سمینار کارشناسی ارشد برق به کارگیری شبکه های عصبی در تخمین کانال های مخابراتی

اختصاصی از زد فایل سمینار کارشناسی ارشد برق به کارگیری شبکه های عصبی در تخمین کانال های مخابراتی دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب پی دی اف و 58 صفحه می باشد.

این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-مخابرات طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

چکیده
پیچیدگی تخمین کانال های مخابراتی در حالت های غیرخطی و متغیر با زمان، مقابله با تداخل بین سمبلی و اعوجاج ناشی از کانال را با پیچیدگی های تحلیلی و سخت افزاری زیادی همراه می کند. به همین دلیل، بیشتر تکنیک های کلاسیک مطرح شده برای تخمین کانال در کتاب ها و مقالات مختلف، یا از متغیر با زمان بودن کانال، یا از غیر خطی بودن آن، و یا از هر دو صرف نظر می کنند. این موضوع باعث شده است که در تحقیقات و مقاله های جدید، به جای اکتفا به تکنیک های کلاسیک، از تکنیک های مبتنی بر شبکه های عصبی هم برای تخمین کانال های مخابراتی استفاده شود.
در این سمینار، پس از معرفی برخی از مشهورترین روش های کلاسیک تخمین کانال، چند نمونه از تحقیقات بررسی و معرفی شده اند. در پایان، « تخمین کانال های مخابراتی به کمک شبکه های عصبی » انجام شده درباره ی روش های معرفی شده با یکدیگر مقایسه و مزایا و دشواری های هر یک توضیح داده شده است.

فصل اول

طراحی سیگنال برای کانال باند محدود

1-1- مقدمه

کاربرد اصلی همسان سازها در سیستم های مخابراتی، مقابله با پدیده ی تداخل بین سمبلی است. این پدیده زمانی بروز پیدا می کند که کانال مخابراتی ما یک کانال با باند فرکانسی محدود باشد. در این فصل، پیش از ورود به بحث درباره ی همسان سازها در فصل های بعدی، ابتدا کانال مخابراتی باند محدود را تعریف و رابطه های ریاضی چنین کانالی را بیان می کنیم. سپس، به کمک روابط ریاضی نشان می دهیم که تداخل بین سمبلی در چنین کانال هایی چگونه به سیگنال اصلی اضافه می شود. در انتها، با بیان صورتی از قضیه ی نایکوئیست، نشان می دهیم که چگونه می توان طراحی سیگنال را به گونه ای انجام داد که اثر تداخل بین سمبلی در خروجی کانال ظاهر نشود.
پیش از هر چیز اما برخی نمادگذاری ه ا و قراردادهایی که در این نوشتار از آن ها استفاده شده است، معرفی می کنیم.

2-1- تعریف ها، قراردادها، و نمادگزاری ها

همچنان که در مقدمه این فصل به آن اشاره شد، به مانند تمام کانال های عملی مخابرات سیار، کانال مخابراتی را یک کانال با باند فرکانسی محدود فرض می کنیم. در این صورت، اگر پهنای باند کانال را W در نظر بگیریم، مشخصه پاسخ فرکانسی کانال تنها به ازای f<W غیر صفر است.

سیگنال مدوله شده پایین گذر را با v(t نشان می دهیم. اگر g(t را سیگنال مدوله کننده و مدولاسیون را خطی در نظر بگیریم، می توان نوشت:

که در آن In دنباله سمبل های حامل اطلاعات گسسته است.

کانال مخابراتی باند محدود را می توان با یک فیلتر خطی مدل کرد. پاسخ فرکانسی پایین گذر معادل آن را با C(f و پاسخ ضربه معادل آن را با c(t نشان می دهیم. حال، اگر سیگنال میان گذر s(t که به صورت زیر تعریف می شود.

از آنجا که پاسخ فرکانسی کانال را محدود به W در نظر گرفتیم، محدودیت مشابهی هم برای سیگنال ارسالی در نظر می گیریم، تا تمام پاسخ فرکانسی پالس ارسالی از کانال عبور کند. به عبارت دیگر C(f پاسخ فرکانسی g(t را برای f>W صفر فرض می کنیم.

تحقیق در مورد آزمایش بر روی سیستم عصبی اتونوم

اختصاصی از زد فایل تحقیق در مورد آزمایش بر روی سیستم عصبی اتونوم دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه18

 آزمایش بر روی سیستم عصبی اتونوم[1]

سیستم عصبی اتونوم یک شبکه عصبی وسیع است که نقش اصلی آن تنظیم محیط داخلی توسط کنتبف هموستاز و فعالیت‌های احشایی است. با وجودی که اکثر فعالیت‌های سیستم اتونوم خارج از کنترل اداری می‌باشند، عواطف و ورودی‌های سوماتولنسوری بطور قابل توجهی سیستم اتونوم را تحت تأثیر قرار می‌دهند. با بررسی تغییرات برجستة وازوموتور و سودوموتور پس از آسیب تروماتیک به اعصاب، این که سیستم اتونوم نقش مهمی در تعدیل و درک درد دارد مدتها قبل شناخته شده بود. با وجود شک و ابهامی که در رابطه با اهمیت نقش سیستم عصبی سمپاتیک در ایجاد و تداوم درد وجود دارد، متخصصان درد همیشه در جستجوی وسایل و راههایی برای مطالعه و بررسی سیستم اتونوم بوده‌اند.

آناتومی

سیستم اتونوم در هر سطحی از سیستم عصبی دارای اجزاء مختلفی می‌باشد.

جزء مرکزی که به نام شبکة‌ مرکزی اتونوم(CAN)  [2]  نیز شناخته می‌شود شامل مناطق مختلفی از مغز می‌باشد.[3]

اینسولا بدلیل ارتباطاتی که با هیپوتالاموس،‌ تالاموس، هسته پارابراکیال و NTS

دارد،‌ به نظر یک منطقه حیاتی حسی حرکتی احشایی است.

تحریک و فعال شدن قشر اینولا باعث بروز هیپرتانسیون، تاکیکاری، ایستادگی موها[4]، گشادی مردمکها و ترشح بزاق شده و فعالیت دستگاه گوارش را نیز تغییر خواهد داد. تحریک کورتکس پری فرونتال میانی که دارای ارتباطات گسترده‌ای با آمیگدال، هیپوکامپ، تالاموس، هیپوتالاموس،‌ هستة پارابراکیال و NTS می‌باشد باعث بروز برادیکاری و افت فشار خون شده و ترشحات دستگاه گوارش را تعدیل می‌نماید.

هیپتوتالاموس مهم ترین ارگان سیستم اتونوم بوده و تمام فعالیت‌های حیاتی بدن را کنترل کرده و سیستم‌های غدد درون‌ریزی و اتونوم را نیز  منسجم نگه می‌دارد.

این جا منطقه‌ای است که جهان بیرون با دنیای درون ارتباط پیدا می‌کنند. آمیگدال، که در بین کورتکس، هپیوتالاموس

[1] - Testing the Autonomic Nervous system

IASP Newsletter – Nov./ Dec. 1998

[2] - Central autonomic network

[3] - Instula, medial prefrontal cortex, hypothalamus, amygdula, ventrolateral medulla, nucleus of the tractus solitraius (NTS), nucleus parabrachialis, periaqueductal gray, and the circumventricular organs.

[4] - Piloerection

ب

دانلود پاورپوینت شبکه های عصبی مصنوعی

اختصاصی از زد فایل دانلود پاورپوینت شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

مشخصات این فایل
عنوان: شبکه های عصبی مصنوعی
فرمت فایل :پاورپوینت (قابل ویرایش)
تعداد اسلایدها : 85

این پاورپوینت در مورد شبکه های عصبی مصنوعی  می باشد.

بخشی از تیترها به همراه مختصری از توضیحات هر تیتر ازپاورپوینت شبکه های عصبی مصنوعی

مسائل مناسب برای یادگیری شبکه های عصبی
خطا در داده های آموزشی وجود داشته باشد.
مثل مسائلی که داده های آموزشی دارای نویز حاصل از دادهای سنسورها نظیر دوربین و میکروفن ها هستند.
مواردی که نمونه ها توسط مقادیر زیادی زوج ویژگی-مقدار نشان داده شده باشند. نظیر داده های حاصل از یک دوربین ویدئوئی.
تابع هدف  دارای مقادیر پیوسته باشد.
زمان کافی برای یادگیری وجود داشته باشد. این روش  در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد.
نیازی به تعبیر تابع هدف نباشد. زیرا به سختی میتوان  وزنهای یادگرفته شده توسط شبکه را تعبیر نمود.
...(ادامه دارد)

الهام از طبیعت
مطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل  در کار یادگیری دخیل هستند.
گمان میرود که مغز انسان از تعداد 10 11 نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.
سرعت سوئیچنگ نرونها در حدود 10-3 ثانیه است که در مقایسه با کامپیوترها 10 -10 ) ثانیه ( بسیار ناچیز مینماید. با این وجود آدمی قادر است در 0.1 ثانیه  تصویر یک انسان را بازشناسائی نماید. این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد....(ادامه دارد)

مرور الگوریتم BP
این الگوریتم یک جستجوی gradient descent در فضای وزنها انجام میدهد.
ممکن است در یک مینیمم محلی گیر بیافتد.
در عمل بسیار موثر بوده است.
برای پرهیز از مینیمم محلی روشهای مختلفی وجود دارد:
افزودن ممنتم
استفاده از stochastic gradient descent
استفاده ازشبکه های مختلف با مقادیر متفاوتی برای وزنهای اولیه...(ادامه دارد)

قدرت نمایش توابع
اگرچه قدرت نمایش توابع به توسط یک شبکه feedforward بسته به عمق و گستردگی شبکه دارد، با این وجودموارد زیر را میتوان به صورت قوانین کلی بیان نمود:
توابع بولی: هر تابع بولی را میتوان توسط یک شبکه دو لایه پیاده سازی نمود.
توابع پیوسته: هر تابع پیوسته محدود را میتوان توسط یک شبکه دو لایه تقریب زد. تئوری مربوطه در مورد شبکه هائی که از تابع سیگموئید در لایه پنهان و لایه خطی در شبکه خروجی استفاده میکنند صادق است.
توابع دلخواه: هر تابع دلخواه را میتوان با یک شبکه سه لایه تا حد قابل قبولی تفریب زد....(ادامه دارد)

فهرست مطالب پاورپوینت شبکه های عصبی مصنوعی

قانون دلتا Delta Rule
تقریب افزایشی gradient descent
یک سلول واحد
انتشار به سمت عقب
فضای فرضیه و بایاس استقرا
دلایل رخ دادن overfitting
انواع مختلف یادگیری

دستگاه عصبی

اختصاصی از زد فایل دستگاه عصبی دانلود با لینک مستقیم و پر سرعت .

فصل 4 علوم هشتم

دستگاه عصبی

تهیه شده با نرم افزار اتوپلی

ارائه مدل فازی عصبی تطبیق پذیر جهت مدل سازی و بررسی رفتار توان خروجی موتور استرلینگ

اختصاصی از زد فایل ارائه مدل فازی عصبی تطبیق پذیر جهت مدل سازی و بررسی رفتار توان خروجی موتور استرلینگ دانلود با لینک مستقیم و پر سرعت .

سال انتشار: ۱۳۸۸

تعداد صفحات: ۶ | زبان ارائه مقاله: فارسی

چکیده مقاله:

هدف از این مقاله ارائه مدلی قابل اعتماد جهت بررسی و تخمین چگونگی عملکرد موتور استرلینگ می باشد. موتور استرلینگ یک موتور حرارتی برونسوز است که امروزه از سوی مراکز تحقیقاتی مورد توجه زیادی قرار گرفته است. مزایای عمده این نوع موتور قابلیت استفاده از انواع سوخت های فسیلی و غیرفسیلی، آلایندگی پایین، عملکرد آرام و بدون ارتعاش و... می‌باشد که این مزایا باعث شده است تا از موتور استرلینگ بتوان در صنایع خاص مانند صنایع هوافضا، زیردریایی و صنایع نظامی استفاده نمود. جریان سیال عامل در موتور استرلینگ از نوع نوسانی و غیردائم می باشد و بخصوص در سرعت بالا مدل سازی جریان سیال بسیار مشکل است. به علاوه اینکه در سیکل استرلینگ، مقدار جریان گاز عامل، دور موتور و میزان دبی حرارتی موتور نیز تغییر می کنند و این امر به پیچیدگی تحلیل عملکرد موتور می افزاید؛ در نتیجه ارائه یک مدل ریاضی دقیق جهت تحلیل رفتار توان خروجی موتور استرلینگ به دلیل تاثیرگذاری پارامترهای مختلف کاری بسیار پیچیده است. از این رو با طراحی یک سیستم هوشمند عصبی فازی تطبیق پذیر (ANFIS)، از مدل های کلامی فازی در قالب شبکه عصبی جهت تخمین توان خروجی موتور استرلینگ، استفاده شده است. در ادامه صحت مدل عصبی فازی ارائه شده با نتایج بدست آمده از داده های آزمایشگاهی مورد بررسی قرار گرفته است؛ اطلاعات تجربی از یک موتور استرلینگ آزمایشگاهی نوع گاما که در مرکز تحقیقات موتور دانشگاه صنعتی مالک اشتر طراحی و ساخته شده بدست آمده است. نتایج مطلوب حاصل از مدل و تطبیق پاسخ آن را نتایج آزمایش های انجام شده صحت مدل فازی عصبی تطبیق پذیر ارائه شده را تصدیق می کند.

کلیدواژه‌ها:

موتور استرلینگ، سیستم عصبی فازی تطبیق پذیر، توان خروجی، سیال عامل

 

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

غفاری, علی؛ عباس علی آبادی؛ نصرت الله حسینقلی ارباب و مصطفی نظری، ۱۳۸۸، ارائه مدل فازی عصبی تطبیق پذیر جهت مدل سازی و بررسی رفتار توان خروجی موتور استرلینگ،هشتمین همایش انجمن هوافضای ایران، اصفهان، انجمن هوافضای ایران، 

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (غفاری, علی؛ عباس علی آبادی؛ نصرت الله حسینقلی ارباب و مصطفی نظری، ۱۳۸۸)
برای بار دوم به بعد: (غفاری؛ علی آبادی؛ حسینقلی ارباب و نظری، ۱۳۸۸)