مجموعه مقالات انگلیسی انرژی نو ieee

اختصاصی از ژیکو مجموعه مقالات انگلیسی انرژی نو ieee دانلود با لینک مستقیم و پر سرعت .

مجموعه کامل مجله IEEE Cloud Computing سال 2015

اختصاصی از ژیکو مجموعه کامل مجله IEEE Cloud Computing سال 2015 دانلود با لینک مستقیم و پر سرعت .

مجموعه کامل مجله IEEE Cloud Computing سال 2015

شامل 6 مجله

ناشر: IEEE

زبان مجلات انگلیسی است.

فایل های PDF مجلات با کیفیت اورجینال رنگی و قابلیت جستجو در متن و کپی برداری از متن است.

مجله IEEE Spectrum ماه june سال 2016

اختصاصی از ژیکو مجله IEEE Spectrum ماه june سال 2016 دانلود با لینک مستقیم و پر سرعت .

مجله IEEE Spectrum ماه june سال 2016 برای دانلود آماده شده است.

دانلود ترجمه فارسی مقاله IEEE ارزیابی قابلیت اطمینان مرکب با استفاده از شبیه سازی مونت کارلو و طبقه بند بردار پشتیبانی کمترین م

اختصاصی از ژیکو دانلود ترجمه فارسی مقاله IEEE ارزیابی قابلیت اطمینان مرکب با استفاده از شبیه سازی مونت کارلو و طبقه بند بردار پشتیبانی کمترین مربعات دانلود با لینک مستقیم و پر سرعت .

ارزیابی قابلیت اطمینان مرکب با استفاده از شبیه سازی مونت کارلو و طبقه بند بردار پشتیبانی کمترین مربعات 

Composite Reliability Evaluation Using Monte Carlo Simulation and Least Squares Support Vector Classifier
Naran M. Pindoriya, Member, IEEE, Panida Jirutitijaroen, Member, IEEE, Dipti Srinivasan, Senior Member, IEEE, and Chanan Singh, Fellow, IEEE

سال انتشار مقاله:  IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 26, NO. 4, NOVEMBER 2011

چکیده

این مقاله روشی سریع و کارآمد ارائه می­دهد که برای ارزیابی قابلیت اطمینان سیستم قدرت مرکب، شبیه­سازی مونت کارلو (MCS) و طبقه­بند ماشین بردار پشتیبانی کمترین مربعات (LSSVM) را ترکیب می­کند. LSSVM را به کار می­بریم تا به دقت حالات سیستم عامل قدرت را در طول نمونه­برداری مونت کارلو در حالات موفقیت و یا شکست، پیش طبقه­بندی کنیم. این حالات شکست پیش طبقه­بندی­شده سپس برای تحلیل کفایت با استفاده از جریان برق DC ارزیابی می­شوند، تا شاخص­های قابلیت اطمینان را محاسبه کنند. در نتیجه، زمان محاسبات برای انجام تجزیه و تحلیل جریان قدرت برای حالات موفقیت سیستم حذف شده­است. روش ترکیبی ارائه شده برای قابلیت اطمینان سیستم آزمون IEEE (IEEE-RTS-79) به کار می­روند و نتایج شبیه­سازی با استفاده از LSSVM با کرنل­های خطی و غیرخطی، با موارد غیرترتیبی MCS مقایسه می­شوند. این نتایج امیدوارکننده اثر MCS-LSSVM پیشنهادی که مبتنی بر یک روش ترکیبی حاصل از هر دو دقت طبقه­بندی و زمان محاسباتی است، را نشان می­دهند که در ارزیابی قابلیت اطمینان سیستم قدرت مرکب کاربرد دارد.

کلمات کلیدی- ارزیابی قابلیت اطمینان سیستم قدرت مرکب، طبقه بند بردار پشتیبانی کمترین مربعات، شبیه سازی مونت کارلو

Abstract

This paper presents a fast and efficient method which combines the Monte Carlo simulation (MCS) and the least squares support vector machine (LSSVM) classifier, for reliability evaluation of composite power system. LSSVM is used to accurately pre-classify the power system operating states as either success or failure states during the Monte Carlo sampling. These pre-classified failure states are then evaluated for adequacy analysis using DC power flow to calculate reliability indices. As a result, the computing time to perform power flow analysis of the system success states is eliminated. The proposed hybrid method is applied to the IEEE Reliability Test System (IEEE-RTS-79) and simulation results obtained using LSSVM with linear and nonlinear kernels are compared with that of nonsequential MCS. These promising results demonstrate the efficacy of the proposed MCS-LSSVM based hybrid method in terms of both classification accuracy and computational time in evaluating the composite power system reliability.

Index Terms—Composite power system reliability evaluation, least squares support vector classifier, Monte Carlo simulation.

نمونه داکیومنت را می توانید در تصویر زیر مشاهده نمایید:

 

آنچه تحویل داده می شود:

1. فایل ورد Microsoft Word .docx ترجمه به فارسی + فایل PDF
   
2. فایل PDF مقاله اصلی به زبان انگلیسی

 تعداد صفحات فایل ورد مقاله ترجمه شده (فارسی): 17 صفحه

تعداد صفحات مقاله اصلی زبان انگلیسی: 8 صفحه

مناسب برای دانشجویان کارشناسی و ارشد کامپیوتر (مهندسی نرم افزار و معماری کامپیوتر، هوش مصنوعی) و دانشجویان IT بالاخص دانشجویان نرم افزار و هوش مصنوعی

 می توان به عنوان پروژه دروس کارشناسی ارشد یا کارشناسی این پروژه را تحویل داد، دروسی مانند سیستم خبره، داده کاوی، مهندسی نرم افزار پیشرفته، مباحث پیشرفته در مهندسی نرم افزار، یادگیری ماشین،Machine Learning ، Data Mining، شبکه های عصبی، Neural Networks، مهندسی پزشکی، بیوانفورماتیک، انفورماتیک پزشکی، قابلیت اطمینان، Fault Tolerant

پس از خرید از درگاه امن بانکی، لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده می شود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه و یا انجام پروژه های برنامه نویسی و حل تمرینات با آدرس ایمیل:

[e-mail]

یا شناسه تلگرام (آی دی تلگرام ما): @ebarkat

توجه: اگر کارت بانکی شما رمز دوم ندارد و یا در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

از پایین همین صفحه (بخش پرداخت و دانلود) می توانید این پروژه را خریداری و دانلود نمایید.