رفتن به مطلب

elmiramohammadi

کاربر انجمن
  • تعداد ارسال ها

    88
  • تاریخ عضویت

  • آخرین بازدید

  • روز های برد

    1

elmiramohammadi آخرین باز در روز ۹ دی برنده شده

elmiramohammadi یکی از رکورد داران بیشترین تعداد پسند مطالب است !

اعتبار در سایت

596 Excellent

درباره elmiramohammadi

  • درجه
    <b><font color="#000099" face="Tahoma">عضو جدید </b></font>
  • تاریخ تولد تعیین نشده

اطلاعات شخصی

  • جنسیت
    مونث
  • محل سکونت
    تهران
  • توضیحات داخل پروفایل
    [flash=width=550 height=27] http://upir.ir/941/eshge-talkh-[AloneBoy-com]-maziar-mogadam.swf[/flash]

اطلاعات شغلی و تحصیلی

  • رشته تحصیلی
    مهندسی کامپیوتر
  • مقطع تحصیلی
    دانشجوی فوق لیسانس

آخرین بازدید کنندگان نمایه

بلوک آخرین بازدید کننده ها غیر فعال شده است و به دیگر کاربران نشان داده نمی شود.

  1. در اول اینکه نحوه ی تعریف متغیر ها اشتباه است.... اول اینکه i=0 را قبل از حلقه while بزار تا درست کار کند بعد مگه شما نگفتید که وقتی error به صفر رسید باید متوقف شود پس چرا شرطت گویای این حرفت نیست؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟ شرط باید به صورت زیر باشه i در ضمن بنظر بنده i باید قبل از end آخر باشد نه قبل از دو end آخر
  2. elmiramohammadi

    گابور

    سلام تا جایی که من از صحبت های شما فهمیدم این است که الان شما یه تصویر چهره دادید به فیلتر گابور و فیلتر گابور هم 163840 ویژگی برای اون عکس به شما داده کاری که شما انجام بایدبدید این است که تصواویرتون را رو تک به تک بخونید و یک ماتریس از ویژگی ها و نمونه ها بسازید که سطرهای ماتریس نشان دهنده ی نمونه ها و ستونهای ماتریس نیز نشان دهنده ی ویژگی هاست بعد از ساخت این ماتریس ، ماتریس موردنظر را به الگوریتم های کاهش بعد داده و خروجی شما یک ماتریس با ابعاد کنر ( از لحاظ ستونی چون ستون ها مربوزط به ویژگی هاست) خواهید داشت و بعد از بدست آوردن خروجی الگوریتم کاهش بعد می توانید در طبقه بند svm استف
  3. سلام سری بعد که ملب رو گذاشتی صفحه یا عکسی از صفحه هم بزار. منظور از اینجا که گفته بردار سه بعدی است باید توجه کنید که در پردازش تصویر و مسایل الگویی مسله بعد به ویژگی هایی که برای هر نمونه بکار می روداطلاق می شود مثلا اینجا برای هر میوه سه ویژگی shpae, texture , weight استفاده کرده است و برای پرتقال و سیب این بردار را تشکیل داده است.
  4. elmiramohammadi

    سلااام

    سلام خوبید شما؟
  5. 3-1 جزئیات الگوریتم بهینه سازی فاخته این الگوریتم یکی از جدید ترین و قوی ترین روش های بهینه سازی تکاملی می باشد که تا کنون معرفی شده است. الگوریتم فاخته الهام گرفته از روش زندگی پرنده ای به نام فاخته است که در سال 2009 توسط شین او یانگ و دب ساوش، توسعه یافته است. الگوریتم فاخته بر اساس زندگی گونه ای از فاخته است. این الگوریتم توسط پرواز levy به جای پیاده روی ایزوتروپیک ساده توسعه یافته است. الگوریتم فاخته بعد ها در سال 2011 توسط رامین رجبیون به طور کامل با جزییات بیشتر مورد بررسی قرار گرفت. در شكل 1 فلوچارت الگوريتم بهينه سازي فاخته رسم شده است. همانند ساير الگوريتمهاي تكاملي ، الگوریت
  6. آره در همین حد توضیح داده؟
  7. سوالم این است که مس خواهم نواحی مشکوک به سرطان رو تعیین کنم داخل مقاله آمده در هفت و هشت گام نواحی مشکوک را مشخص کرده منم می خوام همون قسمت را پیاده سازی کنم بخش 3 مقاله 3- روش پيشنهادي براي يافتن نواحي مشكوك روش پيشنهادي براي يافتن مناطق مشكوك و يا نواحي موردتوجه براي يافتن تومور شامل مراحل زير است: 1. يافتن مرز سينه و ماهيچه پكتورال و حذف تماممصنوعات و پكتورال (اين نواحي مشابه تومورها دارايروشناييهاي زيادي هستند). براي يافتن مرز سينه ازروش آستانهگذاري براساس آنتروپي و براي يافتن مرزماهيچه پكتورال نيز از روش فيلترهاي گابور استفاده شده.[10,9] است 2. استفاده از عملگر Bottom Hat بر روي ت
  8. سلام دوستان کسی هست کمکی در این موارد به من کنه ؟ تعیین نواحی مشکوک در تصاویر ماموگرافی؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟ pdf هم ضمیمه کردم 1.pdf
  9. البته نا گفته نماند که در این کد بنده از الگوریتم ژنتیک برای وزن دهی استفاده کرده ام............ نحوهی وزن دهی به ویژگی ها به این صورت است که ما برای هر ویژگی 14 بیت در نظر می گیریم . حال برای محاسبه وزن، دسیمال این چهارده بیت را بدست آورده و بر (دو به توان 14) منهای یک تقسیم می کنیم. و این می شود وزن آن ویژگی ...... دوستان می توانند برای انتخاب ویژگی نیز از الگوریتم ژنتیک استفاده کنند......
  10. پیاده سازی یک پروژه با الگوریتم ژنتیک که در ابتدا توضیحات الگوریتم ژنتیک آورده شده است برای بدست آوردن تعداد خطا از الگوریتم طبقه بند نزدیک ترین همسایه استفاده کرده ایم.الگوریتم ژنتیک گلدبرگ در سال ١٩٨٩ قواعد الگوريتم ژنتيك را ارائه نمود و در سال ١٩٩٠ همگرایي الگوريتم ژنتيك ثابت شد. الگوريتم هاي ژنتيك، هيوريستيك هاي جستجو و الگوريتم هاي بهينه سازي ای هستند كه به طور موازي اجرا مي شوند و بوسيله اصل داروين از انتخاب طبيعي و تكثير ژنتيكي الهام گرفته شده اند. به عبارت ديگر اين الگوريتم ها، تكنيك هاي بهينه سازي بر اساس انتخاب و تركيب مجدد راه حل هاي اميد بخش مي باشند. در الگوريتم هاي ژنتيك س
  11. سلام دوستان آیا کسی هست که دیتا بیسی درباره ماموگرافی داشته باشه؟
  12. عدد باینری؟! آره دیسیمالش کردیم مزیت این کار دقیقا چیه؟ مزیت این کار تا جایی که می دونم این است که پیکس هایی که بهم نزدیک هستند از یک الگوی دیسمال پیروری می کنن که نمود این کار در هیستوگرام آن مشخص می شود... اصلا منظور از lbp چیه؟ منظور این است که از یک الگور محلی باینری استفاده کرده تا این نتایج در گام خای بعدی که استخراج ویژگی است کاربرد داشته باشد........ برای تصویری مثل مامو که کنتراستش پایین هست به این ترتیب ویژگی که استخراج میشه مطلوبه؟ باید اجرا کنی ببینی آیا برای این تصاویر هم خوب هست یا نه البته بنظرم مفید واقع بشه چرا اینجا از هیستوگرام پروجکشن استفاده کرده بود؟ برای اس
  13. سلام این که میگی را میشه اجرا کرد ولی دیگر 80 در اندازه تصویر نمیشه بلکه برابر خود تصویر میشه یعنی برای هر پیکسل یه عدد باینری تولید می کنیم و این عدد باینری می توانید به عنوان یه ویژگی استفاده کنید برای این کار هم کافی است برای هر تصویر این قسمت از کد را اجرا کنید البته باید توجه کنید که در این حالت باید در اطراف ماتریس تصویر صفر ایجاد کنید. یعنی یه لایه صفر اطراف تصویر قرار می گیرد و در آخر ماتریس result رو به بردار تبدیل کنید البته توجه کنید چون اطراف تصویر صفر قرار داده اید تصویر شما از سطر 2 تا h-1 و از ستون 2 تا w-1 می باشد for i=2:h-1 for j=2:w-1 im=main(i-1:i+1,j-1
  14. سلام تولدت مبارک امیدوارم 120 سال با خوبی و خوشی زندگی کنی
  15. سلام به دوستان گرامی یک سری توضیحات درباره کد ها می گذارم همانطور که تمام دوستان در جریان هستند تمام کلاس بندی ها ( موضوعاتی که در بخش کلاس بندی جایی می گیرند) برای متمایز کردن از بقیه کلاس ها نیاز به یک سری ویژگی دارند. هر الگوریتم دسته بندی(همانند شبکه عصبی , svm) شامل دو قسمت می باشند یک داده های آموزشی و داده های تست. در داده های آموزشی ما کلاس داده را نیز مشخص می کنیم. نکته ای باید به آن توجه کنید آن است که داده های آموزشی همان بردار ویژگی های مربوز به هر رقم می باشد. حال نوبت به توضیح کد ها می رسه DataTrain=[]; TargetTrain=[]; dataTrain برای نگه داری بردار وپژگی ها و TargetTrai
×
×
  • اضافه کردن...