طراحی نقشه شناختی فازی (شبکه عصبی و پیشبینی سری زمانی هرج و مرج)…

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.

تعیین هویت گوینده مستقل از متن، توسط مدل های مخلوط گاوس…

• عنوان لاتین مقاله: Efficient Text-Independent Speaker Verification with Structural Gaussian Mixture Models and Neural Network
• عنوان فارسی مقاله: تعیین هویت گوینده مستقل از متن، توسط مدل های مخلوط گاوس ساختاری و شبکه های عصبی
• دسته: کامپیوتر و فناوری اطلاعات
• تعداد صفحات فایل ترجمه شده: 26
• لینک دریافت رایگان نسخه انگلیسی مقاله: دانلود
• نسخه فارسی مقاله برای خرید آماده است.

خلاصه

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 موئلفه 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.

• فرمت: zip
• حجم: 1.00 مگابایت
• شماره ثبت: 411

توسعه آنالیز کنترل زمان واقعی مبتنی بر آرایه کیت قابل برنامه ریزی میدان برای واسط تولید توزیع شده…

چکیده

انرژی به دست آمده از منابع تجدید پذیر این روزها بسیار مهم شده اند، و این اساسا بدلیل سهم ناچیزشان در تولید گازهای گلخانه ای است. مساله ای که مطرح می شود این است که چطور می توان این منابع جدید را به شبکه های سنتی برق اضافه کرد، به طوری که بازده و قابلیت اطمینان این سیستم های تولید توزیع شده (DG) بیشینه شود. سخت افزار مورد نیاز برای این کار به طور کلی یک اینورتر منبع ولتاژی (VSI) است که یک بار معمولی مانند کاربردهای تک فاز مسکونی و تجاری را تامین کند. همچنین، فرآیند بهینه سازی نیازمند تجزیه تحلیل های معمولی توان می باشد. این مقاله توسعه و ارزیابی های آزمایشی یک سیستم کنترل توان برای یک VSI متصل به شبکه تک فاز، شامل تحلیل توان را، با استفاده از یک پردازشگر برای پیاده سازی کنترل یک مدار «آرایه کیت قابل برنامه ریزی میدان» (FPGA) ارایه می دهد. ساختار جدید سخت افزار شبکه عصبی خطی تطبیقی (ADALINE) ، پیاده سازی الگوریتم های سیستم قدرت را ممکن ساخته، و همچنین اجازه تحلیل زمان واقعی هارمونیک های مرتبه بالا را بدون افزایش دادن ناحیه پیاده سازی مدار FPGA، خواهد داد. این ویژگی ها برای واسط های الکترونیک قدرتی DG جدید ایده آل می باشد، که می توان از آن نه تنها برای فرستادن توان اکتیو، بلکه برای جبران سازی هارمونیک ها و توان راکتیو نیز، استفاده کرد. شبیه سازی و نتایج تجربی طرح های پیشنهادی با فرکانس های ثابت و متغیر نیز، پیوست شده اند تا اعتبار آنها مورد تاکید قرار گیرد.

اصطلاحات مربوطه: شبکه عصبی مصنوعی (ANN) ، تولید توان توزیع شده، تجزیه و تحلیل توان، آرایه های منطقی قابل برنامه ریزی، اندازه گیری توان، اعوجاج هارمونیکی کل

مقدمه

این روزها، بهره برداری عظیم از منابع انرژی توزیع شده (DER) مبنی بر منابع تجدید پذیر، برای کاهش مسایل مربوط به انتشار گاز گلخانه ای و نیز برای افزایش قابلیت اطمینان و توانایی سیستم های قدرت واقعی و آینده، بسیار مهم شده است. آنگاه، بهره برداری عظیم از DER توسط دولت ها و صنعت، در سراسر دنیا ارتقا یافته است. توسعه سیستم های با انرژی تجدیدپذیر و فن آوری های شبکه هوشمند، برای ایجاد امکان برای متصل کردن DER به سیستم های قدرت متمرکز شده سنتی، بایسته می باشد. این پیشرفت های فنی، نفوذ بالای تولید توزیع شده (DG) را موجب می شود.

دانلود پایان نامه عملکرد شبکه های عصبی در شبیه سازی سلول های خورشیدی…

فهرست مطالب

فصل ۱- مروری بر روند، آینده ی مصرف انرژی و لزوم استفاده از انرژی های نو. ۹

۱-۱- مقدمه ۹

۱-۲- بررسی منابع اصلی تولید انرژی الکتریکی در حال حاضر. ۱۱

۱-۳- مشکل آلودگی محیط زیست... ۱۲

۱-۴- انرژی های تجدید پذیر (نو) ۱۵

۱-۴-۱- انرژی زمین گرمایی (Geothermal) ۱۶

۱-۴-۲- انرژی فتوولتائیک... ۱۶

۱-۴-۳- انرژی بادی ۱۷

۱-۴-۴- انرژی آبی (سدها) ۱۷

۱-۴-۵- انرژی بیوگاز ۱۷

۱-۴-۶- انرژی امواج ۱۸

۱-۴-۷- تولید هیدروژن.. ۱۸

فصل ۲- پارامتر های خورشید.. ۲۰

۲-۱- مقدمه ۲۰

۲-۲- پارامترها ۲۱

۲-۲-۱- طول موج های نور ۲۲

۲-۲-۲- انواع اشعه ۲۳

۲-۲-۳- اثر ابر. ۲۳

۲-۲-۴- موقعیت جغرافیایی.. ۲۴

۲-۲-۵- تأثیر کجی محور زمین.. ۲۴

۲-۲-۶- ارتفاع از سطح دریا ۲۵

۲-۳- نتیجهگیری.. ۲۵

فصل ۳- سلول ها و سیستم هایفتو ولتاییک... ۲۷

۳-۱- مقدمه ۲۷

۳-۲- تاریخچه فتوولتاییک... ۲۷

۳-۳- نیمههادیهای مناسب برای سلولهای خورشیدی و فاکتور های دخیل.. ۳۲

۳-۳-۱- میدان الکتریکی محلی.. ۳۶

۳-۳-۲- مسیر نوری ۳۶

۳-۳-۳- نازکی نیمه هادی.. ۳۸

۳-۳-۴- تأثیر متقابل نور نیمههادی.. ۳۸

۳-۳-۵- جمع آوری نوری.. ۳۹

۳-۴- اتصال P-N ۴۳

۳-۵- اساس کار سلول های خورشیدی اتصال P-N.. ۴۴

۳-۶- مطالعه اتصال P-N در تاریکی.. ۴۵

۳-۷- اثر ابعاد سلول محدود بر روی... ۵۰

۳-۸- مطالعه پیوند p-n در روشنایی.. ۵۰

۳-۹- رابطه بین مطالعه در حالت تاریکی و روشنایی.. ۵۴

۳-۱۰- جریان اتصال کوتاه () ۵۵

۳-۱۱- فاکتور پرکنندگی (FF) ۵۵

۳-۱۲- پارامترهای خروجی و سلول خورشیدی.. ۵۸

۳-۱۳- محاسبات مربوط به پارمترهای سلولی.. ۵۹

۳-۱۴- بازده سلولهای خورشیدی.. ۶۲

۳-۱۵- عوامل موثر بر بازده تبدیل سلولی.. ۶۳

۳-۱۵-۱- گاف نواری () ۶۳

۳-۱۵-۲- دما ۶۶

۳-۱۵-۳- طول عمر ترکیب مجدد. ۶۷

۳-۱۵-۴- شدت نور ۶۷

۳-۱۵-۵- چگالی ناخالصی.. ۶۸

۳-۱۵-۶- سرعت ترکیب مجدد سطحی.. ۶۹

۳-۱۵-۷- مقاومت درونی ۷۱

۳-۱۵-۸- شبکه فلزی و بازتاب نوری.. ۷۱

۳-۱۵-۹- تغییرات بیشینه بازده با ضخامت سلول.. ۷۲

۳-۱۶- مدل پانل خورشیدی.. ۷۲

۳-۱۶-۱- مدل عمومی پانل خورشیدی.. ۷۳

۳-۱۶-۲- مدل پانل خورشیدی مطرح شده در مرجع ۷۴

۳-۱۶-۳- مدل پانل خورشیدی مطرح شده در مرجع ۷۵

۳-۱۷- مزایا و معایب سیستم فتوولتائیک... ۷۵

۳-۱۸- موارد کاربرد عمده سیستم فتوولتائیک... ۷۷

۳-۱۹- نتیجهگیری.. ۸۰

فصل ۴- ماکزیمم سازی توان در سلول های خورشیدی.. ۸۱

۴-۱- مقدمه ۸۱

۴-۲- تعریف Power Point Tracking (MPPT) Maximum... ۸۳

۴-۳- مروری بر چند روش MPPT. ۸۶

۴-۳-۱- استفاده از جدول جستجوی عددی.. ۸۷

۴-۳-۲- روش های مبتنی بر الگوریتم های hill-climbing. ۸۷

۴-۳-۳- روش های محاسباتی.. ۸۸

۴-۳-۴- مدل ریاضی جریان Imp برحسب Iph (روش جریانی) ۸۸

۴-۳-۵- مدل ریاضی ولتاژ Vmp برحسب Voc (روش ولتاژی) ۸۹

۴-۳-۶- مقایسه روشهای ولتاژی و جریانی.. ۹۱

۴-۳-۷- مزایای MPPT های ولتاژی در مقابل MPPT های جریانی.. ۹۵

۴-۳-۸- نتیجهگیری ۹۶

فصل ۵- کاربرد شبکه های عصبی در شبیه سازی و تخمین نقطه توان ماکزیمم سلول های خورشیدی ۹۸

۵-۱- مقدمه ۹۸

۵-۲- معرفی شبکه عصبی مصنوعی.. ۹۹

۵-۳- تاریخچه شبکه های عصبی مصنوعی.. ۱۰۰

۵-۴- چرا از شبکه های عصبی استفاده می کنیم.. ۱۰۲

۵-۵- شبکه های عصبی در مقایسه با کامپیوترهای سنتی.. ۱۰۳

۵-۶- نورون مصنوعی.. ۱۰۴

۵-۷- ساختار شبکه های عصبی.. ۱۰۵

۵-۸- تقسیم بندی شبکه های عصبی.. ۱۰۶

۵-۹- کاربرد شبکه های عصبی.. ۱۰۸

۵-۱۰- معایب شبکه های عصبی.. ۱۰۹

۵-۱۱- باطری شارژر خورشیدی با ردیابی نقطه ی توان ماکزیمم توسط شبکه ی عصبی مصنوع۱۱۰

۵-۱۱-۱- پیکر بندی سیستم SPBC. ۱۱۰

۵-۱۱-۲- MPPT با استفاده از شبکه عصبی مصنوعی (ANN) ۱۱۱

۵-۱۱-۳- نتایج تجربی ۱۱۳

۵-۱۱-۴- نتیجه گیری ۱۱۵

۵-۱۲- استفاده از شبکه ی RBF مدل سازی آرایه ی خورشیدی و تخمین نقطه ی توان ماکزیمم.. ۱۱۶

۵-۱۲-۱- مدل سازی آرایه ی خورشیدی براساس شبکه ی RBF. ۱۱۷

۵-۱۲-۲- معماری شبکه ی RBF مورد استفاده در آرایه ی PV.. ۱۱۸

۵-۱۲-۳- قواعد آموزش شبکه ی RBF. ۱۲۰

۵-۱۲-۴- نتایج شبیه سازی.. ۱۲۳

۵-۱۲-۵- تخمین MPP آرایه ی خورشیدی براساس شبکه ی RBF. ۱۲۳

۵-۱۲-۶- نتیجه گیری ۱۲۷

چکیده

نیاز به جایگزینی انرژی های دیگری به جای انرژی فسیلی، به دلایل بیشماری که برای آن وجود دارد، انسان را به سوی استفاده از انرژی های تجدید پذیر از جمله انرژی خورشیدی سوق داده است. اما آنچه که در این میان اهمیت ویژه ای دارد، پیداکردن روش هایی جهت دریافت ماکزیمم توان از مبدل های این انرژی ها می باشد.

در این میان پایان نامه ی موجود بر روی سلول های خورشیدی متمرکز شده وبا بیان برخی از کاربرد های شبکه های عصبی، روش های جدیدی را درجهت دریافت ماکزیمم توان از سلول و شیبه سازی سلول ارایه نموده است.

از فواید این روش ها می توان به هوشمند کردن سیستم و عدم نیاز به ساختمان داخلی سلول و مواد سازنده ی سلول و سرعت ردیابی بالاتر نسبت به روش های قبلی اشاره کرد.

مقدمه

نیاز به استفاده از انرژی های نو علی الخصوص انرژی خورشیدی و بالطبع آن شناخت روش هایی برای دریافت بیشترین توان و بهترین بازده از مبدل های موجود به آن، بنده را بر آن داشت تا موضوع پایان نامه خود را مرتبط با این مطلب انتخاب کنم.

در این راه، با مطالعه ی چندین عنوان مقاله و کتاب و پایان نامه، سعی کردم تا یک پایان نامه ی جامع و کامل را در زمینه ی سلول های خورشیدی و ردیابی حداکثر نقطه ی توان در آنها به رشته ی تحریر در آورم.

در جهت رسیدن به ماکزیمم توان در سلول های خورشیدی تا کنون در دنیا روش های زیادی ارائه گردیده است که از میان آنها می توان به ردیابی خورشید در آسمان جهت دریافت بیشترین تابش و نیز بکاربردن مبدل هایی جهت رسیدن به ماکزیمم نقطه ی توان در نمودار این سلول ها (که بدلیل متغییر بودن دما و تابش پیوسته این نمودار ها تغییر می کنند) اشاره کرد.

اما در چند سال اخیر، با توجه به توانایی های شبکه های عصبی در حل مسائل ریاضی بویژه مسائل درون یابی و تقریب و سرعت بالای محاسبات و توانایی آموزش و یادگیری در آنها، توجه زیادی در جهت رسیدن به ماکزیمم توان در سلول های خورشیدی، به شبکه های عصبی شده است و در انتهای گزارش جند کاربرد شبکه های عصبی ارائه شده است.

سازماندهی مطالب به این گونه است که در فصل اول روند مصرف انرژی و نیاز به انرژی های نو در جهان امروز بررسی می گردد.

پیاده سازی شبکه عصبی هوپفیلد مجتمع سازی گسترده دیجیتال…

چکیده

این مقاله در مورد پیاده سازی شبکه های عصبی Hopfield برای حل مسایل مربوط به محدودیت رضایت با استفاده از آرایه های گیت قابل برنامه ریزی میدان FPGA بحث می کند. این مقاله در مورد روش های فرمول بندی این مسایل همانند شبکه های عصبی گسسته بحث می کند، و سپس مساله N queen را با استفاده از فرمولبندی به دست آمده تشریح می کند. سرانجام، نتایج ارایه شده زمان های محاسبه یک کامپیوتر معمولی برای شبیه سازی اجرای شبکه Hopfield بر روی یک فضای کاری باکیفیت، مقایسه می کنند. در این روش، رشد پیشرفت قابل مشاهده می باشد که نشان می دهد حداکثر رشد 2 تا 3 برابر دامنه با استفاده از ابزارهای FPGA ممکن می باشد.