پیاده‌سازی مقاله پیوستی به روش‌های یادگیری عمیق برای تخمین کانال با پایتون
#telecommunications_engineering, #deep_learning
با سلام و احترام،
هدف از این پروژه، پیاده‌سازی و شبیه‌سازی مجدد مقاله پیوست شده با عنوان «Machine Learning-Based 5G-and-Beyond Channel Estimation for MIMO-OFDM Communication Systems» می‌باشد. در این پروژه ابتدا باید یک سیستم MIMO-OFDM مطابق با مشخصات مقاله شامل مدولاسیون QAM، ساختار پایلوت DM-RS و مدل کانال 3GPP TDL-C همراه با اثرات فیدینگ چندمسیره و Doppler طراحی و شبیه‌سازی شود تا داده‌های کانال تولید گردند.
در ادامه، تخمین کانال با استفاده از روش‌های مرجع LS و LMMSE انجام شده و سپس یک ماژول مبتنی بر یادگیری عمیق برای بهبود خروجی LS طراحی و پیاده‌سازی شود. این بخش شامل سه معماری مختلف شبکه عصبی شامل Fully Connected DNN، CNN و Bi-LSTM مطابق با ساختار ارائه‌شده در مقاله است. هدف شبکه‌ها یادگیری نگاشت بین تخمین اولیه LS و کانال واقعی و کاهش خطای تخمین (MSE) می‌باشد.
در نهایت لازم است خروجی‌های کامل شبیه‌سازی شامل نمودارهای MSE بر حسب SNR، BER بر حسب SNR، بررسی اثر سرعت حرکت (Doppler در دو حالت کم‌سرعت و پرسرعت) و همچنین تحلیل اثر چگالی پایلوت ارائه شوند. تمامی نمودارها باید واقعی و حاصل اجرای مدل باشند و صرفاً به صورت نمایشی یا ساختگی تولید نشوند.
بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده در مقاله (مانند برتری مدل‌های یادگیری عمیق نسبت به LS و LMMSE و عملکرد بهتر Bi-LSTM در اغلب شرایط) به‌درستی مشاهده شوند. همچنین مدل‌ها نباید دچار overfitting یا underfitting شدید باشند و رفتار آموزش باید پایدار و قابل دفاع باشد و نتایج وتصاویر با کیفیت باشند.
کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook ) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.
از ایجاد خروجی غیر واقعی(ساخت منحنی جعلی) حتما حتما اجتناب شده و خروجی های ارائه شده حتما باید خروجی های مدل باشند.
جهت اطمینان از درستی کد ها، مجددا شخصا کدها را قبل از پذیرش پروژه اجرا خواهم کرد و نباید پیغام خطایی دریافت شود یا خروجی اشتباهی دهد.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/609953/پیاده‌سازی-مقاله-پیوستی-به-روش‌های-یادگیری-عمیق-برای-تخمین-کانال-با-پایتون
t.me/ParscodersCom
#telecommunications_engineering, #deep_learning
با سلام و احترام،
هدف از این پروژه، پیاده‌سازی و شبیه‌سازی مجدد مقاله پیوست شده با عنوان «Machine Learning-Based 5G-and-Beyond Channel Estimation for MIMO-OFDM Communication Systems» می‌باشد. در این پروژه ابتدا باید یک سیستم MIMO-OFDM مطابق با مشخصات مقاله شامل مدولاسیون QAM، ساختار پایلوت DM-RS و مدل کانال 3GPP TDL-C همراه با اثرات فیدینگ چندمسیره و Doppler طراحی و شبیه‌سازی شود تا داده‌های کانال تولید گردند.
در ادامه، تخمین کانال با استفاده از روش‌های مرجع LS و LMMSE انجام شده و سپس یک ماژول مبتنی بر یادگیری عمیق برای بهبود خروجی LS طراحی و پیاده‌سازی شود. این بخش شامل سه معماری مختلف شبکه عصبی شامل Fully Connected DNN، CNN و Bi-LSTM مطابق با ساختار ارائه‌شده در مقاله است. هدف شبکه‌ها یادگیری نگاشت بین تخمین اولیه LS و کانال واقعی و کاهش خطای تخمین (MSE) می‌باشد.
در نهایت لازم است خروجی‌های کامل شبیه‌سازی شامل نمودارهای MSE بر حسب SNR، BER بر حسب SNR، بررسی اثر سرعت حرکت (Doppler در دو حالت کم‌سرعت و پرسرعت) و همچنین تحلیل اثر چگالی پایلوت ارائه شوند. تمامی نمودارها باید واقعی و حاصل اجرای مدل باشند و صرفاً به صورت نمایشی یا ساختگی تولید نشوند.
بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده در مقاله (مانند برتری مدل‌های یادگیری عمیق نسبت به LS و LMMSE و عملکرد بهتر Bi-LSTM در اغلب شرایط) به‌درستی مشاهده شوند. همچنین مدل‌ها نباید دچار overfitting یا underfitting شدید باشند و رفتار آموزش باید پایدار و قابل دفاع باشد و نتایج وتصاویر با کیفیت باشند.
کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook ) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.
از ایجاد خروجی غیر واقعی(ساخت منحنی جعلی) حتما حتما اجتناب شده و خروجی های ارائه شده حتما باید خروجی های مدل باشند.
جهت اطمینان از درستی کد ها، مجددا شخصا کدها را قبل از پذیرش پروژه اجرا خواهم کرد و نباید پیغام خطایی دریافت شود یا خروجی اشتباهی دهد.
توسط خریدار:
کاربر367222اطلاعات بیشتر:
https://parscoders.com/project/609953/پیاده‌سازی-مقاله-پیوستی-به-روش‌های-یادگیری-عمیق-برای-تخمین-کانال-با-پایتون
t.me/ParscodersCom
طراحی و پیاده‌سازی شبکه‌های یادگیری عمیق برای تشخیص طیف در سیستم‌های رادیو شناختی
#python, #matlab, #telecommunications_engineering, #deep_learning
به‌صورت خلاصه، کاری که باید در این مقاله انجام شود این است که ابتدا یک دیتاست شامل سیگنال‌های رادیویی (مثل RadioML 2018.01A) در شرایط مختلف SNR تولید یا آماده‌سازی شود، به‌طوری‌که شامل سیگنال‌های مدولاسیون مختلف و همچنین نویز AWGN باشد. سپس مسئله به‌عنوان یک مسئله طبقه‌بندی دودویی (Binary Classification) مدل‌سازی می‌شود؛ یعنی شبکه باید تصمیم بگیرد که آیا طیف فرکانسی خالی است (H0) یا سیگنال کاربر اصلی وجود دارد (H1). در ادامه، یک شبکه CNN یک‌بعدی روی سیگنال‌های I/Q طراحی و آموزش داده می‌شود که شامل لایه‌های کانولوشن، pooling، flatten، و dense است و با تابع loss از نوع Binary Cross Entropy آموزش می‌بیند. در برخی نسخه‌ها نیز ساختار شبکه اصلاح می‌شود (اضافه شدن BatchNorm، Dropout یا Global Average Pooling) تا مشکل overfitting کاهش پیدا کند.
از نظر خروجی‌هایی که باید به دست بیاید، مهم‌ترین نتایج شامل نمودارهای دقت (Accuracy) و خطا (Loss) در فاز آموزش و تست، بررسی عملکرد در شرایط مختلف SNR، و همچنین منحنی‌های مهم مخابراتی مثل ROC یا رابطه Probability of Detection (Pd) و Probability of False Alarm (Pfa) هستند. همچنین باید نشان داده شود که مدل پیشنهادی نسبت به روش‌های کلاسیک مثل انرژی‌دتکشن، entropy-based و eigenvalue-based عملکرد بهتری دارد. در نهایت انتظار می‌رود با تغییرات معماری و تنظیم SNR، دقت مدل به حدود 85٪ تا 98٪ برسد و نشان داده شود که مدل توانایی تعمیم‌پذیری به سیگنال‌های ناشناخته و شرایط نویزی مختلف را دارد.
بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده در مقاله (مانند برتری مدل‌های یادگیری عمیق نسبت به LS و LMMSE و عملکرد بهتر Bi-LSTM در اغلب شرایط) به‌درستی مشاهده شوند. همچنین مدل‌ها نباید دچار overfitting یا underfitting شدید باشند و رفتار آموزش باید پایدار و قابل دفاع باشد و نتایج و تصاویر با کیفیت باشند.
کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.
از ایجاد خروجی غیر واقعی (ساخت منحنی جعلی) حتماً و اکیداً اجتناب شده و تمامی خروجی‌ها باید مستقیماً حاصل اجرای مدل و داده‌های واقعی باشند.
جهت اطمینان از درستی کدها، مجدداً شخصاً کدها قبل از پذیرش پروژه اجرا خواهند شد و نباید هیچ‌گونه خطا (Error) در اجرا مشاهده شود و یا خروجی اشتباه تولید گردد.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/610028/طراحی-و-پیاده‌سازی-شبکه‌های-یادگیری-عمیق-برای-تشخیص-طیف-در-سیستم‌های-رادیو-شناختی
t.me/ParscodersCom
#python, #matlab, #telecommunications_engineering, #deep_learning
به‌صورت خلاصه، کاری که باید در این مقاله انجام شود این است که ابتدا یک دیتاست شامل سیگنال‌های رادیویی (مثل RadioML 2018.01A) در شرایط مختلف SNR تولید یا آماده‌سازی شود، به‌طوری‌که شامل سیگنال‌های مدولاسیون مختلف و همچنین نویز AWGN باشد. سپس مسئله به‌عنوان یک مسئله طبقه‌بندی دودویی (Binary Classification) مدل‌سازی می‌شود؛ یعنی شبکه باید تصمیم بگیرد که آیا طیف فرکانسی خالی است (H0) یا سیگنال کاربر اصلی وجود دارد (H1). در ادامه، یک شبکه CNN یک‌بعدی روی سیگنال‌های I/Q طراحی و آموزش داده می‌شود که شامل لایه‌های کانولوشن، pooling، flatten، و dense است و با تابع loss از نوع Binary Cross Entropy آموزش می‌بیند. در برخی نسخه‌ها نیز ساختار شبکه اصلاح می‌شود (اضافه شدن BatchNorm، Dropout یا Global Average Pooling) تا مشکل overfitting کاهش پیدا کند.
از نظر خروجی‌هایی که باید به دست بیاید، مهم‌ترین نتایج شامل نمودارهای دقت (Accuracy) و خطا (Loss) در فاز آموزش و تست، بررسی عملکرد در شرایط مختلف SNR، و همچنین منحنی‌های مهم مخابراتی مثل ROC یا رابطه Probability of Detection (Pd) و Probability of False Alarm (Pfa) هستند. همچنین باید نشان داده شود که مدل پیشنهادی نسبت به روش‌های کلاسیک مثل انرژی‌دتکشن، entropy-based و eigenvalue-based عملکرد بهتری دارد. در نهایت انتظار می‌رود با تغییرات معماری و تنظیم SNR، دقت مدل به حدود 85٪ تا 98٪ برسد و نشان داده شود که مدل توانایی تعمیم‌پذیری به سیگنال‌های ناشناخته و شرایط نویزی مختلف را دارد.
بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده در مقاله (مانند برتری مدل‌های یادگیری عمیق نسبت به LS و LMMSE و عملکرد بهتر Bi-LSTM در اغلب شرایط) به‌درستی مشاهده شوند. همچنین مدل‌ها نباید دچار overfitting یا underfitting شدید باشند و رفتار آموزش باید پایدار و قابل دفاع باشد و نتایج و تصاویر با کیفیت باشند.
کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.
از ایجاد خروجی غیر واقعی (ساخت منحنی جعلی) حتماً و اکیداً اجتناب شده و تمامی خروجی‌ها باید مستقیماً حاصل اجرای مدل و داده‌های واقعی باشند.
جهت اطمینان از درستی کدها، مجدداً شخصاً کدها قبل از پذیرش پروژه اجرا خواهند شد و نباید هیچ‌گونه خطا (Error) در اجرا مشاهده شود و یا خروجی اشتباه تولید گردد.
توسط خریدار:
کاربر367222اطلاعات بیشتر:
https://parscoders.com/project/610028/طراحی-و-پیاده‌سازی-شبکه‌های-یادگیری-عمیق-برای-تشخیص-طیف-در-سیستم‌های-رادیو-شناختی
t.me/ParscodersCom
بلاکچین ، ماشین لرنینگ، اینترنت اشیا
#python, #iot, #blockchain, #machine_learning, #deep_learning
هدف: بررسی چگونگی بهره‌گیری از بلاکچین در زمینه یادگیری فدرال که در دستگاه‌های اینترنت اشیاء (IoT) یا تجهیزات لبه (Edge) پیاده‌سازی می‌شود. هدف، توسعه یک محیط شبیه‌سازی‌شده از یادگیری فدرال مبتنی بر بلاکچین است که در آن دستگاه‌ها بدون تبادل داده‌های خام خود، به صورت مشارکتی یک مدل یادگیری ماشین را آموزش می‌دهند.
ماهیت پروژه: این یک پروژه کاملاً فنی است که نیازمند مهارت‌های برنامه‌نویسی بسیار قوی (و مهارت‌های فنی مرتبط) و همچنین پایه‌های علمی محکم در زمینه‌های یادگیری ماشین و بلاکچین است.
یک ساختار اولیه (غیرجامع) در ادامه آمده است:
* حالت پیاده‌سازی: شبیه‌سازی‌شده؛ توسعه و اجرا روی یک سیستم واحد.
* بلاکچین: بلاکچین خصوصی و محلی اتریوم با استفاده از Geth.
* توپولوژی (معماری شبکه):
* یک کنترل‌کننده (Controller) که مدل جهانی (Global Model) را مدیریت کرده و فرآیند یادگیری فدرال را هماهنگ می‌کند.
* سه دستگاه (Device) که بخش‌های متفاوتی از مجموعه داده‌های آموزشی را در اختیار دارند، آموزش مدل محلی را انجام می‌دهند و پارامترهای مدل آموزش‌دیده (وزن‌ها) را با کنترل‌کننده مبادله می‌کنند.
فرآیند یادگیری فدرال یک رویکرد تکرارپذیر (Iterative) را دنبال خواهد کرد:
۱. کنترل‌کننده مدل جهانی فعلی را توزیع می‌کند.
۲. دستگاه‌ها با استفاده از داده‌های خود، مدل را به صورت محلی آموزش می‌دهند.
۳. دستگاه‌ها پارامترهای به‌روزرسانی‌شده مدل را بازمی‌گردانند.
۴. کنترل‌کننده برای بهبود مدل جهانی، این به‌روزرسانی‌ها را با هم ادغام (Aggregate) می‌کند.
هدف بلاکچین (از طریق قراردادهای هوشمند):
* احراز هویت: ثبت نام کنترل‌کننده و دستگاه‌های درگیر در پروژه.
* ثبت بخشی از تاریخچه تبادل داده میان کنترل‌کننده و دستگاه‌ها، مانند هویت شرکت‌کنندگان، اطلاعات دور آموزش (Training Round)، برچسب‌های زمانی (Timestamps) و متادیتا/هش‌های به‌روزرسانی مدل.
الگوریتم یادگیری ماشین مورد استفاده: رگرسیون لجستیک (Logistic Regression) برای دسته‌بندی باینری (دوگانه). می‌توان از یک مجموعه داده در دسترس عموم (مثلاً از سایت Kaggle) استفاده کرد، مشروط بر اینکه برای این کار مناسب باشد (از نظر حجم منطقی، تعداد ویژگی‌ها و سازگاری با دسته‌بندی باینری).
ارزیابی: سیستم توسعه‌یافته باید با استفاده از یک سری معیارهای کمی مرتبط با سناریوهای عملیاتی مختلف مورد ارزیابی قرار گیرد. این معیارها می‌توانند شامل شاخص‌های عملکردی یادگیری ماشین (مانند دقت/Accuracy، ظرافت/Precision، بازیابی/Recall و شاخص F1-score)، رفتار همگرایی یادگیری فدرال، و هزینه‌های جانبی مرتبط با بلاکچین مانند تاخیر تراکنش‌ها (Transaction Latency) و هزینه ارتباطات باشند.
گام‌های بعدی: ۱. تحلیل و بسط مفهوم ذکر شده در بالا.
۲. پیشنهاد یک برنامه اجرایی مشخص (به عنوان مثال، یک نقشه راه احتمالی) همراه با زمان‌بندی.
۳. هماهنگی برای چند تماس بعدی (مثلاً دو جلسه آینده).
۴. بررسی ایده انتشار یک مقاله علمی (Peer-reviewed) بر اساس دستاوردهای پایان‌نامه.
پیشنهاد: یک سند ۲ تا ۳ صفحه‌ای برای بندهای (۱) و (۲) آماده کنید تا مبنای تماس و جلسه بعدی قرار گیرد.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/610508/بلاکچین-،-ماشین-لرنینگ،-اینترنت-اشیا
t.me/ParscodersCom
#python, #iot, #blockchain, #machine_learning, #deep_learning
هدف: بررسی چگونگی بهره‌گیری از بلاکچین در زمینه یادگیری فدرال که در دستگاه‌های اینترنت اشیاء (IoT) یا تجهیزات لبه (Edge) پیاده‌سازی می‌شود. هدف، توسعه یک محیط شبیه‌سازی‌شده از یادگیری فدرال مبتنی بر بلاکچین است که در آن دستگاه‌ها بدون تبادل داده‌های خام خود، به صورت مشارکتی یک مدل یادگیری ماشین را آموزش می‌دهند.
ماهیت پروژه: این یک پروژه کاملاً فنی است که نیازمند مهارت‌های برنامه‌نویسی بسیار قوی (و مهارت‌های فنی مرتبط) و همچنین پایه‌های علمی محکم در زمینه‌های یادگیری ماشین و بلاکچین است.
یک ساختار اولیه (غیرجامع) در ادامه آمده است:
* حالت پیاده‌سازی: شبیه‌سازی‌شده؛ توسعه و اجرا روی یک سیستم واحد.
* بلاکچین: بلاکچین خصوصی و محلی اتریوم با استفاده از Geth.
* توپولوژی (معماری شبکه):
* یک کنترل‌کننده (Controller) که مدل جهانی (Global Model) را مدیریت کرده و فرآیند یادگیری فدرال را هماهنگ می‌کند.
* سه دستگاه (Device) که بخش‌های متفاوتی از مجموعه داده‌های آموزشی را در اختیار دارند، آموزش مدل محلی را انجام می‌دهند و پارامترهای مدل آموزش‌دیده (وزن‌ها) را با کنترل‌کننده مبادله می‌کنند.
فرآیند یادگیری فدرال یک رویکرد تکرارپذیر (Iterative) را دنبال خواهد کرد:
۱. کنترل‌کننده مدل جهانی فعلی را توزیع می‌کند.
۲. دستگاه‌ها با استفاده از داده‌های خود، مدل را به صورت محلی آموزش می‌دهند.
۳. دستگاه‌ها پارامترهای به‌روزرسانی‌شده مدل را بازمی‌گردانند.
۴. کنترل‌کننده برای بهبود مدل جهانی، این به‌روزرسانی‌ها را با هم ادغام (Aggregate) می‌کند.
هدف بلاکچین (از طریق قراردادهای هوشمند):
* احراز هویت: ثبت نام کنترل‌کننده و دستگاه‌های درگیر در پروژه.
* ثبت بخشی از تاریخچه تبادل داده میان کنترل‌کننده و دستگاه‌ها، مانند هویت شرکت‌کنندگان، اطلاعات دور آموزش (Training Round)، برچسب‌های زمانی (Timestamps) و متادیتا/هش‌های به‌روزرسانی مدل.
الگوریتم یادگیری ماشین مورد استفاده: رگرسیون لجستیک (Logistic Regression) برای دسته‌بندی باینری (دوگانه). می‌توان از یک مجموعه داده در دسترس عموم (مثلاً از سایت Kaggle) استفاده کرد، مشروط بر اینکه برای این کار مناسب باشد (از نظر حجم منطقی، تعداد ویژگی‌ها و سازگاری با دسته‌بندی باینری).
ارزیابی: سیستم توسعه‌یافته باید با استفاده از یک سری معیارهای کمی مرتبط با سناریوهای عملیاتی مختلف مورد ارزیابی قرار گیرد. این معیارها می‌توانند شامل شاخص‌های عملکردی یادگیری ماشین (مانند دقت/Accuracy، ظرافت/Precision، بازیابی/Recall و شاخص F1-score)، رفتار همگرایی یادگیری فدرال، و هزینه‌های جانبی مرتبط با بلاکچین مانند تاخیر تراکنش‌ها (Transaction Latency) و هزینه ارتباطات باشند.
گام‌های بعدی: ۱. تحلیل و بسط مفهوم ذکر شده در بالا.
۲. پیشنهاد یک برنامه اجرایی مشخص (به عنوان مثال، یک نقشه راه احتمالی) همراه با زمان‌بندی.
۳. هماهنگی برای چند تماس بعدی (مثلاً دو جلسه آینده).
۴. بررسی ایده انتشار یک مقاله علمی (Peer-reviewed) بر اساس دستاوردهای پایان‌نامه.
پیشنهاد: یک سند ۲ تا ۳ صفحه‌ای برای بندهای (۱) و (۲) آماده کنید تا مبنای تماس و جلسه بعدی قرار گیرد.
توسط خریدار:
کاربر638809اطلاعات بیشتر:
https://parscoders.com/project/610508/بلاکچین-،-ماشین-لرنینگ،-اینترنت-اشیا
t.me/ParscodersCom
بازبینی و تقویت نوآوری یک مدل یادگیری عمیق چندوجهی
#python, #deep_learning, #artificial_intelligence
یک مدل یادگیری عمیق چندوجهی (Multimodal) در PyTorch پیاده‌سازی کرده‌ام که دو نوع ورودی را ترکیب می‌کند: تصویر سه‌بُعدی MRI (نوع T1-weighted، با شبکهٔ کانولوشنی سه‌بُعدی) و ویژگی‌های عددی جدولی (با یک شبکهٔ چندلایه). خروجی مدل یک اسکور (score) است. کد کامل و اجراپذیر است و ایدهٔ نوآورانهٔ خودم را در بخش ترکیب و آموزش مُدالیته‌ها (Multimodal Fusion) پیاده کرده‌ام.
به دنبال ساختن نوآوری از صفر نیستم؛ نوآوری وجود دارد و به یک متخصص واقعی یادگیری عمیق نیاز دارم که آن را بازبینی، تثبیت، و از نظر فنی مستحکم‌تر و قوی‌تر کند.
تخصص موردنیاز:
PyTorch (در سطح پیشرفته و عملی)شبکه‌های عصبی کانولوشنی سه‌بُعدی و پردازش تصاویر MRIترکیب چندوجهی (Multimodal Fusion) و ترجیحاً آشنایی با تکنیک‌های متعادل‌سازی یادگیری مُدالیته‌هافرصت ویژه
این کار خروجی قابل‌انتشاری دارد و شانس بالایی برای پذیرش در مجلات معتبر (Q1) دارد. پیش‌تر با همین دیتاست، مقالهٔ Q1 نوشته و چاپ شده است؛ بنابراین ظرفیت این کار مشخص و اثبات‌شده است. در صورت تأیید و تمایل فرد، امکان قرار گرفتن نامش به‌عنوان یکی از نویسندگان خروجی وجود دارد.
آنچه برایم مهم است:
درستی فنی و استحکام روش برایم مهم‌تر از سرعت است. به دنبال تأیید کورکورانه نیستم؛ نگاه نقادانه و تقویت واقعی نوآوری موجود را میخواهم.
نحوهٔ همکاری:
پس از انتخاب و هماهنگی اولیه، جزئیات کامل معماری، کد، و نتایج اولیه در اختیار فرد قرار می‌گیرد. روند کار به این صورت خواهد بود:
نخست، فرد بازبینی و پیشنهادهای فنی خود را به‌صورت مکتوب در یک سند (فایل Word) تدوین می‌کند تا رویکرد و تغییرات پیشنهادی پیش از پیاده‌سازی مشخص و قابل‌بررسی باشد. سپس نسخهٔ اصلاح‌شدهٔ کد را تحویل می‌دهد. در ادامه، من مدل را اجرا کرده و نتایج و خروجی‌ها را به‌صورت گزارش در اختیار فرد قرار می‌دهم تا در چرخه‌ای رفت‌وبرگشتی، روش به‌تدریج تثبیت و تقویت شود.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/611131/بازبینی-و-تقویت-نوآوری-یک-مدل-یادگیری-عمیق-چندوجهی
t.me/ParscodersCom
#python, #deep_learning, #artificial_intelligence
یک مدل یادگیری عمیق چندوجهی (Multimodal) در PyTorch پیاده‌سازی کرده‌ام که دو نوع ورودی را ترکیب می‌کند: تصویر سه‌بُعدی MRI (نوع T1-weighted، با شبکهٔ کانولوشنی سه‌بُعدی) و ویژگی‌های عددی جدولی (با یک شبکهٔ چندلایه). خروجی مدل یک اسکور (score) است. کد کامل و اجراپذیر است و ایدهٔ نوآورانهٔ خودم را در بخش ترکیب و آموزش مُدالیته‌ها (Multimodal Fusion) پیاده کرده‌ام.
به دنبال ساختن نوآوری از صفر نیستم؛ نوآوری وجود دارد و به یک متخصص واقعی یادگیری عمیق نیاز دارم که آن را بازبینی، تثبیت، و از نظر فنی مستحکم‌تر و قوی‌تر کند.
تخصص موردنیاز:
PyTorch (در سطح پیشرفته و عملی)شبکه‌های عصبی کانولوشنی سه‌بُعدی و پردازش تصاویر MRIترکیب چندوجهی (Multimodal Fusion) و ترجیحاً آشنایی با تکنیک‌های متعادل‌سازی یادگیری مُدالیته‌هافرصت ویژه
این کار خروجی قابل‌انتشاری دارد و شانس بالایی برای پذیرش در مجلات معتبر (Q1) دارد. پیش‌تر با همین دیتاست، مقالهٔ Q1 نوشته و چاپ شده است؛ بنابراین ظرفیت این کار مشخص و اثبات‌شده است. در صورت تأیید و تمایل فرد، امکان قرار گرفتن نامش به‌عنوان یکی از نویسندگان خروجی وجود دارد.
آنچه برایم مهم است:
درستی فنی و استحکام روش برایم مهم‌تر از سرعت است. به دنبال تأیید کورکورانه نیستم؛ نگاه نقادانه و تقویت واقعی نوآوری موجود را میخواهم.
نحوهٔ همکاری:
پس از انتخاب و هماهنگی اولیه، جزئیات کامل معماری، کد، و نتایج اولیه در اختیار فرد قرار می‌گیرد. روند کار به این صورت خواهد بود:
نخست، فرد بازبینی و پیشنهادهای فنی خود را به‌صورت مکتوب در یک سند (فایل Word) تدوین می‌کند تا رویکرد و تغییرات پیشنهادی پیش از پیاده‌سازی مشخص و قابل‌بررسی باشد. سپس نسخهٔ اصلاح‌شدهٔ کد را تحویل می‌دهد. در ادامه، من مدل را اجرا کرده و نتایج و خروجی‌ها را به‌صورت گزارش در اختیار فرد قرار می‌دهم تا در چرخه‌ای رفت‌وبرگشتی، روش به‌تدریج تثبیت و تقویت شود.
توسط خریدار:
کاربر453625اطلاعات بیشتر:
https://parscoders.com/project/611131/بازبینی-و-تقویت-نوآوری-یک-مدل-یادگیری-عمیق-چندوجهی
t.me/ParscodersCom
Proje Machine Learning.Battery Nasa,Pen Based Recognition of Handwritten Digits
#latex, #machine_learning, #matlab, #deep_learning
ساخت یک مدل پیش‌بینی، احتمالاً با روش‌های Machine Learning یا Deep Learning، که با مشاهده داده‌های عملکرد باتری بتواند سلامت فعلی باتری (SoH) و تعداد سیکل‌های باقی‌مانده تا پایان عمر (RUL) را تخمین بزند و سپس دقت مدل با معیارهای مناسبی مثل MAE، RMSE و R² ارزیابی شود.
هدف پروژه2 این است که بررسی کنیم داده‌های ارقام دست‌نویس تا چه حد به‌صورت طبیعی قابل خوشه‌بندی هستند و سپس ببینیم مدل‌های Classification با داشتن Label تا چه اندازه می‌توانند ارقام را دقیق تشخیص دهند. در نهایت مشخص می‌کنیم که روش‌های Unsupervised و Supervised Learning برای این مسئله چه تفاوتی در عملکرد دارند.
برای هر پروژه باید گزارشی مطابق با اسکرین‌شات آپلودشده نوشته شود.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/611994/proje-machine-learning-battery-nasa,pen-based-recognition-of-handwritten-digits
t.me/ParscodersCom
#latex, #machine_learning, #matlab, #deep_learning
ساخت یک مدل پیش‌بینی، احتمالاً با روش‌های Machine Learning یا Deep Learning، که با مشاهده داده‌های عملکرد باتری بتواند سلامت فعلی باتری (SoH) و تعداد سیکل‌های باقی‌مانده تا پایان عمر (RUL) را تخمین بزند و سپس دقت مدل با معیارهای مناسبی مثل MAE، RMSE و R² ارزیابی شود.
هدف پروژه2 این است که بررسی کنیم داده‌های ارقام دست‌نویس تا چه حد به‌صورت طبیعی قابل خوشه‌بندی هستند و سپس ببینیم مدل‌های Classification با داشتن Label تا چه اندازه می‌توانند ارقام را دقیق تشخیص دهند. در نهایت مشخص می‌کنیم که روش‌های Unsupervised و Supervised Learning برای این مسئله چه تفاوتی در عملکرد دارند.
برای هر پروژه باید گزارشی مطابق با اسکرین‌شات آپلودشده نوشته شود.
توسط خریدار:
کاربر777998اطلاعات بیشتر:
https://parscoders.com/project/611994/proje-machine-learning-battery-nasa,pen-based-recognition-of-handwritten-digits
t.me/ParscodersCom
بررسی اسکریپت پردازش تصویر شبکه‌های عصبی کانولوشنی
#deep_learning, #image_processing, #anything_goes
با سلام وقت بخیر، یک اسکریپت پردازش تصویر نوشته شده با Keras دارم که روی دیتاست داده شده باید بین تصویر سالم و بیمار تشخیص قرار بده. تو این اسکریپت سه مدل کاستوم، الکس نت، و resNet وجود داره. درخواستم اینه کد بررسی بشه، اشتباهاتش مشخص و رفع بشه، پیشنهاد ها و راه حل های بهبود عملکرد مدل هم بررسی بشه
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/612093/بررسی-اسکریپت-پردازش-تصویر-شبکه‌های-عصبی-کانولوشنی
t.me/ParscodersCom
#deep_learning, #image_processing, #anything_goes
با سلام وقت بخیر، یک اسکریپت پردازش تصویر نوشته شده با Keras دارم که روی دیتاست داده شده باید بین تصویر سالم و بیمار تشخیص قرار بده. تو این اسکریپت سه مدل کاستوم، الکس نت، و resNet وجود داره. درخواستم اینه کد بررسی بشه، اشتباهاتش مشخص و رفع بشه، پیشنهاد ها و راه حل های بهبود عملکرد مدل هم بررسی بشه
توسط خریدار:
Daniyal.Shahاطلاعات بیشتر:
https://parscoders.com/project/612093/بررسی-اسکریپت-پردازش-تصویر-شبکه‌های-عصبی-کانولوشنی
t.me/ParscodersCom
خریدار عکس واقعی خودرو در محیط شهری (برای لیبل‌گذاری پلاک)
🔸 فوری
#python, #machine_learning, #deep_learning, #artificial_intelligence, #بینایی_رایانه_ای
به دنبال خرید مجموعه‌ای از عکس‌های واقعی و طبیعی از خودروها در محیط‌های شهری هستم.
این تصاویر برای آموزش و لیبل‌گذاری مدل تشخیص پلاک خودرو استفاده می‌شوند. ویژگی‌های موردنیاز تصاویر: - عکس‌ها در سناریوهای واقعی ثبت شده باشند؛ مانند: - ترافیک شهری - پشت چراغ قرمز - خیابان‌ها و بزرگراه‌ها - پارکینگ‌های عمومی - خودروهای پارک‌شده کنار خیابان - تقاطع‌ها، میادین و سایر محیط‌های واقعی - خودروها به‌صورت طبیعی در صحنه حضور داشته باشند و عکس‌ها حالت مستند و واقعی داشته باشند. - نیازی نیست پلاک‌ها کاملاً واضح یا اعداد آن‌ها خوانا باشند. حتی تصاویر دارای تاری، فاصله زیاد، زاویه‌های مختلف، نور کم، بازتاب نور، باران، شب و سایر شرایط چالش‌برانگیز نیز موردنیاز هستند و ارزش بالایی دارند. - عکس‌ها نباید صرفاً کلوزآپ یا متمرکز روی پلاک باشند؛ هدف، ثبت صحنه‌های واقعی خیابانی است. - تنوع در زاویه دید، فاصله، شرایط نوری، آب‌وهوا، نوع خودرو و تراکم ترافیک یک مزیت محسوب می‌شود. اگر آرشیو چنین تصاویری را در اختیار دارید، لطفاً تعداد عکس‌ها، چند نمونه، کیفیت تصاویر و قیمت پیشنهادی خود را ارسال کنید.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/612307/خریدار-عکس-واقعی-خودرو-در-محیط-شهری-برای-لیبل‌گذاری-پلاک
t.me/ParscodersCom
🔸 فوری
#python, #machine_learning, #deep_learning, #artificial_intelligence, #بینایی_رایانه_ای
به دنبال خرید مجموعه‌ای از عکس‌های واقعی و طبیعی از خودروها در محیط‌های شهری هستم.
این تصاویر برای آموزش و لیبل‌گذاری مدل تشخیص پلاک خودرو استفاده می‌شوند. ویژگی‌های موردنیاز تصاویر: - عکس‌ها در سناریوهای واقعی ثبت شده باشند؛ مانند: - ترافیک شهری - پشت چراغ قرمز - خیابان‌ها و بزرگراه‌ها - پارکینگ‌های عمومی - خودروهای پارک‌شده کنار خیابان - تقاطع‌ها، میادین و سایر محیط‌های واقعی - خودروها به‌صورت طبیعی در صحنه حضور داشته باشند و عکس‌ها حالت مستند و واقعی داشته باشند. - نیازی نیست پلاک‌ها کاملاً واضح یا اعداد آن‌ها خوانا باشند. حتی تصاویر دارای تاری، فاصله زیاد، زاویه‌های مختلف، نور کم، بازتاب نور، باران، شب و سایر شرایط چالش‌برانگیز نیز موردنیاز هستند و ارزش بالایی دارند. - عکس‌ها نباید صرفاً کلوزآپ یا متمرکز روی پلاک باشند؛ هدف، ثبت صحنه‌های واقعی خیابانی است. - تنوع در زاویه دید، فاصله، شرایط نوری، آب‌وهوا، نوع خودرو و تراکم ترافیک یک مزیت محسوب می‌شود. اگر آرشیو چنین تصاویری را در اختیار دارید، لطفاً تعداد عکس‌ها، چند نمونه، کیفیت تصاویر و قیمت پیشنهادی خود را ارسال کنید.
توسط خریدار:
VhdAmirاطلاعات بیشتر:
https://parscoders.com/project/612307/خریدار-عکس-واقعی-خودرو-در-محیط-شهری-برای-لیبل‌گذاری-پلاک
t.me/ParscodersCom
طراحی و پیاده‌سازی سامانه تشخیص هوشمند ارقام برنج (با قابلیت یادگیری مجدد) برای کارگاه کشاورزی
#anything_goes, #deep_learning, #بینایی_رایانه_ای
با سلام و احترام،
من یک مهندس کشاورز هستم و مدیریت یک شالیکوبی (کارگاه فرآوری برنج) را بر عهده دارم. به دنبال یک متخصص یا تیم مجرب در حوزه یادگیری عمیق (Deep Learning) و بینایی ماشین (Computer Vision) هستم تا پروژه‌ی کاربردی زیر را برای کارگاه من انجام دهد:
هدف اصلی پروژه:طراحی و توسعه یک نرم‌افزار یا سامانه هوشمند که بتواند ارقام مختلف برنج را با استفاده از تصاویر گرفته شده (با دوربین ساده یا میکروسکوپ دیجیتال) به طور خودکار تشخیص و طبقه‌بندی کند. این سامانه باید امکان یادگیری مجدد (Retraining) را داشته باشد تا با ارائه نمونه‌های جدید، دقت آن در طول زمان افزایش یابد.
جزئیات و خواسته‌های فنی:
تشخیص و طبقه‌بندی: مدل باید قادر به تشخیص حداقل چند رقم رایج و اصلی برنج (مانند ارقام بومی منطقه) باشد. در صورت تمایل، می‌توانیم مجموعه داده‌های اولیه (تصاویر) را در اختیار شما قرار دهیم یا از دیتاست‌های عمومی معتبر استفاده کنیم.قابلیت یادگیری و به‌روزرسانی: قلب این پروژه، قابلیت یادگیری مجدد (Retraining) است. به گونه‌ای که در آینده، با گرفتن عکس از نمونه‌های جدید و افزودن آن‌ها به بانک تصویری، مدل بتواند ارقام جدید را نیز بیاموزد.رابط کاربری (GUI) ساده و کاربردی: خروجی نهایی باید یک برنامه (ترجیحاً روی ویندوز) باشد که کاربر به سادگی بتواند یک عکس را بارگذاری کند و نتیجه (نام رقم با درصد اطمینان) را به صورت یک گزارش یا متن ساده مشاهده نماید. این ابزار باید برای کارکنان کارگاه (که لزوماً برنامه‌نویس نیستند) قابل استفاده باشد.تحویل کد و مستندات: کلیه کدهای نوشته شده به همراه یک مستند مختصر در مورد نحوه نصب، اجرا و انجام فرآیند آموزش مجدد، تحویل داده شود.محیط اجرا: برنامه نهایی باید روی یک لپ‌تاپ یا کامپیوتر معمولی با سیستم عامل ویندوز قابل اجرا باشد.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/612650/طراحی-و-پیاده‌سازی-سامانه-تشخیص-هوشمند-ارقام-برنج-با-قابلیت-یادگیری-مجدد-برای-کارگاه-کشاورزی
t.me/ParscodersCom
#anything_goes, #deep_learning, #بینایی_رایانه_ای
با سلام و احترام،
من یک مهندس کشاورز هستم و مدیریت یک شالیکوبی (کارگاه فرآوری برنج) را بر عهده دارم. به دنبال یک متخصص یا تیم مجرب در حوزه یادگیری عمیق (Deep Learning) و بینایی ماشین (Computer Vision) هستم تا پروژه‌ی کاربردی زیر را برای کارگاه من انجام دهد:
هدف اصلی پروژه:طراحی و توسعه یک نرم‌افزار یا سامانه هوشمند که بتواند ارقام مختلف برنج را با استفاده از تصاویر گرفته شده (با دوربین ساده یا میکروسکوپ دیجیتال) به طور خودکار تشخیص و طبقه‌بندی کند. این سامانه باید امکان یادگیری مجدد (Retraining) را داشته باشد تا با ارائه نمونه‌های جدید، دقت آن در طول زمان افزایش یابد.
جزئیات و خواسته‌های فنی:
تشخیص و طبقه‌بندی: مدل باید قادر به تشخیص حداقل چند رقم رایج و اصلی برنج (مانند ارقام بومی منطقه) باشد. در صورت تمایل، می‌توانیم مجموعه داده‌های اولیه (تصاویر) را در اختیار شما قرار دهیم یا از دیتاست‌های عمومی معتبر استفاده کنیم.قابلیت یادگیری و به‌روزرسانی: قلب این پروژه، قابلیت یادگیری مجدد (Retraining) است. به گونه‌ای که در آینده، با گرفتن عکس از نمونه‌های جدید و افزودن آن‌ها به بانک تصویری، مدل بتواند ارقام جدید را نیز بیاموزد.رابط کاربری (GUI) ساده و کاربردی: خروجی نهایی باید یک برنامه (ترجیحاً روی ویندوز) باشد که کاربر به سادگی بتواند یک عکس را بارگذاری کند و نتیجه (نام رقم با درصد اطمینان) را به صورت یک گزارش یا متن ساده مشاهده نماید. این ابزار باید برای کارکنان کارگاه (که لزوماً برنامه‌نویس نیستند) قابل استفاده باشد.تحویل کد و مستندات: کلیه کدهای نوشته شده به همراه یک مستند مختصر در مورد نحوه نصب، اجرا و انجام فرآیند آموزش مجدد، تحویل داده شود.محیط اجرا: برنامه نهایی باید روی یک لپ‌تاپ یا کامپیوتر معمولی با سیستم عامل ویندوز قابل اجرا باشد.
توسط خریدار:
کاربر779559اطلاعات بیشتر:
https://parscoders.com/project/612650/طراحی-و-پیاده‌سازی-سامانه-تشخیص-هوشمند-ارقام-برنج-با-قابلیت-یادگیری-مجدد-برای-کارگاه-کشاورزی
t.me/ParscodersCom
انختب موضوع رساله دکتری
#python, #deep_learning, #neural_networks, #image_processing
با سلامدانشجوی دکتری مهندسی برق گرایش الکترونیک هستم.دانشگاه محل تحصیل یکی از دانشگاه های صنعتی سطح یک و معتبر می باشد.در حال پژوهش برای انتخاب موضوع رساله هستم.دروس پاس شده:شناسایی اماری الگو (pattern)-شبکه های عصبی-deep learning-پردازش تصویرمیخوام به طور تخصصی توی حوزه پردازش تصویر و یادگیری ماشین کار کنم.هدف نهایی انتخاب موضوع در زمینه video anomaly detection است.شرایط خاص تز دکتری رو هم خودتون می دونید دیگه.نوآوری داشته باشه و بحث دو تا مقاله برای شرط دفاع هستش.استاد راهنمای بنده یکی از نوابغ پردازش تصویر ایران و صاحب کتاب و مقالات زیاد در این حوزه هستش و بسیار حساس و دقیق هستن.ممنون میشم اگر کسی آمادگی داره شرایطشو بگه
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/613623/انختب-موضوع-رساله-دکتری
t.me/ParscodersCom
#python, #deep_learning, #neural_networks, #image_processing
با سلامدانشجوی دکتری مهندسی برق گرایش الکترونیک هستم.دانشگاه محل تحصیل یکی از دانشگاه های صنعتی سطح یک و معتبر می باشد.در حال پژوهش برای انتخاب موضوع رساله هستم.دروس پاس شده:شناسایی اماری الگو (pattern)-شبکه های عصبی-deep learning-پردازش تصویرمیخوام به طور تخصصی توی حوزه پردازش تصویر و یادگیری ماشین کار کنم.هدف نهایی انتخاب موضوع در زمینه video anomaly detection است.شرایط خاص تز دکتری رو هم خودتون می دونید دیگه.نوآوری داشته باشه و بحث دو تا مقاله برای شرط دفاع هستش.استاد راهنمای بنده یکی از نوابغ پردازش تصویر ایران و صاحب کتاب و مقالات زیاد در این حوزه هستش و بسیار حساس و دقیق هستن.ممنون میشم اگر کسی آمادگی داره شرایطشو بگه
توسط خریدار:
کاربر220836اطلاعات بیشتر:
https://parscoders.com/project/613623/انختب-موضوع-رساله-دکتری
t.me/ParscodersCom
طبقه‌بندی خودکارمدولاسیون سیستم‌های ارتباطات نور مرئی با استفاده از روش‌های یادگیری ماشین
#electrical_engineering, #machine_learning, #telecommunications_engineering, #deep_learning
با سلام و احترام میخواهم دقیقا مقاله پیاده سازی بشه و دیتاست دقیقا با پارامتر های مقاله یکی باشن
در نهایت انتظار می‌رود حتما دقت مدل به حدود 85٪ تا 98٪ برسد و نشان داده شود.
در پایان باید تمام شکل‌ها، جدول‌ها و نتایج به صورت حرفه‌ای تهیه شوند.هم برای ورودی هم خروجی ، نمودارها باید با کیفیت بالا رسم شوند، جداول مقایسه‌ای کامل باشند.
بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده به‌درستی مشاهده شوند.
کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.
از ایجاد خروجی غیر واقعی (ساخت منحنی جعلی) حتماً و اکیداً اجتناب شده و تمامی خروجی‌ها باید مستقیماً حاصل اجرای مدل و داده‌های واقعی باشند.
جهت اطمینان از درستی کدها، مجدداً شخصاً کدها قبل از پذیرش پروژه اجرا خواهند شد و نباید هیچ‌گونه خطا (Error) در اجرا مشاهده شود و یا خروجی اشتباه تولید گردد.
کامل مطالعه کنید با دقت بعدا با تشکر
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/613877/طبقه‌بندی-خودکارمدولاسیون-سیستم‌های-ارتباطات-نور-مرئی-با-استفاده-از-روش‌های-یادگیری-ماشین
t.me/ParscodersCom
#electrical_engineering, #machine_learning, #telecommunications_engineering, #deep_learning
با سلام و احترام میخواهم دقیقا مقاله پیاده سازی بشه و دیتاست دقیقا با پارامتر های مقاله یکی باشن
در نهایت انتظار می‌رود حتما دقت مدل به حدود 85٪ تا 98٪ برسد و نشان داده شود.
در پایان باید تمام شکل‌ها، جدول‌ها و نتایج به صورت حرفه‌ای تهیه شوند.هم برای ورودی هم خروجی ، نمودارها باید با کیفیت بالا رسم شوند، جداول مقایسه‌ای کامل باشند.
بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده به‌درستی مشاهده شوند.
کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.
از ایجاد خروجی غیر واقعی (ساخت منحنی جعلی) حتماً و اکیداً اجتناب شده و تمامی خروجی‌ها باید مستقیماً حاصل اجرای مدل و داده‌های واقعی باشند.
جهت اطمینان از درستی کدها، مجدداً شخصاً کدها قبل از پذیرش پروژه اجرا خواهند شد و نباید هیچ‌گونه خطا (Error) در اجرا مشاهده شود و یا خروجی اشتباه تولید گردد.
کامل مطالعه کنید با دقت بعدا با تشکر
توسط خریدار:
کاربر775196اطلاعات بیشتر:
https://parscoders.com/project/613877/طبقه‌بندی-خودکارمدولاسیون-سیستم‌های-ارتباطات-نور-مرئی-با-استفاده-از-روش‌های-یادگیری-ماشین
t.me/ParscodersCom
تحلیل مقاله پایه و ارائه ایده برای بهبود و نوآوری
🔸 پروژه ویژه
#articles, #machine_learning, #deep_learning, #artificial_intelligence
یک مقاله پایه در زمینه تشخیص نفوذ در شبکه‌های اینترنت اشیا مبتنی بر پروتکل MQTT دارم که فایل مقاله را در اختیار مجری منتخب قرار می‌دهم.
هدف من نوشتن مقاله جدید از صفر نیست؛ بلکه میخواهم مقاله پایه به‌صورت تخصصی بررسی شود و با بررسی مقالات جدید و معتبر، پیشنهادهایی برای ایجاد نوآوری و بهبود روش ارائه‌شده در مقاله پایه دریافت کنم. در این مرحله، هدف اصلی دریافت تحلیل تخصصی و پیشنهاد ایده‌های قابل اجرا برای بهبود مقاله پایه است، نه صرفاً ویرایش یا ترجمه مقاله.
لطفاً افرادی پیشنهاد ارسال کنند که در زمینه یادگیری ماشین و یادگیری عمیق سابقه و تخصص داشته باشند.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/616149/تحلیل-مقاله-پایه-و-ارائه-ایده-برای-بهبود-و-نوآوری
t.me/ParscodersCom
🔸 پروژه ویژه
#articles, #machine_learning, #deep_learning, #artificial_intelligence
یک مقاله پایه در زمینه تشخیص نفوذ در شبکه‌های اینترنت اشیا مبتنی بر پروتکل MQTT دارم که فایل مقاله را در اختیار مجری منتخب قرار می‌دهم.
هدف من نوشتن مقاله جدید از صفر نیست؛ بلکه میخواهم مقاله پایه به‌صورت تخصصی بررسی شود و با بررسی مقالات جدید و معتبر، پیشنهادهایی برای ایجاد نوآوری و بهبود روش ارائه‌شده در مقاله پایه دریافت کنم. در این مرحله، هدف اصلی دریافت تحلیل تخصصی و پیشنهاد ایده‌های قابل اجرا برای بهبود مقاله پایه است، نه صرفاً ویرایش یا ترجمه مقاله.
لطفاً افرادی پیشنهاد ارسال کنند که در زمینه یادگیری ماشین و یادگیری عمیق سابقه و تخصص داشته باشند.
توسط خریدار:
کاربر635981اطلاعات بیشتر:
https://parscoders.com/project/616149/تحلیل-مقاله-پایه-و-ارائه-ایده-برای-بهبود-و-نوآوری
t.me/ParscodersCom
تحلیل مقاله پایه و ارائه ایده برای بهبود و نوآوری
#articles, #machine_learning, #deep_learning, #artificial_intelligence
یک مقاله پایه در زمینه تشخیص نفوذ در شبکه‌های اینترنت اشیا مبتنی بر پروتکل MQTT دارم که فایل مقاله را در اختیار مجری منتخب قرار می‌دهم.
هدف من نوشتن مقاله جدید از صفر نیست؛ بلکه میخواهم مقاله پایه به‌صورت تخصصی بررسی شود و با بررسی مقالات جدید و معتبر، پیشنهادهایی برای ایجاد نوآوری و بهبود روش ارائه‌شده در مقاله پایه دریافت کنم. در این مرحله، هدف اصلی دریافت تحلیل تخصصی و پیشنهاد ایده‌های قابل اجرا برای بهبود مقاله پایه است، نه صرفاً ویرایش یا ترجمه مقاله.
لطفاً افرادی پیشنهاد ارسال کنند که در زمینه یادگیری ماشین و یادگیری عمیق سابقه و تخصص داشته باشند.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/616149/تحلیل-مقاله-پایه-و-ارائه-ایده-برای-بهبود-و-نوآوری
t.me/ParscodersCom
#articles, #machine_learning, #deep_learning, #artificial_intelligence
یک مقاله پایه در زمینه تشخیص نفوذ در شبکه‌های اینترنت اشیا مبتنی بر پروتکل MQTT دارم که فایل مقاله را در اختیار مجری منتخب قرار می‌دهم.
هدف من نوشتن مقاله جدید از صفر نیست؛ بلکه میخواهم مقاله پایه به‌صورت تخصصی بررسی شود و با بررسی مقالات جدید و معتبر، پیشنهادهایی برای ایجاد نوآوری و بهبود روش ارائه‌شده در مقاله پایه دریافت کنم. در این مرحله، هدف اصلی دریافت تحلیل تخصصی و پیشنهاد ایده‌های قابل اجرا برای بهبود مقاله پایه است، نه صرفاً ویرایش یا ترجمه مقاله.
لطفاً افرادی پیشنهاد ارسال کنند که در زمینه یادگیری ماشین و یادگیری عمیق سابقه و تخصص داشته باشند.
توسط خریدار:
کاربر635981اطلاعات بیشتر:
https://parscoders.com/project/616149/تحلیل-مقاله-پایه-و-ارائه-ایده-برای-بهبود-و-نوآوری
t.me/ParscodersCom
بررسی کد پایتون موجود
#python, #deep_learning
سلام یه سری دیتا بوده مربوط به چاه های،پیزومتری، هدف پروژه بررسی دقت عملکرد دو الگوریتم Gat_LSTM وGan_lstm در پیش بینی تراز آب زیرزمینی، روی دیتای خام بعد از preprocessing و بعد از پر کردن داده های گم شده با الگوریتم GAIN، کد ها موجود هست ولی چون نتایح با نتایح علمی که انتظار میرفته جواب،نداده میخوام کد چک شود و ایراد احتمالی گرفته شود
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/617529/بررسی-کد-پایتون-موجود
t.me/ParscodersCom
#python, #deep_learning
سلام یه سری دیتا بوده مربوط به چاه های،پیزومتری، هدف پروژه بررسی دقت عملکرد دو الگوریتم Gat_LSTM وGan_lstm در پیش بینی تراز آب زیرزمینی، روی دیتای خام بعد از preprocessing و بعد از پر کردن داده های گم شده با الگوریتم GAIN، کد ها موجود هست ولی چون نتایح با نتایح علمی که انتظار میرفته جواب،نداده میخوام کد چک شود و ایراد احتمالی گرفته شود
توسط خریدار:
کاربر498686اطلاعات بیشتر:
https://parscoders.com/project/617529/بررسی-کد-پایتون-موجود
t.me/ParscodersCom
مقاله در زمینه هوش مصنوعی
#academic_writing, #articles, #deep_learning, #artificial_intelligence
مقاله در حوزه هوش مصنوعی در نشریه های معتبر داخلی با رتبه "الف" و یا نهایتا رتبه "ب".نحوه انجام هم به این شکل هست که از صفر تا صد رو مجری محترم لطف میکنه و انجام میده، یعنی از پیدا کردن موضوع تا ایجاد مقاله و پذیرش در ژورنال مربوطه. تمام شرایط و اطلاعات تکمیلی از جمله زیر شاخه مورد نظر برای مقاله و اطلاعات مورد نیاز برای مجری ارسال خواهد شد.
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/619209/مقاله-در-زمینه-هوش-مصنوعی
t.me/ParscodersCom
#academic_writing, #articles, #deep_learning, #artificial_intelligence
مقاله در حوزه هوش مصنوعی در نشریه های معتبر داخلی با رتبه "الف" و یا نهایتا رتبه "ب".نحوه انجام هم به این شکل هست که از صفر تا صد رو مجری محترم لطف میکنه و انجام میده، یعنی از پیدا کردن موضوع تا ایجاد مقاله و پذیرش در ژورنال مربوطه. تمام شرایط و اطلاعات تکمیلی از جمله زیر شاخه مورد نظر برای مقاله و اطلاعات مورد نیاز برای مجری ارسال خواهد شد.
توسط خریدار:
AmirHossein Meymandiاطلاعات بیشتر:
https://parscoders.com/project/619209/مقاله-در-زمینه-هوش-مصنوعی
t.me/ParscodersCom
درخواست تصاویر راننده داخل خودرو برای پروژه هوش مصنوعی
#python, #machine_learning, #deep_learning, #image_processing, #بینایی_رایانه_ای
سلام دوستان 🌹
برای یک پروژه تحقیقاتی در زمینه هوش مصنوعی و بینایی ماشین (Computer Vision)، به تصاویر افراد داخل خودرو نیاز دارم.
📸 شرایط تصاویر موردنیاز:
تصویر از نمای بیرونی خودرو و از پشت شیشه جلو باشد.چهره راننده تا حد امکان قابل مشاهده باشد.تصاویر در شرایط مختلف نوری، مانند روز، شب، سایه و نور مستقیم باشند.خودروها در فاصله‌های مختلف از دوربین قرار داشته باشند.تصاویر شامل شرایط مختلف شیشه، مانند بازتاب نور و تیرگی شیشه باشند.تصاویر واقعی و متنوع باشند و تا حد امکان تکراری نباشند.🎯 هدف: توسعه و آزمایش یک مدل هوش مصنوعی برای تشخیص چهره راننده داخل خودرو.
📩 اگر تصاویر مرتبط دارید یا منبعی برای تهیه این نوع تصاویر می‌شناسید، لطفاً پیام بدهید.
🔒 تصاویر صرفاً برای اهداف پژوهشی استفاده خواهند شد. لطفاً فقط تصاویری را ارسال کنید که اجازه استفاده از آن‌ها را دارید و حریم خصوصی افراد در آن‌ها رعایت شده باشد.
از همکاری شما ممنونم 🙏
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/620615/درخواست-تصاویر-راننده-داخل-خودرو-برای-پروژه-هوش-مصنوعی
t.me/ParscodersCom
#python, #machine_learning, #deep_learning, #image_processing, #بینایی_رایانه_ای
سلام دوستان 🌹
برای یک پروژه تحقیقاتی در زمینه هوش مصنوعی و بینایی ماشین (Computer Vision)، به تصاویر افراد داخل خودرو نیاز دارم.
📸 شرایط تصاویر موردنیاز:
تصویر از نمای بیرونی خودرو و از پشت شیشه جلو باشد.چهره راننده تا حد امکان قابل مشاهده باشد.تصاویر در شرایط مختلف نوری، مانند روز، شب، سایه و نور مستقیم باشند.خودروها در فاصله‌های مختلف از دوربین قرار داشته باشند.تصاویر شامل شرایط مختلف شیشه، مانند بازتاب نور و تیرگی شیشه باشند.تصاویر واقعی و متنوع باشند و تا حد امکان تکراری نباشند.🎯 هدف: توسعه و آزمایش یک مدل هوش مصنوعی برای تشخیص چهره راننده داخل خودرو.
📩 اگر تصاویر مرتبط دارید یا منبعی برای تهیه این نوع تصاویر می‌شناسید، لطفاً پیام بدهید.
🔒 تصاویر صرفاً برای اهداف پژوهشی استفاده خواهند شد. لطفاً فقط تصاویری را ارسال کنید که اجازه استفاده از آن‌ها را دارید و حریم خصوصی افراد در آن‌ها رعایت شده باشد.
از همکاری شما ممنونم 🙏
توسط خریدار:
VhdAmirاطلاعات بیشتر:
https://parscoders.com/project/620615/درخواست-تصاویر-راننده-داخل-خودرو-برای-پروژه-هوش-مصنوعی
t.me/ParscodersCom
جداسازی سیگنال های بی سیم مبتنی بر هوش مصنوعی
#machine_learning, #telecommunications_engineering, #deep_learning
در این پژوهش، ابتدا مدل پیشنهادی مقاله مرجع، یعنی DPGCU، برای جداسازی کور منابع سیگنال‌های مخابراتی بازتولید می‌شود. برای این منظور، مجموعه‌داده شامل پنج نوع مدولاسیون BPSK، QPSK، 8PSK، 16QAM و 64QAM مطابق تنظیمات گزارش‌شده در مقاله تولید خواهد شد. داده‌ها شامل ۱۰ ترکیب دوتایی از سیگنال‌های مدوله‌شده در سطوح مختلف نسبت سیگنال به نویز (SNR) خواهند بود. پس از آماده‌سازی داده‌ها و تقسیم آن‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون، مدل DPGCU پیاده‌سازی و نتایج آن با مقادیر گزارش‌شده در مقاله اصلی مقایسه می‌شود. در مرحله بعد، معماری‌های یادگیری عمیق BiLSTM و Transformer نیز با شرایط داده‌ای و ارزیابی یکسان پیاده‌سازی خواهند شد تا عملکرد آن‌ها از نظر دقت جداسازی، مقاومت در برابر نویز، پیچیدگی محاسباتی و زمان اجرا بررسی شود. سپس، با تحلیل نقاط ضعف مدل‌ها، یک روش توسعه‌یافته مبتنی بر اصلاح معماری یا ترکیب مؤثر اجزای مدل‌های منتخب طراحی و ارزیابی خواهد شد. برای بررسی سهم اجزای معماری DPGCU، آزمایش حذف مؤلفه‌ها نیز انجام می‌شود؛ به‌ویژه عملکرد مدل در حضور و عدم حضور ماژول GCU مقایسه خواهد شد. نوآوری نهایی بر اساس نتایج آزمایش‌ها تعیین می‌شود و هدف آن دستیابی به بهبود قابل‌اندازه‌گیری در جداسازی سیگنال‌ها، به‌ویژه در شرایط نویزی و ترکیب‌های دشوار مدولاسیون، بدون افزایش نامتناسب هزینه محاسباتی است.
برای ارزیابی جامع و اطمینان از اعتبار نتایج، گزارش نهایی شامل مجموعه‌ای از جداول، نمودارها و شکل‌های تحلیلی خواهد بود: ۱. جدول مقایسه عملکرد DPGCU، BiLSTM، Transformer و مدل توسعه‌یافته بر اساس معیارهای اصلی؛ ۲. نمودار احتمال خطای جداسازی برحسب SNR برای تمام مدل‌ها؛ ۳. جدول نتایج جداسازی برای هر یک از ۱۰ ترکیب مدولاسیون؛ ۴. جدول و نمودار مقایسه مدل DPGCU با GCU و بدون GCU؛ ۵. شکل موج سیگنال‌های اصلی، سیگنال مخلوط و سیگنال‌های جداسازی‌شده؛ ۶. نمودار منحنی یادگیری شامل خطای آموزش و اعتبارسنجی برحسب Epoch؛ ۷. جدول مقایسه نتایج بازتولیدشده با مقادیر مقاله مرجع و نمودار مقایسه عملکرد برحسب SNR؛ ۸. جدول مشخصات و تنظیمات نهایی مدل‌ها، شامل تعداد پارامترها، نرخ یادگیری، اندازه دسته، تعداد Epoch و سایر پارامترهای مهم؛ ۹. نمودار مقایسه معیارهای ارزیابی مدل‌ها؛ ۱۰. جدول زمان آموزش، زمان استنتاج و تعداد پارامترهای قابل‌آموزش هر مدل؛ ۱۱. نمودار مقایسه عملکرد مدل‌ها در ترکیب‌های مختلف مدولاسیون؛ ۱۲. جدول و نمودار نتایج آزمایش‌های حذف مؤلفه‌ها (Ablation Study) برای بررسی سهم اجزای مدل توسعه‌یافته؛ ۱۳. نمودار توزیع خطاهای جداسازی در سطوح مختلف SNR؛ ۱۴. جدول میانگین و انحراف معیار نتایج حاصل از اجرای چندباره مدل‌ها با بذرهای تصادفی متفاوت؛ ۱۵. نمودار مقایسه عملکرد مدل‌ها در شرایط نویزی و بدون نویز؛ ۱۶. نمودار پراکندگی یا نمودار جعبه‌ای نتایج اجراهای تکراری برای بررسی پایداری مدل‌ها؛ ۱۷. جدول تحلیل خطا برای شناسایی ترکیب‌های مدولاسیونی که جداسازی آن‌ها دشوارتر است؛ و ۱۸. جدول مقایسه مدل پایه و مدل توسعه‌یافته از نظر بهبود عملکرد و هزینه محاسباتی. معیار اصلی ارزیابی مطابق مقاله، احتمال خطای جداسازی خواهد بود. همچنین، نتایج واقعی پیاده‌سازی با نتایج مقاله مرجع مقایسه خواهند شد و هرگونه اختلاف، همراه با تحلیل شرایط آزمایش و محدودیت‌های بازتولید، مستند می‌شود.
در نهایت انتظار می‌رود دقت مدل DPGCU به حدود 85٪ تا 98٪ برسد و نشان داده شود.
در پایان باید تمام شکل‌ها، جدول‌ها و نتایج به صورت حرفه‌ای تهیه شوند. نمودارها باید با کیفیت بالا رسم...
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/620625/جداسازی-سیگنال-های-بی-سیم-مبتنی-بر-هوش-مصنوعی
t.me/ParscodersCom
#machine_learning, #telecommunications_engineering, #deep_learning
در این پژوهش، ابتدا مدل پیشنهادی مقاله مرجع، یعنی DPGCU، برای جداسازی کور منابع سیگنال‌های مخابراتی بازتولید می‌شود. برای این منظور، مجموعه‌داده شامل پنج نوع مدولاسیون BPSK، QPSK، 8PSK، 16QAM و 64QAM مطابق تنظیمات گزارش‌شده در مقاله تولید خواهد شد. داده‌ها شامل ۱۰ ترکیب دوتایی از سیگنال‌های مدوله‌شده در سطوح مختلف نسبت سیگنال به نویز (SNR) خواهند بود. پس از آماده‌سازی داده‌ها و تقسیم آن‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون، مدل DPGCU پیاده‌سازی و نتایج آن با مقادیر گزارش‌شده در مقاله اصلی مقایسه می‌شود. در مرحله بعد، معماری‌های یادگیری عمیق BiLSTM و Transformer نیز با شرایط داده‌ای و ارزیابی یکسان پیاده‌سازی خواهند شد تا عملکرد آن‌ها از نظر دقت جداسازی، مقاومت در برابر نویز، پیچیدگی محاسباتی و زمان اجرا بررسی شود. سپس، با تحلیل نقاط ضعف مدل‌ها، یک روش توسعه‌یافته مبتنی بر اصلاح معماری یا ترکیب مؤثر اجزای مدل‌های منتخب طراحی و ارزیابی خواهد شد. برای بررسی سهم اجزای معماری DPGCU، آزمایش حذف مؤلفه‌ها نیز انجام می‌شود؛ به‌ویژه عملکرد مدل در حضور و عدم حضور ماژول GCU مقایسه خواهد شد. نوآوری نهایی بر اساس نتایج آزمایش‌ها تعیین می‌شود و هدف آن دستیابی به بهبود قابل‌اندازه‌گیری در جداسازی سیگنال‌ها، به‌ویژه در شرایط نویزی و ترکیب‌های دشوار مدولاسیون، بدون افزایش نامتناسب هزینه محاسباتی است.
برای ارزیابی جامع و اطمینان از اعتبار نتایج، گزارش نهایی شامل مجموعه‌ای از جداول، نمودارها و شکل‌های تحلیلی خواهد بود: ۱. جدول مقایسه عملکرد DPGCU، BiLSTM، Transformer و مدل توسعه‌یافته بر اساس معیارهای اصلی؛ ۲. نمودار احتمال خطای جداسازی برحسب SNR برای تمام مدل‌ها؛ ۳. جدول نتایج جداسازی برای هر یک از ۱۰ ترکیب مدولاسیون؛ ۴. جدول و نمودار مقایسه مدل DPGCU با GCU و بدون GCU؛ ۵. شکل موج سیگنال‌های اصلی، سیگنال مخلوط و سیگنال‌های جداسازی‌شده؛ ۶. نمودار منحنی یادگیری شامل خطای آموزش و اعتبارسنجی برحسب Epoch؛ ۷. جدول مقایسه نتایج بازتولیدشده با مقادیر مقاله مرجع و نمودار مقایسه عملکرد برحسب SNR؛ ۸. جدول مشخصات و تنظیمات نهایی مدل‌ها، شامل تعداد پارامترها، نرخ یادگیری، اندازه دسته، تعداد Epoch و سایر پارامترهای مهم؛ ۹. نمودار مقایسه معیارهای ارزیابی مدل‌ها؛ ۱۰. جدول زمان آموزش، زمان استنتاج و تعداد پارامترهای قابل‌آموزش هر مدل؛ ۱۱. نمودار مقایسه عملکرد مدل‌ها در ترکیب‌های مختلف مدولاسیون؛ ۱۲. جدول و نمودار نتایج آزمایش‌های حذف مؤلفه‌ها (Ablation Study) برای بررسی سهم اجزای مدل توسعه‌یافته؛ ۱۳. نمودار توزیع خطاهای جداسازی در سطوح مختلف SNR؛ ۱۴. جدول میانگین و انحراف معیار نتایج حاصل از اجرای چندباره مدل‌ها با بذرهای تصادفی متفاوت؛ ۱۵. نمودار مقایسه عملکرد مدل‌ها در شرایط نویزی و بدون نویز؛ ۱۶. نمودار پراکندگی یا نمودار جعبه‌ای نتایج اجراهای تکراری برای بررسی پایداری مدل‌ها؛ ۱۷. جدول تحلیل خطا برای شناسایی ترکیب‌های مدولاسیونی که جداسازی آن‌ها دشوارتر است؛ و ۱۸. جدول مقایسه مدل پایه و مدل توسعه‌یافته از نظر بهبود عملکرد و هزینه محاسباتی. معیار اصلی ارزیابی مطابق مقاله، احتمال خطای جداسازی خواهد بود. همچنین، نتایج واقعی پیاده‌سازی با نتایج مقاله مرجع مقایسه خواهند شد و هرگونه اختلاف، همراه با تحلیل شرایط آزمایش و محدودیت‌های بازتولید، مستند می‌شود.
در نهایت انتظار می‌رود دقت مدل DPGCU به حدود 85٪ تا 98٪ برسد و نشان داده شود.
در پایان باید تمام شکل‌ها، جدول‌ها و نتایج به صورت حرفه‌ای تهیه شوند. نمودارها باید با کیفیت بالا رسم...
توسط خریدار:
کاربر775196اطلاعات بیشتر:
https://parscoders.com/project/620625/جداسازی-سیگنال-های-بی-سیم-مبتنی-بر-هوش-مصنوعی
t.me/ParscodersCom
اصلاح مقاله/ یادگیری عمیق -119420
#academic_writing, #articles, #deep_learning, #architecture
🔢 کد پروژه: 119420📌 عنوان پروژه: اصلاح مقالهسلامسلام و عرض ادب و احترام خدمت شما این مقاله چندتا ایراد دارد میتونید ایرادات را برطرف کنید #نگارش_مقاله #اصلاحات_داوری_مقاله
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/621606/اصلاح-مقاله-یادگیری-عمیق-119420
t.me/ParscodersCom
#academic_writing, #articles, #deep_learning, #architecture
🔢 کد پروژه: 119420📌 عنوان پروژه: اصلاح مقالهسلامسلام و عرض ادب و احترام خدمت شما این مقاله چندتا ایراد دارد میتونید ایرادات را برطرف کنید #نگارش_مقاله #اصلاحات_داوری_مقاله
توسط خریدار:
Hamyarprozheاطلاعات بیشتر:
https://parscoders.com/project/621606/اصلاح-مقاله-یادگیری-عمیق-119420
t.me/ParscodersCom
انتقال تصویر با در نظر گرفتن محو شوندگی در انتقال تصویر
#machine_learning, #telecommunications_engineering, #deep_learning, #image_processing
۱. کد و مستنداتکد کامل کانال، OFDM، Clipping، Encoder و Decoderهای Direct، Implicit و Explicit.فایل تنظیمات Hyperparameters، Seed، SNR و نرمال‌سازی توان.تست واحد برای IDFT→DFT، کانال و Clipping.اسکریپت اجرای یک‌دستوری برای بازتولید تمام نتایج، جدول‌ها و نمودارها.چک‌پوینت مدل‌های آموزش‌دیده برای SNRها و Clipping Ratioهای مختلف.۲. بازتولید نتایج مقالهجدول PSNR و SSIM برای سه مدل روی CIFAR-10 و CelebA در SNRهای 0، 10 و 20dB.منحنی‌های یادگیری Loss برحسب Iteration.مقایسه مقدار مقاله با مقدار پیاده‌سازی و درصد اختلاف.گزارش میانگین ± انحراف معیار یا بازه اطمینان ۹۵٪ بر اساس چند Seed و پنج Realization کانال.۳. مقایسه با Baselineمقایسه BPG+LDPC+OFDM در حالت CSI کامل و MMSE.نمودار PSNR و SSIM برحسب Ns در SNRهای 5 و 15dB.نمودار PSNR و SSIM برحسب SNR برای Ns=6.جدول بهره SNR در PSNR ثابت (هدف بیش از 3dB).محاسبه بهره عملکرد در SNR ثابت.نمودار Cliff Effect برای مقایسه افت ناگهانی Baseline با افت تدریجی JSCC.نرخ شکست بسته‌های Baseline در SNRهای مختلف.۴. آزمایش‌های Robustnessبررسی Clipping با ρ=1، 1.4 و ∞.بررسی عدم تطابق SNR آموزش و تست.بررسی عدم تطابق تعداد مسیرهای کانال L.آزمایش تغییر پارامتر γ.بررسی اثر CFO کوچک و خطای هم‌زمانی.۵. شواهد و تحلیل عملکردتصاویر بازسازی‌شده تمام روش‌ها در SNRهای 0، 10 و 20dB در کنار تصویر اصلی.مقایسه بصری JSCC با BPG+LDPC.ارائه نمونه تصویر در شرایط شکست Baseline.انجام Ablation Study برای مدل Explicit:
بدون Channel Estimationبدون Equalizationبدون Subnetنمودار توزیع PSNR به‌صورت Histogram و Boxplot.نمودار PAPR به‌صورت CCDF با و بدون Clipping.ارزیابی Constellation خروجی Encoder قبل و بعد از Equalization.۶. بهبودهای پیشنهادی و توسعه مدلبررسی Ablation هر روش جدید به‌صورت مستقل:
CSI FeedbackSwin TransformerDiffusionPerceptual LossPAPR Lossمحاسبه معیارهای LPIPS و FID.نمودار PSNR برحسب CPP برای بررسی مبادله نرخ انتقال و کیفیت تصویر.۷. هزینه محاسباتی و پیچیدگیتعداد پارامترهای هر مدل.محاسبه FLOPs.زمان استنتاج هر مدل.زمان آموزش تا همگرایی و بررسی ادعای افزایش سرعت 5 برابری.مقایسه تأخیر گیرنده با زنجیره BPG+LDPC+OFDM.
در پایان باید تمام شکل‌ها، جدول‌ها و نتایج به صورت حرفه‌ای تهیه شوند. نمودارها باید با کیفیت بالا رسم شوند، جداول مقایسه‌ای کامل باشند.
بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده به‌درستی مشاهده شوند. همچنین مدل‌ها نباید دچار overfitting یا underfitting شدید باشند و رفتار آموزش باید پایدار و قابل دفاع باشد و نتایج و تصاویر با کیفیت باشند.
کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.
از ایجاد خروجی غیر واقعی (ساخت منحنی جعلی) حتماً و اکیداً اجتناب شده و تمامی خروجی‌ها باید مستقیماً حاصل اجرای مدل و داده‌های واقعی باشند.
جهت اطمینان از درستی کدها، مجدداً شخصاً کدها قبل از پذیرش پروژه اجرا خواهند شد و نباید هیچ‌گونه خطا (Error) در اجرا مشاهده شود و یا خروجی اشتباه تولید گردد.
کامل مطالعه کنید با دقت بعدا با تشکر
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622449/انتقال-تصویر-با-در-نظر-گرفتن-محو-شوندگی-در-انتقال-تصویر
t.me/ParscodersCom
#machine_learning, #telecommunications_engineering, #deep_learning, #image_processing
۱. کد و مستنداتکد کامل کانال، OFDM، Clipping، Encoder و Decoderهای Direct، Implicit و Explicit.فایل تنظیمات Hyperparameters، Seed، SNR و نرمال‌سازی توان.تست واحد برای IDFT→DFT، کانال و Clipping.اسکریپت اجرای یک‌دستوری برای بازتولید تمام نتایج، جدول‌ها و نمودارها.چک‌پوینت مدل‌های آموزش‌دیده برای SNRها و Clipping Ratioهای مختلف.۲. بازتولید نتایج مقالهجدول PSNR و SSIM برای سه مدل روی CIFAR-10 و CelebA در SNRهای 0، 10 و 20dB.منحنی‌های یادگیری Loss برحسب Iteration.مقایسه مقدار مقاله با مقدار پیاده‌سازی و درصد اختلاف.گزارش میانگین ± انحراف معیار یا بازه اطمینان ۹۵٪ بر اساس چند Seed و پنج Realization کانال.۳. مقایسه با Baselineمقایسه BPG+LDPC+OFDM در حالت CSI کامل و MMSE.نمودار PSNR و SSIM برحسب Ns در SNRهای 5 و 15dB.نمودار PSNR و SSIM برحسب SNR برای Ns=6.جدول بهره SNR در PSNR ثابت (هدف بیش از 3dB).محاسبه بهره عملکرد در SNR ثابت.نمودار Cliff Effect برای مقایسه افت ناگهانی Baseline با افت تدریجی JSCC.نرخ شکست بسته‌های Baseline در SNRهای مختلف.۴. آزمایش‌های Robustnessبررسی Clipping با ρ=1، 1.4 و ∞.بررسی عدم تطابق SNR آموزش و تست.بررسی عدم تطابق تعداد مسیرهای کانال L.آزمایش تغییر پارامتر γ.بررسی اثر CFO کوچک و خطای هم‌زمانی.۵. شواهد و تحلیل عملکردتصاویر بازسازی‌شده تمام روش‌ها در SNRهای 0، 10 و 20dB در کنار تصویر اصلی.مقایسه بصری JSCC با BPG+LDPC.ارائه نمونه تصویر در شرایط شکست Baseline.انجام Ablation Study برای مدل Explicit:
بدون Channel Estimationبدون Equalizationبدون Subnetنمودار توزیع PSNR به‌صورت Histogram و Boxplot.نمودار PAPR به‌صورت CCDF با و بدون Clipping.ارزیابی Constellation خروجی Encoder قبل و بعد از Equalization.۶. بهبودهای پیشنهادی و توسعه مدلبررسی Ablation هر روش جدید به‌صورت مستقل:
CSI FeedbackSwin TransformerDiffusionPerceptual LossPAPR Lossمحاسبه معیارهای LPIPS و FID.نمودار PSNR برحسب CPP برای بررسی مبادله نرخ انتقال و کیفیت تصویر.۷. هزینه محاسباتی و پیچیدگیتعداد پارامترهای هر مدل.محاسبه FLOPs.زمان استنتاج هر مدل.زمان آموزش تا همگرایی و بررسی ادعای افزایش سرعت 5 برابری.مقایسه تأخیر گیرنده با زنجیره BPG+LDPC+OFDM.
در پایان باید تمام شکل‌ها، جدول‌ها و نتایج به صورت حرفه‌ای تهیه شوند. نمودارها باید با کیفیت بالا رسم شوند، جداول مقایسه‌ای کامل باشند.
بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده به‌درستی مشاهده شوند. همچنین مدل‌ها نباید دچار overfitting یا underfitting شدید باشند و رفتار آموزش باید پایدار و قابل دفاع باشد و نتایج و تصاویر با کیفیت باشند.
کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.
از ایجاد خروجی غیر واقعی (ساخت منحنی جعلی) حتماً و اکیداً اجتناب شده و تمامی خروجی‌ها باید مستقیماً حاصل اجرای مدل و داده‌های واقعی باشند.
جهت اطمینان از درستی کدها، مجدداً شخصاً کدها قبل از پذیرش پروژه اجرا خواهند شد و نباید هیچ‌گونه خطا (Error) در اجرا مشاهده شود و یا خروجی اشتباه تولید گردد.
کامل مطالعه کنید با دقت بعدا با تشکر
توسط خریدار:
کاربر775196اطلاعات بیشتر:
https://parscoders.com/project/622449/انتقال-تصویر-با-در-نظر-گرفتن-محو-شوندگی-در-انتقال-تصویر
t.me/ParscodersCom
image super resolution
#machine_learning, #anything_goes, #deep_learning
انتخاب یک مقاله ی اخیر ( با کد آماده یا پیاده سازی)- اضافه کردن ۳ نوآوری که یکی از نوآوری ها مربوط به بهبود در شبکه های عصبی گرافی یا ابرگرافی باشد - با ابلیشن نقش هر یک مشخص شود و بهبود نسبت به مقاله ی انتخاب شده داشته باشد
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622721/image-super-resolution
t.me/ParscodersCom
#machine_learning, #anything_goes, #deep_learning
انتخاب یک مقاله ی اخیر ( با کد آماده یا پیاده سازی)- اضافه کردن ۳ نوآوری که یکی از نوآوری ها مربوط به بهبود در شبکه های عصبی گرافی یا ابرگرافی باشد - با ابلیشن نقش هر یک مشخص شود و بهبود نسبت به مقاله ی انتخاب شده داشته باشد
توسط خریدار:
کاربر757776اطلاعات بیشتر:
https://parscoders.com/project/622721/image-super-resolution
t.me/ParscodersCom
کمک در انجام پروژه درسی راجب Chaotic ANN
#machine_learning, #matlab, #deep_learning, #neural_networks, #artificial_intelligence
انجام کل پروژه مورد نظر نیست. فقط توضیح روش رسیدن به اهداف پروژه کافیست. اهداف پروژه به شرح زیر است.•Objective 1: demonstrate the failure of a standard, fully connected deep Artificial Neural Network (such as a Multilayer Perceptron with 3 hidden layers of 32 neurons: {4096, 32, 32, 32, 1}) on the detection of wildfire smoke plumes.••Dataset: The High Performance Wireless Research and Education Network (HPWREN) provides FIgLib, which is the gold standard for early-stage, long-distance wildfire smoke detection. It contains sequential images from mountaintop cameras in Southern California, capturing wildfires in their initial minutes.••How to structure the dataset to break the 3x32 ANN:–Data Prep: Extract small 64x64 pixel crops from the high-resolution images. Create a binary classification dataset: Patches with early smoke vs. Patches with atmospheric distractors (fog, low clouds, haze, dust).–The Input Bottleneck: To feed a 64x64 grayscale image patch into your ANN, you must flatten it into a 1D vector of 4,096 inputs.•Objective 2: Determine an algorithm and schedule for applying chaotic inputs to one of the injection points (see next slide) of the deep learning ANN.••Determine how to inject chaotic values into an ANN using Matlab or Python (your choice).••Run several experiments to determine if the chaotic injection provides a better classification rate than that obtained by the {4096, 32, 32, 32, 1} DL ANN?
توسط خریدار:
اطلاعات بیشتر:
https://parscoders.com/project/622887/کمک-در-انجام-پروژه-درسی-راجب-chaotic-ann
t.me/ParscodersCom
#machine_learning, #matlab, #deep_learning, #neural_networks, #artificial_intelligence
انجام کل پروژه مورد نظر نیست. فقط توضیح روش رسیدن به اهداف پروژه کافیست. اهداف پروژه به شرح زیر است.•Objective 1: demonstrate the failure of a standard, fully connected deep Artificial Neural Network (such as a Multilayer Perceptron with 3 hidden layers of 32 neurons: {4096, 32, 32, 32, 1}) on the detection of wildfire smoke plumes.••Dataset: The High Performance Wireless Research and Education Network (HPWREN) provides FIgLib, which is the gold standard for early-stage, long-distance wildfire smoke detection. It contains sequential images from mountaintop cameras in Southern California, capturing wildfires in their initial minutes.••How to structure the dataset to break the 3x32 ANN:–Data Prep: Extract small 64x64 pixel crops from the high-resolution images. Create a binary classification dataset: Patches with early smoke vs. Patches with atmospheric distractors (fog, low clouds, haze, dust).–The Input Bottleneck: To feed a 64x64 grayscale image patch into your ANN, you must flatten it into a 1D vector of 4,096 inputs.•Objective 2: Determine an algorithm and schedule for applying chaotic inputs to one of the injection points (see next slide) of the deep learning ANN.••Determine how to inject chaotic values into an ANN using Matlab or Python (your choice).••Run several experiments to determine if the chaotic injection provides a better classification rate than that obtained by the {4096, 32, 32, 32, 1} DL ANN?
توسط خریدار:
کاربر226955اطلاعات بیشتر:
https://parscoders.com/project/622887/کمک-در-انجام-پروژه-درسی-راجب-chaotic-ann
t.me/ParscodersCom