دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Jain S (ed.)
سری:
ISBN (شابک) : 9789811526190, 9789811526206
ناشر: Springer
سال نشر: 2020
تعداد صفحات: 271
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب Advances in computational intelligence techniques به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب پیشرفت در تکنیک های هوش محاسباتی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
Preface......Page 6
Acknowledgements......Page 9
Contents......Page 10
About the Editors......Page 12
1 Introduction......Page 14
2.1 Speech Science and€Feature Extraction......Page 15
2.3 Mel-Frequency Cepstral Coefficients Extraction Technique......Page 16
3.1 Audio Data Acquisition and€Preprocessing......Page 17
3.3 Feature Extraction......Page 18
3.4 Accent Classification Algorithm......Page 19
4 Results and€Discussion......Page 23
4.2 Noise Removal Using Audacity......Page 24
4.3 Training and€Testing......Page 25
References......Page 28
1 Introduction......Page 30
2.1 The EMD Algorithm......Page 32
3 Multivariate Empirical Mode Decomposition......Page 33
4.2 Features......Page 34
4.4 Fuzzy Entropy......Page 36
4.5 Permutation Entropy......Page 37
4.6 Classifiers......Page 38
5 Results and Discussion......Page 39
References......Page 47
1 Introduction......Page 49
2 Proposed Algorithm......Page 53
3.1 Convolutional Layers......Page 55
3.3 Activation Function......Page 56
4.1 Region of€Interest (ROI) Extraction and€Data Augmentation......Page 57
4.2 Layer Architecture and€Regularization Methods......Page 58
5 Experiments and€Simulated Results......Page 59
5.1 Evaluation Metric......Page 61
6 Conclusion......Page 62
References......Page 63
1 Introduction......Page 65
2 Methodology......Page 67
3 Proposed Model......Page 68
4 Results and€Discussion......Page 70
References......Page 73
1 Introduction......Page 75
1.3 Tetraplegia Disease......Page 76
2 Robust Integrated Tetraplegia Assistive (RITA) Model......Page 77
2.3 Facial Landmark Detection......Page 78
2.4 Eye Detection......Page 80
2.5 Improving Blink Detector......Page 81
3.1 System 1......Page 83
3.2 System 2......Page 84
References......Page 89
1 Ιntroduction......Page 92
2 Literature Review......Page 94
3 Methodolgy......Page 97
4 Result and€Discussion......Page 98
5 Conclusion......Page 100
References......Page 103
1 Introduction......Page 105
2 Materials and€Methods......Page 106
3 Data Analysis......Page 108
4 Results and€Discussions......Page 110
5 Conclusion......Page 112
References......Page 115
2 Causes of€Cervical Cancer Cervical and€Recommended Screening Tests......Page 118
2.3 Types of€Cervical Cancer......Page 119
2.4 Screening Tests......Page 120
3 Related Work......Page 121
5 Proposed Work......Page 124
5.1 Proposed Algorithm......Page 125
5.2 Weka......Page 126
5.4 ARFF Data File......Page 127
5.6 Performance Metrics Used......Page 128
5.8 Confusion Matrix......Page 129
5.10 Dataset......Page 130
6 Results and€Analysis......Page 131
7 Conclusion......Page 132
References......Page 135
9 Study on€Distance-Based Monarch Butterfly Oriented Deep Belief Network for€Diabetic Retinopathy and€Its Parameters......Page 138
1 Introduction......Page 139
2.2 Contrast Enhancement......Page 140
2.4 Classification......Page 141
3.1 Diabetic Retinopathy Architecture......Page 142
3.2 Pre-processing......Page 143
3.3 Blood Vessel Segmentation......Page 145
3.4 Feature Extraction......Page 148
3.5 Deep Belief Network......Page 149
3.6 Solution Encoding......Page 152
3.7 Conventional MBO......Page 153
3.8 Study on€D-MBO Algorithm......Page 155
4.1 Simulation Setup......Page 156
4.3 Impact on€Population Size......Page 158
5 Conclusion......Page 162
References......Page 163
1 Introduction......Page 165
3 Neural Deconvolution and€Restoration......Page 167
4 Neural Architecture......Page 168
5 Design Flow......Page 169
6 Results......Page 170
References......Page 174
1 Introduction......Page 176
2 System Architecture......Page 177
3 Related Work......Page 178
5 Conclusion......Page 180
References......Page 181
1 Introduction......Page 183
2 Adaptation of€AI in€Bioinformatics......Page 185
2.1 Sequence Analysis......Page 186
2.3 Genome Annotation......Page 187
2.4 Comparative Genomics Hybridization......Page 188
2.6 Healthcare Application......Page 189
3.1 Gene Identification and€Sequence Analyses......Page 190
3.3 Predicting Protein Structure and€Function......Page 192
3.5 Drug Designing......Page 193
4 Conclusion......Page 194
References......Page 195
1 Introduction......Page 197
2 Review of€Related Works......Page 198
3.1 Structural Variations......Page 200
4 Proposed Multiple Hidden Markov Model (MHMM)......Page 201
5 Preprocessing......Page 202
6.1 Local Distance Features (LDF)......Page 203
6.3 Local Slope Feature (LSF)......Page 205
7 Experiments and€Results......Page 206
7.2 Phase 4......Page 207
7.3 Phase 5......Page 209
8 Conclusion......Page 211
References......Page 212
2 Review of€Literature......Page 215
3 Research Methodology......Page 216
4.1 Results and€Findings of€the€Study......Page 218
5 Discussions......Page 219
8 Further Scope of€Study......Page 221
Employability Appraisal Scale (EAS)......Page 222
References......Page 223
1 Introduction......Page 224
2 Proposed Antenna Design and€ANN Model......Page 225
3 Results and€Discussion......Page 226
4 Conclusion......Page 229
References......Page 230
1 Introduction......Page 232
2 Background......Page 234
3 Analysis of Spot Diseases......Page 235
4 Results......Page 238
6 Conclusion......Page 241
References......Page 242
1 Introduction......Page 244
2 Related Work......Page 245
2.1 Sensors Used for€Development of€Autonomous Vehicle Perception System......Page 246
3 Detection and€Localization Algorithms......Page 247
3.2 Single-Shot Multibox Detection (SSD)......Page 248
4 Proposed Methodology......Page 249
4.1 Sensor Calibration......Page 250
5.1 Stereo Camera and€RPLIDAR Sensor Data Fusion......Page 252
References......Page 256
1 Introduction......Page 258
2 Signal Model......Page 259
3.2 DOA Estimation with Recurrent Neural Network......Page 260
4 Simulation Parameters and Results......Page 261
5 Conclusion......Page 265
References......Page 267
Author Index......Page 270