فولاد چیست 32ص

اختصاصی از یارا فایل فولاد چیست 32ص دانلود با لینک مستقیم و پرسرعت .

32 ص

فولاد چیست.

فولاد آلیاژی است از آهن و کربن ماه اصلی فولاد آهن است. فلزی سفید نقره ای و کم تنش که مالیبل و داکتیل است و تقریبا نرم . اما کربن این خصوصیبات را تغییر می دهد. اضافه کردن مقدار خیلی جزئی از کربن به آهن آن را به فولاد تغییر می دهد. آلیاژی سخت و خشن و قوی و شکل پذیر. بیشتر از ابزارها و تجهیزات ساختمانی فولادی برای هزاران سال استفاده می کرده است.

بشر اولیه بطوریکه می دانیم و حتی کشف کرد که گرم کردن ابزارهای آهنی در آتش کیفیت آن را بالای برآنها را لخت و قابل خمیدگی می کند. و اگر زغال سنگ هم وجود داشته باشد. فلز حتی لخت تر از قبل از آتش بیرون می آید. عملیات حرارتی هزاران سال عمر دارد در حالیکه علم عملیات حرارتی عمری بیش از 100 سال ندارد. و اما عملیات حرارتی فلزات هم علم است و هم هنر. با کنترل زمان و درجه حرارت ما می توانیم فولاد را سخت و شکننده سازیم مثل این و یا نرم و قابل خمیدگی مثل این ما می توانیم با عملیاتمان به فولاد هر خصوصیتی که می خواهیم بدهیم . تفاوت زیادی بین فولادهای کربنی و آنچه که ما به فولادهای آلیاژی فولادهای زنگ نزن و فولادهای ابزار است وجود دارد. اینها تماما انواع مختلفی از فولاد هستند موضوعات. پایه ای عملیات حرارتی ممکن است چیزهایی باشد مشابه آنها به صورت متفاوتی تحت عملیات حرارتی قرار می گیرند. حال ما قصد مطالعه تنها یکی از فولادها را داریم. فولادهای ساده کربنی این ساده ترین نوع فولاد است. مخلوطی 2 عنصر پایه آهن و کربن برای تولید فولاد کربن در مقادیر بسیار کمی اضافه می شود چیزی کمتر از 1% اضافه کردن حدود 15/1 درصد کربن خواص فولاد به شکل عجیبی تغییر می دهد.

باران 32ص

اختصاصی از یارا فایل باران 32ص دانلود با لینک مستقیم و پرسرعت .

32 ص

همه ابرها ذرات آب یا کریستالهای یخ را با خود حمل می‌کنند، اما این ذرات بسیار کوچکتر از آن هستند که به زمین ببارند. اگر ارتفاع ابرها بیشتر شود ، هوای سردتر ، باعث فشرده‌تر شدن بخار آب می‌شود و این ممکن است برای شکل دادن باران ، تگرگ یا برف مناسب باشد. باران آبی است که پس از سرد شدن بخارهای جوی بوجود آمده و بر زمین می‌‌ریزد. در زبان پهلوی بدان واران (waran) می‌‌گفتند.

باران سنجی با استفاده از امواج

تحقیقات یک دانشمند و همکارانش نشان می‌دهد که می‌توان مقدار ریزش باران را اندازه گرفت و حتی امیدوارانه با استفاده از اطلاعاتی که شرکتهای تلفن همراه از این افت و خیزها جمع آوری کرده‌اند، بتوانند مدلهای خیلی دقیقتری برای آب و هوای کره زمین تهیه کنند. اصل پدیده ، چیز تازه‌ای نیست و در واقع همه خیلی خوب می‌دانند که بارش باران روی مخابره سیگنالهای تلفن همراه تأثیر می‌گذارد: قطره‌های ریز آب موجود در هوا این سیگنالها را ضعیف می‌کند.

بطور دقیقتر ، این قطره‌ها بسته به اندازه‌شان

، شدت فرکانسهای خاصی از سیگنال را کاهش

می‌دهد و این پدیده ، آنقدر تأثیرگذار است

که در حال حاضر ایستگاههای مخابره امواج تلفن همراه ، بطور خودکار بسته به تغییر شرایط جوی ، شدت سیگنالهایشان را بالا و پایین می‌برند. حالا یک دانشمند نشان داده است که این بالا و پایین شدنها حاوی اطلاعات مهمی است که اتفاقاً به درد هم می‌خورد: او و گروهش توانستند با استفاده از افت و خیزهای مشاهده شده در شدت سیگنالهای مخابره‌ای بین ایستگاههای شهر در هنگام توفان مقدار بارش باران را هر ۱۵دقیقه محاسبه کنند.
این اطلاعات با اندازه گیری مستقیم ایستگاههای هواشناسی دو شهر مختلف همخوانی قابل قبولی دارد. البته این اولین باری نیست که از شدت سیگنالها چنین استفاده‌ای می‌شود. پیش از این سیگنالهای دریافتی از ماهواره‌های GPS هم برای اندازه گیریهای جوی مورد استفاده قرار گرفته بود: بسته به رطوبت و دمای هوا ، تأخیرهای کوچکی در زمان دریافت سیگنالها مشاهده می‌شود و این تأخیرها را می‌توان به اطلاعات آب و هوایی ترجمه کرد. حتی از خود سیگنالهای تلفن همراه هم قبلاً برای بیرون کشیدن اطلاعات متفاوت استفاده شده بود.
بعضی از محققان ، از جمله اریک هورویتز از شرکت مایکروسافت ، ایده استفاده از تعداد مکالمات تلفن همراه هر منطقه برای تخمین میزان ترافیک راههای شهری را مطرح کرده بودند، غیر از این در جریان درگیریهای سال ۱۹۹۹ در کوزوو ، خیلی‌ها فکر می‌کردند که صربها از روی اختلالات شبکه‌های تلفن همراه توانسته‌اند جنگنده‌های ضد رادار F -۱۱۷ نیروی هوایی آمریکا را ردیابی و یکی از آنها را سرنگون کنند. تحقیقات قبلی یکی از محققان دانشگاه اسکس هم استفاده پذیری این افت و خیزهای سیگنالی را برای اندازه گیری بارش ، نشان داده بود.اما طرحهای پیشنهادی او به نوع خاصی از ارتباط بین ایستگاههای تلفن همراه نیاز داشت. زیبایی و جذابیت تحقیقات این دانشمند در این است که به بازآرایی شبکه‌ها نیازی ندارد و از همان اطلاعات جمع آوری شده بوسیله شرکتهای تلفن همراه برای کسب داده‌های هواشناسی استفاده می‌کند. به عبارت دیگر مواد خام طرح وی کاملاً مجانی از آب در می‌آید. البته تا وقتی که شرکتهای ارتباطی در بودجه‌شان برای این اطلاعات ، ردیف تازه‌ای باز نکنند.

32ص بهبود سرعت یادگیری شبکه های عصبی چند لایه با الگوریتم پس انتشار خطا

اختصاصی از یارا فایل 32ص بهبود سرعت یادگیری شبکه های عصبی چند لایه با الگوریتم پس انتشار خطا دانلود با لینک مستقیم و پرسرعت .

32 ص

شبکه های عصبی چند لایه پیش خور1 به طور وسیعی د ر زمینه های متنوعی از قبیل طبقه بندی الگوها، پردازش تصاویر، تقریب توابع و ... مورد استفاده قرار گرفته است.

الگوریتم یادگیری پس انتشار خطا2، یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیش خور می باشد. این الگوریتم، تقریبی از الگوریتم بیشترین تنزل3 می باشد و در چارچوب یادگیری عملکردی 4 قرار می گیرد.

عمومیت یافتن الگوریتمBP ، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی می باشد.

علیرغم، موفقیت های کلی الگوریتم BP در یادگیری شبکه های عصبی چند لایه پیش خور هنوز، چندین مشکل اصلی وجود دارد:

- الگوریتم پس انتشار خطا، ممکن است به نقاط مینیمم محلی در فضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتم BP همگرا                می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.

- سرعت همگرایی الگوریتم BP، خیلی آهسته است.

از این گذشته، همگرایی الگوریتم BP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است.

در این گزارش، با هدف بهبود الگوریتم BP، تکنیک های مختلفی ارائه شده است. نتایج شبیه سازیهای انجام شده نیز نشان می دهد، الگوریتم های پیشنهادی نسبت به الگوریتم استاندارد BP، از سرعت همگرایی بالاتری برخوردار هستند.

خلاصه ای از الگوریتم BP

از قانون یادگیری پس انتشار خطا (BP)، برای آموزش شبکه های عصبی چند لایه پیش خور که عموماً شبکه های چند لایه پرسپترون 5 (MLP) هم نامیده می شود، استفاده می شود، استفاده می کنند. به عبارتی توپولوژی شبکه های MLP، با قانون یادگیری پس انتشار خطا تکمیل می شود. این قانون تقریبی از الگوریتم بیشترین نزول (S.D) است و در چارچوب یادگیری عملکردی قرار می گیرد.

بطور خلاصه، فرایند پس انتشار خطا از دو مسیر اصلی تشکیل می شود. مسیر رفت6 و مسیر برگشت 7 .

در مسیر رفت، یک الگوی آموزشی به شبکه اعمال می شود و تأثیرات آن از طریق لایه های میانی به لایه خروجی انتشار می یابد تا اینکه

_________________________________

1. Multi-Layer Feedforward Neural Networks
2. Back-Propagation Algorithm
3. Steepest Descent (S.D)
4. Performance Learning
5. Multi Layer Perceptron
6. Forward Path
7. Backward Path

نهایتاً خروجی واقعی شبکه MLP، به دست می آید. در این مسیر، پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، ثابت و بدون تغییر در نظر گرفته می شوند.

در مسیر برگشت، برعکس مسیر رفت، پارامترهای شبکه MLP تغییر و تنظیم می گردند. این تنظیمات بر اساس قانون یادگیری اصلاح خطا1 انجام می گیرد. سیگنال خطا، رد لایه خروجی شبکه تشکیل می گردد. بردار خطا برابر با اختلاف بین پاسخ مطلوب و پاسخ واقعی شبکه می باشد. مقدار خطا، پس از محاسبه، در مسیر برگشت از لایه خروجی و از طریق لایه های شبکه به سمت پاسخ مطلوب حرکت کند.

در شبکه های MLP، هر نرون دارای یک تابع تحریک غیر خطی است که از ویژگی مشتق پذیری برخوردار است. در این حالت، ارتباط بین پارامترهای شبکه و سیگنال خطا، کاملاً پیچیده و و غیر خطی می باشد، بنابراین مشتقات جزئی نسبت به پارامترهای شبکه به راحتی قابل محاسبه نیستند. جهت محاسبه مشتقات از قانون زنجیره ای2 معمول در جبر استفاده می شود.

فرمول بندی الگوریتم BP

الگوریتم یادگیری BP، بر اساس الگوریتم تقریبی SD است. تنظیم پارامترهای شبکه، مطابق با سیگنالهای خطا که بر اساس ارائه هر الگو به شبکه محاسبه می شود، صورت می گیرد.

الگوریتم بیشترین تنزل با معادلات زیر توصیف می شود:

(1)                                      

(2)                                                 

به طوری WLji و bLj، پارامترهای نرون j ام در لایه iام است. α، نرخ یادگیری2 و F، میانگین مربعات خطا می باشد.

(3)                                                              

(4)                                                                               

(5)          

به طوریکه SLj(k)، حساسیت رفتار شبکه در لایه L ام است.