رشد روزافزون دانش باعث توجه بسیاری از محققان علم روانکاری به یاتاقان های هیدرودینامیکی گازی و کاربرد وسیع آن ها در صنایع مختلف گردیده است. این نوع یاتاقان ها به دلیل فراوانی روانکار نظیر هوا، عدم آلوده سازی محیط، پایداری روانکار در بازه وسیعی از تغییرات دما و کاهش اتلاف انرژی ناشی از نیروی اصطکاک به طور گسترده مورد استفاده قرار می گیرند. لیکن در این نوع یاتاقان ها، تراکم پذیری روانکار(گاز)، سبب دشواری تحلیل آنها می گردد. از این رو در این پروژه، از سادگی و توانایی بالای روش شبکه های عصبی مصنوعی ، جهت تحلیل و بررسی عملکرد یاتاقان های هیدرو دینامیکی گازی مدور و غیر مدور دو لب ، سه لب، چهار لب و پنج لب که از کاربردهای فراوانی در صنعت برخوردار می باشند، استفاده می شود. تحقیقات انجام گرفته در مورد یاتاقان های هیدرودینامیکی غیر مدور، نشان دهنده آن است که برخلاف یاتاقان های مدور که فقط ابعاد(نسبت طول به قطر یاتاقان) بر نحوه عملکرد آنها نقش دارد، پارامترهای تعداد لب، مقدار پریلود ، مقدار زاویه نصب و زاویه انحراف نیز علاوه بر پارامتر ابعاد، بر عملکرد یاتاقان های هیدرو دینامیکی گازی غیر مدور اثرات قابل توجهی می گذارند که بایستی این پارامترها مورد بررسی قرار گیرند. به این منظور در کار حاضر مشخصه های استاتیکی و دینامیکی مهم و مختلف یاتاقان از قبیل ظرفیت تحمل بار، مقدار زاویه مشخصه، اتلاف انرژی، میزان پایداری و نسبت فرکانس چرخشی یاتاقان های مذکور، تحت تاثیر پارامترهای عملکردی عدد تراکم پذیری، نسبت خارج از مرکزی، ابعاد، پریلود، زاویه نصب و زاویه انحراف یاتاقان، بررسی می گردند. در این راستا، ساختارهای متنوعی از شبکه های عصبی مصنوعی mlp سه لایه، با استفاده از الگوریتم آموزشی lm به کار گرفته می شود. نتایج به دست آمده در این پروژه با محدود نتایج گزارش شده قبلی، که از روش اجزا محدود بدست آمده اند، همخوانی مطلوبی داشته و در ضمن، کاهش زمانی اجرای تحلیل و سادگی روش نیز مشاهده می گردد. این نتایج، حاکی از کارایی بالای شبکه های عصبی مصنوعی، در طراحی و تحلیل مسائل مربوط به یاتاقان ها که روابط حاکم بر آن ها پیچیده و غیرخطی است، می باشد. بررسی حاضر می تواند نقش بسزایی در انتخاب بهینه و طراحی ایده آل این نوع از یاتاقانها، جهت کاربردهای خاص مورد نیاز در صنعت، داشته باشد.

پیش بینی کوتاه مدت بار الکتریکی در بهره برداری سیستم های قدرت، نقش اساسی ایفا می نماید. در این پروژه، پیش بینی بار الکتریکی به دو صورت پیش بینی منحنی بار مصرفی در روز آینده و پیش بینی بار ساعت آینده ارائه شده است. با بررسی شبکه ها و ساختارهای مختلف، مشخص شد که با استفاده از شبکه عصبی پرسپترون سه لایه با متغیرهای ورودی شامل بار روز قبل، متوسط، مینیمم و ماکزیمم دمای روز قبل و کد روز هفته، بهترین پیش بینی منحنی بار مصرفی در روز آینده حاصل خواهد شد که خطای حاصل از این پیش بینی 2/31% می باشد. همچنین تأثیر الگوریتم های آموزش بر دقت پیش بینی بررسی شد که در نهایت مشخص گردید که الگوریتم fletcher-reeves update(cgf) دارای بهترین عملکرد می باشد. همچنین اثر اعمال داده های رطوبت به عنوان ورودی شبکه عصبی نیز بررسی شد و معلوم شد که این عامل در کاهش خطای پیش بینی تأثیری نخواهد گذاشت. سپس کارایی شبکه های عصبی پایه شعاعی در پیش بینی منحنی بار روزانه بررسی شد که خطای پیش بینی در این حالت بیشتر از شبکه های عصبی پرسپترون و 2/49% می باشد. برای پیش بینی بار ساعت آینده، از دو روش شبکه عصبی و شبکه عصبی – فازی استفاده شده است. برای این منظور ابتدا با استفاده از روش c - میانگین فازی، روزهای هفته را به سه دسته روزهای کاری (شنبه تا چهارشنبه)، روز پنجشنبه و روزهای جمعه و تعطیل خاص دسته بندی کرده و سپس هر دسته از ایام هفته، جداگانه با یک شبکه عصبی پرسپترون سه لایه و یک شبکه عصبی - فازی آموزش داده شده است. خطای پیش بینی هنگامی که از شبکه های عصبی استفاده می شود کمتر از 3% می باشد و مزیت این روش این است که زمان آموزش شبکه عصبی به مراتب کمتر بوده و برای پیش بینی های آنی و لحظه ای بهتر می باشد. در حالتی که از شبکه عصبی – فازی برای پیش بینی بار ساعتی استفاده می شود خطای پیش بینی کمتر از 2/8% بوده اما زمان آموزش به مراتب افزایش می یابد. همچنین پیش بینی روزهای تعطیل خاص با این دو روش بهتر صورت می گیرد.

در سال های اخیر، بازشناسی الگوی حرکت انسان کاربردهای زیادی در سیستم های نظارت بر سلامتی، سیستم های زمینه-آگاه، کنترل مبتنی بر ژست و ورزش پیدا کرده است. گستره ی بسیار وسیعی از تجهیزات و روش ها برای این منظور در کارهای مرتبط مورد استفاده قرار گرفته است. در اینجا، از یک شتاب سنج سه محوری به عنوان هسته ی سخت افزار و سیستم عصبی-فازی به عنوان روش اصلی استفاده شده است. فرآیند بازشناسی فعالیتی که در این پایان نامه بکار رفته است، شامل 4 مرحله ی قطعه بندی، استخراج ویژگی، انتخاب ویژگی و دسته بندی می-باشد. بعد از قطعه بندیِ سیگنال شتاب به فریم هایی با طول برابر، 126 ویژگی متفاوت از هر فریم استخراج می شود. سپس، بهترین ویژگی ها با استفاده از سیستم عصبی-فازی تعیین می-شوند. برای دسته بندی نیز علاوه بر سیستم عصبی-فازی، از دسته بندی کننده ی ساده ی بیز، درخت تصمیم گیریِ c4.5، ماشین بردار پشتیبانی (svm)، شبکه ی عصبیِ پرسپترون چند لایه (mlp) و تابع پایه ی شعاعی (rbf)، نزدیک ترین همسایه، رگرسیون لوجستیک و آدابوست استفاده شده است. نتایج تجربی نشان می دهد که دقت سیستم عصبی-فازی در بازشناسی یازده فعالیت عادی (شامل ایستا، پویا و حالات گذار) بیش از 98 درصد، در تشخیص سقوطِ معمول و سقوطِ پیش از برخورد به ترتیب 99 و 94 درصد و در بازشناسی 36 حرکت ریز دست (ژست) حدود 95 درصد بوده است. همچنین، نتایج آزمایشات نشان می دهد در بازشناسی فعالیت های عادی، بهترین محل برای نصب شتاب سنج به ترتیب بازو، ران و زانو و بهترین نوع ویژگی ها به ترتیب میانگین ضرایب کپستروم حقیقی، مقدار تکین، ویژگی های فیلتر haar مانند، انرژی و rms می باشد. ضمن اینکه آدابوست، rbf، سیستم عصبی-فازی و mlp به ترتیب بالاترین دقت دسته بندی را می دهند که در این بین، سیستم عصبی-فازی کمترین هزینه ی محاسباتی را دارد. در نهایت می توان نتیجه گیری کرد که یک سیستم عصبی-فازی با پارامترهای مناسب می تواند الگوی حرکات انسان را که توسط داده های سه محورِ شتاب ایجاد شده اند، با دقت بالا بازشناسی نماید.

بررسی ادبیات علمی منتشر شده در زمینه کیفیت خدمات نشان می دهد که کسر بالایی از مطالعات صورت گرفته در این حوزه به استفاده از روش?های آماری سنتی در سنجش کیفیت خدمات پرداخته?اند و در حالی که کیفیت خدمات حاصل از برداشت ذهنی مشتریان از کیفیت خدمت ارائه شده است، روش?های آماری برای مدل سازی فرایند غیرخطی تصمیم مشتری در ارتباط با سطح کیفیت، ابزاری خطی با پیش فرض?هایی هستند که برآورد آنها گاهاً ما را مجبور به قبول درصد خطای بالایی برای مدل سازی می کند. همچنین هنوز در مورد یک بهترین مدل برای سنجش کیفیت خدمات تجمیع نظر وجد ندارد. مطالعه حاضر با بهره گیری از شبکه?های عصبی مصنوعی به عنوان یک ابزار قدرتمند در مدل?سازی توابع غیرخطی نشان داد که در مورد مطالعه یعنی هتل?های شهرستان یزد، بهترین مدل برای سنجش کیفیت خدمات از میان چهارمدل سروکوال، سروپرف، سروکوال وزنی و سروپرف وزنی، مدل سروکوال وزنی است. همچنین در مقایسه با مدل رگرسیون به عنوان یکی از پرکاربردترین مدل های آماری، شبکه عصبی توانایی بسیار بالاتری در رتبه بندی مولفه?های موثر بر رضایت مشتریان و ارزیابی کلی آنها از کیفیت خدمات، بر اساس مفهوم تحلیل حساسیت دارد.

سامانه کنترل از طریق شبکه، یک سامانه کنترلی شامل گره های حسگر، فعال گر، کنترل-گر و دستگاه است که در آن ارتباط بین گره های سامانه، از طریق شبکه های مخابراتی دیجیتال باندمحدودصورت می گیرد. به علت وجود شبکه مخابراتی برای ارتباط بین گره های سامانه کنترل از طریق شبکه، تحلیل و طراحی این سامانه ها دارای مشکلات و پیچیدگی خاصی هست. سامانه های کنترل از طریق شبکه به دلیل گستردگی شبکه های مخابراتی نظیر اینترنت در سراسر جهان، مزایایی از قبیل کاهش هزینه نصب و نگهداری و سهولت در گسترش پذیری سامانه را به همراه داشته است. وجود شبکه مخابراتی و ویژگی های تصادفی آن، باعث به وجود آمدن چالش هایی مانندتأخیر زمانی تصادفی، ازدست رفتن بسته های داده و مشکلات امنیت داده ها می شود. این چالش ها بر عملکرد کنترلی سامانه تأثیرگذار است و حتی می تواند باعث ناپایداری سامانه شود. در این پایان نامه برای بهبود عملکرد سامانه کنترل از طریق شبکه به مهم ترین چالش این سامانه ها، یعنی تأخیر تصادفی بسته های داده پرداخته شده است. در پژوهش های انجام شده تا کنون، به شناسایی مدل دستگاه و تأثیر آن بر عملکرد سامانه توجه نشده است. مدل سازی دقیق دستگاه به ویژه در حالت غیرخطی می تواند عملکرد کنترلی سامانهرا به مقدار قابل توجهی بهبود بخشد. در این پایان نامه با استفاده شبکه های عصبی پرسپترون (پردازش هوشمند سیگنال) به مدل سازی دستگاه و بهبود عملکرد سامانه پرداخته شده است و کنترل گری با عنوان کنترل گر عصبی- اسمیت تطبیقی برخط، برای بهبود عملکرد سامانه های کنترل از طریق شبکه طراحی شده است. همچنین برای کنترل دستگاه های صنعتی که دارای تأخیر زمانی هستند، به علت کاربرد فراوان کنترل گرهای تناسبی – انتگرالی در صنعت، کنترل گری با عنوان کنترل گر تناسبی – انتگرالی تطبیقی برخط به منظور بهبود عملکرد کنترلی سامانه کنترل از طریق شبکه ارائه شده است.

با پیشرفت فناوری¬های بی¬سیم و رشد سریع اینترنت، شبکه¬های بی¬سیم از جمله شبکه¬های توری بی¬سیم در سیری تکاملی به سر می¬برند. از آنجایی که طراحی یک شبکه¬ی توری بی¬سیم کارآمد، مساله¬ای با اهمیت برای اپراتورهای شبکه می¬باشد، در طی سال¬های اخیر مطالعات زیادی برای بهبود کارایی این شبکه¬ها انجام شده است. اکثر این مطالعات، به طراحی پروتکل¬ها و بهینه¬سازی معیارهای مسیریابی تک پخشی می¬پردازند و تنها تعداد کمی از این مطالعات به طور خاص به پخش فراگیر در شبکه¬های توری بی¬سیم مرتبط می¬باشند. پخش فراگیر در کنترل شبکه، مسیریابی و نگهداری توپولوژی یک شبکه¬ی توری نقش بسزایی دارد. از این رو، طراحی ساختارهای موثر ارسال کننده¬ی پخش فراگیر به گونه¬ای که دریافت بسته¬های پخش فراگیر با حداقل تاخیر و حداقل ارسالات توسط تمامی گره¬های شبکه ممکن باشد، امری مهم تلقی می¬شود. در این پایان¬نامه پس از معرفی شبکه¬های توری بی¬سیم و آشنایی با روش¬های مختلف پخش فراگیر، روشی کلی برای پخش فراگیر محلی در شبکه¬های توری بی¬سیم چند نرخی ارائه می¬شود که هدف از پیشنهاد آن ارائه¬ی چارچوبی یکسان و قابل اطمینان برای کارهای بعدی است. در ادامه، بر اساس این روش کلی، یک الگوریتم پخش فراگیر محلی آگاه از نرخ ارائه می¬گردد که با استفاده از اطلاعات همسایه-ی دو پرشی در مورد وضعیت هر گره به صورت پویا تصمیم¬گیری می¬کند. این الگوریتم بدون داشتن اطلاعات توپولوژی کل شبکه¬ی توری بی¬سیم و در نتیجه سرباری پایین، سعی در کاهش تاخیر پخش فراگیر دارد و ضمن متعادل کردن بار در شبکه، به تحویل کامل دست می یابد. نتایج شبیه سازی الگوریتم پیشنهادی، کاهش قابل توجه تاخیر پخش فراگیر و افزایش گذردهی را در شبکه نشان می دهد.

هدف از این پایان نامه شمارش تعدادسلول های موجود در تصاویر میکروسکوپی بافت کبد موش می باشد. برای رسیدن به این هدف پردازش تصاویر در چهار مرحله ی متمایز یعنی پیش پردازش،ناحیه بندی، پس پردازش و جداسازی هسته ای به هم چسبیده انجام شده است.

جوشکاری اصطکاکی اغتشاشی یک شیوه ی نسبتاً جدید است که به عنوان یک روش جوشکاری حالت جامد استفاده می شود. این روش ابتدا برای جوشکاری آلیاژ های آلومینیومی که به روش های سنتی قابل جوشکاری نبودند، یا به سختی جوش می خوردند، به کار برده شد. در این روش پارامترهای موثر بر کیفیت جوش، بسیار متنوع می باشند که به دودسته شامل پارامترهای جوشکاری و پارامترهای دستگاه تقسیم بندی می شوند. سرعت چرخشی و سرعت پیشروی از مهمترین پارامترهای جوشکاری اصطکاکی اغتشاشی می باشند. در این پایان نامه به بررسی و تأثیر پارامترهای سرعت چرخشی و سرعت پیشروی بر کیفیت جوشکاری اصطکاکی اغتشاشی پرداخته می شود. سپس یک مدل از جوش اصطکاکی اغتشاشی ارائه و با روش اجزای محدود (با نرم افزار abaqus) تحلیل شده است. و با تغییر پارامترهای نامبرده یک بانک اطلاعات شامل پارامترهای اصلی مسئله جمع آوری شده است. مهم ترین پارامترهای این فرآیند شامل سرعت چرخش و سرعت پیشروی جوشکاری، توسط روش شبکه های عصبی بهینه سازی می شوند. سرعت چرخشی و سرعت پیشروی جوشکاری به عنوان ورودی های مسئله در نظر گرفته و تغییر پارامتر های اصلی شامل تنش تسلیم و استحکام نهایی بر اساس تغییر ورودی ها مورد بررسی قرارگرفته است. در واقع می توان گفت، با استفاده از یک شبکه عصبی می توان بین پارامترهای جوشکاری اصطکاکی اغتشاشی (سرعت چرخشی و سرعت پیشروی و ...) و خواص مکانیکی مورد انتظار از اتصال ایجاد شده، رابطه برقرار کرد و به مقادیر بهینه دست پیدا کرد.

در این پژوهش مطالعه ای برای بدست آوردن پارامترهای مربوط به تعیین شکل ناخالصی های موجود در درون قطعات با روش المان های مرزی و استفاده از شبکه های عصبی انجام گرفته است. با حل مستقیم و معکوس معادلات حاکم بر مسایل الاستواستاتیک با روش المان های مرزی و شبکه عصبی به تشخیص موقعیت ، شکل و خواص ناخالصی در یک جسم جامد همگن ایزوتروپیک دوبعدی پرداخته می شود. ابتدا حل مستقیم معادله تعادل الاستیسیته در دوبعد به روش المان مرزی انجام می گیرد ، به صورتیکه موقعیت، شکل و خواص مکانیکی ناخالصی موجود در دامنه معلوم بوده و جابجایی ها و تراکشن ها روی مرز مجهول می باشند. با انجام شدن حل مستقیم ارتباط بین مرزهای خارجی با مرزهای ناخالصی در قالب ماتریس تاثیر بیان میشود که درآن هر گره روی مرز با سایر نقاط مرزی از لحاظ جابجایی مربوط شده و مقدار جابجایی ها و تراکشن ها روی تمامی مرزها تعیین می گردد. برای حل مساله به صورت معکوس از شبکه های عصبی کمک گرفته می شود. بطوریکه ورودی شبکه جابجایی و تراکشن های مجهول که با شبیه سازی آزمایش کشش ساده اندازه گیری شده روی تمام مرز ها بوده و خروجی شبکه شکل و موقعیت ناخالصی می باشد. برای تعریف بردارهای ورودی و هدف به منظور تغذیه شبکه عصبی ، از جابجایی و تراکشن های مجهول روی مرز که با حل مساله مستقیم الاستواستاتیک دوبعدی بدست آمده به عنوان بردار ورودی و مختصات گره های روی مرز ناخالصی ها و خواص مکانیکی به عنوان بردار هدف در نظر گرفته شده است. از جمله موارد کاربرد این تحقیق می توان به تشخیص ناخالصی هایی که در حین ساخت در قطعات ایجاد شده و همچنین در صنعت ریخته گری اشاره کرد. این روش در مقایسه با روش های تشخیص ساختار داخلی قطعات مثل روش پرتونگاری هزینه بسیار کمتری داشته و می تواند مورد استفاده قرار گیرد.

آلودگی هوا یکی از مسائل مهم زیست محیطی در شهر تهران محسوب می شود. و برای بسیاری از ساکنین شهرهای بزرگ مانند تهرانیم موضوع نگران کننده می باشد. در سال های اخیر با افزایش چشمگیر وسائل نقلیه میزان آلودگی در شهر تهران افزایش قابل تجهی ااشته است. به همین جهت، بررسی وضعیت آلودگی هوای این شهر از بعد آلاینده های مختلف می تواند در برنامه ریزی های جامعی که در راستای کنترل و کاهش آلودگی هوا در این شهر انجام می پذیرد، بسیار مؤثر باشد. پیش بینی آلاینده های هوا این امکان را بوجود می آورد که با آگاهی از قبل در مورد وضعیت آلاینده های هوا اقدامات لازم جهت مقابله با آن را محیا کرد. در همین راستا روش های زیادی برای پیش بینی غلظت آلاینده ها وجود دارد که روش های هوش مصنوعی می باشد. در این پژوهش از دو مدل شبکه عصبی مصنوعی شامل پرسپترون چندلایه، توابع شعاع مبنا و مدل رگرسیون ماشین بردار پشتیبان برای پیش بینی غلظت در سه ساعت پیش رو استفاده شد. پیش بینی با استفاده چهار نوع متفاوت ورودی صورت گرفت. ابتدا پیش بینی بر اساس ارزش های گذشته هر غلظت در پنج ایستگاه در سطح شهر تهران انجام گرفت. سپس با استفاده از کل داده های موجود شامل پارامترهای هواشناسی و آلودگی هوا به عنوان ورودی مدل های پیش بینی کننده استفاده شد. پس از آن با استفاده از پرامترهای هواشناسی به دو صورت کل پارامترهای موجود و با کاستن دو پارامتر از کل پارامترهای موجود پیش بینی غلظت آلاینده ها انجام گرفت. از توابع خودهمبستگی جزئی و همبستگی عرضی برای تعیین گام¬های زمانی موثر در مقدار خروجی استفاده شد. مقادیر حداقل و حداکثر r2 به¬دست آمده در مجموع پنج ایستگاه بدون ورودی¬های خارجی برای غلظت¬های so2، no، no2، co و o3 به ترتیب، 0.5، 0.3، و 0.73، 0.48 و 0.53، 0.23 و 0.71، 0.35 و 0.86، 0.54، به دست آمد. این مقادیر زمانی که ورودی¬ کل پارامترهای موجود استفاده شد برای so2، no، no2، co و o3 به ترتیب ، 0.55، 0.28 و 0.68، 0.54 و 0.58، 0.28 و 0.76، 0.38 و 0.86، 0.53، به دست آمد. برای کل پارامترهای هواشناسی به¬عنوان ورودی برای غلظت¬های so2، no، no2، co و o3 به ترتیب 0.32، 0.11 و 0.44، 0.16، 0.5، 0.14 و 0.56، 0.14 و 0.58 0.13 به دست آمد. همچنین زمانی¬که تعداد پارامترهای هواشناسی به اندازه دو پارامتر کاسته شد مقادیر حداقل و حداکثر r2 بدست آمده با استفاده از سه مدل پیش¬بینی کننده برای غلظت¬های so2، no، no2، co و o3 به ترتیب 0.31، 0.01، 0.52، 0.05، 0.34 و 0.07 و 0.59 و 0.07 و 0.64 و 0.13 به می¬باشد. با توجه به نتایج به دست آمده هر سه مدل در پیش بینی غلظت آلاینده ها از عملکردهای تقریباً یکسانی برخوردار بودند. با انجام آنالیز واریانس با ضریب اطمینان 95% مشخص شد که اختلاف معنی داری در صحت پیش بینی مدل ها با هر چهار نوع ورودی وجود نداشت. همچنین با کاهش تعداد پارامترهای هواشناسی به عنوان ورودی مدل ، صحت پیش بینی مدل رگرسیون ماشین بردار پشتیبان نسبت به مدل های شبکه عصبی افزایش نیافته است.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.