Sharif Digital Repository / Sharif University of Technology
    • [Zoom In]
    • [Zoom Out]
  • Page 
     of  0
  • [Previous Page]
  • [Next Page]
  • [Fullscreen view]
  • [Close]
 
Determining of the optimized dimensions of the Marinelli beaker containing source with inhomogeneous emission rate by using genetic algorithm coupled with MCNP and determining distribution type by neural networks
Zamzamian, S. M

Cataloging brief

Determining of the optimized dimensions of the Marinelli beaker containing source with inhomogeneous emission rate by using genetic algorithm coupled with MCNP and determining distribution type by neural networks
Author :   Zamzamian, S. M
Publisher :   Elsevier Ltd
Pub. Year  :   2020
Subjects :   Genetic algorithm HPGe detector Marinelli beaker MCNPX2.6 Genetic algorithms ...
Call Number :  

Find in content

sort by

Bookmark

  • تقدیر و تشکر (4)
  • چکیده‌ی فارسی (5)
  • فصل ۱: مقدمه (10)
  • ۱-1 مقدمه (10)
  • ۱-۲ گروه بازبهنجارش (10)
  • ۱-۳ بلوک‌بندی سیستم (11)
  • ۱-۴ گروه بازبهنجارش ماتریس چگالی (13)
  • ۱-۵ الگوریتم روش گروه بازبهنجارش ماتریس چگالی (15)
  • ۱-۶ یادگیری ماشین (16)
  • ۱-۷ پرسپترون (16)
  • ۱-۸ ایجاد یک شبکه از نورون‌های مصنوعی (18)
  • ۱-۹ مفاهیم پایه‌ای در شبکه‌های پیچشی (20)
  • ۱-۱۰ هدف‌ ما چیست؟ (23)
  • فصل 2: گروه بازبهنجارش ماتریس چگالی در مدل آیزینگ (26)
  • ۲-۱ مقدمه (26)
  • ۲-۲ تبدیل مقیاس و ناورداییِ مقیاس (26)
  • ۲-۳ جهان‌شمولی (27)
  • ۲-۴ اعمال فرایند گروه بازبهنجارش روی مدل آیزینگ (29)
  • ۲-۵ بلوک‌بندی یک سیستم با تعداد اجزای زیاد (31)
  • ۲-۶ برهمکنش‌های درونی و بیرونی بلوک (32)
  • ۲-۷ محاسبه‌ی ماتریس چگالی (34)
  • ۲-۸ تکرار مراحل محاسباتی در گروه بازبهنجارش ماتریس چگالی (39)
  • فصل ۳: مفهوم یادگیری در شبکه‌های عصبی مصنوعی (42)
  • ۳-۱ مقدمه (42)
  • ۳-۲ شبکه‌های عصبی در موجودات زنده (42)
  • ۳-۳ آموزش بانظارت و بدون نظارت (44)
  • ۳-۴ ورودی‌های شبکه (خصیصه‌ها) و چارچوب داده (45)
  • ۳-۵ تابع خطا (47)
  • ۳-6 چارچوب داده در مسئله‌های دسته‌بندی (48)
  • ۳-7 لایه‌های هموار کننده و هموارسازی داده‌ها (52)
  • ۳-8 یادگیری با روش گرادیان کاهشی (52)
  • ۳-9 بهینه‌سازی غیرخطی (54)
  • ۳-10 ویژگی‌های توابع فعال‌سازی (55)
  • ۳-11 انواع توابع فعال‌سازی (56)
  • ۳-12 تغییر مقیاس داده‌ها (58)
  • ۳-13 پرسپترون‌های چندلایه (59)
  • ۳-14 یادگیری انتقالی در شبکه‌های عصبی (60)
  • فصل ۴: شبکه‌های عصبی پیچشی (61)
  • ۴-۱ مقدمه (61)
  • ۴-۲ کشف ویژگی‌های محلی متفاوت (61)
  • ۴-۳ ورودی‌های سه بُعدی یا بالاتر (63)
  • ۴-۴ لایه‌های جمع‌کننده (64)
  • ۴-۵ اعمال لایه‌های کاملاً متصل (65)
  • ۴-۶ یک شبکه‌ی عصبی پیچشی کامل (66)
  • ۴-۷ تفاوت شبکه‌های پیچشی با پرسپترون‌های چندلایه (68)
  • فصل ۵: ارتباط فرایند پیچش با گروه بازبهنجارش ماتریس چگالی (69)
  • ۵-۱ مقدمه (69)
  • ۵-۲ بلوک‌بندی (69)
  • ۵-۳ وظیفه و اهداف (71)
  • ۵-۴ توانمندی در محاسبه (71)
  • ۵-۵ همگن یا ناهمگن بودنِ سایت‌ها (73)
  • ۵-۶ بررسی طیف انرژی و انرژی‌گونه (74)
  • ۵-۷ رشد فضای هیلبرت (75)
  • ۵-۸ هامیلتونی (78)
  • ۵-۹ کوتاه‌سازی فضای هیلبرت (79)
  • فصل ۶: درک فرایند پیچش توسط فیزیک آماری (80)
  • ۶-۱ مقدمه (80)
  • ۶-۲ نگرش شبکه‌های پیچشی به آرایش‌ها (80)
  • ۶-۳ کوتاه‌سازی نمایش ویژه‌بردارها (81)
  • ۶-۴ ارتباط ویژه‌بردارها با خروجی‌ها (82)
  • ۶-۵ یادگیری در شبکه‌های پیچشی (83)
  • ۶-۶ ارتباط ویژه‌بردار‌های زیرسیستم‌ها با خروجی (83)
  • ۶-۷ دسته‌بندی توسط انسان و رایانه (84)
  • ۶-۸ افزایش تعداد قاب‌ها (87)
  • ۶-۹ تاثیر ویژه‌حالت‌های یک سیستم (88)
  • ۶-۱۰ ویژه‌حالت‌های زیرسیستم در یک هامیلتونی ناشناس (89)
  • ۶-۱۱ دسته‌بندی آرایش‌ها (90)
  • ۶-۱۲ نتیجه (95)
  • منابع و مأخذ (99)
  • پیوست‌ها (101)
  • پیوست ۱: کُد پایتون رابطه‌ی انرژی در شبیه‌سازی (101)
  • چکیده‌ی لاتین به همراه کلید‌واژه‌ی لاتین (102)
Loading...