پروژه های پیشین

نمونه ۱۰۰۱

مراحل اجرایی به صورت زیر قابل خلاصه شدن می‌باشد:

1. جمع‌آوری داده از پرونده‌های اعتباری مشتریان سابق بانک موردنظر و سیستم‌های عملیاتی کامپیوتری بانک؛
2. شناسایی متغیرهای تأثیرگذار در رتبه‌بندی مشتریان با استفاده از الگوریتم ژنتیک و توابع ارزیابی مختلف؛(متلب)
3. فازی سازی متغیرهایی که قابل فازی شدن هستند، با تابع عضویتی که در نظر گرفته می‌شود؛(متلب)
4. تقسیم داده‌های نمونه به دو مجموعه داده‌های آموزشی و داده‌های تست؛(متلب)
5. ساخت قوانین با استفاده از داده‌های آموزشی با تکنیک درخت تصمیم (ایجاد درخت تصمیم فازی) ؛(متلب)
6. آزمون مدل با مجموعه داده‌های تست؛(متلب)
7. ارائه الگوی کشف شده از طبقه‌بندی مشتریان؛
8. سنجش اعتبار مدل و با مدل‌های طبقه‌بندی.(متلب)

نمونه ۱۰۰۲

گزارش تحقیقاتی : وابستگی طیف جذبی برای سطوح بالاتر کوانتوم در آشکارساز ها

دراین پروسه تحقیقاتی به آنالیز و آنالیتیک ساختار محدود ونامحدود پروفایل پتانسیل کوانتوم در سطوح مختلف پرداخته می شود . ساختاری که می تواند bound-to-bound یا ازهردوطرف محدود ومرز بندی شده باشد ویا همچنین میتواند bound-to-continue یا ازیک طرف مرزبندی شده واحاطه شده باشد وازطرف دیگر اجازه ی افزایش سطح پتانسیل ودرنتیجه بازده ی کوانتومی وجود داشته باشد .

همچنین با پارامتر دیگری به نام طیف جذبی کوانتوم نیز می پردازیم که هرچه محدودیت مرزی در دوطرف موجود وبیشتر باشد ،افزایش طیفی را درپیک خواهیم داشت . برای آنالیز شماتیک زیر را درنظر می گیریم :

شماتیک فوق یک انتقال intersubband در ساختار کوانتوم همراه باسطوح پتانسیل را نشان می دهد . در صورتی که سطح پتانسیل زمین را با  و سطح تحریک اول را با  نشان دهیم ، درآن صورت می توان از روابط زیر آنها را نیز محاسبه کرد و همچنین به ازای parity های زوج و فرد نیز شرایط آنهارا برقرار و بدست آورد :

برای محاسبات و ارزیابی می توان از نرم افزار متلب نیز استفاده نمود . روند محاسبات به این شکل خواهد بود که ابتدا بااستفاده از معادلات ۳ و ۶  با قراردهی ورودی ها می توان مقادیر مجهول  و  را بدست آورد وسپس طی روابط ۲ و ۵ میزان دامنه های A و B را بدست آورد و با قراردهی در روابط ۱ و ۴ سپس میزان سطوح پتانسیل را محاسبه نمود .

با اعمال شرایط parity زوج وفرد همانطور که در مقاله نیز توضیح داده شده داریم :

و درادامه می توان میزان شدت وقدرت نوسان را ازرابطه ی زیر و درادامه میزان بازدهی را به ازای حالات فوق که درشکل نشان داده شده بدست آورد : ( bound-to-bound و bound-to-continue )

نمونه ۱۰۰۳

تمرین ۱: U طوری بدست آورده بشه که سیستم پایدار شه و بعد شبیه سازی شه با ode45

تمرین ۲ : فقط شبیه سازی شه با ode45 که خروجی هم سینوسی میشه مثل شکل فقط لطفا اینطوری که استادم خواسته شبیه سازی کنید. اینجوری توضیح دادند:

x  متغیر حالت سیستم است
که خروجی دستور ode45
و ی ورودی تابعی است که سیستم را در آن تعریف می کنید
function dx=systemmodel (x,t)
u=…
dx=…

نمونه ۱۰۰۴

تمرین

با استفاده از داده های قرار داده شده در تمرین ۳ مورد زیر انجام دهید.

با استفاده از نرم افزار HTK ویژگیهای MFCC، MFCC به اضافه مشتقات، LPC را برای هر یک از فایلهای قرار داده شده استخراج کنید. برای اینکار بایستی از فایل Hcopy استفاده کنید. (برای اینکار بایستی HTK را دانلود و کامپایل کنید)

ویژگیهای mfcc حاصل از HTK را برای یک فایل با ویژگیهای mfcc حاصل از جعبه ابزار voicebox مقایسه کنید. آیا یکسان است. در گزارشتان چند تای ابتدایی را نشان دهید.

با استفاده از داده های ضبط شده ماههای سال، تمرین زیر را انجام دهید.

برای هریک از داده های “فروردین” تا “اسفند” یک مدل مخفی مارکف بسازید. برای آموزش مدلها از داده های ضبط شده استفاده کنید. (۳ نمونه برای تست جدا کرده و مابقی را برای آموزش مدلها استفاده کنید)

داده های تست را بررسی کرده و مشخص نمائید که چه ماهی از سال  را نشان می دهد و نتیجه را در یک جدول همانند تمرین قبل گزارش نمایید.

برای ساخت مدل HMM یکبار برای هر مدل ۳ حالت درنظر بگیرید و یکبار نیز به صورت S=2*n+2 درنظر بگیرید که n  در اینجا تعداد واجها است. (مدلها را تماما چپ به راست در نظر بگیرید)

برای آموزش مدل و آزمایش مدلها میتوانید از توابع HInit، Hrest،Hvite و HHED و… استفاده کنید. (از HTK)

از HTK میتوانید برای راه اندازی HMM استفاده کنید یا اینکه از جعبه ابزار voicebox و FullBNT استفاده کنید. (در پیوست بخشی از این جعبه ابزار قرار داده شده است)  برای اینکار میتوانید:

۱-    با تابع melcepst از جعبه ابزار voicebox ضرایب ۳۹ تایی با طول فریم ۲۰ تا ۳۰میلی ثانیه و جابجایی ۱۰ میلی ثانیه استفاده کنید.

۲-    برای آموزش مدل میتوانید از جعبه ابزار HMM آقای مورفی در لینک زیر استفاده کنیدو یا از FullBNT بهره بگیرید

http://www.cs.ubc.ca/~murphyk/Software/HMM/hmm_usage.html

۳-    از توابع زیر برای آموزش استفاده کنید.

توزیع اولیه احتمال(S تعداد حالتها)

prior_w1_0 = [1, zeros(1, S-1)];

توزیع انتقال حالت

transmat_w1_0 = mk_leftright_transmat(S, .5);

پارامترهای مدل

mu_w1_0 = zeros(D, S, M);

Sigma_w1_0 = zeros(D, D, S, M);

ixmat_w1_0 = zeros(S, M);

D بعد بردار ویژگی ، M تعداد مخلوطهای گوسی و S تعداد حالات مدل است

[mu_s, Sigma_s, weights] = mixgauss_init(M, data, ‘full’, ‘kmeans’)

آموزش مدل را با تابع mhmm_em انجام دهید

آزمایش را نیز با تابع mhmm_logprob انجام دهید.

نمونه ۱۰۰۵

می خواهم یک برنامه درGUI   متلب   برایم بنویسید که موقع اجرا  ویژگی های همانند صفحات  اکسل  داشته باشد. ۹  تا جدول ، که  به ترتیب زیر و با انتخاب کاربر، باز شود:

1. جدول اول :جدول با عنوان” مشخصات مدارس منطقه ”  شامل ستونهای عنوان دار                ۱-نام مدارس و سالنها                          ۲- کد مدرسه یا سالن        ۳-طول ساعت تدریس در آن مدرسه      ۴- طول جغرافیایی مدرسه     ۵- عرض جغرافیایی مدرسه         ۶-تعداد کلاسها و مکانهای اختصاصی مدرسه           ۷-الی ۹۹ نام کلاس اول نام کلاس دوم و به ترتیب تا آخر….
2. جدول دوم :جدول با عنوان ” مشخصات دبیران منطقه”   شامل ستونهای عنوان دار         ۱- نام و نام خانوادگی دبیر                   ۲- کد پرسنلی          ۳- شماره تلفن تماس       ۴- کد همراهی           ۶- طول جغرافیایی محل اقامت دبیر نسبت به آموزش و پرورش منطقه        ۷- عرض جغرافیایی محل اقامت دبیر نسبت به آموزش و پرورش منطقه         ۸- تعداد ساعات موظفی               ۹-رشته تحصیلی                 و از ستون ۱۰ به بعد  یکی یکی؛عنوان درس هایی که در حوزه ی وظائف دبیر است به صورت عنوان درس اول ، عنوان درس دوم ، عنوان درس سوم و…
3. جدول سوم :جدول باعنوان ” مدارس محل خدمت دبیر در سال جاری”    با ستونهای عنوان دار :      ۱- نام و نام خانوادگی دبیر   ۲- کد پرسنلی   ۳-رشته تحصیلی       و از ستون چهارم به بعد تا حد اکثر ۲۰ ستون ،نام مدارس محل خدمت دبیر در سال جاری به ترتیب با عنوان ستون های :مدرسه اول  ؛مدرسه دوم   الی آخر
4. جدول چهارم : جدول با عنوان “برنامه تقسیم کار دبیران ”  با ستونهای عنوان دار   ۱- نام و نام خانوادگی          ۲- کد پرسنلی      ۳- رشته تحصیلی          و با این شرط که اگر در متلب امکان دارد برای هر ستون عنوان دار؛  زیر ستون  عنوان دار تعریف کنیم از ستون چهارم تا چهل و چهارم  ساعت موظفی با عنوانهای ساعت موظفی اول ، ساعت موظفی دوم ؛ ساعت موظفی سوم الی آخر       و برای هرکدام از این ستونها  هفت زیر ستون عنوان دار  با عنوانهای ” نام مدرسه”   و ” نام کلاس” و “نام محل تشکیل کلاس” و ” نام درس” و” طول ساعت تدریس”  و ” درجه دشواری درس ” و ” کد همراهی کلاس” داشته باشیم        و اگر این امکان و جود ندارد  از ستون چهارم به بعد ۲۸۰ ستون داشته باشیم و هفت عنوان که برای زیر ستونها کفته شد  به همین ترتیب چهل باربه جای عنوان ستونها تکرار شود.
5. جدول پنجم : باعنوان “جدول برنامه ساخته شده ” که بعد از  ورود داده ها در جداول قبلی  و اجرای تابع مشخص مثلا “barnamah.m”  روی جدول ۴ ، نتیجه را داخل آن بریزد و ذخیره کند
6. جدول ۶   با عنوان “جدول تغییر برنامه هفتگی ” که محتویات جدول ۵ را به همان ترتیب دارد؛ وبا انتخاب و تغییر برخی ویژگیهای آن توسط کاربر  دوباره می توان “barnamah.m” روی آن اجرا کرد و برنامه  تغییر یافته و قابل اجرای و جدید را در آن ذخیره نمود
7. جدول برنامه هفتگی دبیران
8. جدول برنامه هفتگی مدارس
9. جدول برنامه هفتگی کلاسها    (که سه جدول آخرمی توانند بعد ازاجرای تابع  خود به خود تکمیل شوند.)

ویژگی های جداول

1. تعداد سطرها ی جداول یک و دو و شش قابل تغییر باشد
2. تعداد ستونها و نیز عنوان ستونهای جداول اصلا قابل تغییر نباشد
3. برای راحتی کاربر و اجرای صحیح برنامه،  همزمان با تکمیل جدول یک و دو  ؛ ستونهای با عنوان یکسان به همان ترتیب در جدول ۳ و ۴  نیز تکمیل  شود .
4. برای تکمیل ستون چهارم به بعد جدول ۳ ؛ هربار ستون عنوان مدارس  جهت انتخاب ظاهر شود
5. برای تکمیل ستونهای چهارم به بعد جدول ۴ ؛   الف موقع تکمیل ستون “نام مدرسه” ، از همان سطر از جدول سه ،ستونهای تکمیل شده  چهارم به بعد جدول ۳ ، جهت انتخاب ظاهر شود.  ب موقع تکمیل ستون “نام کلاس”، نام تمام کلاسهای  مدرسه ی ستون قبل با استفاده از ستون های تکمیل شده هفت به بعد جدول ۱  ، جهت انتخاب ظاهر شود.   ج موقع تکمیل ستون ” محل تشکیل کلاس “، از همان سطر از جدول۳ ،ستونهای تکمیل شده  چهارم به بعد ، جهت انتخاب ظاهر شود.   د موقع تکمیل ستون “نام درس ”  ستون ۱۰ به بعد  همان سطر از جدول ۲ جهت انتخاب ظاهر شود.
6. برای جدول ۶ این این امکان وجود داشته باشد که بعد از انتخاب و تغییر رنگ  خانه ها امکان تغییرستون ” کد همراهی کلاسها ” بدون تغییر سایر ویژگیهای سایر خانه ها باشد
7. برای تمام خانه های تمام جداول ، مقدار پیش فرض “صفر” باشد .
8.  امکان  cut , copy , pase حتی از جدولEXEL, تغییرمحتویات (خانه به خانه برای خانه های کاربر –تعریف)، پرینت ، ذخیره ، بازیابی  جداول تغییر یافته  تا ده –بیست تا قبل،وجود داشته باشد
9. بعد از باز شدن gui عنوان جداول  به ترتیب در بالای صفحه  باشد و بعد از کلیک روی هر جدول و فعال شدن آن ، دگمه ای دو وضعیتی ( یا هر دگمه مناسب دیگر) باشد که در موقع روشن شدن راهنمایی های لازم جهت تکمیل  و استفاده از آن جدول را نشان دهد.
10. با اضافه شدن سطر جدول های کاربر-تعریف  همچنان سطراول جدول یعنی سطر شامل عنوان ستونها  در بالای جدول نمایان باشد.
11. یک دگمه برای اجرای تابع  barnamahبرنامه روی جدول  ۵ باشد
12. یک دگمه برای اجرای تابع روی جدول ۶ نیز باشد که (ترمیم برنامه)( تغییر برنامه)( برنامه جدید) نام دارد.

نمونه ۱۰۰۶

عنوان پروژه: پخش بار مولتی اسلک
———————————————–
توضیحات پروژه: با سلام
پروژه من پخش بار مولتی اسلک با استفاده از کدنویسی متلب می باشد . قسمت پخش بار کد نویسی شده و جواب هم گرفته ام منتها به دلیل کمبود وقت نمیتونم قسمت مولتی اسلکش رو انجام بدم . در حقیقت کدنویسی شامل دو بخش پخش بار و بخش مولتی اسلکه که قسمت اول اجرا شده….من میخام قسمت دوم مقاله ای که براتون ارسال کردم رو برای سیستم توزیع ۳۴ باسه IEEE کدنویسی بشه …حداقل تعداد دو عدد  DG در سیستم در نظر گرفته بشه …
یک برنامه که ورودی هاش : گره های ابتدا و انتهای شاخه ها ، ولتاژ گره های ابتدا و انتهای شاخه ها ، جریان شاخه ها ، گره هایی که DG  مشارکت کننده بهش متصله…
برنامه نوشته شده با استفاده از مسیر پخش بار مثبت حوژه هر ژنراتور رو تعیین میکنه و با استفاده از حوزه ژنراتور توان تولید ژراتور و ضریب مشارکت رو محاسبه کند.

نمونه ۱۰۰۷

این مقاله در مورد یکی از ادوات custom power به نام upqc است.همون طور که میدونید upqc از ترکیب statcom و dvr تشکیل شده و همزمان وظایف هر دوی این جبران کننده هارو به عهده داره. قراره به طور خلاصه(s) ولت آمپر مربوط به اجزای یک upqc مینیمم بشه.این ولت آمپر شامل ولت آمپر اجزای اصلی Upqc متل اینورتر شنت(statcom) و سری(dvr)  و ترانس سری هست.برای این منظور در مقاله از روی دیاگرام برداری فرمول ها برای محاسبه کلی ولت آمپر مربوط به Upqc استخراج شده که ترکیب ولت آمپر اینورتر شنت یا Statcom اینورتر سری یا dvr و ترانس سریه که تابعی از دلتا یا زاویه جابجایی بین ولتاژ منبع و ولتاژ بار و  k شده K=1…حالت ماندگار رو نشون میده جاییکه ولتاژ منبع بعد اختلال ثابته.  kکمتراز یک حالت ولتاژ سگ رو نشون میده جاییکه بعد از اختلال ولتاژ منبع افت میکنه و توسط تزریق یک ولتاژ سری باعث میشه ولتاژ دوسر بار ثابت بمونه  و k بزرگتر از یک حالت ولتاژ سوئل که در اینجا هم ولتاژ منبع بعد ایجاد اختلال افزایش پیدا کرده و ولتاژ سری باز باعث میشه ولتاژ بار و جریان بار ثابت بمونه…. روش انجام محاسبات در مقاله توسط فلوچارتی مشخص شده در این فلوچارت با تعریف فرمولهای بدست آمده برای ولت آمپر یا s با داشتن تعدادی ورودی (مثل k_max=1.4 و k_min=0.4 و P_LوV_s وV_L و Q_L و…) روابط برای هر سه حالت k محاسبه شده ونتایج در هر حالت k به ترتیب در S_se1 S_se2 S_se3 S_sh1 S_sh2 S_sh3و…ذخیره میشه در ادامه ازبین این مقادیر یه ماکزیمم انتخاب میشه و در A_seوA_shو A_upqcمتناظرذخیره میشه و بعد به دلتا ۰٫۰۱ اضافه شده و مراحل تکرار میشه تا ۴۵درجه… در نهایت از میان اینA_upqcها یک مینیمم گرفته میشه.nی که این مقداربرایA_upqc  مینیمم شده رو میده به x و بقیه متغیرها رو در همین xمحاسبه میکنه که میشه نتایج مقاله که در جدول۴ ذکر شده. خروجی این فلوچارت پیدا کردن یه دلتای بهینه است که مقاله خودش ۱۵ درجه پیدا کرده بعد تمامی ریتینگها مثل S_upqcوS_seوS_shوS_Tfدر این دلتای مشخص محاسبه میشن.

اما کاری که ما انجام خواهیم داد کمی متفاوت تر خواهد بود و سعی داریم این کمینه سازی رو برای کارکرد UPQC‌ تحت دلتاهای کاری مختلف انجام بشه

کاری که میخوایم انجام بدیم اینه که مثل قسمت اول برنامه برای هر سه حالت k=1,0.6,1.4 بصورت مجزا از دلتا مساوی صفر تا ۴۵ محاسبات انجام بشه و زوج مرتب های [S_se,S_sh] تولید بشه.

نمونه ۱۰۰۸

مرحله ۱- محاسبه­ی درصد حفرات در هر تصویر، به طور مثال در تصویر زیر حفرات شامل فضاهای سفید رنگ در متن خاک می­باشند که درصد و هیستوگرام آن­ها نسبت به کل عکس باید محسبه گردد.

مرحله ۲- محاسبه درصد و هیستوگرام مواد هومیک در هر تصویر،

۳- محاسبه درصد و هیستوگرام اکسیدهای آهن و منگنز در هر تصویر، که به عنوان مثال شامل نقاط و توده­ی قرمز رنگ در تصویر زیر می­باشند.

۴- محاسبه درصد و هیستوگرام توده­ها و نقاط زرد رنگ مربوط به کانی کلسایت در هر تصویر،

۵- محاسبه درصد و هیستوگرام توده­های بنفش، آبی و قرمز رنگ مربوط به کانی­های کربناته به صورت جداگانه در هر تصویر.

۶- محاسبه درصد و هیستوگرام توده­های قرمز رنگ مربوط به کانی­های کربناته در هر تصویر.

۷- محاسبه درصد و هیستوگرام توده­های آبی رنگ مربوط به کانی­های کربناته در هر تصویر.

نمونه ۱۰۰۹

پیاده سازی کد ها با استفاده از مقاله مورد نظر می باشد.

در مقاله هشت مدل مورد مقایسه قرار گرفته است که توضیحات هر کدام از آنها در مقاله موجود می باشد و ما در اینجا به بررسی فایل ها می پردازیم که هر فایل مربوط به کدام مدل می باشد:

مدل اول:

همانطور که در مدل اول آورده شده است ، از تمام ویژگی ها به همراه شبکه عصبی mlp استفاده شده است که ما پیاده سازی این بخش را در ام فایل FullFeature.m انجام داده ایم. برای محاسبه دقت شبکه عصبی نیز از تابع NN_evaluation.m استفاده کرده ایم.

نکته ای که در این مقاله بچشم می خورد این است که مقایسه ای بین روش های انتخاب ویژگی و بدون انتخاب ویژگی صورت گرفته است که در مدل اول ما انتخاب ویژگی نداریم ولی در مدل های دوم تا هشتم انتخاب ویژگی داریم که این انتخاب ویژگی براساس الگوریتم های گفته شده انجام می گیرد.

مدل دوم:

انتخاب ویژگی با استفاده از الگوریتم های کاهش بعد pca می باشد که ما ویژگی خود را به الگوریتم pca می دهیم و خروجی الگوریتم pca باعث کاهش بعد ویژگی ها می شود. برای مثال فرض کنید ما ۵۰ ویژگی دایم و   با استفاده از pca  از آن ۵۰ ویژگی ۲۵ ویژگی آن را انتخاب می کنیم.

که بعد از انتخاب ویژگی آن را به شبکه عصبی mlp می دهیم. که این کار را ما در ام فایل PCA_MLP.m انجام داده ایم.

مدل سوم:

در این مدل از قوانین انجمنی برای انتخاب ویژگی ها استفاده کرده ایم . قوانین انجمنی قوانینی هستند که باعث می شوند زیر مجموعه ی بهینه از ویژگی ها انتخاب گردند که روال کار را ما در ام فایل AR.m انجام داده ایم.

مدل چهارم :

در این مدل از شبکه عصبی som برای انتخاب ویژگی ها استفاده کرده ایم که توضیحات شبکه عصبی در مقاله موجود می باشد. و روال کار در فایل SOM_MLP.m قرار دارد

مدل پنجم و هفتم:

استفاده از ترکیب شبکه عصبی som و الگوریتم کاهش بعد pca برای انتخاب ویژگی هاست که توضیحات مربوط به هرکدام از این ویژگی ها در مقاله موجود می باشد و ام فایل هایی که ما برای این کار نوشته ایم به صورت زیر می باشد:

PCA_SOM_MLP.m

SOM_PCA_MLP.m

مدل ششم و هشتم:

در این مدل از ترکیب شبکه عصبی som و قوانین انجمنی برای انتخاب ویژگی استفاده کرده ایم که روال این کار در ام فایل های زیر به ترتیب موجود می باشد.

SOM_AR_MLP.m

AR_SOM_MLP.m

نتایج مورد نظر همانند نتایج مقاله می باشد.

نمونه ۱۰۱۰

مدلسازی برای پیش بینی داده های سری زمانی با استفاده ازروش شناسایی آماری الگو ومنطق وفازی :

مهم ترین قسمت برای پیش بینی داده های سری زمانی نتایج با کیفیت زمانی قابل دسترس می باشد که ورودی ازکیفیت بالایی برخوردار باشد بنابراین داده های ناقص درون مجموعه داده بایستی تخمین زده شوند تاکیفیت داده ای برای پیش بینی داده ها سری زمانی افزایش پیداکند. دراینجاست که اهمیت روش های کارامد برای انتساب اطلاعات ناقص اهمیت پیدا می کند.اگر مقادیر ناقص به صورت تصادفی باشد(MAR)  این مقادیراز داده های موجود با استفاده از یک سری روش های پیچیده قابل تخمین می باشد با توجه به تکنیک های شناسایی آماری الگو شامل موارد فوق روش خوشه بندی  K-Means  و روش خوشه بندی FUZZY C-Means وماشین بردارپشتیبان (SVM)ودسته بندی داده ها به روش بیزین ودسته بندی داده ها به روش k-نزدیکترین همسایه می باشد با توجه به مزایا ومعایب هریک از روش های فوق ماباید روشی را انتخاب کنیم که دارای کمترین خطا وبالا ترین صحت درستی نتیجه رابدهد.در اینجا از روش Fuzzy C-Meansوالگوریتم possibilistic  C-Means درون سیستم ارایه شده مورد استفاده قرارمی گیرد.بنابراین مزایا الگوریتم Fuzzy C –Meansمانند این موضوع که یک داده می تواند به بیش از یک خوشه تعلف داشته باشد که سبب بدست آمدن بهترین نتایج برای داده های همپوشانی شده هستند نقطه ضعف این الگوریتم ضعف به داده های نویز احساس می باشد یکی از مزایا الگوریتم Possibilistic C-Means مانند مدیریت موثر داده های نویزی را بایکدیگر ترکیب می کنیم.سیستم ارائه شده هردو موضوع خصوصیت داده ای وتابع عضویت را مدنظر قرار می دهد.روش فازی Fuzzy possibilistic c –means(FPCM) با استفاده ازالگوریتم ژنتیک درکناربردار پشتیبان رگرسیون بهینه سازی شده است.هدف اصلی SVRGA کمینه سازی خطا می باشد.مدل سازی بردارپشتیبان رگرسیون بایستی با رکوردهای کامل آموزش داده شود.الگوریتم ژنتیک برای انتخاب پارامترهای جدید از جمعیت فعلی مورد استفاده قرار می گیرد.اگر خطابدست آمده مینیمم باشد پس فرض براین است که پارامترها بهینه شده اند ومجموعه داده ای شامل رکوردهای ناقص نمی باشد.اگرمقدارخطا مینیمم نباشد.درباره مقادیر ناقص رابا استفاده از خوشه بندی Fuzzy possibilitic c- means(FPCM) با استفاده از مقادیرجدید تخمیم می زند. عملکرد روش پیشنهادی با استفاده ازمیانگین خطای مربعی تصادفی (RMSE) محاسبه می شود.

داده های ناقص به دلایل مختلف درمجموعه های داده ای رخ می دهد.اگرچه این زمینه انجام شدنی نیست ,این وقایع رخ نمی دهد یا داده ها در دسترس نمی باشد.یک حالت ممکن این است که فردی که داده ها را وارد می کند ازمقدار صحیح باخبر نمی باشد یا اینکه برایش مهم نمی باشد که اگر مقدارفیلد خالی باشد.اگرچه سناریوهای درمجموعهداده کاوی وجوددارد که در آن داده های ناقص حاوی اطلاعات مهمی می باشد.مفهوم داده های ناقص به صورت گسترده وابسته به مفهوم می باشد.به عنوان مثال,یک مقدار ناموجود برای یک تاریخ دریک لیست فاکتور دارای معنای قابل ملاحظه متفاوتی از نبودن تاریخ دریک ستون که در بردارنده اطلاعات استخدامی یک فرداست می باشد.سه نوع داده ای متفاوت در ادبیات علمی وجود دارد.

۱-ناقص به صورت کاملا تصادفی –مقادیر ناقص دارای هیچ گونه وابستگی نسبت به مقادیر دیگر نمی باشد.

۲-ناقص تصادفی –داده های ناقص دارای وابستگی به مقادیر دیگر هستند مقادیرازدست رفته براساس مقادیر دیگرتخمین زده شوند.

۳-نقص به صورت غیرتصادفی –مقادیر ازدست رفته دارای وابستگی به مقادیر از دست رفته دیگر می باشند,وبنایراین داده ها از دست رفته براساس مقادیر دیگر نمی توانند تخمین زده شوند.

در این تحقیق ما فقط مقادیر داده های تصادفی با توجه به ماهیت داده های سری زمانی که قابل استنتاج به شیوه ای پیچیده از داده های باقبمانده می باشدرا مدنظر قرار داده ایم. آموزش بردارپشتیبان رگرسیون درصورتی که داده ها به صورت تصادفی ناقص نباشد امکان پذیرنباشد امکان پذیر نمی باشد. دراین تحقیق ما به دنبال تخمین مقادیر ناقص در داده های سری زمانی با استفاده از خوشه بندی فازی C-Means که توسط الگوریتم ژنتیک به همراه بردار پشتیبان رگرسیون بهینه شده است .سپس با کامل بودن مجموعه داده ها به پیش بینی داده ها سری زمانی می پردازیم.

الگوریتم Fuzzy Possibilistic C Means:

تخمین مقادیر با استفاده استفاده از این الگوریتم صورت می پذیرد.در واقع این روش ترکیبی از Fuzzy C-Meansو الگوریتم Possibilistic C Means برای خوشه بندی می باشد.بدین ترتیب مزیت های الگوریتم

Fuzzy C-Meansمانند این موضوع که داده ها می توانند به پیش از این کلاس تعلق داشته باشند,که منجر به یهترین عملکرد برای داده های همپوشان می شود واین امر که الگوریتم Possibilistic C-Meansکه به صورت کارا داده های نویزی را مدیریت می کند, منجر به ترکیب این دو روش گردیده است.سیستم ارائه شده هردومقدار عضویت وخصوصیت داده ای را مدنظر قرارمی دهد,که به کاهش نرخ خطا کمک می کند.تابع عضویت درجه ای است مه مشخص می کند به چه اندازه یک عنصر متعلق به آن خوشه می باشد.

بنابراین هر عنصر باید دارای یک مقدار عضویت برای هر خوشه باشد.

خصوصیت، درجه ای است که به ما می گوید به چه میزان یک خوشه یک عنصر را نگهداری می کند. بنابراین هر خوشه باید دارای یک مقدار خصوصیت برای هر عنصر باشد. درجه های خصوصیت برای درست کردن نمونه های اولیه به منظور توصیف کردن زیرگروه های داده ای تعریف می شوند، که هم نکات معمول از دسته بندی اعضا و هم ویژگی های متمایز در مقایسه با دیگر دسته ها را مد نظر قرار می دهد. خصوصیت یک نقطه برای دسته اش وابسته به دو تعریف مکمل می باشد، که شباهت داخلی و عدم شباهت خارجی نامیده می شوند: اولی بدین صورت تعریف می شود که یک نقطه به چه میزان مشابه دیگر اعضای دسته می باشد و دومی به عنوان عدم تشابه آن از دیگر اعضای این رده تعریف می گردد.

گام خصوصیت: برای هر نقطه x عضو X و هر خوشه Cr، r=1,…,c

1. مقدار شباهت داخلی را محاسبه کن R(x,Cr)= avg((x,y), y<Cr)
2. عدم تشابه خروجی را محاسبه کن D(x,Cr)= avg((x,y),y<Cr)
3. محاسبه درجه خصوصیت T(x,Cr)=(R(x,Cr),D(x,Cr)

گام تخصیص:

1. اگرx نمونه ای از هیچ کدام از خوشه ها نبود، برای مثال T(x,Cr)<0.1، مقدار x را به خوشه ساختگی c0 نسبت می دهیم.
2. اگر خصوصیت x آشکار نباشد، برای مثال T1(x)-T2(x) < 0.02 ، جایی که T_i(x)مقدار بزرگ i ام از T(x,Cr) باشد، x را به خوشه ساختگی c0 نسبت می دهیم
3. در غیر این صورت، x براساس درجه ماکسیمم خصوصیت، برای مثال به Cr که r=argmax T(x,Cs)نسبت داده می شود.

مدل انتصاب FPCM-SVGRA

معماری سیستم پیشنهادی در شکل ۱ نشان داده شده است. مدل ارایه شده دیتاست داده شده را به دو خوشه دسته بندی می کند. یکی با رکوردهای کامل و دیگری که دارای مقادیر ناقص است و به عنوان ورودی برای تخمین زننده امکانی-فازی بکار می رود.ماژول فازی-امکان مجموعه داده ای را براساس الگوریتم FPCM که بعد توسط بردار پشتیبان رگرسیون آموزش داده می شود خوشه بندی می کند. مدل غیرخطی داده شده توسط ماشین بردار پشتیبان آموزش داده می شود تا داده های ناقص را محاسبه نماید. صحت مقادیر محاسبه شده با استفاده از میانگین خطای مربعی ریشه چک می گردد. زمانی که این مقدار بین آستانه قرار بگیرد، سپس مدل آموزش دیده توسط بردار پشتیبان رگرسیون مورد استفاده قرار می گیرد تا مجموعه داده ای را کامل نماید. پارامترها با استفاده از الگوریتم ژنتیک بهینه می گردد و کل فرایند تکرار می گردد تا زمانی که لیست پارامترها بهینه گردد.

الگوریتم بکار رفته در این مقاله شامل گام های زیر می باشد:

1. بارگذاری مجموعه داده در پایگاه داده
2. ایجاد یک پایگاه داده مشابه دیگر که کامل و غیر کامل نامیده می شود.
3. جدا سازی داده های داده شده در بین دو پایگاه داده و بارگذاریشان در پایگاه داده
4. محاسبه تعداد خوشه ها
5. محاسبه فاکتور وزنی ‘m’ برای هر خوشه
6. بدست آوردن مرکز خوشه c_j برای هر خوشه
7. محاسبه فاصله d
8. محاسبه مقدار برای تابع عضویت
9. محاسبه خصوصیت
10. محاسبه مقادیر برای داده های ناقص
11. درست کردن مدل SVR از طریق آموزش با داده های مشخص
12. آموزش بردار پشتیبان رگرسیون توسط سطرهای کامل
13. مقایسه خروجی های c-means فازی –امکان با خروجی SVR
14. تابع خطای کمینه شده می تواند با استفاده از error= (X-Y)²، که X خروجی بردار پشتیبان رگرسیون و Y خروجی الگوریتم فازی امکان c-means است محاسبه می شود
15. بدست آوردن مقدار کمینه c و پارامتر m  با استفاده از الگوریتم ژنتیک  برای کمینه کردن فاصله  بین خروجی بردار پشتیبان رگرسیون و خروجی الگوریتم فازی امکان c-means
16. تخمین مقدار ناقص با استفاده از الگوریتم فازی-امکان c-means با پارامترهای بهینه.

سیستم بعد از آنکه بررسی مجموعه داده ها از داده ها ناقص در صورت وجود داشتن تخمین داده ها ناقص می پردازد,بعد ازآن مجموعه داده های سری زمانی بصورت یک سری زمانی کامل در می آورد(سری زمانی که درتمام زمانها مقدارداشته باشد) به پیش بینی داده ها آینده پرداخته می شود.

۳٫۵٫پیش بینی داده های سری زمانی بااستفاده از منطق فازی براساس سیستم فازی Look up(جدول ارجاع):

فرض می کنیم مایک مجموعه از nورودی وخروجی جفت داده داریم بصورت ذیل می باشد

(x₁^۱ ,x₂^۱:y¹),(x²₁ ,x₂^۲ ,:y²);….;(x”₁,x“₂:y”)

وظیفه در اینجااین است به تولید یک مجموعه از قوانین فازی IF-Fuzzy ازجفت ورودی وخروجی می باشد ازآنها برای تعیین سیستم منطقی y→ f:(x₁, x₂)

روش کار به پنج مرحله تقسیم می شود به صورت زیل:

مرحله اول:فضای رودی وخروجی به صورت فازی طبقه بندی میکنیم.براین اساس فاصله هربازه از متغیر ورودی وخروجی به ناحیه ها۲*N+1(Nمی تواند متفاوت باشد برای هر متغیر,عرض مناطق دلخواه)مشخص شده توسط نواحی خیلی کوچک,کوچک,مرکز,بزرگ,خیلی بزرگ وهرناحیه آن تعیین می کندبه یک تابع عضویت فازی ,به عنوان مثال N=2به ۵ تابع عضویت فازی نوع تابع عضویت فازی می تواند مثلثی یا ذوزنقه ای باشد.

مرحله دوم:این مرحله به مرحله کوچکتر تقسیم می شود.

اولا:محاسبه درجه داده شده در ناحیه مختلف

دوما:اختصاص به ناحیه با حداکثر درجه داده شده

سوما:بدست می آوریم یک قانون IF-THENازیک جفت داده ورودی خروجی داده شده

مایدست می آوریم قانون اول   IF X₁ is B1 AND X₂ is CE ‚THEN y is B1 ازیک جفت داده) y¹→^۱₂  (X¹₁ ‚Xمشابه آن ما بدست  می آوریم قانون دوم:IF X₁ is S1 AND X2 IS B2 THEN y is CEازجفت داده(X²₁‚X² ₂→y²)

مرحله سوم:محاسبه درجه هرپایگاه قانون از قانون تولید شده

D(rule)=μ_A (x₁)*μ_B (x₂)*μ_c(y)

مرحله چهارم:ایجادپایگاه قوانین فازی ترکیبی ,دراین مرحله جلوگیری می کند از تداخل قوانین اگردوتا قانون یکسان در پایگاه قوانین فازی وجود داشته باشد قوانین متضاد به قوانین شبیه به هم هستند دربخش مقدم یکسان ودر بخش تالی غیریکسان می باشد برای حل این قئانین متضاد فقط قانون پذیرفته می شود از گروه متضاد که بالاترین درجه دارند.مااستفاده می کنیم از جدول LOOK UP نمایش یک پایگاه قانون فازی همانند یک ماتریس N*N,خانه ها جدول پایگاه قانون پرشده است بوسیله قوانین,اگر وجود دارد بیش ازیک قانون در یک خانه جدول  ازپایگاه قانون فازی‚قانون که بالاترین درجه قانون دارد استفاده می شود.

مرحله پنجم :دقیق ساز (defuzzification)نتایج فازی حاصل از استنتاج را به خروجی قطعی تبدیل می کند.

هم اکنون برای اجرا از روش های ارایه شده برای پیش بینی سری زمانی مکی گلاس یکی ازسری زمانی آشوبناک است که رفتار یکنوایی از خود نشان  نمی دهد

. dx(t)/dt = 0.2x(t-tau)/(1+x(t-tau)^10) – 0.1x(t)معادله مکی گلاس tau تاخیر زمانی می باشد.

که در آن ۳۰۰ داده سری زمانی ۱۵۰ داده آموزش و۱۵۰ داده تست وپنج نقطه برای پیش بینی

درنظرگرفته  N=3هفت ناحیه فاصله بازه ورودی خروجی

پیش بینی داده سری زمانی نرخ ارز ریال به دلار از تاریخ ۱۵/۹/۹۲ تا ۱۵/۹/۹۴ ۲۰۰ داده اموزشی برای این سری زمانی نرخ ارز پیش بینی ۹ نقطه برای پیش بینی در نظر گرفته شده است.

روش ارائه شده پیش بینی داده ها سری زمانی براساس روش شناسایی آماری الگو ومنطق فازی

براساس مدل FPCM-SVGRA واستفاده منطقفازی براساس سیستم فازی  look up درمقایسه با پیش بینی داده های سری زمانی استفاده از شبکه عصبی MBF(پرستیژون چندلایه) برای پیداکردن داده هاکه وجود نداردوپبش بینی داده ها سری زمانی با شبکه عصبی می پردازد.

در این پایان با ترکیب مدل FPCM-SVGRA ومنطقفازی یک مدل هوش محاسباتی برای جواب سوالات تحقیق :

۱-اگرداده های سری زمانی رفتارمشخصی از خود بروزندهند آیا سیستم قادر به پیش بینی خواهد بود.

۲-سیستم ارائه داده شده تاچه اندازه درمقابل نویز وفقدان داده دریک زمان خاص مقاوم است.

نمونه ۱۰۱۱

موضوع پروژه درس  : طراحی فیلترهای (لامپ المان) پایین گذر بکمک الگوریتم ژنتیک

می باشد. این فیلتر باید با ستفاده از الگوریتم ژنتیک بهینه شود ، اینجانب  یک فیلتر پایین گذر را در محیط مایکروویو افیس شبیه سازی کرده ام

نتیجه نهایی فیلتر طراحی شده توسط الگوریتم ژنیتیک تقریبا باید شبیه پاسخ شبیسازی شده باشد .

این شبیه سازی  ژنتیک در محیط مطلب صورت میگیرد و برنامه مطلب هدف نهایی می باشد.

مختصری را در مورد این پروژه در زیر آورده ام.

مدت زمان تا بیستم الی ۲۵ خرداد می باشد.

نمونه ۱۰۱۲

مراحل اجرایی به صورت زیر قابل خلاصه شدن می‌باشد:

1. جمع‌آوری داده از پرونده‌های اعتباری مشتریان سابق بانک موردنظر و سیستم‌های عملیاتی کامپیوتری بانک؛
2. شناسایی متغیرهای تأثیرگذار در رتبه‌بندی مشتریان با استفاده از الگوریتم ژنتیک و توابع ارزیابی مختلف؛(متلب)
3. فازی سازی متغیرهایی که قابل فازی شدن هستند، با تابع عضویتی که در نظر گرفته می‌شود؛(متلب)
4. تقسیم داده‌های نمونه به دو مجموعه داده‌های آموزشی و داده‌های تست؛(متلب)
5. ساخت قوانین با استفاده از داده‌های آموزشی با تکنیک درخت تصمیم (ایجاد درخت تصمیم فازی) ؛(متلب)
6. آزمون مدل با مجموعه داده‌های تست؛(متلب)
7. ارائه الگوی کشف شده از طبقه‌بندی مشتریان؛
8. سنجش اعتبار مدل و با مدل‌های طبقه‌بندی.(متلب)

نمونه ۱۰۱۳

کنترل هوشمند سیستم های تهویه مطبوع در ساختمان های با انرژی کارآمد به وسیله مدل پیش بینی شده گاز CO₂

در این مقاله، یک استراتژی کنترل هوشمند برای سیستم های تهویه در ساختمان های با انرژی کارآمد ارائه شده است. هدف طراحی کنترلر هوشمند به منظور تعیین میزان تهویه مطلوب مؤثر و دقیق با حفظ غلظت CO₂ داخل ساختمان در ناحیه مطلوب با کاهش مصرف انرژی می باشد. در این مطالعه غلظت CO₂ به عنوان شاخص رفاه انسان از نظر کیفیت هوای داخل ساختمان استفاده می شود. علاوه بر این، یک مدل پیش بین برای پیش بینی غلظت CO₂ داخل ساختمان بر اساس الگوی اشغال ساختمان استفاده شده است. با توجه به مدل غیرخطی درجه بالا از بهینه سازی ازدحام ذرات (PSO) برای بدست آوردن میزان تهویه مطلوب استفاده می شود. برای نشان دادن ارتباط میان میزان تهویه و مصرف توان متناظر برای سیستم های تهویه مکانیکی از روش فازی استفاده می شود. در مقایسه با کنترل سنتی ON / OFF و کنترل ثابت تهویه، مزیت عملکرد سیستم کنترل هوشمند ارائه شده در صرفه جویی انرژی می باشد. سه مطالعه موردی در موقعیت های مختلف با استفاده از پارامترهای ورودی مختلف تجزیه و تحلیل شده است. نتایج شبیه سازی اعتبار استراتژی کنترل هوشمند پیشنهادی را برای سیستم های تهویه تأیید می کند.

نمونه ۱۰۱۴

پروژه درس کنترل خودکار پیشرفته:

• برای یک سیستم خطی دلخواه به فرم فضای حالت (حداقل درجه پنج) ، موارد زیر را با استفاده از نرم افزار MATLAB محاسبه و چاپ کنید:
• مقادیر ویژه و بردارهای ویژه سیستم را بیابید.
• با محاسبه ماتریسهای کنترل پذیری و رویت پذیری، کنترل پذیری و رویت پذیری سیستم را بررسی کنید.
• با استفاده از یک تبدیل همانندی مناسب، سیستم را به فرم قطری کامل، قطری بلوکی یا کانونیکالجردن تبدیل نمایید.
• پاسخ سیستم را به ازائ ورودی پله واحد و شرایط اولیه دلخواه بیابید و نمودار حالتها و خروجی سیستم را رسم نمایید.
• تحققهایکانونیکال کنترل کننده، کنترل پذیری، رویتگر و رویت پذیری را برای سیستم محاسبه و چاپ نمایید.
• برای سیستم درنظر گرفته شده در بند اول، موارد زیر را بیابید:
• طراحی رگولاتور:فیدبک حالت مناسب را برای سیستم حلقه باز بگونه ای بیابید که قطبهای سیستم حلقه بسته در محلهای از پیش تعیین شده قرار گیرد. حداقل ۳ دسته قطب مختلف را درنظر بگیرید. پاسخ سیستم حلقه بسته را به ازاء شرایط اولیه دلخواه یافته و نمودار حالتها، خروجی و سیگنال کنترل u(t) را برای هر دسته از قطبهای دلخواه یافته و با هم مقایسه کنید.

• سیستم غیرخطی زیر را درنظر بگیرید

الف- ابتدا سیستم را حول نقطه کار خطی سازی کرده و پایداری سیستم خطی شده را بررسی کنید. پاسخ سیستم را به ازای یک شرایط اولیه دلخواه رسم کنید.

ب- پاسخ سیستم غیرخطی را بطور تقریبی به ازای یک شرایط اولیه دلخواه یافته و نمودار آنرا رسم کنید (نمودارهای X1 و X2 بر حسب زمان). از روی این نمودارها در خصوص پایداری سیستم اصلی غیرخطی بحث کنید.

ج- نمودار فاز (X2بر حسب X1) را به ازای شرایط اولیه بند قبلی رسم کرده و درخصوص پایداری سیستم از روی آن بحث کنیذ.

نمونه ۱۰۱۵

–    اگرتولیددارایNنوع واحد تولید یهریکباتعدادniونرخ خروجFORiوظرفیتPgiباشد:

–        برنامه ای بنویسیدکه جدول ظرفیت خارجشدهکلیشاملستونهایcapacity out, individual prob. , cumulative prob. رامحاسبه کند.

–        جدول جدیدحاصل ازحذف یک واحدبا FORiوPgiرامحاسبه نماید.

۲-   مشخصهبارحداکثرروزانهدرطولسال،خطیبامقدارماکزیممPmaxومینیممPminوکلمشخصهدارایرشددهدرصدیدرسالاست. دونوعژنراتورباPg1وFOR1وPg2وFOR2داریمکهPg2>Pg1وFOR2>FOR1است.

برنامهایبنویسیدکهبرنامهتوسعهتولیدشاملتعدادونوعژنرلتورهادر ۱۰ سالآیندهبرایدستیابیبهELL=0.1 d/yراتعییننماید.

توجه: پروژههابایدشاملمواردزیرباشد:

–        گزارش تایپ شده به فرمتword

–        شامل روابط،معادلاتو توضیحات موردنیازدرباره نحوه رسیدنبهجواب

–        شامل ورودیهایآزمایشی ونتایج خروجی بصورت نموداریاجدول

–        فایل برنامه نوشته شده یاشبیه سازی انجام شده درنرم افزارکه خواناوقابل فهم وباتوضیحات کافی درمتنبرنامه بصورتcommentباشد

نمونه ۱۰۱۶

عنوان پروژه :

“مدلسازی و بهینه سازی سیستم ترکیبی سرمایش به روش دسیکنت و سیستم تولید همزمان برق و حرارت و سرمایش”

شرح :

برای یک ساختمان نمونه ، بارهای حرارتیQh , Qdhw) )و برودتیQc) ) و همچنین پروفیل ساعتی مصرف برقE demand) ) به صورت جداگانه محاسبه شده است.بار مورد نیاز برای ژنراتور چیلر جذبی Q gen و یک پکیج رطوبت زا Q reg نیز بدین بارها اضافه خواهد شد.

مقرر است از ترکیب یک مولد برق و حرارت CHP or PGU)) و چیلر جذبی برای ارضای بارهای فوق الذکر استفاده شود. موتور به ظرفیت تولید   کیلووات می تواند  کیلووات انرژی الکتریکی و  کیلووات انرژی حرارتی تولید کند. سناریوهای متفاوتی برای تامین تمام یا بخشی از این بارها میتواند وجود داشته باشد. می توان بخشی از انرژی حرارتی را از یک بویلر کمکی Qb)) تامین کرد یا ظرفیت CHP را طوری انتخاب کرد که علاوه بر تامین کل بارهای مورد نیاز،امکان فروش برق به شبکه نیز وجود داشته باشد. برای رسیدن به یک تابع هدف مناسب،تمامی بارهای ورودی،خروجی و تولیدی با کمک فرمولاسیون بر حسب میزان مصرف سوخت بازنویسی  شده اند (متعیر اصلی ) . PES  یا primary energy saving  عبارتست از نسبت اختلاف مصرف سوخت در حالت استفاده از CHP  به حالتی که این سیستم عملا وجود ندارد.PES  یک معیار ترمودینامیکی است و دربردارنده پارامترهای اقتصادی نیست.

مقدار ماکزیمم PES  منطبق بر میزان بهینه سوخت و در نتیجه مقدار بهینه ظرفیت مولد CHP  است.

معیار دوم، معیار اقتصادی ATCS ( Annual Total Cost Saving) می باشد که عبارتست از میزان فایده اقتصادی پروژه نسبت به سیستم متعارف .

 

نمونه ۱۰۱۷

کنترل فازی پاندول معکوس با استفاده از روش تاکاگی سوگنو

 تاریخچه کنترل فازی

اصول ومفاهیم منطق فازی

کاربردها

تفاوت با کنترل کلاسیک

مزایا و معایب کنترل فازی

انواع سيستم‌هاي فازي

سيستم فازي تاكاگي ـ سوگنو و كانگ

كنترلر هاي فازي

مدل فازی سوگینو

کنترل فازی پاندول معکوس با استفاده از روش تاکاگی سوگنو

پیاده سازی در متلب

 نمونه ۱۰۱۸

یک مکانیسم استقرار حسگر مبتنی بر اتاماتای یادگیر برای شبکه های حسگر بیسیم

گره های حسگر ابتدا در منطقه شبکه بطور تصادفی مستقر شده اند و هر گره موقعیت خود را می داند.(مجهز به GPS). به هر گره حسگر در منطقه شبکه یک اتاماتای یادگیر اختصاص می دهیم که مجموعه عمل این اتاماتای یادگیر شامل ۸ عمل می باشد :

• یگ گام (معادل ۱ متر ) حرکت به شمال
• یگ گام (معادل ۱ متر ) حرکت به جنوب
• یگ گام (معادل ۱ متر ) حرکت به شرق
• یگ گام (معادل ۱ متر ) حرکت به غرب
• یگ گام (معادل ۱ متر ) حرکت به شمال شرق
• یگ گام (معادل ۱ متر ) حرکت به شمال غرب
• یگ گام (معادل ۱ متر ) حرکت به جنوب شرق
• یگ گام (معادل ۱ متر ) حرکت به جنوب غرب

اتاماتای یادگیر بطور تصادفی یکی از عمل های بالا را انتخاب می کند و به آن حرکت می کند.

سپس هر گره حسگر یک بسته T را به محیط boardcast  می کند و یک مدت زمان مشخص (duration) منتظر می ماند تا  بسته های T را از همسایگانش در یافت کند . پس از اتمام این مدت تعداد بسته های دریافت شده ، تعداد همسایگان گره در محیط Ni است .

اگر ۳<Ni<5  باشد ، این عمل پاداش و در غیر این صورت جریمه خواهد شد.

اگر Ni>5   یا ۳> Niباشد ، این عمل جریمه خواهد شد.

شرط پایان الگوریتم : اگر یک گره بیش از ۵ دور بین ۲ نقطه یکسان نوسان کند

مقایسه با نتایج مقاله ارسالی از نظر  پوشش ، جدایی گره ، فاصله  ، با همان شرایط

 نمونه ۱۰۱۹

مقالات مدیریت با ترجمه
مقالات بازاریابی با ترجمه
مقالات حسابداری با ترجمه
مقالات مالی با ترجمه
مقالات اقتصاد با ترجمه
مقالات مهندسی نفت با ترجمه
مقالات مهندسی انرژی با ترجمه
مقالات ریاضی و آمار با ترجمه
مقالات مهندسی کشاورزی با ترجمه
مقالات مهندسی نساجی با ترجمه
مقالات مهندسی برق با ترجمه
مقالات مهندسی مکانیک با ترجمه
مقالات مهندسی الکترونیک با ترجمه
مقالات مهندسی کامپیوتر با ترجمه
مقالات مهندسی IT با ترجمه
مقالات زمین شناسی با ترجمه
مقالات مهندسی مواد با ترجمه
مقالات مهندسی متالورژِی با ترجمه
مقالات منابع طبیعی با ترجمه
مقالات محیط زیست با ترجمه
مقالات روانشناسی با ترجمه
مقالات معماری با ترجمه
مقالات مهندسی هوافضا با ترجمه
مقالات علوم اجتماعی با ترجمه
مقالات زیست شناسی با ترجمه
مقالات پرستاری با ترجمه
مقالات مهندسی دریا با ترجمه
مقالات جغرافیا با ترجمه
مقالات داروسازی با ترجمه
مقالات مهندسی آب با ترجمه
مقالات حقوق با ترجمه
مقالات شیمی با ترجمه
مقالات صنایع غذایی با ترجمه
مقالات مهندسی شهرسازی با ترجمه
مقالات مهندسی عمران با ترجمه
مقالات دندانپزشکی با ترجمه
مقالات مهندسی پلیمر با ترجمه
مقالات دامپزشکی با ترجمه
مقالات فلسفه با ترجمه
مقالات علوم سیاسی با ترجمه
مقالات فیزیک با ترجمه
مقالات پزشکی با ترجمه
مقالات مهندسی صنایع با ترجمه
مقالات مهندسی معدن با ترجمه
مقالات مهندسی هسته ای با ترجمه
مقالات تاریخ با ترجمه
مقالات هنر با ترجمه
مقالات ادبیات با ترجمه
مقالات معارف با ترجمه
مقالات مهندسی پزشکی با ترجمه