم طبقه بندی نقص سریع و هوشمند برای تشخیص ویژگیهای نقص در این مطالعه توسعه یافته است. تصاویر نقص به دست آمده از یک ابزار بازرسی نوری خودکار ابتدا با استفاده از یک رویکرد یادگیری عمیق مبتنی بر شبکه عصبی کانولوشن آموزش می بینند. ویژگی های دقیق نقص ، مانند نقص در تمایل ، اندازه ، کمیت و محلول را می توان با سیستم توسعه یافته توصیف کرد. مشخصات نقص بدست آمده را می توان به عنوان مرجع ارائه داد

12. bauer p, bodenhofer u, klement ep (1996) a fuzzy algorithm for pixel classi-fication based on the discrepancy norm. in: proceedings of 5th ieee interna-tional conference on fuzzy systems, new orleans, la, september 1996, vol 3, pp. 2007–2012 13. beierke s, konigbauer r, krause b, von altrock c (1995) fuzzy logic enhanced control of ac motor using dsp. in: embedded systems conference california, 1995 14. bellman re, zadeh la (1970) decision-making in a fuzzy environment. man-age sci 17:b-141–b-164 15. berenji hr (1991) fuzzy logic controllers. in: an introduction to fuzzy logic applications in intelligent systems. kluwer, boston, pp. 69–96 16. bersini h, bontempi g, decaestecker c (1995) comparing rbf and fuzzy inference systems on theoretical and practical basis. in: proceedings of inter-national conference on artificial neural networks, icann ’95, paris, france, vol 1, pp. 169–174 17. boegla k, adlassniga k-p, hayashic y, rothenfluhd te, leiticha h (2002) knowledge acquisition in the fuzzy knowledge representation framework of a medical consultation system. artif intell med 676:1–26 18. bojadziev g, bojadziev m (1997) fuzzy logic for business, finance and man-agement. world scientific, singapore bonissone p, badami v, chiang kh, khedkar ps, marcelle k, schutten mj (1995) industrial applications of fuzzy logic at general electric. in: proceedings of the ieee, vol 83(3), pp. 450–465 19. bonissone p, khedkar p, chen y-t (1996) genetic algorithms for automated tuning of fuzzy controllers: a transportation application. in: 5th ieee in-ternational conference on fuzzy systems (fuzzieee’96), new orleans, la, pp. 674–680 20. bouchon-meunier b, yager r, zadeh l (1995) fuzzy logic and soft computing. world scientific, singapore 21. buckley jj, siler w, tucker d (1986) flops, a fuzzy expert system: appli-cations and perspectives. in: nogpita cv, prade h (eds) fuzzy logics in knowl-edge engineering. verlag tuv rheinland, germany 22. burkhardt d, bonissone p (1992) automated fuzzy knowledge base generation and tuning. in: first ieee international conference on fuzzy systems (fuzz-ieee’92), san diego, ca, pp. 179–188 23. castillo o, melin p (1994) developing a new method for the identification of microorganisms for the food industry using the fractal dimension. j fract 2(3):457–460 24. castillo o, melin p (1997) mathematical modelling and simulation of robotic dynamic systems using fuzzy logic techniques and fractal theory. in: proceed-ings of imacs’97, berlin, germany, vol 5, pp. 343–348 25. castillo o, melin p (1998) a new fuzzy-fractal-genetic method for automated mathematical modelling and simulation of robotic dynamic systems. in: pro-ceedings of fuzz’98, ieee press, anchorage, ak, vol 2, pp. 1182–1187 26. castillo o, melin p (1999a) a new fuzzy inference system for reasoning with multiple differential equations for modelling complex dynamical systems. in: proceedings of cimca’99, ios press, vienna, austria, pp. 224–229 27. castillo o, melin p (1999b) automated mathematical modelling, simulation and behavior identification of robotic dynamic systems using a new fuzzy-fractal-genetic approach. j robot auton syst 28(1):19–30
جهت گیری های استراتژیک متعدد و انعطاف پذیری استراتژیک در نوآوری محصول