دانلود مقاله شبکه‌های عصبی

اختصاصی از یارا فایل دانلود مقاله شبکه‌های عصبی دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:83

فهرست مطالب:

فصل اول

مقدمه
 
فصل 2
کلیات روشهای پیش بینی بار کوتاه مدت

فصل 3
شبکه‌های عصبی مصنوعی

فصل چهارم
انتخاب متغیرهای ورودی در پیش بینی بار

فصل اول

مقدمه
 
فصل اول : مقدمه
1-1 پیشگفتار
انرژی الکتریکی به عنوان محور اصلی توسعه صنعتی در میان انواع انرژی از اهمیت خاصی برخوردار است. این انرژی با آنکه خود به انواع دیگر انرژی وابستگی دارد، اتکا شاخه‌های مختلف اقتصادی به آن در حدی است که براحتی می‌توان حد مصرف معقول این انرژی در یک جامعه را به عنوان شاخص عمده‌ای برای تعیین حد پیشرفت اقتصادی آن جامعه دانست.
بر خلاف سهولت استفاده از این نوع انرژی و مطلوبیت آن، تولید و انتقال این انرژی از پیچیدگی زیادی برخوردار بوده و در مجموع صنعت برق با ویژگی‌هایی در میان سایر صنایع شاخص است، از جمله این ویژگی‌ها باید از لزوم همزمانی تولید و مصرف آن نام برد، به عبارت دیگر تولید برق فقط در مقابل مصرف آن مطرح می‌گردد و بطور معمول قابل ذخیره کردن نیست. دیگر ویژگی این صنعت سرمایه طلب بودن طرح‌ها و پروژه‌های آن و زمان بر بودن آنها است.
مجموعه این خصوصیات و حساسیت‌ها است که پیش‌بینی صحیح نیاز مصرف برای این نوع انرژی در آینده را طلب می‌نماید. چون هرگاه پیش‌بینی نیاز مصرف یا بار شبکه بیش از حد واقعی باشد، سرمایه‌ گذاری بیهوده در این صنعت را بدنبال خواهد داشت و هر پیش بینی بار کمتر از واقعیت باعث لطمات شدید اقتصادی شده و جبران آن به مناسبت زمان بر بودن پروژه‌های توسعه‌ای امکانات تولید و انتقال برق، غیر ممکن است.
انرژی الکتریکی در مقیاس وسیع به طور اقتصادی قابل ذخیره نمی‌باشد. بدین دلیل بر خلاف شاخه‌های دیگر اقتصاد، در اقتصاد الکتریسیته باید همزمان با مصرف، انرژی الکتریکی تولید گردد. میزان مصرف بار الکتریکی ثابت نمی‌باشد بلکه به صورت پیچیده و غیر خطی تابعی از پارامترهای متعددی می‌باشد. با توجه به متغییر بودن میزان مصرف بار الکتریکی، شرکتهای تولید کننده برق، موظفند با پیش بینی آن در زمانبندی‌های مختلف اطلاعات مورد نیاز برای تصمیم‌گیریهای خود در سیستم قدرت را حاصل نماید.
در دنیای خصوصی سازی جدید هر شرکت سعی در افزایش قابلیت اطمینان محصول خود و تولید بهینه توان برای مصرف کنندگان خود دارد. این وظیفه عموماً از طریق پیش بینی فراهم می‌شود. پیش بینی بارهای ساعتی تا یک هفته جلوتر برای کارهای برنامه‌ریزی از قبیل هماهنگی بین واحدهای آبی و حرارتی و سنجش تبادل با دیگر رقبا و برای آنالیزهای کوتاه مدت از قبیل پخش توان در مراکز دیسپاچینگ و پخش بهینه توان لازم است. به طور کلی پیش بینی بار بر اساس دوره پیش بینی به دسته‌هایی تقسیم می‌شود :
-    برنامه ‌ریزی بسیار کوتاه مدت (چند دقیقه تا چندین ساعت) : برنامه ریزی بسیار کوتاه مدت اطلاعات مورد نیاز در پخش بار اقتصادی و تخمین اطمینان را تأمین می‌نماید. همچنین پیش بینی بسیار کوتاه مدت (چند دقیقه تا چند ساعت) برای زمانبندی تعویض قدرت بین شرکتها و مطالعه تحمیلات انتقال مفید می‌باشد.
-    برنامه ‌ریزی کوتاه مدت (یک روز تا یک هفته) : برنامه ریزی کوتاه مدت برای برنامه ریزی روزانه و هفتگی، در مدار قرار گرفتن بهینه نیروگاهها (بهینه سازی ولتاژ/ توان راکتیو، برنامه‌ریزی برای انرژی رزرو مورد نیاز، زمان بهره‌برداری پمپی از نیروگاه‌های پمپ ذخیره‌ای) و تبادل انرژی با شرکا استفاده می‌شود.
-    برنامه‌ریزی میان مدت (1 ماه تا 5 سال) : در برنامه‌ریزی میان مدت، با در نظر گرفتن توان و ترکیب نیروگاههای موجود، میزان ذخیره سوخت، میزان ذخیره آب مخزنها، در مورد نحوه و زمان بکارگیری نیروگاههای حرارتی و آبی، تهیه سوخت، میزان تبادل انرژی الکتریکی با سیستم‌های همسایه در سیستم‌های بهم پیوسته، زمان‌بندی بهینه برای بازرسی و تعمیرات نیروگاهها و شبکه تصمیم‌گیری می‌شود.
-    برنامه ریزی بلند مدت (5 تا 30 سال): در برنامه ریزی بلند مدت با در نظر گرفتن توان و ترکیب و طول عمر نیروگاههای موجود، توانایی شبکه انتقال و توزیع، قراردادهای بلند مدت برای تبادل انرژی الکتریکی با سیستم‌های مجاور (کشورهای همسایه) در سیستم‌های بهم پیوسته، در مورد نوع، اندازه و محل احداث نیروگاه‌های جدید، نحوه گسترش شبکه، بستن و یا تجدید نظر در قراردادها و ... تصمیم‌گیری می‌شود.
بار در یک شبکه برقرسانی به مجموع مصارف مختلف انرژی الکتریکی در یک واحد زمانی اتلاق می‌گردد. بار شبکه به مناسب همزمانی و غیر همزمانی مصرف انرژی در بخش‌های مختلف دستخوش تغییراتی در طول شبانه روز، هفته، ماه و سال می‌گردد.
اگر به یک منحنی تغییرات بار بیست‌و چهار ساعته در الگوی مصرف انرژی الکتریکی ایران توجه کنیم ملاحظه می‌شود که منحنی از یک حداقل غیر صفر شروع می‌شود و پس از عبور از آن، با یک شیب نسبتاً تند به سمت کوهان دوم که بزرگتر از کوهان اول است میل نموده، پس از گذر از آن دوباره به سمت حداقل میل می‌کند. باید توجه داشت که ظهور این دو کوهان ناشی از همزمانی مصرف انرژی الکتریکی بخشهای مختلف مصرف در طول یک شبانه‌روز است. جالب توجه است که منحنی تغییرات بار در طول ماه و سال نیز تقریباً روند مشابهی با تغییرات بار بیست و چهار ساعته دارد. در مطالعه بار بخصوص در پیش بینی بار اعم از پیش‌بینی بار ساعتی روزانه جهت تنظیم برنامه بهره‌برداری از نیروگاهها تا بار ماههای سال برای تنظیم برنامه تعمیرات منظم و دوره‌ای و بارهای سالهای آینده برای برنامه‌ریزی توسعه‌ای این متغیرها و عوامل مؤثر در پیدایش آنها مورد توجه قرار می‌گیرد.
منحنی مصرف برای مصرف کننده کاملاً تصادفی و غیر مشخص بوده وقابل پیش‌بینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف کننده‌ها منحنی مصرف مخصوص به خود را دارا است، همچنین مصرف بار الکتریکی تابعی کاملاً غیر خطی و بسیار پیچیده از پارامترهایی از جمله شرایط آب و هوایی، شرایط اقتصادی، زمان و عوامل تصادفی می‌باشد. همچنین تقریباً هر روز هفته منحنی خاص خود را دارد. لذا مدل مورد نظر باید توانایی این کار راد اشته باشد که اثر تمامی این عوامل را بر منحنی مصرف در نظر بگیرد، همچنین بایستی خطای پیش بینی تا حدامکان کم باشد، از طرفی دارای ساختاری ساده باشد و در کوتاهترین زمان ممکن به جواب نهایی برسد، و از همه مهمتر اینکه استفاده از آن برای برنامه‌ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه پیش‌بینی بار بر شمردیم، روشهای مختلفی در این زمینه ارائه شده است که هر یک به نوعی دارای برخی کاستی‌ها (و بخصوص در پیش بینی روزهای تعطیل) بودند، با وارد شدن شبکه‌های عصبی در این عرصه تقریباً تمامی مدلها وروشهای قبلی کنار گذاشته شد، چراکه این شبکه‌ها دارای توانایی‌های بسیار زیادی رد بیان روابط غیر خطی می‌باشند. در شکل صفحه بعد موارد استفاده پیش‌بینی بار کوتاه مدت آمده است.

دانلود مقاله مدل Energy – Efficient مبنی برتراکم داده‌ها برای شبکه‌های سنسور بی‌سیم

اختصاصی از یارا فایل دانلود مقاله مدل Energy – Efficient مبنی برتراکم داده‌ها برای شبکه‌های سنسور بی‌سیم دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:40

فهرست مطالب:

چکیده:

1- مقدمه:

2- تراکم داده ها در ESPDA (Data Aggregation in ESPDA):

1-2- هماهنگی وضعیت بیداری- خواب (Sleep- Active mode coordination)

2-2- بکاربردن کدهای نمونة تراکم داده‌ها: (Data aggregation using pattern codes):

3-2- مقایسة نمونه با (pattern comparison by cluster-head) :

2-3- تکنیک NOVSF Block hopping :

2-4- بازده انرژی نمونه مبنی بر تراکم داده ها:

3-4- ارزیابی کارایی پروتکل امنیتی (Performance evaluation of ESPDA Security Protocol):

5- نتیجه‌گیری

چکیده:

تراکم داده ها در شبکه های سنسور بی سیم افزونگی را حذف می کند تا مصرف پهنای باند و بازده انرژی گوه ها را توسعه دهد. این مقاله یک پروتکل تراکم داده های energy- efficient امن را که (Energy- Efficient Secure Pattern based Data Aggregation) ESPDA الگوی امن energy- efficient بر پایه تراکم داده ها) نامیده می شود ارائه می کند. برخلاف تکنیکهای تراکم داده های قراردادی، ESPDA از انتقال داده های اضافی از گره های سنسور به cluster- headها جلوگیری می کند. اگر گره های سنسور همان داده ها را تشخیص داده و دریافت کنند، ESPDA ابتدا تقریباً یکی از آنها را در وضعیت خواب (sleep mode) قرار می دهد و کدهای نمونه را برای نمایش مشخصات داده های دریافت و حس شده توسط گره های سنسور تولید می کند. Cluster- head ها تراکم داده ها را مبنی بر کدهای نمونه اجرا می کند و فقط داده های متمایز که به شکل متن رمز شده هستند از گره های سنسور به ایستگاه و مکان اصلی از طریق Cluster- headها انتقال یافته است. بعلت استفاده از کدهای نمونه، Cluster- headها نیازی به شناختن داده های سنسور برای اجرای تراکم داده‌ها ندارند. زیرا به گره های سنسور اجازه می دهد تا لینک های ارتباطی سرهم پیوسته (end-to-end) امن را برقرار کنند. بنابراین، نیازی برای مخفی سازی/ آشکار سازی توزیع کلید مابین Cluster- head ها و گره های سنسور نیست. بعلاوه، بکار بردن تکنیک NOVSF block- Hopping، امنیت را بصورت تصادفی با عوض کردن با نگاشت بلوک های داده ها به time slotهای NOVSF اصلاح کرده و آن را بهبود می بخشد. ارزیابی کارایی نشان می دهد که ESPDA روش های تراکم داده های قراردادی را به بیش از 50% در راندمان پهنای باند outperform می کند.

1- مقدمه:

شبکه های سنسور بی سیم، بعنوان یک ناحیه و منطقه جدید مهم در تکنولوژی بی سیم پدیدار شده اند. در آینده نزدیک، شبکه های سنسور بی سیم منتظر هزاران گره ارزان و کم هزینه و داشتن هر توانایی (Sensing capability) sensing با توان ارتباطی و محاسباتی محدود شده بوده اند. چنین شبکه های سنسوری منتظر بوده اند تا در بسیاری از موارد در محیط های عریض گوناگونی برای کاربردهای تجاری، شخصی و نظامی از قبیل نظارت، بررسی وسیله نقلیه و گردآوری داده های صوتی گسترش یافته باشند. محدودیتهای کلید شبکه های سنسور بی سیم، ذخیره سازی، توان و پردازش هستند. این محدودیتها و معماری ویژه گره های سنسور مستلزم انرژی موثر و پروتکلهای ارتباطی امن هستند. امکان و اجرای این شبکه های سنسور کم هزینه با پیشرفت هایی در MEMS (سیستم های میکرومکانیکی micro electromechanical system)، ترکیب شده با توان کم، پردازنده های سیگنال دیجیتالی کم هزینه (DSPها) و مدارهای فرکانس رادیویی (RF) تسریع شده اند.

چالش های کلید در شبکه های سنسور، برای بیشینه کردن عمر گره های سنسور به علت این امر است که برای جایگزین کردن و تعویض باطری های هزاران گره سنسور امکان پذیر نیست. بنابراین عملیات محاسباتی گره ها و پروتکلهای ارتباطی باید به اندازه انرژی موثر در صورت امکان ساخته شده باشد. در میان این پروتکلها، پروتکلهای انتقال داده ها بر حسب انرژی از اهمیت ویژه ای برخوردارند، از آنجائیکه انرژی مورد نیاز برای انتقال داده ها 70% از انرژی کل مصرفی یک شبکه سنسور بی سیم را می گیرد. تکنیکهای area coverage و تراکم داده ها می توانند کمک بسیار زیادی در نگهداری منابع انرژی کمیاب با حذف افزونگی داده ها و کمینه ساختن تعداد افتقالات داده ها بکنند. بنابراین، روشهای تراکم داده ها در شبکه های سنسور، در همه جا در مطبوعات مورد تحقیق و بررسی قرار گرفته اند، در SPIN (پروتکلهای سنسور برای اطلاعات از طریق مذاکره sensor protocols for Information via Negotiation

ارسال داده های اضافی با مذاکره meta- dataها توسط گره ها حذف شده اند. در انتشار مستقیم، شیب ها که برای جمع آوری داده ها و تراکم داده ها برقرار شده اند، کاربرد مسیرهای تقویت مثبت و منفی را بوجود می آورند. در گره های سنسور، نمونه ای از داده ها را که نشان می دهد که چگونه تفسیر سنسور به فاصله زمانی از پیش تعریف شده تغییر روش می دهد می فرستند. Cluster- headها نمونه های داده ها را جمع آوری کرده و فقط یکی از رویدادهای وخیم تطبیق یافته را می فرستد. از قبیل، پیش بینی افت درجه حرارت به طور تصادفی یک طوفان به پایگاه و مکان اصلی.

Cluster- head همچنین می تواند مطالعات نماینده k را بجای مطالعات بدست آمده n از تمامی سنسورهایش مطابق الگوریتم k-means بفرستد. امنیت در ارتباط داده ای موضوع مهم دیگری است تا طراحی شبکه های سنسور بی سیم مطرح شده باشد، همانند شبکه های سنسور بی سیم که ممکن است در مناطق دشمن از قبیل میدان های نبرد گسترش یافته باشد. بنابراین، پروتکل های تراکم داده ها باید با پروتکلهای امنیتی ارتباط داده ها بعنوان یک تعارض مابین این پروتکلها که ممکن است سوراخ و روزنه‌هایی (loophole) را در امنیت شبکه ایجاد کنند کار کنند. این مقاله یک الگوی مطمئن و energy-efficient مبنی بر پروتکل تراکم داده ها (ESPDA) را که هر دوی تراکم داده ها و تصورات و مفهوم های کلی امنیتی را با هم در شبکه های سنسور بی سیم Cluster- head رسیدگی می کند، ارائه می کند. هرچند، تراکم داده ها و امنیت در شبکه های سنسور بی سیم در مطبوعات مورد مطالعه قرار گرفته اند، برای بهترین شناسایی و آگاهی ما این مقاله نخستین مطالعه برای رسیدگی کردن به تکنیکهای تراکم داده ها بدون مصالحه امنیت است. ESPDA کدهای نمونه را برای اجرای تراکم داده ها بکار می برند. کدهای نمونه اساساً نماینده بخش های داده ها هستند که از داده های واقعی به چنین روشی که هر کد نمونه مشخصات مخصوص داده های واقعی متناظر را دارد اقتباس شده است (گرفته شده است). فرآیند اقتباس یا استخراج ممکن است وابستگی به نوع داده های واقعی را تغییر دهد.

برای مثال: وقتی که داده های واقعی تصورات حس شده موجودات بشر توسط سنسورهای نظارت و مراقبت هستند، مقادیر پارامتر کلید برای شناسایی صورت و بدن بعنوان نماینده ای از داده ها که وابسته به نیازهای کاربردی هستند، مطرح شده اند. وقتیکه یک گره سنسور شامل واحدهای دریافت یا احساس (sensing) چند گانه است، کدهای نمونه گره سنسور، با ترکیب کدهای نمونه واحدهای دریافت یا احساس (sensing) افرادی و فردی فراهم شده اند. بجای ارسال کل داده های حس شده و دریافت شد. (sensed) اول، گره های سنسور را تولید می کنند و سپس کدهای نمونه را به Cluster- headها می فرستند. Cluster- headها کدهای نمونه متمایز را تعیین می کنند و سپس فقط خواستار یک گره سنسور برای فرستادن داده های واقعی برای هر کد نمونه متمایز هستند. این روش دیدگاه هم انرژی و هم پهنای باند موثری را برای ESPDA بوجود می آورد. ESPDA، همچنین امن است زیرا Cluster- headها نیازی به کشف رمز داده ها برای تراکم داده ها ندارند و نه کلید رمزی سازی/ آشکار سازی منتشر شده است. علاوه بر این، nonblocking کردن پیشنهاد شده تکنیک hopping بلوک OVSF جلوتر، امنیت ESPDA را به صورت تصادفی با عوض کردن نگاشت بلوک های داده به time slotهای NOVSF اصلاح می کند. گره های سنسور معمولاً با چگالی عالی برای مقابله با خرابی های گره بعلت محیط های ناملایم گسترش یافته اند. گسترش تصادفی شبکه نیز در بسیاری از مناطق با بیش از یک گره سنسور پوشانده شده بود. بنابراین، آن بسیار مطلوب و پسندیده است برای مطمئن ساختن اینکه یک منطقه و محیط فقط با یک گره سنسور در هر لحظه پوشانده شده است، بطوریکه بیش از یک گره سنسور همان داده ها را دریافت و احساس نمی کند. این منجر به یک پیشرفت برای راندمان تراکم داده ها می شود از آنجائیکه حتی داده های اضافی حس و دریافت نشده اند. در این خصوص، این مقاله یک الگوریتمی را برای هماهنگ کردن وضعیت خواب و فعال (sleep & active) به هنگام داشتن اشتراک گره های سنسور حوزه های sensing مطرح می کند. نتیجه این مقاله، بصورت زیر سازمان یافته است. بخش 2 تراکم داده ها و پروتکل وضعیت sleep- active را شرح می دهد. بخش 3 پروتکل امنیتی را مطرح می کند. بخش 4 ارزیابی کارایی تراکم داده های پیشنهاد شده، پروتکل های sleep-active و پروتکل های امنیتی را ارائه می کند. تبصره ها و توجهات در بخش 5 قرار دارند.

پایان نامه کدینگ و اینکدینگ اطلاعات در شبکه‌های کامپیوتری

اختصاصی از یارا فایل پایان نامه کدینگ و اینکدینگ اطلاعات در شبکه‌های کامپیوتری دانلود با لینک مستقیم و پرسرعت .

فرمت:word(قابل ویرایش)

تعداد صفحات:74

فهرست مطالب

فصل اول. ۸

کدینگ و مدالاسیون. ۸

۱-۱ کدینگ و مدالاسیون. ۹

۱-۲ انتقال داده‌های آنالوگ و دیجیتال. ۱۰

۱-۳ داده ها و سیگنال ها ۱۲

۱-۴ انتقال آنالوگ و دیجیتال. ۱۵

فصل دوم. ۲۲

کدینگ دیجیتال به دیجیتال و دیجیتال به آنالوگ… ۲۲

۲-۱ تبدیل دیجیتال به دیجیتال: ۲۳

۲-۱-۱ کدینگ تک قطبی (unipolar) 29

2-1-2کدینگ قطبی (polar) 30

2-1-3کدینگ دو قطبی bipolar 37

2-2 تبدیل سیگنال‌های دیجیتال به آنالوگ… ۳۹

۲-۲-۱ روش ASK.. 42

2-2-2 روش FSK.. 43

2-2-3 PSK دوسطحی.. ۴۷

۲-۲-۴ مدولاسیون دامنه تربیعی یا روش (QAM). 52

فصل سوم. ۵۴

تبدیل سیگنال‌های آنالوگ به دیجیتال و آنالوگ به آنالوگ… ۵۴

۳-۱ تبدیل سیگنال‌های آنالوگ به دیجیتال. ۵۵

۳-۱-۱ مدولاسیون بر حسب دامنه پالس PAM… 57

3-1-2 مدولاسیون کد پالس…. ۵۸

۳-۱-۳ مدولاسیون دلتا (DM). 62

3-2 داده آنالوگ، سیگنال آنالوگ… ۶۶

۳-۲-۱ مدولاسیون دامنه. ۶۷

۳-۲-۲ مدولاسیون زاویه. ۷۵