Monthly Archive: نوامبر 2016

فروش پروژه کنترل انرژی برای باتری خودروی هیبریدی با نرم افزار MATLAB

كد: 2223

عنوان پروژه: فروش پروژه کنترل انرژی برای باتری خودروی هیبریدی با نرم افزار MATLAB

قالب بندی: mdl

دسته: الکترونیک – MATLAB

قیمت: 20.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه کنترل انرژی برای باتری خودروی هیبریدی با نرم افزار MATLAB

عكس خروجی برنامه

عکس 1
عکس 2
عکس 3

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه طبقه بندی تومور بدخیم و خوش خیم سینه با شبکه عصبی سلولی (CNN) با نرم افزار MATLAB

كد: 2222

عنوان پروژه: فروش پروژه طبقه بندی تومور بدخیم و خوش خیم سینه با شبکه عصبی سلولی (CNN) با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 50.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه طبقه بندی تومور بدخیم و خوش خیم سینه با شبکه عصبی سلولی (CNN) با نرم افزار MATLAB

یکی از خطراتی که خانم ها را به شدت تهدید می کند، سرطان سینه می باشد. در صورتی که بتوان این تومور را در سینه تشخیص داد، شانس زندگی فرد به صورت سالم و عادی بیشتر خواهد بود، از این رو ساخت سامانه هایی جهت تشخیص این نوع سرطان، مانند سامانه های تشخیص در حوزه های دیگر پزشکی امری بسیار حیاتی محسوب می گردد. در این مقاله و پیاده سازی، دو روش برای خودکار برای تشخیص نوع جرم تومور در سینه که خوش خیم یا بدخیم باشد، ارائه شده است. در روش پیشنهادی اول، قطعه سازی به کمک رشد ناحیه ای خودکار که آستانه گیری آن توسط شبکه عصبی سلولی (CNN) آموزش دیده، به دست آمده است. در روش پیشنهادی دوم، قطعه سازی توسط شبکه عصبی سلولی (CNN) که پارامترهای آن با الگوریتم ژنتیک (GA) تعیین می شود.

چند مورد از مواردی که در هنگام قطعه بندی تومور استخراج می شوند و بسیار مورد اهمیت می باشند شامل شدت نور، بافت و ویژگی های شکل است. الگوریتم ژنتیک به منظور انتخاب ویژگی های مناسب از بافت تصویر در زمان قطعه بندی تومور استفاده می شود. در مرحله بعدی، شبکه عصبی به عنوان یک طبقه بند که تومور بدخیم است یا خوش خیم مورد استفاده واقع می گردد. به منظور ارزیابی کارایی روش ارائه شده، طبقه بندهای مختلفی مانند روش های نایو بیزین (Naïve Bayesian) ، الگوریتم نزدیکترین همسایه (KNN) و ماشین بردار پشتیبان (SVM) استفاده شده است. دقت به دست آمده 96/87%، ویژگی ها 95/94% صحیح، و نرخ دقت 96/47% می باشد (با توجه به مقدار پارامترهای استفاده شده در برنامه که نویسنده مقاله ساخته است این موارد به دست آمده اند).

مراحل در تشخیص سرطان سینه در این مقاله و پروژه شباهت زیادی به روش های ارائه شده قبلی دارد با تفاوت در ساختار استفاده از مراحل. دو روش ارائه شده تفاوت هایی با هم دارند که در شکل 1 و شکل 2 صفحه سوم مقاله این مورد کامل مشخص است که به توضیح روند اجرایی هر دو برنامه خواهیم پرداخت. در روش رشد ناحیه ای خودکار، ابتدا تصویر به عنوان ورودی وارد می شود، سپس وارد مرحله پیش پردازش می شودیم که دارای 3 مرحله است شامل استخراج وِیژگی های شدت نور، شبکه عصبی مصنوعی، و تولید آستانه گیری با استفاده از شبکه عصبی است سپس از فاز پیش پردازش خارج و به مرحله قطعه بندی به روش رشد ناحیه ای می رسیم، سپس استخراج ویژگی، در مرحله بعدی استخراج ویژگی با الگوریتم ژنتیک، در نهایت طبقه بندی تومور با شبکه عصبی در رابطه با اینکه بدخیم یا خوش خیم است.

حال به توضیح روش پیشنهادی دوم می پردازیم. تصویر ورودی وارد برنامه می شود، سپس مرحله پیش پردازش، در این مرحله کاری روی تصویر انجام نمی شود، در سویی دیگر قطعه بندی به صورت دستی انجام سپس الگوریتم ژنتیک روی آن اعمال و یک قالب کلی ساخته می شود. در واقع این مرحله قطعه بندی با CNN است. سپس استخراج ویژگی، در مرحله بعد استخراج ویژگی با الگوریتم ژنتیک، سپس طبقه بندی تومور با شبکه عصبی مصنوعی و اینکه تومور بدخیم یا خوش خیم است. کاملا بارز و مبرهن است که تفاوت در بخش پیش پردازش و استفاده از قطعه بندی دو روش می باشد.

حال استفاده از الگوریتم ژنتیک در این برنامه بدین صورت تعریف می شود: تعریف جمعیت اولیه برای کروموزوم ها، تکرار، محاسبه تابع فیتنس مربوط به هر عنصر در جمعیت، انتخاب دو زوج از بهترین کروموزوم ها به عنوان والد، اعمال عملگر Cross Over یا تقاطع، اعمال عملگر Mutation یا جهش، تا پایان کار در حلقه ادامه می یابد و در انتها تمام می شود. 

در ابتدا کاربر ساختار کلی یک شبکه عصبی را لازم است تا بداند. قطعه بندی در روش پیشنهادی دوم بر پایه شبکه عصبی سلولی (CNN) است که برای تعیین پارامترهایش از الگوریتم ژنتیک طبقه گفته های پیشین استفاده می کند. شبکه عصبی سلولی، آرایه ای از واحدهای پردازش به صورت آنالوگ است که قابل برنامه ریزی به صورت غیرخطی هستند که به هر یک از این بخش ها یک سلول می گویند. هر سلول با سلول همسایه خود در تعامل است و این امر دقیقا مانند روشی است که در اتوماتای یادگیر سلولی اتفاق می افتد.

فرآیند قطعه بندی به جدا کردن ناحیه تومور از تصویر و در مجموع جداازی پشت زمینه و تومور از هم می پردازد. دو رویکرد در این بخش وجود دارد یکی روش رشد ناحیه ای، و دیگری روش مرزبندی.  روش رشد ناحیه ای که مورد بحث در این مقاله و پیاده سازی است، در تصویر بخش هایی به نام seed قرار داده و رشد نواحی از آن بخش شروع می شود. به منظور آستانه گیری در این بخش از شبکه عصبی استفاده شده است. از شبکه عصبی دو لایه ای به منظور آستانه گیری برای هر تصویر استفاده شده است. شبکه عصبی مورد استفاده در این بخش به منظور آستانه گیری در زمان رشد ناحیه ای، شبکه عصبی MLP یا پرسپترون چند لایه است که با استفاده از روش BP یا Back Propagation یا پس انتشار آموزش دیده است.

در بخش استخراج ویژگی ها (بدون استفاده از الگوریتم ژنتیک – الگوریتم ژنتیک قبلا برای این کار توضیح داده شده است و الان حالت ساده آن در پروژه را می گوییم) 51 ویژگی ویژگی مطابق با شدت هیستوگرام، شکل، ویژگی الگوها یا بافت ها، از تصاویر قطعه بندی شده، استخراج شده است. تومورهای بدخیم که دارای بافت نامنظمی هستند در مقایسه با تومورهای خوش خیم روش کار پیچیده تری دارند که از روشی به نام GLCM به منظور استخراج بافت های آن استفاده می کنند. زمانی که مشخصه ها استخراج شد، یک توصیف کننده برای شکل لازم است که از زرنیکه استفاده شده است.

از نتیجه گیریهای اجرا، می توان فهمید که بهترین روش استفاده از شبکه عصبی پرسپترون چند لایه (MLP) در بخش مورد نظر توضیح داده شده می باشد و روش های دیگر مانند KNN، SVM ، نسبت به این بخش کارایی کمتری دارند. این مقاله جای کار بسیار زیاد دارد که می توان از شبکه های عصبی ای مانند SOM یا شبکه خودسازمانده که اصطلاحا به نام کوهنن هم شناخته می شود و یا شبکه عصبی تابع پایه شعاعی یا RBF استفاده کرد.

عكس خروجی برنامه

عکس 1
عکس 2
عکس 3
عکس 4

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه طبقه بندی تصویر MRI با آنتروپی موجک برپایه شبکه عصبی احتمالی (PNN) با نرم افزار MATLAB

كد: 2221

عنوان پروژه: فروش پروژه طبقه بندی تصویر MRI با آنتروپی موجک برپایه شبکه عصبی احتمالی (PNN) با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 30.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه طبقه بندی تصویر MRI با آنتروپی موجک برپایه شبکه عصبی احتمالی (PNN) با نرم افزار MATLAB

عكس خروجی برنامه

عکس 1
عکس 2
عکس 3
عکس 4
عکس 5
عکس 6
عکس 7

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه تقطیع تصویر MR با شبکه عصبی SOM و خوشه بندی آنتروپی گرادیان با نرم افزار MATLAB

كد: 2220

عنوان پروژه: فروش پروژه تقطیع تصویر MR با شبکه عصبی SOM و خوشه بندی آنتروپی گرادیان با نرم افزار MATLAB

قالب بندی:m

دسته: کامپیوتر – MATLAB

قیمت: 50.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه تقطیع تصویر MR با شبکه عصبی SOM و خوشه بندی آنتروپی گرادیان با نرم افزار MATLAB

هدف اصلی در تقطیع تصاویر MR مغزی، قطعه بندی تصاویر به نواحی گوناگون جهت نمایش ساختار آناتومیک می باشد. قطعه بندی تصاویر MRI امری جذاب می باشد زیرا نمایش دقیق ذرات سیاه، ذرات خاکستری، و مایع مغزی نخاعی، راهی را برای شناسایی اختلالات مغزی فراهم می کند که می توان به مواردی چون زوال عقلی، اسکیزوفرنی، شیزوفرنی، آلزایمر و غیره اشاره کرد. این مقاله و پیاده سازی به روشی غیرنظارتی برای تقطیع تصاویر MRI بر پایه شبکه عصبی SOM (Self Organizing Maps) یا خودسازمانده و الگوریتم ژنتیک (Genetic Algorithm – GA) پرداخته است. به طور کلی روش پیشنهادی شامل پنج مرحله است که شامل تصویر ورودی، استخراج ویژگی، انتخاب ویژگی با استفاده از روش های محاسبات تکاملی، طبقه بندی وکسل ها با استفاده از شبکه عصبی خودسازمانده و خوشه بندی نگاشت های تیز در تصویر می باشد. علاوه بر این، مکانیزم خوشه بندی SOM پیشنهادی به منظور نمایش تعیین حاشیه خوشه ها با در نظر داشتن فضای خروجی و ارتباط آن با فضای ورودی است. 

این مکانیزم خوشه بندی با داشتن ظرفیت در روابط مکانی با استفاده از محاسبه تابع آنتروپی گرادیان (GE) برای گروه گروه کردن هر واحد در فضای خروجی می پردازد. پروسه کامل از هیچ گونه دانش پیشین در زمینه انتساب کلاس وکسل ها استفاده نمی کند، بلکه یک روش کاملا غیر نظارتی و خودکار برای تقطیع تصویر MRI برای شناسایی مستقیم کلاس های مختلف بافت تصویر می باشد. پیاده سازی پروژه روی تصاویر دیتاستی به نام IBSR کار می کند که با در نظر گرفتن ذره سفید (WM) و مایع مغزی نخاعی به عنوان برچسب ها و استفاده از CGMM روشی پرکاربرد نسبت به روش ها قبل خواهد بود.

تصاویر MRI به دلیل داشتن رزولوشن مکانی عالی و کنتراست بافت عالی، به طور گسترده مورد استفاده واقع می گردند. همینطور تصاویر 3 بُعدی در این زمینه (تصاویر دایکام یا DICOM با پسوند .dcm)  راهی بهتر به منظور تشخیص بیماری های متعدد و برنامه ریزی برای عمل های جراحی را فراهم می آورند. در حال حاضر روش های مدرن به آنالیز تعداد زیادی از تصاویر در این زمینه می پردازند. مطالعه در رابطه با این تصاویر و نظر داددن راجع به آن ها با تشخیص متخصص میسر خواهد بود. به منظور تشخیص بهتر استفاده از ابزارهای تشخیص به کمک کامپیوتر یا CAD پیشنهاد می گردد. تقطیع تصاویر مغزی به نمایش بهتر سه بخش ذرات سفید (White Matter – WM)، ذرات خاکستری (Grey Matter – GM) و مایع مغزی نخاعی (Cerebrospinal Fluid – CSF) می پردازد و بیماری های زیادی را ممکن است به تصویر بکشد. روش پیشنهادی تقطیع تصویر MR مغزی در این پروژه هدفی دوگانه دارد: برای یادگیری ویژگی های بهتر از طریق بهبود SOM بر پایه الگوریتم ژنتیک و در یک گروه قرار دادن وکسل ها در خوشه های گوناگون SOM با طبق کلاس هایشان.

آموزش SOM با استفاده از یک فرآیند یادگیری رقابتی انجام شده است که در آن داشتن دانش قبلی مورد نیاز و ملاک نیست. از این رو، SOM اموزش دیده شده به منظور خوشه بندی نمونه های داده ای از خمینه (Manifold) داده های ورودی مورد استفاده است و الگوریتم خوشه بندی SOM به گروه گروه کردن واحدهای کوچکتر با محاسبه آنتروپی مربوط به هر نمونه SOM می پردازد. به طور همزمان، فرآیند خوشه بندی که از اطلاعات مرتبط استفاده می کند، فقط از فضای خروجی آن ها استفاده نمی کند بلکه به عنوان یک فضای ورودی آن استفاده می شود.

روش پیشنهاد شده دارای پنج مرحله است شامل تصویر ورودی یا بخش پیش پردازش، استخراج ویژگی، انتخاب ویژگی با استفاده از روش های محاسبات تکاملی، طبقه بندی وکسل ها با استفاده از شبکه عصبی خودسازمانده و خوشه بندی نگاشت های تیز در تصویر یا برچسب گذاری با SOM . بخش پیش پردازش یا تصویر ورودی به سیستم، دارای مراحلی می باشد. حذف نویز پشت زمینه به منظور فرکانس های رادیویی در زمان تصویربرداری به منظور بهبود در شناسایی و در زمان طبقه بندی که برای این منظور از یک ماسک دودویی استفاده شده است.

در مرحله استخراج ویژگی، چندین ویژگی قابل توجه از تصویر MR به منظور قرارگیری در طبقه بندی استخراج می شود. تصویر به صورت قطعه قطعه (Slice by Slice) پردازش می شود. استخراج ویژگی با استفاده از یک وکسل که با هم تداخل دارند و روی هر قطعه پنجره (قاب) مشخص است، انجام می شود. اندازه این پنجره یا قاب در مرحله پیش پردازش تعیین می شود. در این پروژه ویژگی های آماری مرتبه یک و دو مورد استفاده واقع شده اند. ویژگی های مرتبه اول استخراج شده از تصویر، شدت (منظور شدت نور و روشنایی)، میانگین و واریانس می باشد. شدت اشاره به سطح خاکستری از وکسل پنجره یا قابل مرکز تصویر را دارد. میانگین و واریانس با توجه به توزیع سطح خاکستری پنجره محاسبه می شود.

ویژگی های آماری مرتبه دو مثل ویژگی های بافت نیز مورد استفاده واقع می گردد که شامل انرژی (انرژی رنگی و پخش رنگ روی تصویر)، آنتروپی، کنتراست، ASM یا حالات ثانویه زاویه ای، میانگین مجموع، همبستگی، حداکثر احتمال، برجسته سازی خوشه ها، عدم تشابه، تطبیق خوشه ها، و واریانس مرتبه دوم می باشد.

پس از استخراج ویژگی، تصویر اصلی به مجموعه از بردار ویژگی ها تبدیل می شود. در این پروژه به منظور کاهش ابعاد ویژگی ها از الگوریتم ژنتیک استفاده شده که توانایی شناسایی راه حل های بهینه در فضاهای جستجوی بسیار پیچیده را داراست، البته شایان ذکر است که زمان همگرایی آن به منظور یافتن راه حلی بهینه با استفاده از یک جستجی تصادفی، کمتر است.

انتخاب ویژگی با استفاده از شبکه عصبی SOM و الگوریتم ژنتیک بدین صورت است: تولید جمعیت اولیه که ویژگی ها را مشخص خواهد کرد، ارزیابی مقادیر هدف، آموزش با SOM، محاسبه کیفیت آموزش با SOM که خطاهای توپولوژیک و کوانتیزاسیون را نشان می دهد، محاسبه مقدار فیتنس، حال قرارگیری در حلقه الگوریتم ژنتیک بدین صورت که انتخاب بهترین بخش مستقل که توسط عملگرهای تکاملی (ژنتیک) استفاده می شود، تایید عملگرهای تکاملی به منظور تولید جمعیت جدید (نسل جدید) که این کار با عملگر تقاطع و جهش انجام می شود، ارزیابی یک مقدار جدید از فیتنس، آموزش شبکه عصبی SOM در درون حلقه های الگوریتم ژنتیک، محاسبه کیفیت آموزش با SOM به منظور خطاهای توپولوژیک و کوانتیزاسیون، محاسبه مقدار فیتنس، جایگزینی بدترین مستقل ها در جمعیت توسط بهترین مستقل ها، سپس پایان چرخه ژنتیک خواهد بود.

عكس خروجی برنامه

عکس 1
عکس 2
عکس 3
عکس 4

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه شبیه سازی باتری اسیدی با نرم افزار MATLAB

كد: 2219

عنوان پروژه: فروش پروژه شبیه سازی باتری اسیدی با نرم افزار MATLAB

قالب بندی: mdl

دسته: الکترونیک – MATLAB

قیمت: 20.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه شبیه سازی باتری اسیدی با نرم افزار MATLAB

عكس خروجی برنامه

عکس 1
عکس 2

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه طبقه بندی دودویی با رگرسیون خطی و لجستیک با نرم افزار MATLAB

كد: 2218

عنوان پروژه: فروش پروژه طبقه بندی دودویی با رگرسیون خطی و لجستیک با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 20.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه طبقه بندی دودویی با رگرسیون خطی و لجستیک با نرم افزار MATLAB

عكس خروجی برنامه

عکس 1
عکس 2
عکس 3
عکس 4

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه حل معادله POISSON به کمک شناسایی کاراکترهای تصویر با نرم افزار MATLAB

كد: 2217

عنوان پروژه: فروش پروژه حل معادله POISSON به کمک شناسایی کاراکترهای تصویر با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 20.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه حل معادله POISSON به کمک شناسایی کاراکترهای تصویر با نرم افزار MATLAB

عكس خروجی برنامه

عکس 1
عکس 2
 
عکس 3
عکس 4
 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه خوشه بندی داده با الگوریتم K-medoids با نرم افزار MATLAB

كد: 2216

عنوان پروژه: فروش پروژه خوشه بندی داده با الگوریتم K-medoids با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 20.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه خوشه بندی داده با الگوریتم K-medoids با نرم افزار MATLAB

عكس خروجی برنامه

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه طبقه بندی داده IRIS با الگوریتم ISODATA با نرم افزار MATLAB

كد: 2215

عنوان پروژه: فروش پروژه طبقه بندی داده IRIS با الگوریتم ISODATA با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 20.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه طبقه بندی داده IRIS با الگوریتم ISODATA با نرم افزار MATLAB

عكس خروجی برنامه

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه خوشه بندی داده با الگوریتم DBSCAN با نرم افزار MATLAB

كد: 2214

عنوان پروژه: فروش پروژه خوشه بندی داده با الگوریتم DBSCAN با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 20.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه خوشه بندی داده با الگوریتم DBSCAN با نرم افزار MATLAB

عكس خروجی برنامه

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.