وسیع‌ترین تعریف انکودر شامل تمام ابزارهایی است که اطلاعات آنالوگ را برای ابزارهای بعدی به شکلی مفید تبدیل می‌کند
این پاورپوینت شامل تعریفی از انکودر و شرح نمونه ها و نوع های مختلف آن به همراه عکس می باشد
و شامل سرفصل های اصلی زیر می باشد:
انکودرها توسط دو ویژگی مختلف آنها طبقه‌بندی می‌شوند:
• فن‌آوری بکار برده شده جهت تبدیل موقعیت به سیگنال الکتریکی
• نوع سیگنال خروجی
که در این فایل به بررسی آنها می پردازد.
مشخصات فروشنده
نام و نام خانوادگی : مهدی حیدری
شماره تماس : 09033719795 - 07734251434
ایمیل :info@sellu.ir
سایت :sellu.ir
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلجزوه و روش حل مسائل طراحی مهندسی
مسائل برنامه ریزی هندسی و کاربردها:
2-1مقدمه
برنامه ریزی هندسی در زمینه های بسیاری از برنامه های کاربردی استفاده شده است ازجمله طراحی مدار دیجیتال.
آنالوگ،مهندسی شیمی، مهندسی مکانیک، کنترل نیرو و سیستم های شبکه های ارتباطی، رسیدن به راه حل های مطلوب برای برنامه ریزی هندسی کار ساده ای نیست مانند توابع ریاضی هندسی که در توابع حد و هدف را نمی توان مستقیماً حل کرد. در نتیجه روش های زیادی ارائه شده اند.
کوئولو و کورتس[1] یک الگوریتم ژنتیک را با یک سیستم ایمنی مصنوعی برای حل یک برنامه ریزی هندسی در بهینه سازی مهندسی ارائه دادند.
اگر چه این روش تنها می تواند حد مطلوب موضعی رابدست آورد. هورست تای [2] یک روش تحلیلی برای حل مسئله ای با قیود و هدف لیپ شوتزی ارائه دادند.
محدودیت این روش این است که تنها در صورتی که بتوان دامنه متغیر ها را از طریق روش های تحلیلی کاهش داد، می توان به حد مطلوب کلی دست یافت.
شرالی و تانک بیلک[3] یک روش خطی سازی با فرمول بندی(مجدد)ارائه دادند که قیود ضمنی چندجمله ای ایجاد کرده و سپس مسئله ی حاصل را با معرفی متغییرهای جدید خطی می کنند.
لین و تسای[4] یک روش تعمیم یافته برای یافتن جواب های بهینه چندگانه از مسائل برنامه ریزی گستته با توابع هندسی با متغییرهای آزاد، ارائه دادند.
تسای[5] یک روش کاملاً جدید برای حل مسائل برنامه ریزی گسسته تابع هندسی ارائه داد که در آن توابع هندسی نویسی با استفاده از محدب سازی محدب می شوند سپس برنامه ی اصلی به یک برنامه ی عدد صحیح محدب تبدیل شده و برای رسیدن به جواب های بهینه کلی،با استفاده از سیستم های تجاری قابل حل خواهد بود.
تسای ولین ،یک روش کارآمد برای حل یک برنامه ی هندسی گسسته با توابع قابل جدا شدن ارائه دادند، تغییر شکل های نیرو و تغییر شکل های نمایی برای محدب کردن و تخمین کمتر از قیودها استفاده می شوند. بنابراین می توان برنامه ی اصلی رابه یک برنامه غیرخطی عدد صحیح- محدب کرد که برای بدست آوردن حد مطلوب کلی قابل حل است.
2-2 تعاریف اولیه و مثال های کاربردی از برنامه ریزی هندسی
2-2برنامه ریزی هندسی روشی نسبتاً جدید برای حل دسته ای از مسائل برنامه ریزی غیر خطی است. این روش توسط ریچارد دوفین، کلارنس زنر و اِلمورپیتر سون بسط یافته است. این روش در کمیته سازی توابعی که به شکل پازینمیال هستند به شرط قیدهایی از همان نوع به کار می رود. تفاوت این روش با دیگر روش های بهینه سازی، در تاکید آن بر قدر مطلقهای نسبی عبارات تابع هدف، به جای متغییرها است. روش برنامه ریزی هندسی به جای این که ابتدا مقادیر بهینه ی متغییرها را پیدا کند، ابتدا مقدار بهینه ی تابع هدف را می یابد. این جنبه در وضعیت هایی که تنها مقدار بهینه ی تابع هدف مورد توجه است، مفید می باشد. در چنین حالاتی می توان محاسبه ی بردارهای طراحی بهینه را حذف کرد. مزیت دیگر برنامه ریزی هندسی این است که غالبایک مسئله ی بهینه سازی پیچیده را به مسئله ای شامل یک مجموعه از معادلات جبری خطی همزمان، تبدیل می کند.
برنامه هندسی زیر را در نظر بگیرید:
(1) .
.
(2) .
(3) .
(4) .
که در آن طبق (5):
و طبق (6) چند جمله ای هستند .
.
که مجموعه ای ازیک یا چند تک جمله ای می باشند.
. و و و و ؛
مثال 2-1 کاربردهای برنامه ریزی هندسی
(تعیین شرایط بهینه ی ماشینکاری)
از برنامه ریزی هندسی برای تعیین سرعت تراشکاری و براده برداری بهینه ای که هزینه ی واحد یک عملیات ماشین کاری را کمیته کند استفاده شده است:
(الف):فرمول بندی به عنوان مسئله ای با درجه سختی صفر.
هزینه ی کلی ماشینکاری هر قطعه عبارتست از:
.
.(E1)
وقتیکه :
=هزینه ی زمان بهره برداری (دقیقه/روپیه)
=هزینه ی ابزار (لبه ی ابزار/ روپیه)
=زمان ماشینکاری هر قطعه= (VF) 12/
=عمر ابزار= (لبه ی برش/دقیقه)=
=زمان تعویض ابزار
=زمان جابجایی (قطعه ی کار/ دقیقه)
=قطر قطعه ی کار (اینچ)
=طول محوری برش (اینچ)
V=سرعت برش (دقیقه/ft)
F=براده برداری (دور/ اینچ)
C,b,a=مقادیر ثابت در رابطه با عمر ابزار
و
از آنجا که عبارت ثابت درکمیته سازی تاثیری ندارد، تابع هدف را می توان به صورت زیر در نظر گرفت:
(E2)
وقتیکه
(E3)
اگر براده برداری بیشینه ی مجاز برای دستگاه تراش باشد، قید زیر را داریم:
(E4)
(E5)
چون کالاً 3 عبارت و 2 متغییر داریم، درجه ی سختی مسئله صفر می باشد.
مشخصات فروشنده
نام و نام خانوادگی : شادمان روستا ناوی
شماره تماس : 09195145166
ایمیل :mohandesbartar@gmail.com
سایت :fileyar.ir
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلبررسی تلویزیون های آنالوگ و دیجیتال
این فایل به بررسی تلویزیون های آنالوگ و دیجیتال پرداخته است.
این فایل در قالب pdf و در 63 صفحه آماده گردیده است.
که میتواند مورد استفاده شما عزیزان قرار گیرد.
این فایل به بررسی تلویزیون های آنالوگ و دیجیتال پرداخته است. این فایل در قالب pdf و در 63 صفحه آماده گردیده است. که میتواند مورد استفاده شما عزیزان قرار گیرد.
قیمت فقط10,000 تومانپرداخت و دانلود
مشخصات فروشنده
نام و نام خانوادگی : جعفر علایی
شماره تماس : 09147457274 - 04532722652
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
مشخصات فایل
فرمت : rar
تعداد صفحات : 63
قیمت : 10,000 تومان
حجم فایل : 3178 کیلوبایت
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلمفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود
پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک
خلاصه مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود . این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند . اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است . از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود . این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد . - مقدمه شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند . علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود . یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است . موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است . این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند . یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است . در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم . دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند . ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند . برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند . در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید . شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود . مسئله اصلی که هنوز باید حل شود آموزش است . حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash . در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد . آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) . دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد . اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است . بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند . اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است . برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد . این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود . با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد . همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند . - مقدمه شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند . علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود . یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است . موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است . این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند . یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است . در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم . دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند . ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند . برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند . در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید . شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود . مسئله اصلی که هنوز باید حل شود آموزش است . حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash . در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد . آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) . دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد . اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است . بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند . اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است . برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد . این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود . با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد . همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .
قیمت فقط4,000 تومان پرداخت و دانلود
مشخصات فروشنده
نام و نام خانوادگی : مهدی حیدری
شماره تماس : 09033719795 - 07734251434
ایمیل :info@sellu.ir
سایت :sellu.ir
مشخصات فایل
فرمت : doc
تعداد صفحات : 22
قیمت : 4,000 تومان
حجم فایل : 453 کیلوبایت
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایل