شبکه‌های عصبی

اختصاصی از اس فایل شبکه‌های عصبی دانلود با لینک مستقیم و پر سرعت .

عنوان مقاله: شبکه‌های عصبی

۱-۱ پیشگفتار

انرژی الکتریکی به عنوان محور اصلی توسعه صنعتی در میان انواع انرژی از اهمیت خاصی برخوردار است. این انرژی با آنکه خود به انواع دیگر انرژی وابستگی دارد، اتکا شاخه‌های مختلف اقتصادی به آن در حدی است که براحتی می‌توان حد مصرف معقول این انرژی در یک جامعه را به عنوان شاخص عمده‌ای برای تعیین حد پیشرفت اقتصادی آن جامعه دانست.

بر خلاف سهولت استفاده از این نوع انرژی و مطلوبیت آن، تولید و انتقال این انرژی از پیچیدگی زیادی برخوردار بوده و در مجموع صنعت برق با ویژگی‌هایی در میان سایر صنایع شاخص است، از جمله این ویژگی‌ها باید از لزوم همزمانی تولید و مصرف آن نام برد، به عبارت دیگر تولید برق فقط در مقابل مصرف آن مطرح می‌گردد و بطور معمول قابل ذخیره کردن نیست. دیگر ویژگی این صنعت سرمایه طلب بودن طرح‌ها و پروژه‌های آن و زمان بر بودن آنها است.

مجموعه این خصوصیات و حساسیت‌ها است که پیش‌بینی صحیح نیاز مصرف برای این نوع انرژی در آینده را طلب می‌نماید. چون هرگاه پیش‌بینی نیاز مصرف یا بار شبکه بیش از حد واقعی باشد، سرمایه‌ گذاری بیهوده در این صنعت را بدنبال خواهد داشت و هر پیش بینی بار کمتر از واقعیت باعث لطمات شدید اقتصادی شده و جبران آن به مناسبت زمان بر بودن پروژه‌های توسعه‌ای امکانات تولید و انتقال برق، غیر ممکن است.

انرژی الکتریکی در مقیاس وسیع به طور اقتصادی قابل ذخیره نمی‌باشد. بدین دلیل بر خلاف شاخه‌های دیگر اقتصاد، در اقتصاد الکتریسیته باید همزمان با مصرف، انرژی الکتریکی تولید گردد. میزان مصرف بار الکتریکی ثابت نمی‌باشد بلکه به صورت پیچیده و غیر خطی تابعی از پارامترهای متعددی می‌باشد. با توجه به متغییر بودن میزان مصرف بار الکتریکی، شرکتهای تولید کننده برق، موظفند با پیش بینی آن در زمانبندی‌های مختلف اطلاعات مورد نیاز برای تصمیم‌گیریهای خود در سیستم قدرت را حاصل نماید.

در دنیای خصوصی سازی جدید هر شرکت سعی در افزایش قابلیت اطمینان محصول خود و تولید بهینه توان برای مصرف کنندگان خود دارد. این وظیفه عموماً از طریق پیش بینی فراهم می‌شود. پیش بینی بارهای ساعتی تا یک هفته جلوتر برای کارهای برنامه‌ریزی از قبیل هماهنگی بین واحدهای آبی و حرارتی و سنجش تبادل با دیگر رقبا و برای آنالیزهای کوتاه مدت از قبیل پخش توان در مراکز دیسپاچینگ و پخش بهینه توان لازم است. به طور کلی پیش بینی بار بر اساس دوره پیش بینی به دسته‌هایی تقسیم می‌شود :

• برنامه ‌ریزی بسیار کوتاه مدت (چند دقیقه تا چندین ساعت) : برنامه ریزی بسیار کوتاه مدت اطلاعات مورد نیاز در پخش بار اقتصادی و تخمین اطمینان را تأمین می‌نماید. همچنین پیش بینی بسیار کوتاه مدت (چند دقیقه تا چند ساعت) برای زمانبندی تعویض قدرت بین شرکتها و مطالعه تحمیلات انتقال مفید می‌باشد.
• برنامه ‌ریزی کوتاه مدت (یک روز تا یک هفته) : برنامه ریزی کوتاه مدت برای برنامه ریزی روزانه و هفتگی، در مدار قرار گرفتن بهینه نیروگاهها (بهینه سازی ولتاژ/ توان راکتیو، برنامه‌ریزی برای انرژی رزرو مورد نیاز، زمان بهره‌برداری پمپی از نیروگاه‌های پمپ ذخیره‌ای) و تبادل انرژی با شرکا استفاده می‌شود.
• برنامه‌ریزی میان مدت (۱ ماه تا ۵ سال) : در برنامه‌ریزی میان مدت، با در نظر گرفتن توان و ترکیب نیروگاههای موجود، میزان ذخیره سوخت، میزان ذخیره آب مخزنها، در مورد نحوه و زمان بکارگیری نیروگاههای حرارتی و آبی، تهیه سوخت، میزان تبادل انرژی الکتریکی با سیستم‌های همسایه در سیستم‌های بهم پیوسته، زمان‌بندی بهینه برای بازرسی و تعمیرات نیروگاهها و شبکه تصمیم‌گیری می‌شود.
• برنامه ریزی بلند مدت (۵ تا ۳۰ سال): در برنامه ریزی بلند مدت با در نظر گرفتن توان و ترکیب و طول عمر نیروگاههای موجود، توانایی شبکه انتقال و توزیع، قراردادهای بلند مدت برای تبادل انرژی الکتریکی با سیستم‌های مجاور (کشورهای همسایه) در سیستم‌های بهم پیوسته، در مورد نوع، اندازه و محل احداث نیروگاه‌های جدید، نحوه گسترش شبکه، بستن و یا تجدید نظر در قراردادها و … تصمیم‌گیری می‌شود.

بار در یک شبکه برقرسانی به مجموع مصارف مختلف انرژی الکتریکی در یک واحد زمانی اتلاق می‌گردد. بار شبکه به مناسب همزمانی و غیر همزمانی مصرف انرژی در بخش‌های مختلف دستخوش تغییراتی در طول شبانه روز، هفته، ماه و سال می‌گردد.

اگر به یک منحنی تغییرات بار بیست‌و چهار ساعته در الگوی مصرف انرژی الکتریکی ایران توجه کنیم ملاحظه می‌شود که منحنی از یک حداقل غیر صفر شروع می‌شود و پس از عبور از آن، با یک شیب نسبتاً تند به سمت کوهان دوم که بزرگتر از کوهان اول است میل نموده، پس از گذر از آن دوباره به سمت حداقل میل می‌کند. باید توجه داشت که ظهور این دو کوهان ناشی از همزمانی مصرف انرژی الکتریکی بخشهای مختلف مصرف در طول یک شبانه‌روز است. جالب توجه است که منحنی تغییرات بار در طول ماه و سال نیز تقریباً روند مشابهی با تغییرات بار بیست و چهار ساعته دارد. در مطالعه بار بخصوص در پیش بینی بار اعم از پیش‌بینی بار ساعتی روزانه جهت تنظیم برنامه بهره‌برداری از نیروگاهها تا بار ماههای سال برای تنظیم برنامه تعمیرات منظم و دوره‌ای و بارهای سالهای آینده برای برنامه‌ریزی توسعه‌ای این متغیرها و عوامل مؤثر در پیدایش آنها مورد توجه قرار می‌گیرد.

منحنی مصرف برای مصرف کننده کاملاً تصادفی و غیر مشخص بوده وقابل پیش‌بینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف کننده‌ها منحنی مصرف مخصوص به خود را دارا است، همچنین مصرف بار الکتریکی تابعی کاملاً غیر خطی و بسیار پیچیده از پارامترهایی از جمله شرایط آب و هوایی، شرایط اقتصادی، زمان و عوامل تصادفی می‌باشد. همچنین تقریباً هر روز هفته منحنی خاص خود را دارد. لذا مدل مورد نظر باید توانایی این کار راد اشته باشد که اثر تمامی این عوامل را بر منحنی مصرف در نظر بگیرد، همچنین بایستی خطای پیش بینی تا حدامکان کم باشد، از طرفی دارای ساختاری ساده باشد و در کوتاهترین زمان ممکن به جواب نهایی برسد، و از همه مهمتر اینکه استفاده از آن برای برنامه‌ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه پیش‌بینی بار بر شمردیم، روشهای مختلفی در این زمینه ارائه شده است که هر یک به نوعی دارای برخی کاستی‌ها (و بخصوص در پیش بینی روزهای تعطیل) بودند، با وارد شدن شبکه‌های عصبی در این عرصه تقریباً تمامی مدلها وروشهای قبلی کنار گذاشته شد، چراکه این شبکه‌ها دارای توانایی‌های بسیار زیادی رد بیان روابط غیر خطی می‌باشند. در شکل صفحه بعد موارد استفاده پیش‌بینی بار کوتاه مدت آمده است.

این مجموعه به دوصورت فایل ورد و pdf در 74 صفحه با حجم 5.06 mb  می باشد.

پایان نامه شبکه های عصبی (مصنوعی) در قالب ورد و قابل ویرایش(75 صفحه)

اختصاصی از اس فایل پایان نامه شبکه های عصبی (مصنوعی) در قالب ورد و قابل ویرایش(75 صفحه) دانلود با لینک مستقیم و پر سرعت .

این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت می پردازیم.

سیمولینک و اعمال شبکه عصبی برای کنترل سرعت موتور ELLIPTEC

اختصاصی از اس فایل سیمولینک و اعمال شبکه عصبی برای کنترل سرعت موتور ELLIPTEC دانلود با لینک مستقیم و پر سرعت .

 

موتور های آلتراسونیک به علت غیر خطی بودن و حساس بودن به شرایط محیطی بهتر است توسط روش های هوشمند مانند شبکه عصبی مدل شوند. با استفاده از روش مرحله ای می توان لبه های تیز نمودار سرعت به فرکانس را از بین برد.

با استفاده از روش شبکه عصبی GMDH، بدون آنکه نیازی به پارامتر های ریاضی موتور باشد، میتوان سرعت موتور را کنترل نمود. این قسمت از دو شبکه عصبی تشکیل شده که قسمت اول شناسایی کننده این موتور و قسمت دوم کنترل کننده موتور است.

در هر کدام از این شبکه ها می توان با استفاده از تغییر در پارامتر های شبکه از جمله تغییر تعداد لایه های پنهان و ... کنترل کننده دقیق تری به دست آورد و همچنین استفاده از کنترل کننده فازی تک ورودی که ورودی کنترل کننده، خطای بین سرعت واقعی و سرعت مطلوب است می توان سرعت موتور را در حد مطلوبی کنترل کرد.

برای از بین بردن اعوجاج در زمانی که ورودی اغتشاش به موتور اعمال می شود، می توان از کنترل کننده فازی با دو ورودی که ورودی اول عبارت است از: اختلاف بین خروجی سرعت موتور و سرعت مورد نظر و ورودی دوم آهنگ تغییرات این اختلاف است. در مقایسه با روش کنترل شبکه عصبی، کنترل فازی ساده تر و با پیچیدگی های کمتر است که در زمینه کنترل موتور الیپتک مناسب تر به نظر می رسد.

 

این کتاب الکترونیکی در قالب فلش و آماده ارائه در جلسات شامل مطالب زیر می باشد:

 

فهرست مطالب:

 

فصل اول: مقدمه

مدل موتور بر اساس تحلیل امواج

مدل الکتریکی موتور

مدل طرح محدود

فصل دوم: تئوری پیرو الکتریک

مقاومت پیزو

پیزوالکتریک

موتور آلتراسونیک

موتور موجی آلتراسونیک

اصول کار موتور موجی آلتراسونیک

موتورهای ناخنی شکل

موتور الیپتک

تأثیر دما بر سرعت موتور الیپتک

تأثیر فرکانس بر سرعت موتور الیپتک

تأثیر گشتاور (بار) بر سرعت موتور الیپتک

درایو موتور الیپتک

درایو موتور با استفاده از سیگنال ژنراتور

درایو موتور با استفاده از میکروکنترلر

درایو موتور با استفاده از dspace

فیدبک گرفتن از سرعت

فیدبک جریان

روش نوری

بینایی تصویر

مزیای موتور های آلتراسونیک

معایب موتور های آلتراسونیک

فصل سوم: مدلسازی موتور الیپتک

مدل الکتریکی موتور الیپتک

مدلسازی موتور الیپتک با استفاده از روش GMDH

اثر دما

اثر فرکانس

اثر ولتاژ

مدل موتور با در نظر گرفتن تشابه نمودار سرعت فرکانس در ولتاژ های مختلف

مدل موتور با استفاده از روش مرحله ای

برنامه متلب برای روش مرحله ای

فصل چهارم: شبیه سازی موتور الیپتک

شبیه سازی اثر فرکانس ورودی

شبیه سازی اثر ولتاژ

مقایسه خروجی موتور مدل شده و واقعی در گشتاور و ولتاژ ثابت

مقایسه خروجی موتور مدل شده و واقعی در فرکانس و گشتاور ثابت

مقایسه خروجی موتور مدل شده و واقعی در در شرایط فرکانس و ولتاژ ثابت

فصل پنجم: شبکه عصبی و استفاده از آن در کنترل سرعت موتور الیپتک

تاریخچه شبکه های عصبی

شبکه های عصبی بازگشتی

آموزش شبکه

آموزش نظارت شده

آموزش غیر نظارت شده

معرفی الگوریتم شبکه های عصبی از نوع GMDH

تشریح ماهیت شبکه های عصبی از نوع GMDH

الگوریتم GMDH

مبنای ریاضی الگوریتم

معرفی الگوریتم GMDH بر اساس تئوری و آنالیز مدلسازی سیستم ها

مدلسازی سیستم های جزئی

شبکه های عصبی GMDH

ویژگی های عمومی شبکه های GMDH

طراحی ساختار های گوناگون برای شبکه های GMDH

کنترل سیستم های غیر خطی با استفاده از شبکه عصبی

کنترل کننده مدل مبنا

کنترل سرعت موتور الیپتک با استفاده از شبکه عصبی

شناسایی کننده سرعت

کنترل کننده سرعت

استفاده از بلوک mrc برای کنترل سرعت موتور الیپتک

 

دانلود تحقیق پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک با فرمت ورد

اختصاصی از اس فایل دانلود تحقیق پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک با فرمت ورد دانلود با لینک مستقیم و پر سرعت .

شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .

علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .

یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه   بر پایه مدارات آنالوگ است .

موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .

این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبک محاسبه می کند .

یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .

در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .

دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر   و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .

ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات  در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .

برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .

در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده   در تکنولوژی VLSI مدرن بدست آید .

شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

مقاله پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی

اختصاصی از اس فایل مقاله پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی دانلود با لینک مستقیم و پر سرعت .

سدها و مخازن مهمترین و موثرترین سیستم ذخیره آب می باشند که توزیع نابرابر مکانی و زمانی آب را تغییر می دهند. آنها نه تنها در تامین آب شرب، تولید انرژی برقابی و آبیاری زمین های پایین دست کاربرد داشته، بلکه در به حداقل رسانی خسارات ناشی از سیلاب و خشکسالی نیز نقش موثری را ایفا می کنند. بدون شک به منظور استفاده کامل از آب موجود، مدیریت بهینه مخازن بسیار با اهمیت می باشد. مدیریت مخزن مجموعه ای از تصمیم ها را در بر می گیرد که جمع آوری و رهاسازی آب در طول زمان را مشخص می کنند. با توجه به کارکردهای مختلف مخازن، پیش بینی دقیق دبی ورودی و سطح آب می تواند در بهینه سازی مدیریت منابع آب، بسیار موثر باشد. با توجه به وجود روابط غیرخطی، عدم قطعیت زیاد و ویژگی های متغیر زمانی در سیستم های آبی، هیچ یک از مدل های آماری و مفهومی پیشنهاد شده به منظور پیش بینی دقیق سطح آب نتوانسته به عنوان یک مدل برتر و توانا شناخته شوند[1]. امروزه سیستم های هوشمند به منظور پیش بینی یک چنین پدیده های پیچیده و غیرخطی، بسیار مورد استفاده قرار می گیرند. روش بدیع سیستم استنتاج فازی – عصبی تطبیقی[1] (ANFIS) یکی از این روشهاست که یک شبکه پس خور چند لایه می باشد و از الگوریتمهای یادگیری شبکه عصبی و منطق فازی به منظور طراحی نگاشت غیرخطی بین فضای ورودی و خروجی استفاده می کند. ANFIS با توجه به توانایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه عصبی، نشان داده است که در مدل سازی فرایندهای همچون مدیریت مخازن [2،3]، سری های زمانی هیدرولوژیکی [4] و برآورد رسوب [5] بسیار قدرتمند می باشند.

هدف اصلی این تحقیق بررسی توانایی سیستم استنتاج فازی – عصبی تطبیقی جهت پیش بینی سطح آب در مواقع سیلابی و به صورت ساعتی می باشد. به این منظور از اطلاعات اشل پنج ایستگاه بالادست سد دز، جهت پیش بینی سطح آب در مخزن این سد استفاده شد. همچنین به منظور بررسی توانایی شبکه های فازی – عصبی در تقابل با تصمیمات بشری، دو الگوی متفاوت یکی با در نظر گرفتن خروجی مخزن به عنوان متغیر ورودی و دیگری بدون این متغیر به کار گرفته شد.

این مقاله به صورت  ورد (docx ) می باشد و تعداد صفحات آن 71صفحه  آماده پرینت می باشد

چیزی که این مقالات را متمایز کرده است آماده پرینت بودن مقالات می باشد تا خریدار از خرید خود راضی باشد

مقالات را با ورژن  office2010  به بالا بازکنید