جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه training در نشریات گروه فنی و مهندسی
training
در نشریات گروه برق
تکرار جستجوی کلیدواژه training در مقالات مجلات علمی
-
As cyber threats grow increasingly sophisticated, the importance of security training as an effective means of prevention will become even more critical. Cyber Range (CR) is a platform for creating cyber training programs using virtualization and simulation technologies to create a realistic training environment. The main challenge for utilizing a CR is the specialized human resources required to design and maintain training sessions. To tackle this challenge, several high-level languages, known as Scenario Description Languages (SDLs), have been developed to enable the specification of training environments as models. These models can then be automatically transformed into deployment artifacts. Our studies showed that the existing SDLs could not address requirements when designing complex scenarios where multiple trainees should collaborate to reach a desired goal through various acceptable solutions. We present the Collaborative Security Training SDL (CST-SDL) for creating multi-trainee and multi-solution scenarios. CST-SDL uses an acyclic directional graph for specifying the scenario's solution routes and allows defining trainees with unique tasks, goals, and solution routes during the training session. To evaluate the CST-SDL's capabilities, we have implemented and integrated it into the KYPO cyber range.Keywords: Cyber Range, Cybersecurity, Training, Model-Driven Engineering, Scenario Description Language
-
استفاده از تولیدات پراکنده بر پایه تولید همزمان الکتریسیته و گرما ازجمله گام های مهم درراه تقسیم شبکه های توزیع به ریز شبکه ها به عنوان بلوک های سازنده سیستم های هوشمند می باشد. ازاین رو بررسی و ارزیابی عملکرد تولیدات پراکنده در حضور واحدهای تولید همزمان الکتریسیته و گرما در ریز شبکه ها و بهره برداری از ریز شبکه ها با در نظر گرفتن ذخیره سازهای انرژی الکتریکی و ذخیره سازهای گرمایی امری ضروری می باشد. در این مقاله، مدل سازی رفتار واحدهای CHP و ذخیره سازهای انرژی حرارتی و فرمول بندی مسیله بهره برداری بهینه چندهدفه از ریز شبکه با در نظر گرفتن واحدهای تولید همزمان گرما و انرژی به همراه ذخیره سازهای گرمایی با به کارگیری الگوریتم تکاملی آموزش و یادگیری (TLBO) ارایه می شود. توابع هدف موردنظر شامل هزینه های بهره برداری از ریز شبکه، میزان تلفات شبکه و میزان انحراف ولتاژ باس ها از مقدار نامی می باشند. برای حل مسیله بهینه سازی، از الگوریتم تکاملی TLBO که در این زمینه یک الگوریتم قوی و موثر می باشد استفاده می شود. شبکه موردمطالعه، یک شبکه 69 شینه بوده که شامل تعدادی واحدهای تولید پراکنده و تعدادی منابع تولید همزمان برق و حرارت می باشد.نتایج شبیه سازی، کارایی موثر برنامه ریزی بهره برداری چندهدفه از ریز شبکه ها در حضور بارهای حرارتی را با استفاده از نرم افزار متلب نشان می دهد.
کلید واژگان: تولید همزمان برق و حرارت (CHP)، ذخیره سازهای گرمایی، تولیدات پراکنده (DG)، برنامه ریزی بهره برداری چندهدفه، الگوریتم آموزش و یادگیری (TLBO)The use of distributed generation based on the simultaneous production of electricity and heat is one of the important steps in the division of distribution networks into micro-grids as building blocks of intelligent systems. Therefore, it is necessary to study and evaluate the performance of distributed generation along with the units of simultaneous production of electricity and heat in micro-grids and operation of micro-grids with regard to electrical energy storage and heat storage. In this paper, modeling the behavior of CHP units and thermal energy storage and formulating the problem of optimal multi-objective utilization of micro-grids by considering heat and energy simultaneous production units with heat storage using an evolutionary training and learning algorithm (TLBO) is provided. The object functions include the costs of operating the micro-grid, the amount of network losses and the amount of deviation of the bus voltage from the nominal value. To solve the optimization problem, the evolutionary algorithm TLBO is used, which is a powerful and effective algorithm in this field. The study network is a 69-bus network that includes a number of distributed generation units and a number of simultaneous sources of electricity and heat. The results show the effective planning of multi-purpose operation of micro-grids in the presence of thermal loads by using MATLAB.
Keywords: Combined Heat, Power (CHP), Heat Storage, Distributed Generation (DG), Multi-objective operation planning, Training, Learning Algorithm (TLBO) -
در این مقاله به معرفی شبکه های عصبی پیمانه ای عمیق و قابل رشد به منظور بهبود بازشناسی گفتار پیوسته پرداخته می شود. ساختار این شبکه ها و روش های پیش تعلیم معرفی شده برای آنها بگونه ای است که درعین هماهنگی با ساختار گفتار، در حافظه و محاسبات لازم صرفه جویی میشود. بدلیل قابلیت رشد این ساختارها، می توان در تعلیم آنها اطلاعات فضایی-زمانی بردارهای بازنمایی در ورودی و اطلاعات فضایی-زمانی برچسب آوایی آنها را در خروجی شبکه عصبی انجمن کرد. شبکه تعلیم یافته با این ساختار انجمنگر فضایی-زمانی دوگانه، میتواند زیرفضای زنجیره های معتبر آوایی دادگان را یادبگیرد. بنابراین، در ساختار خود زنجیره های خروجی نامعتبر را پالایش کرده و زنجیره های درست را میدهد. جهت بررسی عملکرد این ساختارها، از دودسته دادگان گفتاری فارس دات و فارس دات بزرگ استفاده شد. نتایج آزمایش ها نشان می دهند که میتوان دقت بازشناسی آوا را برروی دادگان فارس دات تا 2.7% با استفاده از شبکه های عصبی پیمانه ای عمیق نسبت به مدل های مخفی مارکوف بالابرد. که با توسعه آنها به ساختار فضایی-زمانی دوگانه این نتیجه تا 5.1% بهبودمی یابد. بدلیل عدم وجود برچسب های آوایی برای دادگان بزرگ، یک روش تعلیم نیمه سرپرستی شده برای تعلیم شبکه های عصبی برروی این دادگان پیشنهاد شده است که میتواند به درصد بازشناسی قابل مقایسه ای با مدلهای مخفی مارکوف دست یابد.کلید واژگان: شبکه های عصبی عمیق، شبکه های عصبی پیمانه ای، پیش تعلیم، تعلیم نیمه سرپرستی شده، بازشناسی گفتار پیوستهIn this article, growable deep modular neural networks for continuous speech recognition are introduced. These networks can be grown to implement the spatio-temporal information of the frame sequences at their input layer as well as their labels at the output layer at the same time. The trained neural network with such double spatio-temporal association structure can learn the phonetic sequence subspace. Therefore, it can filter out invalid phonetic sequences in its own structure and output valid sequences. To evaluate the performance of these growable neural networks, we used FARSDAT and BIG FARSDAT datasets. Experimental results on FARSDAT show that deep modular neural networks outperform the phone accuracy rate of GMM-HMM models with an absolute improvement of 2.7%. Moreover, developing deep modular neural networks to a double spatio-temporal association structure improves their result by 5.1%. As there is no phonetic labeling for BIG FARSDAT, a semi-supervised learning algorithm is proposed to fine-tune the neural network with double spatio-temporal structure on this dataset, which achieves a comparable result with HMMs.Keywords: Deep neural networks, Modular neural networks, Pre, training, Semi, supervised learning, Continuous speech recognition
-
در این مقاله، یک روش پیش تعلیم دوسویه برای همگرا نمودن تعلیم شبکه های عصبی عمیق با یادگیری دیگرانجمنی ارائه شده است. تعلیم این شبکه ها به دلیل مواجه بودن با تعداد بالای کمینه های موضعی اغلب همگرا نمی گردد. این در حالی است که با مقداردهی اولیه مناسب وزن های شبکه، می توان از بسیاری از کمینه های موضعی اجتناب نمود. روش پیش تعلیم لایه به لایه دوسویه روشی سریع و کارا می باشد که در یک مسیر دوسویه به طور جلوسو و عقب سو با استفاده از ورودی ها و خروجی های مطلوب شبکه، به تنظیم مقادیر اولیه وزن های آن می پردازد. برای این منظور از تعلیم شبکه های کمکی یک لایه پنهان مبتنی بر وزن های لایه تحت پیش تعلیم از شبکه عمیق و وزن های کمکی استفاده می شود. سپس مقادیر وزن حاصل از تعلیم اینها در ساختار اصلی شبکه تحت پیش تعلیم قرار داده می شوند و برای تنظیم دقیق وزن ها، تعلیم یکپارچه صورت می گیرد. این روش برای پیش تعلیم وزن های سه شبکه عصبی عمیق بازشناس فرد، حالت های احساسی و ارقام دستنوشتار مورد استفاده قرار گرفت و نشان داده شد که با به کارگیری این روش پیش تعلیم، سرعت همگرایی تعلیم به طور چشمگیری افزایش می یابد. همچنین میزان بازشناسی ها در پایگاه داده های چهره به میزان قابل توجهی بهبود می یابد که حاکی از افزایش قدرت تعمیم شبکه با استفاده از این روش می باشد.
کلید واژگان: پیش تعلیم، دوسویه، دیگرانجمنی، ساختار عمیق، شبکه های عصبی چند لایه، همگرایی تعلیمIn this paper, a bidirectional pre-training method for initializing weights of hetero-associative deep neural network was presented. Training of deep neural networks, because of confrontation with a large number of local minima, is not often converged. This is while through proper initializing weights instead of random values at the beginning of the training; it is possible to avoid many local minima. The bidirectional layer-by-layer pre-training method pre-train weights in forward and backward manners in parallel. Afterwards, the weight values resulted from their training are applied in the deep neural network. The bidirectional layer-by-layer pre-training was applied for pre-training of the classifier deep neural network weights, and revealed that both the training speed and the recognition rate were improved in Bosphorus and CK+ databases.Keywords: Bidirectional, Deep Architecture, Hetero, associative, Learning Convergence, Multilayer Neural Network, Pre, training -
Traditionally, object retrieval methods require a set of images of a specific object for training. In this paper, we propose a new object retrieval method using a single query image, without training, for a global object. The query image could be a typical real image of the object. The object is constructed based on Speeded Up Robust Features (SURF) points acquired from the image. Information of relative positions, scale and orientation between SURF points are calculated and constructed into an object model. The ability to match partially affine transformed object images results from the robustness of SURF points and the flexibility of the model. Occlusion is handled by specifying the probability of a missing SURF point in the model. Experimental results show that this matching technique is robust under partial occlusion and rotation. The obtained results illustrate that the proposed method improves efficiency, speeds up recovery and reduces the storage space.Keywords: Object retrieval, Speeded Up Robust Features (SURF), Training, Free
-
در این مقاله با توسعه روش های موجود و بر مبنای کمینه سازی خطا و حفظ تمایز بیشینه بین نمونه ها، یک روش پیش تعلیم لایه به لایه سریع و کارا جهت مقداردهی اولیه مناسب وزن ها در شبکه های عصبی با ساختارهای عمیق ارائه شده است. تعلیم شبکه های عصبی عمیق به دلیل مواجهه با تعداد بالای کمینه های موضعی اغلب همگرا نمی شود. درحالی که با مقداردهی اولیه مناسب وزن های شبکه به جای مقادیر تصادفی در ابتدای مسیر تعلیم، می توان از بسیاری از کمینه های موضعی اجتناب کرد. در این روش شبکه عصبی چندلایه به تعداد متناظری شبکه با یک لایه پنهان شکسته می شود و ابتدا این شبکه های یک لایه پنهان تعلیم داده می شوند. سپس مقادیر وزن حاصل از تعلیم اینها در شبکه عصبی اصلی قرار داده می شود و برای تنظیم دقیق وزن ها، تعلیم یک پارچه صورت می گیرد. روش پیشنهادی برای پیش تعلیم شبکه عصبی خودانجمنی پنج لایه پنهان جهت استخراج مولفه های اساسی غیرخطی چهره برای دادگان بسفروس مورد استفاده قرار گرفت. مقایسه میانگین نتایج شبکه های عصبی با مقداردهی اولیه تصادفی و مقداردهی با روش پیش تعلیم لایه به لایه نشان می دهد که این روش پیش تعلیم، علاوه بر اینکه سرعت همگرایی تعلیم را بهبود می دهد، قدرت تعمیم شبکه را نیز بالا می برد. به گونه ای که با وجود خطای تعلیم یکسان، با به کارگیری روش پیش تعلیم لایه به لایه برای مقداردهی اولیه وزن ها، خطای بازسازی هر پیکسل %69/13 کاهش و درصد صحت بازشناسی تصاویر با استفاده از مولفه های استخراج شده حدود %10 بهبود داشته است. همچنین بررسی ها نشان داد که روش پیش تعلیم لایه به لایه در مقایسه با دو روش پیش تعلیم مشرف به هدف و تجزیه به ماشین های بولتزمان کارایی بالاتری داردکلید واژگان: استخراج مولفه، پیش تعلیم، شبکه های عصبی، ساختار عمیق، همگراییIn this paper, we propose efficient method for pre-training of deep bottleneck neural network (DBNN). Pre-training is used for initial value of network weights; convergence of DBNN is difficult because of different local minimums. While with efficient initial value for network weights can avoided some local minimums. This method divides DBNN to multi single hidden layer and adjusts them, then weighs of these networks is used for initial value of DBNN weights and then train network. Proposed network is used for extraction of face component. This Method is implemented on Bosphorus database. Comparing results shows that new method has more convergence speed and generalization than random initial value. By means of this new training method and with same training error rate pixel reconstruction error is decreased 13.69% and recognition rate is increased 10%. Besides, it has been shown that this method bears higher efficiency and convergence speed in comparison with some of the previous pre-training methods.Keywords: Deep Architecture, Learning Convergence, Neural Network, Pre, training
-
February 18, 3013 AbstractIn large databases, lack of labeled training data leads to major difficulties in classification process. Semi-supervised algorithms are employed to suppress this problem. Video databases are the epitome for such a scenario. Fortunately, graph-based methods have shown to form promising platforms for semi-supervised video classification. Based on multimodal characteristics of video data, different features (SIFT, STIP, and MFCC) have been utilized to build the graph. In this paper, we have proposed a new classification method which fuses the results of manifold regularization over different graphs. Our method acts like a co-training method that tries to find the correct label for unlabeled data during its iterations. But, unlike other co-training methods, it takes into account the unlabeled data in the classification process. After manifold regularization, data fusion is doneby a ranking method which improves the algorithm to become competitive with supervised methods. Our experimental results, run on the CCV database, show the efficiency of the proposed classification method.Keywords: Semi, supervised learning, co, training, video classification, multimodal features
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.