الگوریتم هایی برای افزایش سرعت تطبیق الگو برای سیستم های تشخیص ورورد به شبکه

اختصاصی از ژیکو الگوریتم هایی برای افزایش سرعت تطبیق الگو برای سیستم های تشخیص ورورد به شبکه دانلود با لینک مستقیم و پر سرعت .

این فایل ترجمه فارسی مقاله زیر می باشد:

Algorithms to speedup pattern matching for network intrusion detection systems

دانلود رایگان مقاله انگلیسی

چکیده

سیستم های تشخیص نفوذ شبکه با سرعت بالا (NIDSes) معمولا از TCAMs برای تطبیق الگوی سریع استفاده می کنند، و الگوریتم های تطبیق الگوی مبتنی بر TCAM موازی به صورت امیدوار کننده ای ثابت شده اند که به نرخ خطی بالاتری می توانند برسند. با این حال، دو چالش مانع از مقیاس پذیری موتورهای تطبیق الگوی مبتنی بر TCAM موازی از بودن می شوند ، عبارتند از: (1) چگونگی موازی سازی ریز دانه ای را برای بهینه سازی تعادل بار و به حداکثر رساندن خروجی پیاده سازی کنیم، و (2) چگونه بین افزایش عملکرد و افزایش مصرف توان با توجه به موازی سازی مصالحه داشته باشیم. در این مقاله، ما دو روش برای پاسخ به چالش های بالا NIDS فوق العاده مقیاس پذیر پیشنهاد کرده ایم. ما ابتدا مفهوم تطبیق الگوی منفی را معرفی می کنیم، که از طریق آن می توانیم جریان را به بخش هایی برای موازنه بار ریز دانه و تسریع موازی بهینه سازی به هم متصل کنیم در حالی که از صحت آن اطمینان حاصل می کنیم. تطبیق الگوی منفی (NPM) نیز به طرز چشمگیری تعداد جستجوهای (TCAM) را کاهش می دهد که در نتیجه کاهش مصرف توان را در پی دارد. سپس ما ایده تطبیق الگوی منحصر به فرد را پیشنهاد می کنیم ، که قوانین مجموعه را به زیر مجموعه ها تقسیم می کند. هر زیر مجموعه به صورت گزینشی درخواست می شود و به طور مستقل ورودی های خاصی را بدون تاثیر قرار دادن صحت به دست می دهد. با هم، این دو تکنیک توان تطبیق الگو و مقیاس پذیری را در هر سناریویی بهبود می بخشند. نتایج تجربی ما نشان می دهد که تا 90 درصد جستجوی TCAM را می توان صرفه جویی کرد، با این هزینه که 10٪ شاخص جدول 2 بایتی اضافی در SRAM نیاز خواهد بود.

توضیحات: فایل ترجمه به صورت word می باشد و دارای 40 صفحه است.

تحقیق در مورد بهبود سرعت یادگیری شبکه های عصبی ...

اختصاصی از ژیکو تحقیق در مورد بهبود سرعت یادگیری شبکه های عصبی ... دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه24

فهرست مطالب

معایب الگوریتم استاندارد پس انتشار خطا1 (SBP)

- روش ممنتم 1 برای الگوریتم BP (MBP)

بهبود الگوریتم استاندارد پس انتشار خطا (SBP)

- الگوریتم BP از نوع دسته ای1 (BBP)

- نرخ یادگیری متغیر1 (VLR)

- الگوریتم پس انتشار خطای تطبیقی1 (ABP)

- تغییرات علامت1

مقدمه

شبکه های عصبی چند لایه پیش خور1 به طور وسیعی د ر زمینه های متنوعی از قبیل طبقه بندی الگوها، پردازش تصاویر، تقریب توابع و ... مورد استفاده قرار گرفته است.

الگوریتم یادگیری پس انتشار خطا2، یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیش خور می باشد. این الگوریتم، تقریبی از الگوریتم بیشترین تنزل3 می باشد و در چارچوب یادگیری عملکردی 4 قرار می گیرد.

عمومیت یافتن الگوریتمBP ، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی می باشد.

علیرغم، موفقیت های کلی الگوریتم BP در یادگیری شبکه های عصبی چند لایه پیش خور هنوز، چندین مشکل اصلی وجود دارد:

- الگوریتم پس انتشار خطا، ممکن است به نقاط مینیمم محلی در فضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتم BP همگرا                می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.

- سرعت همگرایی الگوریتم BP، خیلی آهسته است.

از این گذشته، همگرایی الگوریتم BP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است.

در این گزارش، با هدف بهبود الگوریتم BP، تکنیک های مختلفی ارائه شده است. نتایج شبیه سازیهای انجام شده نیز نشان می دهد، الگوریتم های پیشنهادی نسبت به الگوریتم استاندارد BP، از سرعت همگرایی بالاتری برخوردار هستند.

خلاصه ای از الگوریتم BP

از قانون یادگیری پس انتشار خطا (BP)، برای آموزش شبکه های عصبی چند لایه پیش خور که عموماً شبکه های چند لایه پرسپترون 5 (MLP) هم نامیده می شود، استفاده می شود، استفاده می کنند. به عبارتی توپولوژی شبکه های MLP، با قانون یادگیری پس انتشار خطا تکمیل می شود. این قانون تقریبی از الگوریتم بیشترین نزول (S.D) است و در چارچوب یادگیری عملکردی قرار می گیرد.

بطور خلاصه، فرایند پس انتشار خطا از دو مسیر اصلی تشکیل می شود. مسیر رفت6 و مسیر برگشت 7 .

در مسیر رفت، یک الگوی آموزشی به شبکه اعمال می شود و تأثیرات آن از طریق لایه های میانی به لایه خروجی انتشار می یابد تا اینکه

_________________________________

1. Multi-Layer Feedforward Neural Networks
2. Back-Propagation Algorithm
3. Steepest Descent (S.D)
4. Performance Learning
5. Multi Layer Perceptron
6. Forward Path
7. Backward Path

نهایتاً خروجی واقعی شبکه MLP، به دست می آید. در این مسیر، پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، ثابت و بدون تغییر در نظر گرفته می شوند.

در مسیر برگشت، برعکس مسیر رفت، پارامترهای شبکه MLP تغییر و تنظیم می گردند. این تنظیمات بر اساس قانون یادگیری اصلاح خطا1 انجام می گیرد. سیگنال خطا، رد لایه خروجی شبکه تشکیل می گردد. بردار خطا برابر با اختلاف بین پاسخ مطلوب و پاسخ واقعی شبکه می باشد. مقدار خطا، پس از محاسبه، در مسیر برگشت از لایه خروجی و از طریق لایه های شبکه به سمت پاسخ مطلوب حرکت کند.

در شبکه های MLP، هر نرون دارای یک تابع تحریک غیر خطی است که از ویژگی مشتق پذیری برخوردار

بررسی و ارزیابی اثر میزان مکش و سرعت پیشروی بر عملکرد بذرکار نیوماتیک در کاشت بذر چغندرقند

اختصاصی از ژیکو بررسی و ارزیابی اثر میزان مکش و سرعت پیشروی بر عملکرد بذرکار نیوماتیک در کاشت بذر چغندرقند دانلود با لینک مستقیم و پر سرعت .

نویسند‌گان: مرتضی امامی ، بابک بهشتی ، مرتضی الماسی ، محمدحسین سعیدی راد
خلاصه مقاله:
امروزه در کشت گیاهان عواملی همچون قیمت بالای بذور اصلاح شده، هزینه های بالای کارگری تنک کردن ونیاز محصول به فاصله دقیق بین بوته ها، باعث گردیده است که کشاورزان جهت کاشت از بذرکارهای دقیقنیوماتیک استفاده نمایند.با توجه به اینکه میزان مکش پنکه و سرعت پیشروی بذرکارهای نیوماتیک از عوامل موثر بر دقت بذرکاری می باشد.لذا در این تحقیق بمنظور ارزیابی وبررسی عوامل مذکور از یک بذرکارنیوماتیک(تراشکده استفاده شد.فاکتورهای مورد بررسی در این بذرکار عبارت بود از 1-میزان مکش پنکه در سه سطح 45-35 و55-45 و 65-55 میلی بار 2 - سرعت پیشروی بذرکار در زمان کاشت در سه سطح( 4و6و8 کیلومتر درساعت 3- بذر مورد آزمایش بذر چغندرقند رقم ودر سه تکرار و جهت تجزیه آماری این پژوهش از آزمایش فاکتوریل در قالب طرح کاملا تصادفی استفاده گردید.صفات مورد بررسی در این تحقیق عبارت بود از ضریب یکنواختی(افقی،عمودی)بذرها از فاصله تنظیمی ،ضریب پراکندگی جانبی بذرها ازمیانگین ودرصد شکستگی بذر،نتایج نشان داد ، در سرعت های مختلف پیشروی از نظر ضریب یکنواختی عمودی از فاصله تنظیمی در بذرها در سرعت 4 کیلومتر درساعت بالاترین یکنواختی وجود داشت بطوریکه با سایر سرعت ها اختلاف معنی داری درسطح 1% وجود دارد، اما بین سرعتهای مختلف پیشروی بر روی ضریب یکنواختی افقی و پراکندگی جانبی و درصد شکستگی بذرها اختلاف معنی داری در سطح 5 % وجود ندارد. همچنین از نظربالاترین ضریب یکنواختی عمودی بذرها از فاصله تنظیمی در میزان مکش 65-55میلی باروجود داشته که با سایر میزان مکش ها اختلاف که با سایر میزان مکش ها اختلاف معنی داری در سطح 1% وجود دارد ، از نظر درصد شکستگی بذرها میزان مکش وسرعت پیشروی مختلف تاثیر چندانی بر روی بذرها نداشته بطوریکه اختلاف معنی داری در سطح 5 %بین آنها وجود ندارد.
کلمات کلیدی: یکنواختی ،افقی ،جانبی، عمودی ، درصد شکستگی بذر

مجموعه مقالات پیش بینی سرعت و جهت بادهای فرساینده در ایران

اختصاصی از ژیکو مجموعه مقالات پیش بینی سرعت و جهت بادهای فرساینده در ایران دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:22

 فهرست مطالب

مقدمه

نتایج و بحث

مطالعه حساسیت خاک سطحی  اراضی منطقه رودشت اصفهان به فرسایش بادی

مقدمه

مواد و روشها

نتایج و بحث

روشهای اندازه گیری زبری سطح خاک (Soil surface roughness )  و کاربرد آن در فرسایش بادی

کمی نمودن رسوبات فریاشی یافته بادی در منطقه شرق اصفهان

تعیین شار سایش و انتشار ذرات خاک با استفاده از خصوصیات خاک و شبیه سازی سرعت و جهت باد

منابع مورد استفاده

مقدمه

فرسایش  بادی یک معضل جدی در بیشتر مناطق خشک و نیمه خشک دنیا و ایران است . توانائی پیش بینی دقیق فرسایش بادی خاک برای بسیاری منظورها ، از جمله برنامه های حفاظتی ، منابع طبیعی ، و کاهش آلودگی هوا ناشی از طوفان ضروری است ( 3 ) .  از آنجایی که نیروی باد در طول سال ، ماه وحتی روز تا حد زیادی تغییر می نماید ، و همچنین قدرت فرسایندگی باد بستگی به توان سوم سرعت باد دارد . به منشور پیش بینی و کنترل فرسایش بادی در هر منطقه توزیع سرعت باد حائز اهمیت میباشد . همچنین علاوه برسرعت باد ، دانستن چگونگی تغییرات جهت باد در منطقه نیز امری ضروری است . زیرا نسبت جهت باد به جهت اضلاع زمین ، بادشکن ها ، ردیف کاشت گیاهان ، و شخم زمین ، نقش مهمی را در پیش بینی مقدار و جهت فرسایش بادی ایفا می کند ( 4) . مدل های مختلفی برای نشان دادن توزیع سرعت باد استفاده شده است . بی شک توزیع ویبل یکی از گسترده ترین توزیع هایی است که تا بحال برای نشان  دادن پراکندگی سرعت باد مورد استفاده قرار گرفته است ( 5 ) . اهداف این پژوهش عبارت بودند از : 1 ) شبیه سازی ساعتی سرعت و جهت باد به روش استوکاستیک با استفاده از توزیع ویبل ، به منظور استفاده در مدل WEPS  ، برای پیش بینی فرسایش بادی در شهرهای مختلف ایران ، 2) آزمون اعتبار سنجی توزیع ویبل و مدل کامپیوتری windpred  ، در پیش بینی ساعتی سرعت و  جهت باد ، . 3) ترسیم نقشه های سرعت و جهت بادهای فرساینده در ایران .

مواد و روشها

ابتدا 38  شهر که دارای حداقل 10 سال آمار ساعتی سرعت و جهت باد بودند ، انتخاب گردیدند . در مرحله بعد تعداد سال آماری هر شهری به دو دوره برابر تقسیم گردید ، بطوریکه از دوره اول برای شبیه سازی و از دوره دوم برای آزمون اعتبار سنجی مدل ( با استفاده از معنی دار بودن  و نبودن ضرائب همبستگی ) استفاده شد . سپس با استفاده از توزیع ویبل ، شبیه سازی سرعت و جه باد بصورت ساعتی توسط برنامه Windpred  ( 2 و 1 ) انجام گرفت . تابع توزیع تجمعی ویبل F (U)  به صورت زیر میباشد :

(1)                                                            [-(u/c)k]F(u)=1-exp

که در این معادله u  سرعت باد ( متر بر ثانیه )  ، c، پارامتر مقیاس ( با واحد سرعت ) ، و k  پارامتر شکل ( بدون واحد ) ، میباشند ( 6 ) . در هرمرحله بعد ، دوره های باد آرام حذف و فراوانی باد در هر گروه سرعتی نرمالیزه گردیدند . بنابراین :

(2)                                    [-(u/c)k]= 1-exp [ (F(u)-F0 ) / (1-F0)] F1(u)  =

که در آن F1(u)  توزیع تجمعی در حالتی است که دوره های باد آرام حذف شده است ، و F0 فراوانی دوره های باد آرام میباشد . پارامترهای k, c  به روش حداقل مربعات و بکارگیری تابع توزیع تجمعی محاسبه شدند ( معادله 2 ) .

با استفاده از پارامترهای توزیع ویبل (c,k)  فراوانی سرعت باد در هر ماه و در سال بصورت تجمعی و نرمال شده بدست آمد . به منظور شبیه سازی جهت باد ، اعداد بین صفر و یک بصورت تصادفی انتخاب ، و با جدول توزیع تجمعی جهت باد مقایسه گردیدند . برای شبیه سازی سرعت باد براساس جهت باد تعیین شده ، پارامترهای c،k  توزیع ویبل برای آن جهت خاص از جدول های تعیین شده قبلی ، بدست امد و از معادله زیر استفاده گردید :

U= c{-1n[1-(F(u)-F0]/(1-F0)}1/k

با استفاده از روش انتخاب عدد تصادفی ، یک عدد بین صفر و یک انتخاب گردید . سپس این مقدار را به جای F(u)   قرارداده و در نهایت سرعت باد شبیه سازی شده محاسبه گردید . به دلیل اینکه هدف شبیه سازی سرعت باد بصورت ساعتی بود ، با استفاده از رابطه زیر سرعت باد بصورت ساعتی شبیه سازی شد :

U(1)= Urep+0.5(umax-Umin) Cos[2p(24-hrmax+I)/24]

که در آن ، hrmax  ساعتی از روز که سرعت باد حداکثر است ،  I   شاخص ساعت روز ، Umax  سرعت باد حداکثر ، Umin  سرعت باد حداقل ، و Urep  سرعت شبیه سازی شده حاصل از معادله( 3 ) میباشد .

در مرحله  بعد ، با استفاده از نتایج شبیه سازی شده ، نقشه درصد سرعت بادهای فرساینده و جهت غالب آنها ، و همچنین نقشه حداکثر سرعت باد و جهت غالب باد در هر ایستگاه با استفاده از نرم افزارهای SURFER  و CorelDRAW10  برای ماه های مختلف سال تهیه گردید . بعنوان نمونه نقشه درصد سرعت بادهای فرساینده و جهت غال آنها ، برای ماه جولای نشان داده شده است ( شکل 1 ) لازم به ذکر است که در این نقشه ها ، شهرها به صورت دایره ، اسم شهرها واطلاعات مربوط به سرعت باد شهرها در داخل دایره و جهت باد غالب آنها هم بر روی دایره بشکل حروف و بصورت علامت پیکان ، نمایش داده شده است . همچنین برای نشان دادن سرعت حداکثر و درصد سرعت بادهای فرساینده ، از رنگهای مختلفی نیز استفاده گردید .

افزایش تضمینی سرعت مرورگر کروم و فایرفاکس و اپرا

اختصاصی از ژیکو افزایش تضمینی سرعت مرورگر کروم و فایرفاکس و اپرا دانلود با لینک مستقیم و پر سرعت .

شاید شما هم یکی از کاربران استفاده کننده از مرورگر محبوب فایرفاکس باشید. این مرورگر به دلیل داشتن امکانات متعدد و افزونه های فراوان و مفید، یکی از بهترین و محبوب ترین مرورگرها به شمار می رود. اما بسیاری از کاربران پس از مدتی استفاده از این مرورگر، شاهد کند شدن آن خواهند شد. این کند شدن سرعت به عوامل مختلفی بستگی دارد که از جمله آن ها می توان به افزایش کوکی های اینترنتی و SQLITE databases اشاره کرد که تاثیر زیادی در کاهش سرعت مرورگر فایرفاکس شما خواهند داشت. در این قسمت نرم افزار کم حجم به شما معرفی می کنیم. این نرم افزار قادر است با بهینه کردن تنظیمات کوکی های فایرفاکس و نیز فشرده سازی حجم SQLITE databases باعث افزایش سرعت اجرای فایرفاکس و سایر فرایندهای وابسته به آن شود. این نرم افزار کاملا ایمن بوده و کاری به بوکمارک ها، مدیریت پسوردها و سایر گزینه های امنیتی موجود در مرورگر فایرفاکس شما ندارد و می توانید با خیالی آسوده از آن استفاده کنید. استفاده از این نرم افزار بسیار ساده می باشد.

 

طریقه استفاده: برای استفاده از این نرم افزار ابتدا مرورگر فایرفاکس خود را ببندید و نرم افزار  را اجرا کرده و پس از انتخاب پروفایل خود که به صورت پیش فرض default است، بر روی دکمه ی Optimize کلیک کرده و مرورگر خود را اجرا نمائید و از سرعت بالای فایرفاکس خود لذت ببرید.
 
قابل استفاده در Firefox/Skype/Chrome/Thunderbird