 | Monter d'un niveau |
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Nuage de motsUn nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Azodi, M., Sadrossadat, S. A., & Savaria, Y. (2024). Nonlinear circuit macromodeling using new heterogeneous-layered deep clockwork recurrent neural network. IEEE Access, 12, 89506-89519. Disponible
Faraji, A., Sadrossadat, S. A., Moftakharzadeh, A., Nabavi, M., & Savaria, Y. (2023). Deep Independent Recurrent Neural Network Technique for Modeling Transient Behavior of Nonlinear Circuits. IEEE Transactions on Components, Packaging and Manufacturing Technology, 13(5), 688-699. Lien externe
Faraji, A., Sadrossadat, S. A., Yazdian-Dehkordi, M., Nabavi, M., & Savaria, Y. (2022). A Hybrid Approach Based on Recurrent Neural Network for Macromodeling of Nonlinear Electronic Circuits. IEEE Access, 10, 127996-128006. Lien externe
Sajjadi, S. A., Sadrossadat, S. A., Moftakharzadeh, A., Nabavi, M., & Sawan, M. (2024). Yield maximization of flip-flop circuits based on deep neural network and polyhedral estimation of nonlinear constraints. IEEE Access, 12, 113944-113959. Disponible
Sajjadi, S. A., Sadrossadat, S. A., Moftakharzadeh, A., Nabavi, M., & Sawan, M. (2024). DNN-Based Optimization to Significantly Speed Up and Increase the Accuracy of Electronic Circuit Design. IEEE Transactions on Circuits and Systems I: Regular Papers, 12 pages. Lien externe
