فی فوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

فی فوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

شبکه های عصبی مصنوعی برای پیش بینی سری های زمانی Neural Networks for Time-Series Forecasting (متن انگلیسی همراه با ترجمه)

اختصاصی از فی فوو شبکه های عصبی مصنوعی برای پیش بینی سری های زمانی Neural Networks for Time-Series Forecasting (متن انگلیسی همراه با ترجمه) دانلود با لینک مستقیم و پر سرعت .

Neural Networks for Time-Series Forecasting 

 

Time Series
 Is a collection of observations of well-defined data items obtained
through repeated measurements over time.
 An ordered sequence of values of a variable at equally spaced time
intervals.
 For example, measuring the value of retail sales each month of the
year would comprise a time series. This is because sales revenue is
well defined, and consistently measured at equally spaced
intervals. Data collected irregularly or only once are not timeseries

 

 

 

سری های زمانی

  • مجموعه ای از مشاهدات مفید بدست آمده از اندازه گیری های مکرر و تکراری در طول زمان می باشند.
  • یک دنباله منظم از مقادیر یک متغییر در فواصل زمانی یکسان هستند
  • برای مثال، اندازه گیری ارزش خرده فروشی هر ماه از سال ، یک سری زمانی را تشکیل می دهند. زیرا درآمد فروش به عنوان فاکتور مفید تعریف شده و بطور پیوسته در فواصل زمانی یکسان اندازه گیری شده است. داده های جمع آوری شده نامنظم و انفرادی به عنوان سری زمانی تعریف نمی شوند.

دانلود با لینک مستقیم


شبکه های عصبی مصنوعی برای پیش بینی سری های زمانی Neural Networks for Time-Series Forecasting (متن انگلیسی همراه با ترجمه)

کاهش مصرف انرژی در شبکه‌های حسگر بی‌سیم با استفاده از شبکه‌های عصبی SOM

اختصاصی از فی فوو کاهش مصرف انرژی در شبکه‌های حسگر بی‌سیم با استفاده از شبکه‌های عصبی SOM دانلود با لینک مستقیم و پر سرعت .

چکیده

امروزه، در شبکه‌های حسگر بی‌سیم، پروتکل‌های مسیریابی مبتنی بر خوشه‌بندی از طریق تقسیم گره‌های همسایه به خوشه‌های مجزا و انتخاب سرخوشه‌های محلی برای ترکیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گره‌های شبکه، بهترین کارایی را از لحاظ افزایش طول عمر و حفظ پوشش شبکه‌ای در مقایسه با سایر روش‌های مسیریابی به‌ دست می‌آورند. با این وجود، همه پروتکل‌های خوشه‌بندی ارایه شده تاکنون، تنها نزدیکی جغرافیایی(همسایگی) را به عنوان پارامتر تشکیل خوشه‌ها در نظر گرفته‌اند. در این تحقیق، یک پروتکل جدید خوشه‌بندی متمرکز مبتنی بر انرژی با استفاده از شبکة عصبی نقشة خودسازماندهی برای شبکه‌های حسگر بی‌سیم ارایه می‌شود که قادر به خوشه‌بندی گره‌های شبکه بر اساس سطح انرژی و مختصات گره‌ها می‌باشد. این پروتکل با استفاده از تعداد مشخصی از گره‌های پرانرژی در شبکه و اعمال آن‌ها به عنوان وزن نورون‌های نقشة خودسازماندهی، نزدیک‌ترین گره‌های کم‌انرژی را جذب گره‌های پرانرژی می‌کند؛ به طوری که خوشه‌ها لزوماً از گره‌های مجاور تشکیل نشده و در واقع براساس دو پارامتر سطح انرژی و همسایگی، خوشه‌هایی با انرژی متوازن تشکیل خواهند شد. به علاوه یک تابع هزینه جدید به منظور تصمیم‌گیری در انتخاب گره‌های سرخوشه، پیشنهاد شده است که سعی در ترکیب معیارهای مختلف موثر در انتخاب بر اساس میزان اهمیت آن‌ها دارد. کارایی برتر این پروتکل از لحاظ افزایش طول عمر مفید شبکه و حفظ بهتر پوشش شبکه‌ای در مقایسه با پروتکل‌های پیشین نظیر LEACH و LEA2C و نیز تاثیر تابع هزینه پیشنهادی بر کارایی آن (با شبیه‌سازی) به اثبات رسیده است.

 

واژه‌های کلیدی: شبکه‌های حسگر بی‌سیم، شبکه عصبی، نقشه خودسازماندهی، کاهش مصرف انرژی، خوشه‌بندی.


 

 

فهرست مطالب

 

عنوان                                                                                         صفحه

فصل1 مقدمه  1

1-1. مقدمه. 2

1-2. تعریف مساله و سئوالات اصلی تحقیق.. 3

1-3. فرضیه‌ها 4

1-4. اهداف تحقیق.. 4

1-5. روش تحقیق.. 5

1-6. مراحل انجام تحقیق.. 5

1-7. ساختار پایان‌نامه. 6

فصل2 مروری بر منابع مطالعاتی   8

2-1. مقدمه. 9

2-2. طبقه‌بندی روش‌های کاهش مصرف انرژی در شبکه‌های حسگر. 13

2-2-1. چرخة وظایف... 16

2-2-2. روش‌های داده‌گرا 18

2-2-3. روش‌های مبتنی بر قابلیت تحرک... 21

2-3. نقش شبکه‌های عصبی در کاهش مصرف انرژی شبکه‌های حسگر. 22

2-3-2. شبکه‌های عصبی در طرح‌های چرخه وظایف... 27

2-3-3. شبکه‌های عصبی در کاهش داده. 28

2-3-4. شبکه‌های عصبی در شبکه‌های حسگر متحرک... 38

2-4. نتیجه‌گیری... 40

فصل3 نقش شبکه‌های عصبی در مسیریابی انرژی آگاه  41

3-1. مقدمه. 42

3-2. ویژگی‌های مسیریابی در شبکه حسگر بی‌سیم.. 43

3-3. روش‌های مسیریابی در شبکه‌های حسگر بی‌سیم.. 45

3-3-1. مسیریابی مسطح.. 46

3-3-2. مسیریابی مبتنی بر مکان.. 47

3-3-3. مسیریابی سلسه مراتبی(مبتنی بر خوشه‌بندی). 48

3-3-4. پروتکل خوشه‌بندیLEACH.. 49

3-3-5. پروتکل خوشه‌بندیLEACH متمرکز. 51

3-4. شبکه‌های عصبی در الگوریتم‌های مسیریابی آگاه از انرژی... 52

3-4-1. شبکة عصبی انتشار معکوس در کشف مسیر. 52

3-4-2. شبکة عصبی نقشة خودسازماندهی در مسیریابی.. 54

3-4-3. پروتکل‌های مسیریابی مبتنی بر نقشة خودسازماندهی.. 56

3-5. پروتکل خوشه‌بندی پیوندگرا وفقی با انرژی پایین.. 60

3-6. جمع‌بندی... 63

فصل4 پروتکل جدید پیشنهادی   64

4-1. مقدمه. 65

4-2. پروتکل مسیریابی خوشه‌بندی مبتنی بر انرژی خودسازمانده. 66

4-3. فرضیات الگوریتم.. 66

4-4. مرحلة خوشه‌بندی... 68

4-4-2. مرحلة اول : خوشه‌بندی با شبکة عصبی نقشة خودسازماندهی.. 69

4-4-3. مرحلة دوم : خوشه‌بندی با الگوریتم K-means. 76

4-4-4. مرحلة انتخاب سرخوشه. 78

4-5. مرحلة انتقال داده. 81

4-6. مرحلة خوشه‌بندی مجدد. 82

4-7. جمع‌بندی... 87

فصل5 نتایج شبیه‌سازی و تحلیل آن‌ها 88

5-1. مقدمه. 89

5-2. پارامترهای شبیه‌سازی... 89

5-2. نتایج شبیه‌‌سازی... 91

5-2-1. مقایسة نحوة تشکیل خوشه‌ها در EBCS با پروتکل LEACH.. 91

5-2-2. مقایسة کارایی EBCS با پروتکل‌های پیشین از لحاظ طول عمر شبکه. 93

5-2-3. ارزیابی تابع هزینه انتخاب سرخوشه برکارایی EBCS. 96

5-2-4. ارزیابی کارایی پروتکلEBCS در افزایش پوشش شبکه‌ای... 99

5-3. جمع بندی... 102

فصل6 جمع‌بندی و پیشنهاد‌ها 104

6-1. مقدمه. 105

6-2. یافته‌های تحقیق.. 107

6-3. نوآوری تحقیق.. 108

6-4. پیشنهاد‌ها 109

مراجع   111

واژه‌نامه  116

 


 

 

 

 

فهرست اشکال

 

عنوان                                                                                         صفحه

 

فصل1 مقدمه  1

فصل2 مروری بر منابع مطالعاتی   8

شکل2-1. مقایسه میزان مصرف انرژی در قسمت‌های مختلف گره حسگر. 12

شکل2-2. طبقه‌بندی طرح‌های کاهش مصرف انرژی در شبکه‌های حسگر بی‌سیم. 15

شکل2-3. ساختار توپولوژیک شبکه عصبی موجک(شن و ژوئو، 2008) 28

شکل2-4. مدل خطی تخمین اندازه‌گیری حسگرها (پارک و تاکشی، 2007) 29

شکل2-5. مدل غیرخطی تخمین اندازه‌گیری حسگرها (پارک و تاکشی، 2007) 30

شکل2-6. ساختار شبکه عصبی هاپفیلد به کار گرفته شده در اصلاح الگوها(الدورتل و پتری، 2006) 34

فصل3 نقش شبکه‌های عصبی در مسیریابی انرژی آگاه  41

شکل3-1. شبکه عصبی انتشار معکوس برای پیش‌بینی مقدار نهایی انرژی گره (حسین‌قلی‌زاده و ابهری، 2009) 53

شکل3-2. ساختار شبکه عصبی نقشة خود سازماندهی(یون و همکاران، 2007) 55

شکل3-3. مراحل الگوریتم پیشنهادی در (کوردینا و دبونو، 2008) 59

فصل4 پروتکل جدید پیشنهادی   64

شکل4-1. خوشه‌بندی دومرحله‌ای(SOM-Kmeans) درپروتکلLEA2C(دهنی و همکاران، 2005) 68

شکل4-2. ساختار توپولوژیک نقشه خودسازماندهی در الگوریتم EBCS. 74

شکل4-3. مدل مصرف انرژی (دهنی و همکاران، 2005) 81

شکل4-4. فلوچارت مرحلة خوشهبندی پروتکل EBCS. 85

شکل4-5. فلوچارت مرحلة انتقال داده پروتکل EBCS. 86

فصل5 نتایج شبیه‌سازی و تحلیل آن‌ها 88

شکل5-1. الف- نحوة تشکیل خوشه‌ها در LEACH (هاینزلمن و همکاران، 2000)؛ ب- نحوة تشکیل خوشه‌ها در EBCS ؛ علائم یکسان نشاندهندة گرههای متعلق به یک خوشه و نقاط، نشاندهندة گرههای مرده بوده و سرخوشهها در LEACH با علامت Ÿ و در EBCS با علامت Ø نشان داده شده‌اند. 92

شکل5-2. مقایسة کارایی سه الگوریتم LEACH، LEA2C و EBCS از لحاظ تعداد گره‌های زنده به شماره دورهای الگوریتم، الف- در صحنة اول؛ ب- در صحنة دوم . 95

شکل5-3. مقایسة سه معیار مختلف انتخاب سرخوشه در الگوریتم EBCS با تابع هزینه انتخاب سرخوشه الف- صحنة اول؛ ب- صحنة دوم. 97

شکل5-4. مقایسة زمان مرگ آخرین گره در الگوریتم EBCS با استفاده از معیار انتخاب سرخوشه با حداکثر سطح انرژی و استفاده از تابع هزینه پیشنهادی به ازاء تعداد مختلف گره‌ها 98

شکل5-5. مقایسة پوشش شبکهای در الف- LEACH (هاینزلمن وهمکاران، 2000) و ب- EBCS با 36 گره مرده  100

شکل5-6. مقایسة پوشش شبکه‌ای در الف- LEA2C و ب- EBCS با 50 گره مرده. 101

فصل6 جمع‌بندی و پیشنهاد‌ها 104

مراجع   111

واژه‌نامه  116

 


 

 

 

فهرست جداول

 

فصل1 مقدمه  1

فصل2 مروری بر منابع مطالعاتی   8

جدول2-1. طبقه‌بندی روش‌های کاهش مصرف انرژی مبتنی بر شبکه‌های عصبی در شبکه‌های حسگر بی‌سیم(انعامی و همکاران، 2010b.) 26

فصل3 نقش شبکه‌های عصبی در مسیریابی انرژی آگاه  41

فصل4 پروتکل جدید پیشنهادی   64

فصل5 نتایج شبیه‌سازی و تحلیل آن‌ها 88

جدول5-1. پارامترهای شبیه‌سازی.. 90

جدول5-2. مقایسة نتایج سه الگوریتم و معیارهای مختلف انتخاب سرخوشه (صحنة اول) 94

جدول5-3. مقایسة نتایج سه الگوریتم و معیارهای مختلف انتخاب سرخوشه (صحنة دوم) 94

فصل6 جمع‌بندی و پیشنهاد‌ها 104

مراجع   111

واژه‌نامه  116


دانلود با لینک مستقیم


کاهش مصرف انرژی در شبکه‌های حسگر بی‌سیم با استفاده از شبکه‌های عصبی SOM

دانلود پاورپوینت شبکه عصبی با عنوان پیوند الگو

اختصاصی از فی فوو دانلود پاورپوینت شبکه عصبی با عنوان پیوند الگو دانلود با لینک مستقیم و پر سرعت .

دانلود پاورپوینت شبکه عصبی با عنوان پیوند الگو


دانلود پاورپوینت شبکه عصبی با عنوان پیوند الگو

 

در پیوند الگو ورودی ها و خروجی ها شامل بردارهای nبعدی است.

در شبکه دیگر انجمنی بردار ورودی و

در شبکه خود انجمنی بردار ورودی و خروجی شبیه به هم هستند.

خروجی شبیه به هم نیستند (تعداد مولفه).......................

 

 


دانلود با لینک مستقیم


دانلود پاورپوینت شبکه عصبی با عنوان پیوند الگو

شبکه های عصبی

اختصاصی از فی فوو شبکه های عصبی دانلود با لینک مستقیم و پر سرعت .

شبکه های عصبی


شبکه های عصبی

 

فهرست مطالب موجود در پایان نامه 

 

 

مقدمه

 

 

فصل اول:

 

سابقه تاریخی

 

استفاده های شبکه عصبی

 

مزیتهای شبکه عصبی

 

شبکه های عصبی در مقابل کامپیوتر های معمولی

 

شباهت های انسان و سلول های عصبی مصنوعی

 

چگونه مغز انسان می آموزد

 

انواع یادگیری برای شبکه های عصبی

 

هوش جمعی

 

فصل دوم:

 

معرفی

 

نورون با خاصیت آشوبگونه

 

شکل شبکه

 

قانون آموزش شبکه

 

مدلسازی ژنراتور سنکرون دریایی

 

نتایج فصل

 

فصل سوم :

 

معرفی

 

منحنی طول - کشش

 

 

 

 

شبکه های عصبی

 

نتایج تجربی

 

نتیجه فصل

 

فصل چهارم:

 

معرفی

 

نمادها و مقدمات

 

نتایج مهم

 

شرح مثال

 

نتیجه فصل

 

فصل پنجم:

 

معرفی

 

شبکه های feedforward رگولاریزاسیون

 

طراحی شبیه سازی

 

شبیه سازی ها

 

نتیجه فصل

 

فصل ششم :

 

فناوری شبکه عصبی

 

فناوری الگوریتم ژنتیک

 

بازاریابی

 

بانکداری و حوزه های مالی

 

منابع

 

 

محتوای پایان نامه پس از دانلود قابل مشاهده می باشد  


دانلود با لینک مستقیم


شبکه های عصبی

کنترل دور موتور القایی با کمک شبکه عصبی

اختصاصی از فی فوو کنترل دور موتور القایی با کمک شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

کنترل دور موتور القایی با کمک شبکه عصبی


کنترل دور موتور القایی با کمک شبکه عصبی

کنترل دور موتور القایی با کمک شبکه عصبی 

در صورت داشتن سوال با ما تماس بگیرید:

09132399969

09338075778

محمدرضاکیانی

موسسه نوآوران برتر تهران


دانلود با لینک مستقیم


کنترل دور موتور القایی با کمک شبکه عصبی