ترغب بنشر مسار تعليمي؟ اضغط هنا

تصميم نظام للتعرف على مسميات المخططات الزمنية باستخدام الشبكات العصبونية

System Design to Recognize of Time Plans Labels Using Neoural Networks

1782   0   21   0 ( 0 )
 تاريخ النشر 2016
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

يقدم هذا البحث منظومة للتعرف على مسميات المخططات الزمنية، حيث يتم استخلاص المسميات من المخططات، التي هي عبارة عن صورة باستخدام التقسيم المكاني من أجل اقتطاع صور المسميات فقط. تُوحد أحجام صور المسميات باستخدام خوارزمية المتوسط لسببين؛ الأول تشكيل قاعدة البيانات التدريبية للشبكات العصبونية المستخدمة، و ثانياً من أجل اجراء عملية التعرف. تم اعتماد الشبكات العصبونية للتعرف بآليتين مختلفتين: آلية التصنيف classification باستخدام شبكة Perceptron و آلية التمييز باستخدام شبكة الانتشار العكسي، حيث تم بناء شبكة Perceptron دخلها صورة المسمى فتُعطي في خرجها الدليل التصنيفي للمسمى، ليتم معرفته بالاعتماد على جدول مسميات مخزن مسبقاً، و شبكة انتشار عكسي دخلها صورة المسمى و خرجها الترميز الحاسوبي للمسمى، كما تم تصميم شبكة الانتشار العكسي بحيث يمكن لها التعرف على كافة صور مسميات أحرف الأبجدية الانكليزية المستخدمة في المخططات الزمنية، أظهرت نتائج البحث فعالية المنظومة المصممة للتعرف على مسميات المخططات الزمنية من صورها، و ذلك للآليتين التصنيفية و التمييزية، بعد تطبيق النظام على ثلاث مخططات زمنية.


ملخص البحث
يقدم البحث نظاماً للتعرف على مسميات المخططات الزمنية باستخدام الشبكات العصبونية. يتم استخراج المسميات من المخططات الزمنية التي تكون على شكل صور باستخدام تقسيم مكاني لاستخلاص صور المسميات فقط. تُوحد أحجام صور المسميات باستخدام خوارزمية المتوسط، ثم يتم تدريب الشبكات العصبونية على هذه الصور. تم استخدام شبكتين عصبونيتين: شبكة Perceptron للتصنيف وشبكة الانتشار العكسي للتمييز. شبكة Perceptron تأخذ صورة المسمى وتعطي دليلاً تصنيفياً له، بينما شبكة الانتشار العكسي تتعرف على كافة صور مسميات أحرف الأبجدية الإنجليزية. أظهرت النتائج فعالية النظام في التعرف على مسميات المخططات الزمنية بعد تطبيقه على ثلاث مخططات زمنية مختلفة.
قراءة نقدية
دراسة نقدية: يقدم البحث حلاً مبتكراً وفعالاً للتعرف على مسميات المخططات الزمنية باستخدام الشبكات العصبونية، وهو موضوع ذو أهمية كبيرة في مجال الأتمتة الصناعية. ومع ذلك، يمكن توجيه بعض الانتقادات البناءة. أولاً، يمكن تحسين البحث من خلال اختبار النظام على مجموعة أكبر وأكثر تنوعاً من المخططات الزمنية لضمان تعميم النتائج. ثانياً، لم يتم التطرق بشكل كافٍ إلى كيفية التعامل مع الأخطاء المحتملة في التعرف، وهو جانب مهم لضمان دقة وموثوقية النظام في التطبيقات العملية. أخيراً، يمكن تحسين البحث من خلال مقارنة الأداء مع تقنيات أخرى للتعرف على الصور لتقديم رؤية أوسع حول فعالية النظام المقترح.
أسئلة حول البحث
  1. ما هي الطريقة المستخدمة لاستخلاص المسميات من المخططات الزمنية؟

    تم استخدام التقسيم المكاني لاستخلاص صور المسميات فقط من المخططات الزمنية.

  2. ما هي الشبكات العصبونية المستخدمة في البحث؟

    تم استخدام شبكتين عصبونيتين: شبكة Perceptron للتصنيف وشبكة الانتشار العكسي للتمييز.

  3. كيف يتم توحيد أحجام صور المسميات؟

    تُوحد أحجام صور المسميات باستخدام خوارزمية المتوسط.

  4. ما هي نتائج البحث بعد تطبيق النظام على المخططات الزمنية؟

    أظهرت النتائج فعالية النظام في التعرف على مسميات المخططات الزمنية بعد تطبيقه على ثلاث مخططات زمنية مختلفة.


المراجع المستخدمة
HARALICK;ROBERT M.; and LINDA G. Shapiro, Computer and Robot Vision, Volume I, Addison-Wesley, 1992, 28-48
JAIME S. Cardoso;PEDROCarvalho;LUÍS F. Teixeira; Luís Corte-Real,Partitiondistance methods for assessing spatial segmentations of images and videos, Computer Vision and Image Understanding, Volume 113, Issue 7, July 2009
CHAOBO Min;JUNJU Zhang; Benkang Chang;BIN Sun; Yingjie Li,Spatio-temporal segmentation of moving objects using edge features in infrared videos; Optik - International Journal for Light and Electron Optics, Volume 125, Issue 7, April 2014
قيم البحث

اقرأ أيضاً

في السنوات الأخيرة نمت مشكلة تصنيف الكائنات في الصّور نتيجة لمتطلبات القطاع الصناعي.على الرّغم من تعدد التقنيات المستخدمة للمساعدة في عملية التصنيف SIFT Scale Invariant Feature Transforms، ORB Oriented Fast And Rotated Brief , SURF Speed Up Robust Features، إضافة لشبكات التعلم العميق Deep Learning Neural Network DNN والشبكات العصبونية الالتفافية Convolutional Neural Network CNN، فإن الأنظمة المقترحة لمعالجة هذه المشكلة تفتقر للحل الشّامل للصعوبات المتمثلة بوقت التّدريب الطّويل والذاكرة العائمة أثناء عملية التدريب، وانخفاض معدّل التصنيف. تعتبر الشبكات العصبونية الالتفافيةConvolutional Neural Networks (CNNs) من أكثر الخوارزميات استخداما لهذه المهمة، فقد كانت نموذجا حسابيا لتحليل البيانات الموجودة في الصور. تم اقتراح نموذج شبكة التفافية عميقة جديد لحل المشاكل المذكورة أعلاه. يهدف البحث إلى إظهار أداء نظام التّعرف باستخدام شبكاتCNNs على الذّاكرة المتاحة وزمن التدريب وذلك من خلال منهجة متغيرات مناسبة للشبكة العصبونية الالتفافية. قاعدة البيانات المستخدمة في هذا البحث هي CIFAR10 المكونة من60000 صورة ملونة تنتسب لعشرة أصناف، حيث أن كل 6000 صورة تكون لصنف من هذه الأصناف. يوجد 50000 صورة للتدريب و 10000 صورة للاختبار. حقق النموذج لدى اختباره على عينة من الصور المنتقاة من قاعدة البيانات CIFAR10 معدل تصنيف 98.87%.
قمنا من خلال هذا البحث بتصميم برنامج يهدف إلى تحديد النقاط الحرجة التي يمكن أن تسبب إنهيار التوتر، و بناء شبكة عصبونية ضمن بيئة برمجيات ماتلاب مهمتها التنبؤ بقيمة الاستطاعة العظمى التي يمكن نقلها على نظام القدرة الكهربائية في ظروف انهيار التوتر دو ن أن ينهار نظام القدرة، و تدريبها على حالات واقعية تعرضت لها أنظمة القدرة الكهربائية، ثم قمنا بتطبيق هذه الشبكة العصبونية المدربة على شبكة مرجعية IEEE-14 Bus-bar لإختبار أدائها و مقارنة النتائج.
أتت فكرة المشروع من الأهمية المتزايدة للنظم المفتوحة المصدر في أيامنا هذه لاسيما الإمكانات الواسعة التي تتيحها هذه النظم في مجال إدارة الشبكات, حيث يهدف مشروعنا إلى إظهار مزايا نظام Ubuntu وذلك من خلال عرض وإعداد مجموعة من الخدمات التي يقدها في مجال إدارة الشبكات, وبالتالي إظهار الفائدة العلمية والعملية منها, حيث نرى الجانب العلمي من خلال شرح ماتقوم به كل خدمة وماهي البروتوكولات والآليات التي تبنى عليها الخدمة, والتي أيضاً تظهر بشكل واضح من خلال الجانب العملي لكل خدمة لمافيه من عرض شامل للفائدة التي يمكن الحصول عليها.
يقدم هذا البحث تقنية جديدة لتحسين عامل الاستطاعة بالاعتماد على الشبكات العصبونية الاصطناعية. حيث يتم التحكم بمحرك متواقت عن طريق متحكم عصبوني للتعامل مع مشكلة تعويض الاستطاعة الردية للنظام، و ذلك بهدف تحسين عامل الاستطاعة. تم في هذا البحث نمذجة النظ ام الكهربائي و المتحكم العصبوني باستخدام برنامج ماتلاب، و قد بينت النتائج أن هذه الطريقة قد تغلبت على المشاكل التي تحدث عند استخدام الطرق التقليدية (استخدام المكثفات الساكنة)، كالتأخير الزمني و التغيرات الخطوية في تعويض الاستطاعة الردية، بالإضافة إلى السرعة بالمقارنة مع التعويض باستخدام المكثفات.
سنقدم في هذا البحث منهجية علمية للتنبؤ قصيرة جدا بالحمولات الكهربائية للمنظومة الكهربائية السورية أي التنبؤ بهذه الحمولات لعدة ساعات قادمة و قد أطلقنا على هذا النوع من التنبؤ التنبؤ العملياتي, تعتمد هذه المنهجية على استخدام الشبكات العصبية الصناعية.
التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا