خلاصه
بسیاری از مسائل علمی، مهندسی و اقتصاد ی شامل بهینه سازی مجموعه ای از پارامترها می باشد. این مسائل شامل نمونه هایی همچون به حداقل رسانی اتلاف در شبکه برق با یافتن تنظیمات بهینه بخش ها، یا تقویت شبکه عصبی برای تشخیص تصویر چهره افراد می باشد. الگوهای بهینه سازی بیشماری مطرح شده اند تا به حل این مشکلات، با درجلت مختلفی از موفقیت بپردازند. بهینه سازی ازدحام ذرات (PSO) تکنیک نسبتا جدیدی می باشد که به صورت تجربی نشان داده شده است که دارای عملکرد خوبی بر روی بسیاری از این مسائل بهینه سازی می باشد. این مقاله مدل نظری را ارائه می دهد که می تواند برای شرح رفتار بلندمدت الگوریتم مورد استفاده قرار گیرد. نسخه پیشرفته بهینه کننده ازدحام ذرات ایجاد شده و نشان داده شده که دارای همگرایی تضمین شده ای بر روی سطح محلی می باشد. این الگوریتم رو به توسعه بوده، که منجر به الگوریتم هایی با همگرایی تضمین شده در سطح جهانی شده است. مدلی برای ایجاد الگوریتم های PSO مشترک ایجاد شده است، که منتهی به معرفی دو الگوریتم مبتنی بر PSO جدید شده است. شواهد تجربی نیز ارائه شده تا به پشتیبانی از خصوصیات نظری پیش بینی شده توسط مدل های مختلف، با استفاده از فعالیت های مبنا ترکیبی برای بررسی مشخصه های ویژه بپردازد. سپس الگوریتم های مختلف مبتنی بر PSO، در مورد فعالیت تقویت شبکه های عصبی اعمال می گردد که به ادغام نتایج حاصل شده بر روی فعالیت های مبنا ترکیبی بپردازد.
مقدمه
شما با صدای ساعتتان بیدار می شوید. ساعتی که توسط شرکتی ساخته می شود تا سود خود را با مد نظر قرار دادن تخصیص بهینه منابع تحت کنترلش به حداکثربرساند. شما کتری را روشن می کنید تا قهوه ای درست کنید، بدون اینکه در مورد مدت زمان طولانی که شرکت برق برای بهینه سازی ارائه برق وسایل تان صرف می کند، فکر کنید. هزاران متغیر در شبکه برق تلاشی را به منظور به حداقل رسانی اتلاف در شبکه به منظور به حداکثر رساندن بازدهی تجهیزات برقی تان انجام می دهد. شما وارد اتومبیلتان شده وموتور را بدون درک پیچیدگی های این معجزه کوچک مهندسی شده، روشن می کنید. هزاران پارامتر توسط سازندگان مد نظر قرار داده می شود تا وسیله نقلیه ای را تحویل دهند که متناسب با انتظارتان بوده، که شامل زیبایی بدنه تا شکل آینه بغل اتومبیل می باشد تا از تصادف جلوگیری شود.
تصادفی
چکیده
پیشبینی دقیق قدمت برق، چالشی بزرگ برای شرکت کنندگان و مدیران بازار می باشد، زیرا قیمت الکتریسیته دارای نوسانات بسیاری است. پیشبینی قیمت نیز، مهم ترین هدف مدیریتی برای مشارکت کنندگان در بازار است، چرا که مبانی بیشینه کردن سود را، تشکیل می دهد. این مطالعه، عملکرد یک تکنیک شبکه عصبی جدید را بنام ناشین یادگیری سریع (ELM) ، در مساله پیشبینی قیمت، بررسی می کند. با در نظر داشتن خط مربوط به بازهای برق که دارای نوسانات بسیاری در قیمت هستند، تکیه به یک تکنیک، خیلی هم سودمند نمی باشد. بنابراین، ELM با تکنیک موجک همراه شده است و یک مدل پیوندی (مرکب) را به نام WELM (ELM مبتنی بر موجک) را تشکیل داده است تا دقت پیشبینی و نیز قابلیت اطمینان آن را، بهبود بخشد. در این روش، ویژگی های بی همتای هر ابزار، تکریب شده اند تا الگوهای مختلفی را در اطلاعات، به دست آورند. قدرت این تکنیک، با استفاده از روش مجموع شده، بهبود بیشتری می یابد. عملکردهای مدل های ارایه شده، با استفاده از اطلاعات موجود در بازارهای برق انتاریو، PJM، نیویورک و ایتالیا، ارزیابی شده اند. نتایج آزمایشی نشان می دهند که روش پیشنهادی، یکی از مناسب ترین تکنیک های پیشبینی قیمت می باشد.
کلیدواژگان: شبکه عصبی مصنوعی، تجدید ساختار، روش مجموع، ماشین یادگیری سریع، پیشبینی قیمت، تبدیل موجک
مقدمه
مقررات زدایی (تجدید ساختار) بخش برق، منجر به توسعه یک ساختار بازار رقابتی شده است که در آن شرکت کننده ها برای ارایه بازار خود از طریق بازار معامله های لحظه ای و بازار دو-جانبه، رقابت می کنند. قیمت های برق در این بازارها، به صورت مستقیم یا غیر-مستقیم تحت تاثیر تعدادی از عواملی که به طور پیچیده ای با هم مرتبط هستند، قرار دارند. عدم قطعیت در عواملی همچون آب و هوا، قطعی های تجهیزات، قیمت های سوخت، و تنگراه انتقال، منجر به نوسانات شدید قیمت یا حتی تغییرات ناگهانی قیمت در بازار برق می شوند. حرکت غیرقطعی پیچیده قیمت های برق در ساعت های مختلف روز، از اهمیت بالایی در میان شکرت کنندگان بازار برخوردار است. شرکت کنندگان در بازار، نیاز به پیشبینی های مطمین از نوسانات قیمت در بازار برق دارند، تا بتوانند آن را به مزایده گذاشته یا خرید و فروش نمایند. بدلیل اهمیت قیمت های آینده و پیچیدگی موجود مربوط به تعیین آنها، مدل سازی و پیشبینی دقیق قیمت های بازار، یکی از زمینه های اصلی تحقیقاتی در مهندسی برق شده است.
تصادفی
چکیده
ما سیستم یکپارچه ای را در ارتباط با مدل های مخلوط گاوس ساختاری (SGMM) و شبکه های عصبی به منظور دستیابی به راندمان محاسباتی و دقت بالا در ارتباط با تعیین هویت گوینده ارائه می دهیم. مدل پس زمینه ساختاری (SBM) در ابتدا از طریق خوشه بندی زنجیره ای تمام مؤلفه های مخلوط گاوس در ارتباط با مدل پس زمینه ساختاری ایجاد می گردد. به این ترتیب، یک فضای اکوستیک به بخش های چندگانه ای در سطوح مختلف قدرت تشخیص، جزء بندی می گردد. برای هر یک از گوینده های مورد نظر، مدل مدل مخلوط گاوس ساختاری (SGMM) از طریق استدلال حداکثری (MAP) سازگار با مدل پس زمینه ساختاری (SBM) ایجاد می گردد. در هنگام تست، تنها زیرمجموعه کمی از موئلفه های مخلوط گاوس برای هر بردار مختصات محاسبه می گردد تا هزینه محاسبه را به طور قابل توجهی کاهش دهد. علاوه بر این، امتیازات حاصل شده در لایه های مدل های درخت ساختار، برای تصمیم گیری نهایی از طریق شبکه عصبی ادغام می گردند. وضعیت های مختلفی در بررسی های انجام شده بر روی داده های حاصل از گفتگوهای تلفنی مورد استفاده در ارزیابی هویت گوینده NIST، مقایسه شد. نتایج تجربی نشان می دهد که کاهش محاسبه توسط فاکتور 17 از طریق 5% کاهش نسبی در میزان خطای هم ارز (EER) در مقایسه با خطو مبنا، حاصل می گردد. روش SGMM-SBM (مدل مخلوط گاوس ساختاری- مدل پس زمینه ساختاری) ، مزایایی را نسبت به مدل اخیرا مطرح شده GMM (مدل مخلوط گاوس) داشته، که شامل سرعت بالاتر و عملکرد تشخیص بهتر، می باشد.
کلیداژه: خوشه بندی گاوس، شبکه عصبی، تعیین هویت گوینده، مدل مخلوط گاوس ساختاری
مقدمه
تحقیقات بر روی تشخیص گوینده که شامل تعیین هویت و تطبیق موارد می باشد به عنوان یک مورد فعال برای چندین دهه به شمار آورده می شود. هدف این می باشد تا تجهیزانت داشته باشیم که به صورت اتوماتیک فرد خاصی را تعیین هویت کرده یا فرد را از طریق صدای او تشخیص دهیم. بنابر روش های زیست سنجی، تشخیص صدای افراد می تواند در بسیاری از موارد همانند، شبکه های امنیتی، تراکنش های تلفنی و دسترسی به بخش ها کاربرد داشته باشد. گوینده ها به دو گروه تقسیم می شوند. گوینده های هدفمند و گوینده های غیرهدفمند.
تصادفی
پایان نامه دوره کارشناسی کامپیوتر : گرایش نرم افزار
چکیده
فصل اول: مقدمه ای بر داده کاوی
1-1-مقدمه
1-2-عامل مسبب پیدایش داده کاوی
1-3-داده کاوی و مفهوم اکتشاف دانش (KDD)
1-3-1-تعریف داده کاوی
1-3-2- فرآیند داده کاوی
1-3-3-قابلیت های داده کاوی
1-3-4-چه نوع داده هایی مورد کاوش قرار می گیرند؟
1-4- وظایف داده کاوی
1-1-4-کلاس بندی
1-4-2- مراحل یک الگوریتم کلاس بندی
1-4-3-انواع روش های کلاس بندی
1-4-3-1- درخت تصمیم 1-4-3-1-1- کشف تقسیمات
1-4-3-1-2- دسته بندی با درخت تصمیم
1-4-3-1-3-انواع درخت های تصمیم
1-4-3-1-4- نحوۀ هرس کردن درخت
1-4-3-2- نزدیکترین همسایگی K
1-4-3-3-بیزی 1-4-3-3-1 تئوری بیز
1-4-3-3-2 -دسته بندی ساده بیزی
1-4-3-4- الگوریتم های ژنتیک در فصل دو با آن آشنا می شویم
1-4-3-5-شبکه های عصبی
1-4-4- ارزیابی روش های کلاس بندی
-2-4-1پیش بینی
1-4-3-انواع روش های پیش بینی
1-4-3-1- رگرسیون
1-4-3-1 -1- رگرسیون خطی
1-4-3-1-2-رگرسیون منطقی
1-4-3- خوشه بندی
1-4-3-1- تعریف فرآیند خوشه بندی
1-4-3-2-کیفیت خوشه بندی
1-4-3-3-روش ها و الگوریتم های خوشه بندی
1-4-3-3-1-روش های سلسله مراتبی
1-4-3-3-1-1- الگوریتم های سلسله مراتبی
1-4-3-3-1-1-1-الگوریتم خوشه بندی single-linkage
1-4-3-3-2-الگوریتم های تفکیک
1-4-3-3-3-روش های متکی برچگالی
1-4-3-3-4-روش های متکی بر گرید
1-4-3-3-5-روش های متکی بر مدل
1-4-4- تخمین
1-4-4-1- درخت تصمیم
1-4-4-2- شبکه عصبی
1-4-5-سری های زمانی
1-5-کاربردهای داده کاوی
1-6-قوانین انجمنی
1-6-1-کاوش قوانین انجمنی
1-6-2-اصول کاوش قوانین انجمنی
1-6-3-اصول استقرا در کاوش قوانین انجمنی
1-6-4-الگوریتم Apriori
1-7-متن کاوی
1-7-1- مقدمه
1-7-2- فرآیند متن کاوی
1-7-3- کاربردهای متن کاوی
1-7-3-1- جستجو و بازیابی
1-7-3-2-گروه بندی و طبقه بندی داده
1-7-3-3-خلاصه سازی
1-7-3-4- روابط میان مفاهیم
1-7-3-5- یافتن و تحلیل ترند ها
1-7-3-5- برچسب زدن نحوی (POS)
1-6-2-7-ایجاد تزاروس و آنتولوژی به صورت اتوماتیک
1-8-تصویر کاوی
1-9- وب کاوی
فصل دوم: الگوریتم ژنتیک
1-2-مقدمه
2-2-اصول الگوریتم ژنتیک
2-2-1-کد گذاری
2-2-1-1-روش های کد گذاری
2-2-1-1-1-کدگذاری دودویی
2-2-1-1-2-کدگذاری مقادیر
2-2-1-1-3-کدگذاری درختی
2-2-2- ارزیابی
2-2-3-انتخاب
2-2-3-1-انتخاب گردونه دوار
2-2-3-2-انتخاب رتبه ای
2-2-3-3-انتخاب حالت استوار
2-2-3-4-نخبه گزینی
2-2-4-عملگرهای تغییر
2-2-4-1-عملگر Crossover
2-2-4-2-عملگر جهش ژنتیکی
2-2-4-3-احتمالCrossover و جهش
2-2-5-کدبرداری
2-2-6-دیگر پارامترها
2-4-مزایای الگوریتم های ژنتیک
2-5- محدودیت های الگوریتم های ژنتیک
2-6-چند نمونه از کاربرد های الگوریتم های ژنتیک
2-6-1-یک مثال ساده
فصل سوم: شبکه های عصبی
3-1-چرا از شبکه های عصبی استفاده می کنیم؟
3-2-سلول عصبی
3-3-نحوه عملکرد مغز
3-4-مدل ریاضی نرون
3-5-آموزش شبکه های عصبی
3-6-کاربرد های شبکه های عصبی
فصل چهارم: محاسبات نرم
4-1-مقدمه
4-2-محاسبات نرمچیست؟
4-2-1-رابطه
4-2-2-مجموعه های فازی
4-2-2-1-توابع عضویت
4-2-2-2- عملیات اصلی
4-2-3-نقش مجموعه های فازی در داده کاوی
4-2-3-1- خوشه بندی
4-2-3-2- خلاصه سازی دادهها
4-2-3-3- تصویر کاوی
4-2-4- الگوریتم ژنتیک
4-2-5-نقش الگوریتم ژنتیک در داده کاوی
4-2-5-1- رگرسیون
4-2-5-2-قوانین انجمنی
4-3-بحث و نتیجه گیری
فصل پنجم: ابزارهای داده کاوی
5-1- نحوه انتخاب ابزارداده کاوی
5-2-1-ابزار SPSS-Clemantine
5-2-3-ابزار KXEN
5-2-4-مدل Insightful
5-2-5-مدل Affinium
5-3- چگونه می توان بهترین ابزار را انتخاب کرد؟
5-4-ابزار های داده کاوی که در 2007 استفاده شده است
5-5-داده کاوی با sqlserver 2005
5-5-1-اتصال به سرورازمنوی
5-5-2- ایجاد Data source
5-5-3- ایجاد Data source view
5-5-4- ایجاد Mining structures
5-5-5- Microsoft association rule
5-5-6- Algorithm cluster
5-5-7- Neural network
5-5-8-Modle naive-bayes
5-5-9-Microsoft Tree Viewer
5-5-10-Microsoft-Loistic-Regression
5-5-11-Microsoft-Linear-Regression
فصل ششم: نتایج داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
•1-6-نتایج Data Mining With Sql Server 2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
1-6-1-Microsoft association rule
1-6-2- Algorithm cluster
1-6-3- Neural network
1-6-4- Modle naive-bayes
1-6-5-Microsoft Tree Viewer
7-1-نتیجه گیری
منابع و ماخذ
تصادفی
چکیده
در این پژوهش، دو الگوریتم خوشه بندی جدید را معرفی می کنیم. شبکه آموزشی رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در زمینه تشخیص کلاهبرداری و تشخیص نفوذ شبکه در می باشند. شبکه آموزشی رقابتی پیشرفته (ICLN) به عنوان الگوریتم خوشه بندی غیرنظارتی می باشد، که قوانین جدیدی را برای شبکه های عصبی آموزشی رقابتی استاندارد (SCLN) اعمال می کند. نورون های شبکه در شبکه آموزشی رقابتی پیشرفته (ICLN) برای ارائه مرکز داده توسط قوانین بروز شده تنبیه و پاداش جدید آموزش دیده اند. این قوانین بروز شده، بی ثباتی شبکه های عصبی آموزشی رقابتی استاندارد را از بین می برند. شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) به عنوان نسخه بازبینی شده شبکه اموزشی رقابتی پیشرفته (ICLN) می باشد. در SICLN (شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) ، قوانین بروزرسانی شده نظارتی از دسته بندی داده برای هدایت مراحل آموزش برای دسترسی به نتایج خوشه بندی بهتر استفاده می کند. شبکه آموزشی رقابتی پیشرفته نظارت شده می تواند برای داده های دسته بندی شده و دسته بندی نشده اعمال شده و در سطح بالایی در برابر اتیکت های مفقودی و تاخیری مقاوم می باشد. علاوه بر این، شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) دارای قابلیت بازسازی بوده، بنابراین کاملا مستقل از تعداد اولیه خوشه ها می باشد. برای ارزیابی الگوریتم های مورد نظر، به مقایسه عملی در مورد داده های تحقیق و داده های حقیقی در تشخیص کلاهبرداری و تشخیص نفوذ شبکه پرداختیم. نتایج اثبات می کند که هر دو مورد ICLN و SICLN به بایگانی عملکرد بالا می پردازند، و SICLN در الگوریتم های خوشه بندی غیرنظارتی سنتی عملکرد بهتری دارد.
کلیدواژه: آموزش رقابتی، شناسایی کلاهبرداری، شناسایی نفوذ، خوشه بندی نظارتی/ غیر نظارتی، شبکه عصبی
مقدمه
تشخیص کلاهبرداری و تشخیص نفوذ در شبکه در کسب و کار تجارت الکترونیک بسیار مهم می باشد. بر طبق به گزارش های تجارت الکترونیک فروش اداره سرشماری ایالات متحده، تجارت الکترونیک در امریکای شمالی دارای رشد 20% یا بیشتر در هر سال می باشد. به هر حال کلاهبرداری در شرکت های تجارت الکترونیک ایالات متحده و کانادا منجر به هزینه تلفات زیادی شده است. با توجه به رشد اخیر در تجارت الکترونیک، کلاه برداری در زمینه کارت های اعتباری بسیار رایج شده است. بر مبنای نتایج بررسی در سال 2009، به طور متوسط، 1.6% از سفارشات بر مبنای کلاه برداری بوده، که حدود 3. 3 میلیارد دلار می باشد. علاوه بر ضررهای مستقیمی که از طریق فروش های کلاهبرداری انجام شده است، اعتماد قربانیان کلاهبرداری در زمینه کارت های اعتباری و شرکت خرده فروش کمتر شده، که در نتیجه ضرر ها نیز افزایش یافته است. هدف شرکت ها و صادر کنندگان کارت های اعتباری این است تا هر چه زودتر به افشا یا جلوگیری از کلاه برداری بپردازند. از طرف دیگر نفوذ به شبکه، از پشت به شرکت های تجارت الکترونیک ضربه می زند. زمان وقفه سرورهای وب یا نفوذ به اطلاعات یا کسب و کار مشتری منجر به ضررهای زیادی می گردد.
تصادفی
چکیده
به عنوان یک طرح کارآمد برای ارائه اطلاعات و مکانیزم شبیه سازی متناسب با بررسی های بیشمار و حوزه های کاربردی، طرح شناخت فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs (طرح شناخت فازی) سنتی، روش کارامدی را برای تعیین وضعیت سیستم مورد بررسی و تعیین علت و معلول که مبنای واقعی نظریه FCMs (طرح شناخت فازی) می باشد، ایجاد نمی کند. بنابراین در بسیاری از موارد، ایجاد FCMs (طرح شناخت فازی) برای سیستم های علت و معلول یچیده بستگی به دانش متخصصان دارد. مدل های ایجاد شده فیزیکی، دارای کمبودهایی مهمی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی قابل اطمینان دارند. در این مقاله به طرح شبکه عصبی فازی برای بالا بردن توان یادگیری FCMs (طرح شناخت فازی) پرداخته به گونه ای که تعیین خودکار توابع عضویت و تعیین علت و معلول آن با مکانیزم استنتاج FCMs (طرح شناخت فازی) رایج ادغام می گردد. به این ترتیب، مدل FCMs (طرح شناخت فازی) سیستم های مورد بررسی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از یافته های متخصصان می باشند. علاوه بر این، لز زیرمجموعه های متقابل برای تعریف و شرح علت و معلول در FCMs (طرح شناخت فازی) استفاده می کنیم. این موارد تفاسیر مشخصی را در ارتباط با دلایل FCMs (طرح شناخت فازی) ایجاد کرده و به این ترتیب درک فرایند استنتاج را اسان تر می کند. برای تایید عملکرد، روش پیشنهادی در سری زمانی پر هرج و مرج پیش بینی شده، تست می گردد. بررسی های شبیه سازی شده کارایی روش پیشنهادی را نشان می دهد.
مقدمه
از زمان تحقیقات کوشو، طرح شناختی فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به عنوان یک روش بررسی مدل ها، برای سیستم های پیچیده، مدل FCMs به بررسی سیستم های دیگر به عنوان مجموعه ای از مفاهیم و روابط بین این مفاهیم که منشاء آن از ترکیب منطق فازی و شبکه های عصبی می باشد پرداخته است. ذاتا، FCMs به عنوان یک نمودار مستقیم همراه با بازخوردهایی می باشد که شامل مجموعه ای از گره ها و منحنی هایی می باشد که این گره ها را به هم مرتبط می کند. شکل 1 نمایش گرافیکی FCM و ساختار شبکه ای آن را نشان می دهد. در FCMs گره نشان دهنده مفهوم معنایی می باشد که از سیستم مورد نظر مشتق می شود.
تصادفی
دسته بندی: مهندسی » مهندسی کشاورزی و زراعت
فرمت فایل دانلودی: rar
فرمت فایل اصلی: doc
تعداد صفحات: 56
حجم فایل:2,959 کیلوبایت
قیمت: 13000 تومان
مقدمه
ازت به عنوان یک عنصر کلیدی در ساختمان بسیاری از ترکیبات موجود در سلولهای گیاهی مطرح است. این عنصردر فسفونوکلئوتید و اسیدهای آمینه هم وجود دارد که این ترکیبات نیز به نوبه خود به ترتیب اسیدهای نوکلئیک و پروتئینها را می سازند. دسترسی به ازت برای گیاهان زراعی از عوامل مهمّ محدود کننده تولیدات کشاورزی است. این واقعیت که فقط اکسیژن، کربن و هیدروژن بیش از ازت در سلولهای گیاهی وجود دارند، مبیّن اهمیّت این عنصراست.
در بیوسفر، ازت به اشکال متفاوتی وجود دارد. 78% حجم هوای اتمسفر را ازت ملکولی (N2) تشکیل می دهد. در بسیاری از موارد این مقدار فراوان ازت مستقیماً در دسترس گیاهان قرار نمی گیرد. استفاده از ازت اتمسفر، مستلزم شکستن پیوند سه گانه بین اتمهای (N = N) آن است که گیاهان عالی مستقیماً و به تنهایی توان انجام این واکنش را ندارند. از سوی دیگر اشکال نیتراته و آمونیاکی ازت به راحتی جذب گیاه می گردند(فصل 5). مصرف گیاهان توسط حیوانات علفخوار موجب حرکت بیشتر ازت در زنجیره های غذایی می شود و ازت سرانجام از طریق تجزیه اجساد حیوانات و گیاهان به زمین بازمی گردد. این مراحل بخشی از چرخه ازت را تشکیل می دهند.
تبدیل ازت مولکولی به اشکال دیگر آن نظیر نیترات یا آمونیاک را تثبیت ازت می گویند. این فرایند در غالب فرایندهای طبیعی و مصنوعی قابل انجام است. درشرایط دمای بالا (حدود C ْ200 ) و فشار بالا حدود (200 اتمسفر)، ازت مولکولی با هیدروژن ترکیب شده و آمونیاک (NH3) تولید می شود. برای انجام این واکنش شرایط خاصی لازم است تا برای انرژی فعّال بالای آن غلبه کند. این واکنش که به نام فرایند هابر موسوم است نقطه آغازین در تولیدات متنوع صنعتی و کشاورزی به شمار می آید. در جهان سالانه حدود 50 میلیون تن ازت به روش صنعتی تثبیت می گردد.
فهرست مطالب
مقدمه1
ارگانیسمها و روابط همزیستی در تثبیت ازت 4
آلی پرورهای آزادزی6
نورپرورهای آزادزی9
دی آزوتروفهای همیار گندمیان 13
لگومها 15
همزیستی های اکتینوریزی 20
همزیستی های نورپروری 24
عامل ژنتیکی کنترل کننده29
عوامل محیطی 33
اولین مرحله تثبیت ازت به روش همزیستی39
آلودگی ریشه های لگوم توسط ریزوبیوم 43
فرآیند بیوشیمیایی تثبیت ازت 48
منابع53
تصادفی
خلاصه
چکیده: در این مقاله روش آموزش نظارت جدید برای ارزیابی چگونگی شبکه های Feed Forward عصبی تک لایه ارائه می شود. این روش از تابع هدفی بر مبنایMSE استفاده می کند، که خطاها را به جای این که پس از تابع فعالسازی غیرخطی نورون ها ارزیابی کند قبل از آن ها بررسی می کند. در این گونه موارد، راه حل را می توان به سهولت از طریق حل معادلات در سیستم های خطی به دست آورد یعنی در این روش نسبت به روش های معین و مرسوم پیشین به محاسبات کمتری نیاز است. تحقیقات تئوری شامل اثبات موازنه های تقریبی بین بهینه ستزی سراسری تابع هدف بر مبنای معیارMSE و یک تابع پیشنهادی دیگر می باشد. بعلاوه مشخص شده است که این روش قابلیت توسعه و توزیع آموزش را دارا می باشد. طی تحقیقات تجربی جامع نیز تنوع صحت در انرمان این روش مشخص شده است. این تحقیق شامل 10 دسته بندی و 16 مسئلۀ بازگشتی می باشد. بعلاوه، مقایسه این روش با دیگر الگوریتم های آموزشی با عملکرد بالا نشان می دهد که روش مذکور بطور متوسط بیشترین قابلیت اجرایی را داشته و به حداقل محاسبات در این روش نیاز می باشد.
1.« مقدمه »:
برای بررسی شبکه عصبیFeed Forward تک لایه با تابع فعالسازی خطی، مقادیر وزن برای تابع بهMSE حداقل رسیده و می توان این مقادیر را به وسیله یک ماتریس شبه معکوس بدست آورد [1,2]. بعلاوه، می توان اثبات کرد که سطح MSE این شبکه خطی تابعی درجه دوم می باشد [3]. بنابراین این سطحمحدب هایپر پارابولیک (فراسهمی وار) را می توان به سادگی با روش گرادیان نزولی (Gradient descent) طی کرد. با این حال، اگر ازتابع فعالسازی غیر خطی استفاده شود، مینیمم های محلی می توانند بر مبنای معیارMSE در تابع هدف دیده شوند [4-6]. طی تحقیقات مختلف می توان مشاهده نمود که تعداد چنین مینیمم هایی می توانند با ابعاد ورودی به صورت نمایی توسعه پیدا کند. تنها در برخی موارد خاص می توان تضمین کرد که شرایط حاکم، فاقدMin های محلی هستند. در مورد الگوهای تفکیک پذیرخطی و معیار آستانه MSE، وجود حداقل یک مقدارMin در تابع هدف به اثبات رسیده است [8,9]. با این حال، این امر یک موقعیت عمومی نمی باشد.
تصادفی
خلاصه
به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و حوزه های کاربردی، طرح شناخت فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs (طرح شناخت فازی) سنتی، روش کارامدی را برای تعیین وضعیت سیستم مورد بررسی و تعیین علت و معلول که مبنای واقعی نظریه FCMs (طرح شناخت فازی) می باشد، ایجاد نمی کند. بنابراین در بسیاری از موارد، ایجاد FCMs (طرح شناخت فازی) برای سیستم های علت و معلول یچیده بستگی به دانش متخصصان دارد. مدل های ایجاد شده فیزیکی، دارای کمبودهایی مهمی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی قابل اطمینان دارند. در این مقاله به طرح شبکه عصبی فازی برای بالا بردن توان یادگیری FCMs (طرح شناخت فازی) پرداخته به گونه ای که تعیین خودکار توابع عضویت و تعیین علت و معلول آن با مکانیسم استنتاج FCMs (طرح شناخت فازی) رایج ادغام می گردد. به این ترتیب، مدل FCMs (طرح شناخت فازی) سیستم های مورد بررسی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از یافته های متخصصان می باشند. علاوه بر این، لز زیرمجموعه های متقابل برای تعریف و شرح علت و معلول در FCMs (طرح شناخت فازی) استفاده می کنیم. این موارد تفاسیر مشخصی را در ارتباط با دلایل FCMs (طرح شناخت فازی) ایجاد کرده و به این ترتیب درک فرایند استنتاج را اسان تر می کند. برای تایید عملکرد، روش پیشنهادی در سری زمانی پر هرج و مرج پیش بینی شده، تست می گردد. بررسی های شبیه سازی شده کارایی روش پیشنهادی را نشان می دهد.
مقدمه
از زمان تحقیقات کوشو، طرح شناختی فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به عنوان یک روش بررسی مدل ها، برای سیستم های پیچیده، مدل FCMs به بررسی سیستم های دیگر به عنوان مجموعه ای از مفاهیم و روابط بین این مفاهیم که منشاء آن از ترکیب منطق فازی و شبکه های عصبی می باشد پرداخته است. ذاتا، FCMs به عنوان یک نمودار مستقیم همراه با بازخوردهایی می باشد که شامل مجموعه ای از گره ها و منحنی هایی می باشد که این گره ها را به هم مرتبط می کند. شکل 1 نمایش گرافیکی FCM و ساختار شبکه ای آن را نشان می دهد.
در FCMs گره نشان دهنده مفهوم معنایی می باشد که از سیستم مورد نظر مشتق می شود.
تصادفی
خلاصه
یک وسیله دقیق و محاسباتی کارآمد برای دسته بندی الگوی سیگنال های الکترومیوگرافی، موضوع بحث بسیاری از پژوهشگران در سال های اخیر بوده است. تجزیه تحلیل های کمیتی سیگنال های EMG، منبع اطلاعاتی مهمی برای تشخیص اختلالات عصبی-عضلانی می باشد. با پیگیری توسعه های اخیر تجهیزات EMG کامپیوتر ی، روش های مختلفی در حوزه زمان و حوزه فرکانس برای تحلیل های کمیتی، انجام گرفته است. در این بررسی، دسته بندی کننده های مبنی بر شبکه های عصبی مصنوعی پس-انتشار خطای پیشخور (FEBANN) و شبکه های عصبی موجک (WNN) در دقت در دسته بندی سیگنال های EMG با هم مقایسه شده اند. در این روش ها، ما از یک مدل خودبازگشت (اتورگرسیو) (AR) سیگنال های EMG، به عنوان ورودی سیستم دسته بندی، استفاده کردیم. مقدار کل 1200 MUP که از 7 مورد طبیعی، 7 مورد دارای بیماری میوپاتی، و 13 مورد دارای بیماری های با ریشه عصبی بدست آمدند، آنالیز شده اند. میزان موفقیت برای روش WNN 90.7% و برای روش FEBANN 88% بوده است. مقایسۀ بین دسته بندی کننده های توسعه یافته، نخست بر مبنای تعدادی اندازه گیری های عددی مربوط به دسته بندی می باشد. دسته بندی کننده مبنی بر WNN، بر همتای FEBANN خود برتری دارد. دسته بندی WNN ارایه شده، می تواند تصمیم گیری های کارشناسانه را پشتیبانی کرده و به تشخیص افتراقی EMG کمک کند.
کلمات کلیدی: الکترومیوگرافی، پتانسیل واحد موتور، روش اتورگرسیو، شبکه عصبی موجک
مقدمه
بیش از 100 اختلال عصبی و ماهیچه ای وجود دارد که بر روی نخاع، عصب، و ماهیچه اثر می گذارد. تشخیص بموقع این بیماری ها توسط معاینه های درمانگاهی و تست های آزمایشگاهی، برای مدیریت کردن آنها و نیز پیشبینی آنها با استفاده از تشخیص پیش از تولد و مشاوره های ژنتیکی، حیاتی می باشد. این اطلاعات همچنین در |زوهش موجود می باشد، که می تواند منجر به فهم طبیعت این بیماری ها، و سرانجام بیماری آنها گردد. مورفولوژی (ریخت شناسی) واحد موتور، را می توان با ثبت فعالیت های الکتریکی معروف به الکترومیوگرافی (EMG) بررسی کرد. در EMG درمانگاهی، پتانسیل های واحد موتور (MUP) با استفاده از یک الکترود سوزنی در اقباض ارادی کم، ثبت می شود.
تصادفی
مقدمه
در این پروژه، ورودی ها و خروجی های یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکه های عصبی مصنوعی از نوع پرسپترون های چندلایه برای این منظور مناسب است. در کنار این نوع از مدل سازی، استفاده از یک شیوه مناسب برای کنترل پیشگویانه (پیش بینانه) مدل یاد شده، ضروری است. مدل های برگشتی تصحیح شونده که از قوانین تعدیل ماتریس های وزنی مسیرهای ارتباطی بین نرون های مدل استفاده می کنند، در این پروژه به کار گرفته شده اند. این قوانین برای آموزش سیستم، جهت کنترل و دستیابی به خروجی مطلوب در زمان های بعدی به کار می روند. فراگیری در این سیستم نیز از نوع فراگیری با سرپرست می باشد؛ به این صورت که معادله دیفرانسیل دینامیکیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، که سیستم باید به آن برسد، برای زمان های آینده مشخص می باشد و خروجی سیستم با استفاده از یک کنترل کننده پیش بین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یک رآکتور شیمیایی است که برای اختلاط پیوسته مواد شیمی ایی واکنش دهنده با غلظت ها و مقادیر تعریف شده و تولید یک ماده محصول با یک غلظت متغیر با زمان به کار می رود؛ که میزان مطلوب این غلظت در یک زمان خاص، به عنوان هدف مطلوبی است که سیستم باید به آن دست یابد. همچنین به جای یک سیستم واقعی، از یک مدل نرم افزاری برای جمع آوری داده های ورودی و خروجی استفاده می شود و در نهایت، نتایج این مدل سازی موفقیت آمیز، توانایی روش های مدل سازی هوشمند را همان گونه که در این تحقیق آمده است، اثبات می کند. در این پروژه، ورودی ها و خروجی های یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکه های عصبی مصنوعی از نوع پرسپترون های چندلایه برای این منظور مناسب است. در کنار این نوع از مدل سازی، استفاده از یک شیوه مناسب برای کنترل پیشگویانه (پیش بینانه) مدل یاد شده، ضروری است. مدل های برگشتی تصحیح شونده که از قوانین تعدیل ماتریس های وزنی مسیرهای ارتباطی بین نرون های مدل استفاده می کنند، در این پروژه به کار گرفته شده اند.
تصادفی