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

اختصاصی از ژیکو 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)

ترجمه یک سیستم خبره فازی – عصبی برای تشخیص

اختصاصی از ژیکو ترجمه یک سیستم خبره فازی – عصبی برای تشخیص دانلود با لینک مستقیم و پر سرعت .

متن اصلی و ترجمه word
چکیده:
منطق فازی،یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند.با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند ، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی میکند که از داده های نمونه یاد گرفته و این اجازه را می دهد که قوانین فازی برای دانش پایه را استخراج کنیم.تشخیص electroencephalograms با تفسیر عناصر نموداری بعنوان یک نوع مشاهده در روش ما بکار گرفته می شود. نتایج اولیه نشان دهنده احتمالات مورد نظر با استفاده از روش ما می باشد.

دانلود مقاله شبکه های عصبی مصنوعی

اختصاصی از ژیکو دانلود مقاله شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

1-1- ایده پیدایش شبکه‌های عصبی مصنوعی

آیا کامپیوتر میتواند همان نوع از محاسباتی را که یک فرد هوشمند انجام میدهد به کار گیرد؟

بسیاری از دانشمندان عقیده داشته ودارند که این بحث باید مورد توجه قرار گیرد. شبکه‌های عصبی در حل مسائل یک جهت جدید و متمایز نسبت به کامپیترهای عمومی می‌گشود. کامپیوترهای عمومی از یک الگوریتم استفاده می‌کنند یعنی برای حل مسائل از یک سری دستورات از پیش تعیین شده پیروی می‌کنند مگر در مواقع ویژه‌ای که کامپیوتر نیاز به یک‌سری اطلاعات برای حل مسئله دارد. و همین مسئله توانایی پردازش را از کامپیوترهای عمومی به مسائلی که ما قبلا فهمیده‌ایم و روش حل آنها را شناخته‌ایم محدود می‌کند و تنها سرعت عمل و قدرت در حل نمونه‌های بزرگتر را به همراه دارند. اما کامپیوترها باید به قدری مفید باشند که بتوانند کارهایی را انجام دهند که واقعا ما نمی‌دانیم چگونه باید آنها را انجام دهیم.

شامل 26 صفحه فایل word قابل ویرایش

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

دانلود مقاله دستگاه عصبی

اختصاصی از ژیکو دانلود مقاله دستگاه عصبی دانلود با لینک مستقیم و پر سرعت .

لینک و پرداخت دانلود * پایین مطلب *

فرمت فایل : word ( قابل ویرایش )

تعداد صفحه : 4

فهرست

دستگاه عصبی

دستگاه عصبی مرکزی

دستگاه عصبی محیطی

مقدمه

مغز: مرکز فعّالیّت های بدن که 12جفت عصب از آن منتشر می شوند و به اعصاب جمجمه ای معروفند.مغز از اجتماع تعداد زیادی نورون واسته تشکیل شده است که پیامهایی را که حواسّ مختلف بدن از طریق نورون ها و یا یاخته های حسی به آن می فرستند را تعبیر و از طریق نورون های حرکتی به ماهیچه ها می فرستد.البته لازم به ذکر است که نخاع،عضو دیگر دستگاه عصبی مرکزی نیز بخشی از این کار را انجام میدهد.