{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK123",
        "title": "آموزش شبکه عصبی کوهنن با استفاده از فیلتر ذره ای",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1388",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TK123",
        "title": "آموزش شبکه عصبی کوهنن با استفاده از فیلتر ذره ای",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1388,
        "authors": [
            {
                "name": "سردار افرا",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "محمد حدادظریف",
                "role": "استاد راهنما"
            },
            {
                "name": "حیدر طوسیان شاندیز",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "شبکه عصبی خودسازمانده",
            "شبکه عصبی کوهنن",
            "فیلتر ذره ای",
            "یادگیری",
            "روش مونت کارلو",
            "نمونه برداری اهمیت",
            "نمونه برداری مجدد اهمیت"
        ],
        "abstract": "در این پایان نامه، به بررسی و اصلاح یکی از پرکاربرد ترین شبکه های عصبی خودسازمانده یعنی شبکه عصبی کوهنن با استفاده از الگوریتم توانمند فیلتر ذره ای پرداخته ایم. شبکه عصبی کوهنن کاربرد فراوانی در مسائلی همچون تخمین چگالی احتمال، پردازش تصویر و صوت، و روباتیک دارد. در بسیاری از مسائل مهندسی خصوصاً در مواردی که یا چگالی احتمال سیستم نامعین است و یا سیستم تحت نویز و اغتشاش غیر گوسی قرار می گیرد، الگوریتم های مونت کارلو و خصوصاً فیلتر ذره ای، از کارایی خیره کننده ای در مقایسه با الگوریتم های قدرتمندی همچون فیلترکالمن توسعه یافته، برخوردارند. امروزه این الگوریتم ها مورد توجه اغلب محققین قرار گرفته است. \r\nیک مشکل اساسی در الگوریتم شبکه عصبی کوهنن ایجاد سلول های مرده پس از گذشت مدت زمان کوتاهی از عمر اجرای الگوریتم است. این مساله باعث می شود تا بعضاً قسمت بزرگی از سلول های شبکه دیگر در فرایند به هنگام سازی شرکت نکرده که باعث تضعیف عملکرد الگوریتم می شود. در راستای حل این مشکل روش های اصلاحی گوناگونی ارائه شده و در این پایان نامه ما نیز یک روش جدید برای اصلاح الگوریتم و بهینه نمودن عملکرد آن، ارائه نموده ایم. درواقع ضرایب شبکه عصبی کوهنن با استفاده از الگوریتم SIR تخمین زده شده است که این کار نه تنها مشکل اساسی سلول مرده را برطرف نموده، بلکه باعث بهبود عملکرد شبکه در تخمین تابع چگالی احتمال و بالاتر رفتن دقت اجرای الگوریتم نیز شده است. \r\nمزیت استفاده از الگوریتم فیلتر ذره ای برای آموزش شبکه عصبی کوهنن در دقت فزاینده ی روش مونت کارلو در پیش بینی و تخمین براساس داده های محدود در دسترس، عدم استفاده از پسخور برای مقایسه خروجی با داده های حاصل از مشاهده و اندازه گیری، و همچنین همخوانی این الگوریتم با الگوریتم یادگیری شبکه عصبی کوهنن و به طور کلی با دسته بسیار بزرگ از اینگونه شبکه ها موسوم به شبکه های خودسازمانده بدون ناظر می باشد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TK123.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}