تحقیق مبدلهای حرارتی دسته بندی و ساختمان انها

اختصاصی از سورنا فایل تحقیق مبدلهای حرارتی دسته بندی و ساختمان انها دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 44

مبدلهای حرارتی دسته بندی و ساختمان انها

مبدلهای دو لوله ای

مبدلهای لوله مارپیچی

مبدلهای لوله پوسته ای

مبدلهای دو لوله ای

که به صورت U شکل ساخته می شود یکی ازدو سیال درلولة داخلی ودیگری درمجرای حلقوی بین دو لوله جریان دارند.

لوله های هم محور به صورت مستقیم ساخته شده اند وبوسیله زانوی c ْ180 در یک انتها به هم متصل می شوند مبدلهای حرارتی دولوله ای درمواقعی که سطح تبادل حرارت مورد نیاز کوچک باشد وبخصوص موقعی که یکی از دوسیال گازمایع لزج ویا دبی آن کم باشد کاربرد دارند. این مبدلها برای مواردی که سطح تبادل حرارت مورد نیاز از 50 متر مربع کوچکتر است مناسب است .

مبدل حرارتی به منظور انتقال انرژی حرارتی بین دو سیال در دماهای مختلف بکار می رود .مبدلهای حرارتی در سیستمهای تبرید، تهویه مطبوع ، پالایشگاهها، اتومبیلها ،صنایع تولید ،نیروگاهها، بازیابی حرارت و بسیاری موارد دیگر بکار میرود.

مبدلهای لوله مارپیچی

از یک یا چندحلقه لولة مارپیچ تشکیل شده اند که داخل یک محفظه قرارمی گیرند .

ابتدا وانتها لوله های مارپیچ به لوله های اصلی ورودی و خروجی متصل می شوند.

جنس لوله های مارپیچ معمولاً فولاد کربن دار ، مس و آلیاژهای آن ، فولاد ضد زنگ و آلیاژهای نیکل می باشد .

اگرسیالات لزج باشند از لوله های پره دار نیز استفاده می شوند.

این نوع مبدلها برای سطح تبادل حرارتی کمتر از m230وفشار های کمتر از 40 اتمسفرمناسب هستند .

مبدلهای لوله پوسته ای

از متداولترین نوع مبدلهای ،مبدلهای لوله پوسته ای است که برای انتقال حرارت مایع –مایع، مایع – سیال درحالت تبخیر و مایع –سیال درحالت تقطیر بکارمیروند.

این مبدل ازیک پوسته وتعدادی لوله U شکل با پره های طولی در داخل آن تشکیل شده است وسیال سمت پوسته در امتداد وموازی لوله ها جریان دارد .

لوله های مبدل

هر مبدل لوله پوسته ای از تعداد زیادی لوله تشکیل شده است که یک سیال در داخل وسیال دیگر درخارج آن جریان دارد . لوله ها اجزای اساسی ومهم مبدلها می باشند ،وسطح انتقال حرارت بین سیال جاری در درون لوله ها وسیال خارج آنرا تشکیل می دهند .

لوله ها معمولاً از نوع بدون درز کششی یا اکسیژن تولید می شوند ولی اخیراً نوع درزدار (جوشکاری شده) نیز متداول شده است و جنس آن به نوع سیال بستگی داردو معمولاًاز فلزات، آلیاژهای فلزی و یا موادغیر فلزی مانند پلاستیک ها است .

اگر ضریب انتقال حرارت جابجایی سمت پوسته کم باشد از لوله های فین دار استفاده می شود.

قطر خارجی لوله ها استاندارد ( ، ،1،1، 1)اینچ می باشد .

ضخامت دیواره لوله ها در واحدB.W.G اندازه گیری می شود.

اصول کلی در طراحی مبدلهای حرارتی

اولین مرحله درطراحی مشخصات و فرضیات مساله می باشد ،بطورکلی مساله خاصی که برای طرح یک مبدل حرارتی مطرح می گردد ممکن است حاوی اطلاعات خیلی کم از قبیل دماهاودبی ها ی دوجریان گرم و سرد بوده ویا در مقابل ،دارای اطلاعات بسیار زیاد همراه با جزئیات بیشتر باشد . در مسالة مورد نظرما علاوه بر دبی هاودماهای وسیال ،عوامل دیگری ازقبیل فشارها ودماها ی کارکردی ،افت فشارهای مجاز، بارحرارتی لازم ، اندازه مناسب ،محدودیت وزن ، قیمت و هزینة مجاز ،مواد لازم و همچنین نوع وآرایش مبدل نیزمطرح است . با افزایش خواسته هها و قیود طراحی ،انتخاب وطرح مبدل مناسب ،مشکل تر گردیده ومبدلی که بتواند همه شرایط را ارضا نمایداز محدودیت بیشترو تنوع کمتری برخوردار است . بر اساس مشخصات مساله و نیز تجربه ، نوع مبدل وآرایش جریانها انتخاب می گرد .

تجزیه و تحلیل مبدلهای حرارتی شامل محاسبات انتقال حرارت ،افت فشارویا تعیین ابعاد هندسی بوده و برای انجام محاسبات مربوطه ،عواملی از قبیل مشخصات سطوح وخواص هندسی انها، خواص فیزیکی سیالها ونیز مشخصات مساله لازم هستند. منظوراز مشخصات سطوح ،خواص حرارتی واصطکاک آنها مانند منحنی های JH وfبرحسبRe می باشد.

وبا استفاده ازروشهای مختلف بهینه سازی درریاضیات بهترین ومناسبترین طرح راباید انتخاب نمود . ممکن است با توجه به متغییرهای طراحی ،تعداد زیادی جواب بدست آید که همگی شرایط طرح را داشته باشند .مسایل محاسبات حرارتی درمبدلها بطورکلی دو دسته هستند : اول مسایلی هستندکه درآنها نوع مبدل و اندازة آن معلوم بوده و موضوع اصلی تعیین نوع انتقال حرارت ودماهای خروجی سیال براساس دبی هاو دماهای ورودی می باشد . این نوع مسایل به مسایل عملکردی مبدلهای حرارتی شهرت دارند .

مسایل نوع دوم ،دبی هاو دماهای ورودی وخروجی در سیال گرم و سرد داده شده است .در این مسایل انتخاب یک نوع مبدل حرارتی مناسب ،تعیین اندازه و محاسبه سطح موردنیاز برای حصول به دمای خروجی موردنظر طراحی می شوند. پس از محاسبات حرارتی وانتخاب مبدلهای مناسب ،مرحله طراحی مکانیکی مبدلها می رسد.پایداری و مقاومت مبدلها در برابر عوامل خارجی در این مرحله بررسی می شوند.

محاسبات مقاومتهای داخلی وتنشها جهت تعیین ابعاد و ضخامتهای لازم برای صفحه ها، پرده ها،لوله ها ،پوسته و اجزای دیگر بکاربرده می شود.انتخاب مناسب

تحقیق درمورد تولید نایلون دسته دار

اختصاصی از سورنا فایل تحقیق درمورد تولید نایلون دسته دار دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 19

ردیف

نام ونام خانوادگی

سمت

درصد سهام

تعداد سهام

1

رضا رستمی

مدیریت

60%

2

علی آرامش

......

20%

3

سعید سپهری مهر

......

20%

4

......

5

......

همگی هزینه ها به ریال می باشد

عنوان محصول یا محصولات وظرفیت تولید:

ردیف

نام محصول

ظرفیت سالیانه

واحد

فروش کنونی هر واحد بازار(ریال)

1

تولید نایلون دسته دار

100

تن

1.900.000.000

میزان سرمایه گذاری:

سرمایه ی کل

آورده ی کار آفرین

آورده ی سهامداران

تسهیلات

300.000.000ریال

50.000.000

50.000.000

20.000.000

پیش بینی میزان اشتغالزایی طرح:

پیش بینی می شود درابتدای کار در حد یک کارگاه کوچک تعداد 5 نفر مشغول بکار شوند ودرآینده امکان بکارگماری 12 نفر بعنوان نماینده درشهرهای استان مرکزی مشغول کار شوند.

اعلام محرمانه بودن طرح

.....................................

خلاصه مدیریتی/اجرایی:

درزمانهای گذشته کالاهای خریداری شده مانند میوه جات و.............. درپاکت به مشتری تحویل داده می شد که باتوجه به نداشتن قدرت تحمل وزن کالا ،ازکارائی بالایی برخوردارنبود وبعداً نایلون جای پاکات فوق راگرفت درابتدا باتجهیز یک کارگاه کوچک می توان این کالای پرمصرف وفاسدنشدنی راتولید وبه بازار عرضه نمود. این کالا درتمامی سوپرمارکت ها ، میوه فروشی ها، رستورانها وخیلی ازمشاغل کاربرد داشته وبارشد این کارگاهمی توان آنرا ازحالت تولید تک محصولی (نایلون ساده ) به تولید نایلونهای رنگی سفارشی باآرم مراکز مختلف بعنوان تبلیغ تبدیل نمود . برای کاهش هزینه های خرید رول نایلون، باسرمایه گذاری اولیه می توان تجهیزات تبدیل موادخام به نایلون راخریداری نمود تامواداولیه را نیز خودمان تولید کنیم .

چشم انداز:

با راه انداری یک کارگاه کوچک درابتدا وتولید محصول باکیفیت وبازاریابی مناسب امید است پس از شش ماه سهمی از بازارشهرستان را دراختیار گرفته وسپس بادرج آگهی در روزنامه ها اقدام به پذیرش نماینده درسایر شهرهای استان مرکزی بنمائیم وپس از 5 سال اقدام به گسترش کارگاه وتبدیل آن به شرکت گام برداریم ودر آینده به جایی برسیم که حتی مواداولیه مورد نیاز این تولیدی را که به محیط زیست آسیب نرساند وجذب محیط شود را نیز خودمان تولید نمائیم .

اهداف شرکت:

این کارگاه درنظر دارد برای شروع کار باهدف تولید نایلون باکیفیت که از مواد نو تهیه شدهوبازاریابی صحیح ، 80 %بازار شهرستان ساوه را در گام اول دراختیار بگیرد .این برنامه 6 ماهه بوده که باتولید 50 تن وفروش آنها به اهداف کوتاه مدت خود خواهدرسید. در برنامه میان مدت درنظراست پس از 2 سال 70 % نیاز استان مرکزی راتامین نمائیم وسقف تولید را از 100 تن درسال به150 تن در سال برسانیم.

ماموریت های شرکت:

محصولات تولیدی این مجموعه دراختیار عموم مردم بوده ودرجهت سهل الانتقال نمودن ارزاق عمومی وکالاهای خریداری آنان کمک می نماید.

کلید یا رمز موفقیت شرکت:

درمرحله نخست لازم است عمده فروشان محصولات یکبار مصرف درسطح شهرستان شناساییشده وسپس بابکارگیری نظرات آنان اقدام به پذیرش سفارش براساس نیاز مشتری نمود.

راهبردها :

بدست آوردن 80 % بازار فروش نایلون دسته دار درشهرستان ساوه درطول مدت 6 ماه.

تاکتیک ها:

دراختیار گرفتن اسامی وآدرس کلیه عمده فروشان ظروف یکبار مصرف درسطح استان.

شرح کسب و کار:

مالکیت شرکت، سرمایه گذاران و سهامداران اصلی:

این شرکت ازنوع سهامی خاص بوده و 50 % سهام متعلق به رضا رستمی بعنوانرئیس هیئت مدیره ومدیرعامل و 30 % سهام متعلق به خانم زهرا باقرنیا بعنوان عضو هیئت مدیرهونایب رئیس و 10 % سهام متعلق به آقای شایان سلطانی فر بعنوان عضو هیئت مدیره و 10 % سهاممتعلق به آقای برهان سلطانی فر بعنوان عضو هیئت مدیره می باشد.

مکان و تاسیسات شرکت:

این کارگاه تولیدی درمکانی به ابعاد5*8بوده قابل راه اندازی است. اقلام مورد نیاز شامل: دستگاه اتوماتیک دوخت نایلون – دستگاه کمکی دوخت کیسه زباله –دستگاه برش – دستگاه قیچی – ویک مکان برای دفترکار همراه کامپیوتر - چاپگر - فکس –میز وصندلی وملزومات اداری ویک مکان برای انبار مواداولیه ومحصول تولید شده به ابعاد 20 متر مربع نیاز می باشد .بلحاظ نوع کار نیاز به وجود درمرکز شهر نمی باشد.

تحقیق و بررسی در مورد روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی 17 ص

اختصاصی از سورنا فایل تحقیق و بررسی در مورد روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی 17 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 17

/

Islamic Azad University of Mashhad

Faculty of Engineering

Department of Computer Engineering-Artificial Intelligence

Pattern Recognition

Fifth Report

Feature Extraction

Presenter:

Seyed Majid Ghafouri

[e-mail]

Supervisor:

Dr. Rahati

1386/11/4

1) چکیده:

در این تمرین روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی را مورد مطالعه قرار می‌دهیم. در ابتدا روش های مختلف استخراج ویژگی که از آن جمله PCA، LDA، روش قاب بندی و چند روش دیگر هستند را و سپس برای ویژگی های استخراج شده از روش های دسته بندی خطی بیزین و SVM خطی و سپس روش های غیر‌خطی RBF ، MLP و همچنین SVM غیر‌خطی برای دسته بندی استفاده شده‌ است. بسته به روش شناسایی بکار گرفته شده، معمولا ویژگی های متفاوتی از دنباله نقاط استخراج می شود. در اکثر روش های موجود استخراج ویژگی، ویژگی ها از روی مختصات نقاط نمونه برداری شده ورودی استخراج می شوند. از مجموعه ی ویژگی های استخراج شده معمولاً تعدادی مفید تر و موثرترند. ما برای تشخیص و انتخاب ویژگی های تاثیرگذارتر از یک الگوریتم ژنتیک استفاده کرده ایم. اما پس از استخراج و انتخاب ویژگی ها نوبت به دسته بندی می رسد. در ابتدا از چند دسته بند خطی استفاده کرده ایم. به راحتی می‌توان نشان داد که ناحیه‌های تصمیم‌گیری یک ماشین خطی محدودند و این محدودیت انعطاف‌پذیری و دقت دسته‌بند را کاهش می‌دهد. مسایل بسیاری وجود دارد که توابع جداساز خطی برای داشتن حداقل خطا در آنها کافی نیستند. علاوه بر این مرزهای تصمیم‌گیری که کلاسها را از یکدیگر تفکیک می‌کنند ممکن است همیشه خطی نباشند و پیچیدگی مرزها گاهی اوقات نیاز به استفاده از سطح‌های کاملاً غیر خطی را دارند. بنابراین در ادامه ی کار از چند دسته بند غیرخطی نیز استفاده نمودیم. در استفاده از شبکه‌های عصبی چندلایه، شکل غیر خطی بودن از مجموعه‌ی آموزش فرا گرفته می‌شود. در روشهای RBF و SVM غیرخطی مشکل اصلی انتخاب توابع هسته غیر خطی مناسب است.

2) مقدمه

اولین الگوریتم دسته‌بندی در سال 1936 توسط Fisher ارایه شد و معیارهای آن برای بهینه بودن، کم کردن خطای دسته‌بندی کننده‌های الگو‌های آموزشی بود. بسیاری از استراتژی‌های موجود نیز از همین روش پیروی می‌کنند. در ساده‌ترین شکل ممکن، دسته بند‌های خطی می‌توانند دو دسته‌ی متفاوت را تفکیک کنند. با توجه به این موضوع مساله‌ای را جدایی‌پذیر خطی می‌نامند که با یک ابرصفحه بتوان محدوده‌ی تصمیم را به دو گروه تقسیم‌بندی کرد. در عمل می‌توان دسته بند‌های خطی‌ای را طراحی کرد که بیش از دو گروه را از هم تفکیک کنند. این عمل را با تنظیم محدوده‌های تصمیم متعدد و آزمون‌های چندگانه بر اساس شرایط موجود می‌توان انجام داد. ما در این مساله یک دسته بندی با 26 کلاس را داریم.

در روش بیزین احتمال شرطی تعلق بررسی می‌شود. به این ترتیب که الگوی مورد نظر به دسته‌ای تخصیص داده می‌شود که احتمال شرطی تعلق بردار مشخصه‌ی الگو به آن دسته ازتمام دسته‌های دیگر بیشتر باشد. روش بیزین به طور کلی می تواند برای کارایی بسیار مطلوب بهینه شوند. این روش مزایای دیگری نیز دارد که استفاده‌ی از آن را توجیه می‌کند. این روش می‌تواند با چند فرض ساده در مورد داده‌ها کاملاً به شکل روشهای ساده‌ی خطی عمل کند، به علاوه این کار می‌تواند به گونه‌ای انجام شود که در پایان، مدل قطعی بدون هیچ گونه رجوع به آمار به دست آید. در روش بیزین مشکل کار تعریف احتمالات شرطی مورد نظر قاعده‌ی بیز است.

یک محقق روسی به نام Vladimir Vapnik در سال 1965 گام مهمی در طراحی دسته‌بندها برداشت [1] و نظریه‌ی آماری یادگیری را بصورت مستحکم‌تری بنا نهاد و ماشین بردار پشتیبان را ارایه کرد. ماشین‌های بردار پشتیبان در دو حالت جدایی‌پذیر و جدایی‌ناپذیر برای دسته‌بندی الگوهای یک مساله‌ی چندکلاسه از چند مرز جداکننده‌ی خطی یا ابرصفحه استفاده می‌کنند و در واقع حاصلضرب داخلی بردار ورودی با هر یک از بردارهای پشتیبان در فضای d بعدی ورودی محاسبه می‌شود. Vapnik نشان داد که می‌توان بردار ورودی را با یک تبدیل غیرخطی به یک فضای با بعد زیاد انتقال داد و در آن فضا حاصلضرب داخلی را بدست آورد که با این شرایط هسته‌ی مفیدی را خواهیم داشت.

روش RBF یک دسته‌بندی و تقریب‌ساز تابعی الگوست و شامل دو لایه می‌باشد که نرون‌های خروجی ترکیبی خطی از توابع پایه‌ای را به وجود می‌آورند که توسط نرون‌های لایه‌ی پنهان محاسبه شده‌اند. زمانی که ورودی در ناحیه‌ی تعیین شده‌ی کوچک از فضای ورودی قرار گیرد، توابع اساسی(غیر خطی) در لایه‌ی پنهان، پاسخ غیر صفری به محرک ورودی می‌دهند. همچنین این مدل به عنوان یک شبکه‌ی دریافت‌کننده‌ی ناحیه‌ای شناخته شده است. ما در روش RBF از معمول‌ترین تابع هسته‌ی غیر خطی یعنی سیگموئید استفاده کرده‌ایم.

به طور کلی شبکه‌های پرسپترون چند‌لایه شامل چندین پرسپترون ساده هستند که به طور ساختار سلسله‌مراتبی، یک شکل پیش‌خورد با یک و یا چند لایه‌ی میانی (لایه‌های پنهان) بین لایه‌های ورودی و خروجی را شکل می‌دهد. تعداد لایه‌ی پنهان و تعداد نرون‌های هر لایه ثابت نیستند. هر لایه ممکن است از نرون‌های مختلفی تشکیل شده باشد که این موضوع به کار آنها بستگی دارد. الگوریتم‌های آموزشی متفاوتی در روش چند لایه استفاده می‌شوند.

3) روشهای به کار رفته در این گزارش

در این قسمت روشهای استخراج ویژگی، روشهای انتخاب ویژگی ها جهت بهینه کردن آنها و کم کردن ابعاد مساله با کاهش تعداد آنها و روشهای دسته‌بندی (خطی و غیرخطی) به کار رفته بررسی شده‌اند.

3-1) روشهای استخراج ویژگی

در این قسمت انواع روشهای استخراج ویژگی ها ذکر شده است. ذکر این نکته لازم است که برخی الگوریتم های استخراج برای انتخاب ویژگی های موثر نیز استفاده می شوند ازجمله ی آنها PCA و LDA هستند. اما در این گزارش ما برای بهینه کردن ویژگی ها و کم کردن تعداد آنها و یا به عبارت دیگر برای کاهش ابعاد (Curse of Dimensionality) از الگوریتم ژنتیک استفاده نموده ایم.

3-1-1) روش PCA خطی

روشهای استخراج ویژگی یک زیرفضای مناسب m بعدی در فضای اصلی ویژگی ها از d بعد را تعیین می کنند(m<=d). تبدیل خطی مثل PCA، آنالیز فاکتور، LDA و تعقیب تصویر بطور گسترده در شناسایی الگو برای استخراج ویژگی ها و کاهش ابعاد استفاده شده اند. بهترین استخراج کننده ی ویژگی شناخته شدهPCA یا توسعه یافته ی Karhunen-loeve است که m بردار مشخصه بزرگتر را از ماتریس کوواریانس d×d از n الگوی d بعدی محاسبه می کند. تبدیل خطی به شکل Y=XH تعریف شده است که X ماتریس الگوی n×d داده شده و Y از ماتریس الگوی n×m مشتق شده است . H ماتریس d×m از تبدیل خطی است که ستون های آن بردارهای مشخصه هستند. قبل از اینکه PCA از ویژگی های پرمعنی تر استفاده کند (بردار ویژگی های با بزرگترین مقدار ویژه)، بطور کاملاً موثر داده ها را با یک زیرفضای خطی با استفاده از معیار خطای میانگین مربعات تخمین می زند. سایر روش ها مانندتعقیب تصویر و ICA برای توزیع های غیرگاوسی تا وقتی که به مشخصه ی مرتبه ی دوم داده ها مربوط نباشد مناسب ترند. ICA با موفقیت برای جداسازی منابع دیده نشده استفاده شده است. استخراج ترکیب خطی ویژگی ها منابع نابسته را تعریف می کند. این جداسازی در صورتی امکان پذیر است که حداکثر یکی از منابع دارای توزیع گاوسی باشد.

از آجا که PCA یک روش بدون بررسی استخراج ویژگی هاست (Unsupervised)، تحلیل جداسازی از یک اطلاعات گروهی در رابطه با هر الگو برای استخراج (خطی) ویژگی های با قابلیت جداسازی زیاد استفاده می کند. در LDA جداسازی بین کلاسی با جابجایی کل ماتریس کوواریانس در PCA با یک معیار جداسازی عمومی مانند معیار Fisher تائید می شود که در یافتن بردارهای مشخصه

مفاله در مورد روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی 17 ص

اختصاصی از سورنا فایل مفاله در مورد روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی 17 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 17

/

Islamic Azad University of Mashhad

Faculty of Engineering

Department of Computer Engineering-Artificial Intelligence

Pattern Recognition

Fifth Report

Feature Extraction

Presenter:

Seyed Majid Ghafouri

[e-mail]

Supervisor:

Dr. Rahati

1386/11/4

1) چکیده:

در این تمرین روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی را مورد مطالعه قرار می‌دهیم. در ابتدا روش های مختلف استخراج ویژگی که از آن جمله PCA، LDA، روش قاب بندی و چند روش دیگر هستند را و سپس برای ویژگی های استخراج شده از روش های دسته بندی خطی بیزین و SVM خطی و سپس روش های غیر‌خطی RBF ، MLP و همچنین SVM غیر‌خطی برای دسته بندی استفاده شده‌ است. بسته به روش شناسایی بکار گرفته شده، معمولا ویژگی های متفاوتی از دنباله نقاط استخراج می شود. در اکثر روش های موجود استخراج ویژگی، ویژگی ها از روی مختصات نقاط نمونه برداری شده ورودی استخراج می شوند. از مجموعه ی ویژگی های استخراج شده معمولاً تعدادی مفید تر و موثرترند. ما برای تشخیص و انتخاب ویژگی های تاثیرگذارتر از یک الگوریتم ژنتیک استفاده کرده ایم. اما پس از استخراج و انتخاب ویژگی ها نوبت به دسته بندی می رسد. در ابتدا از چند دسته بند خطی استفاده کرده ایم. به راحتی می‌توان نشان داد که ناحیه‌های تصمیم‌گیری یک ماشین خطی محدودند و این محدودیت انعطاف‌پذیری و دقت دسته‌بند را کاهش می‌دهد. مسایل بسیاری وجود دارد که توابع جداساز خطی برای داشتن حداقل خطا در آنها کافی نیستند. علاوه بر این مرزهای تصمیم‌گیری که کلاسها را از یکدیگر تفکیک می‌کنند ممکن است همیشه خطی نباشند و پیچیدگی مرزها گاهی اوقات نیاز به استفاده از سطح‌های کاملاً غیر خطی را دارند. بنابراین در ادامه ی کار از چند دسته بند غیرخطی نیز استفاده نمودیم. در استفاده از شبکه‌های عصبی چندلایه، شکل غیر خطی بودن از مجموعه‌ی آموزش فرا گرفته می‌شود. در روشهای RBF و SVM غیرخطی مشکل اصلی انتخاب توابع هسته غیر خطی مناسب است.

2) مقدمه

اولین الگوریتم دسته‌بندی در سال 1936 توسط Fisher ارایه شد و معیارهای آن برای بهینه بودن، کم کردن خطای دسته‌بندی کننده‌های الگو‌های آموزشی بود. بسیاری از استراتژی‌های موجود نیز از همین روش پیروی می‌کنند. در ساده‌ترین شکل ممکن، دسته بند‌های خطی می‌توانند دو دسته‌ی متفاوت را تفکیک کنند. با توجه به این موضوع مساله‌ای را جدایی‌پذیر خطی می‌نامند که با یک ابرصفحه بتوان محدوده‌ی تصمیم را به دو گروه تقسیم‌بندی کرد. در عمل می‌توان دسته بند‌های خطی‌ای را طراحی کرد که بیش از دو گروه را از هم تفکیک کنند. این عمل را با تنظیم محدوده‌های تصمیم متعدد و آزمون‌های چندگانه بر اساس شرایط موجود می‌توان انجام داد. ما در این مساله یک دسته بندی با 26 کلاس را داریم.

در روش بیزین احتمال شرطی تعلق بررسی می‌شود. به این ترتیب که الگوی مورد نظر به دسته‌ای تخصیص داده می‌شود که احتمال شرطی تعلق بردار مشخصه‌ی الگو به آن دسته ازتمام دسته‌های دیگر بیشتر باشد. روش بیزین به طور کلی می تواند برای کارایی بسیار مطلوب بهینه شوند. این روش مزایای دیگری نیز دارد که استفاده‌ی از آن را توجیه می‌کند. این روش می‌تواند با چند فرض ساده در مورد داده‌ها کاملاً به شکل روشهای ساده‌ی خطی عمل کند، به علاوه این کار می‌تواند به گونه‌ای انجام شود که در پایان، مدل قطعی بدون هیچ گونه رجوع به آمار به دست آید. در روش بیزین مشکل کار تعریف احتمالات شرطی مورد نظر قاعده‌ی بیز است.

یک محقق روسی به نام Vladimir Vapnik در سال 1965 گام مهمی در طراحی دسته‌بندها برداشت [1] و نظریه‌ی آماری یادگیری را بصورت مستحکم‌تری بنا نهاد و ماشین بردار پشتیبان را ارایه کرد. ماشین‌های بردار پشتیبان در دو حالت جدایی‌پذیر و جدایی‌ناپذیر برای دسته‌بندی الگوهای یک مساله‌ی چندکلاسه از چند مرز جداکننده‌ی خطی یا ابرصفحه استفاده می‌کنند و در واقع حاصلضرب داخلی بردار ورودی با هر یک از بردارهای پشتیبان در فضای d بعدی ورودی محاسبه می‌شود. Vapnik نشان داد که می‌توان بردار ورودی را با یک تبدیل غیرخطی به یک فضای با بعد زیاد انتقال داد و در آن فضا حاصلضرب داخلی را بدست آورد که با این شرایط هسته‌ی مفیدی را خواهیم داشت.

روش RBF یک دسته‌بندی و تقریب‌ساز تابعی الگوست و شامل دو لایه می‌باشد که نرون‌های خروجی ترکیبی خطی از توابع پایه‌ای را به وجود می‌آورند که توسط نرون‌های لایه‌ی پنهان محاسبه شده‌اند. زمانی که ورودی در ناحیه‌ی تعیین شده‌ی کوچک از فضای ورودی قرار گیرد، توابع اساسی(غیر خطی) در لایه‌ی پنهان، پاسخ غیر صفری به محرک ورودی می‌دهند. همچنین این مدل به عنوان یک شبکه‌ی دریافت‌کننده‌ی ناحیه‌ای شناخته شده است. ما در روش RBF از معمول‌ترین تابع هسته‌ی غیر خطی یعنی سیگموئید استفاده کرده‌ایم.

به طور کلی شبکه‌های پرسپترون چند‌لایه شامل چندین پرسپترون ساده هستند که به طور ساختار سلسله‌مراتبی، یک شکل پیش‌خورد با یک و یا چند لایه‌ی میانی (لایه‌های پنهان) بین لایه‌های ورودی و خروجی را شکل می‌دهد. تعداد لایه‌ی پنهان و تعداد نرون‌های هر لایه ثابت نیستند. هر لایه ممکن است از نرون‌های مختلفی تشکیل شده باشد که این موضوع به کار آنها بستگی دارد. الگوریتم‌های آموزشی متفاوتی در روش چند لایه استفاده می‌شوند.

3) روشهای به کار رفته در این گزارش

در این قسمت روشهای استخراج ویژگی، روشهای انتخاب ویژگی ها جهت بهینه کردن آنها و کم کردن ابعاد مساله با کاهش تعداد آنها و روشهای دسته‌بندی (خطی و غیرخطی) به کار رفته بررسی شده‌اند.

3-1) روشهای استخراج ویژگی

در این قسمت انواع روشهای استخراج ویژگی ها ذکر شده است. ذکر این نکته لازم است که برخی الگوریتم های استخراج برای انتخاب ویژگی های موثر نیز استفاده می شوند ازجمله ی آنها PCA و LDA هستند. اما در این گزارش ما برای بهینه کردن ویژگی ها و کم کردن تعداد آنها و یا به عبارت دیگر برای کاهش ابعاد (Curse of Dimensionality) از الگوریتم ژنتیک استفاده نموده ایم.

3-1-1) روش PCA خطی

روشهای استخراج ویژگی یک زیرفضای مناسب m بعدی در فضای اصلی ویژگی ها از d بعد را تعیین می کنند(m<=d). تبدیل خطی مثل PCA، آنالیز فاکتور، LDA و تعقیب تصویر بطور گسترده در شناسایی الگو برای استخراج ویژگی ها و کاهش ابعاد استفاده شده اند. بهترین استخراج کننده ی ویژگی شناخته شدهPCA یا توسعه یافته ی Karhunen-loeve است که m بردار مشخصه بزرگتر را از ماتریس کوواریانس d×d از n الگوی d بعدی محاسبه می کند. تبدیل خطی به شکل Y=XH تعریف شده است که X ماتریس الگوی n×d داده شده و Y از ماتریس الگوی n×m مشتق شده است . H ماتریس d×m از تبدیل خطی است که ستون های آن بردارهای مشخصه هستند. قبل از اینکه PCA از ویژگی های پرمعنی تر استفاده کند (بردار ویژگی های با بزرگترین مقدار ویژه)، بطور کاملاً موثر داده ها را با یک زیرفضای خطی با استفاده از معیار خطای میانگین مربعات تخمین می زند. سایر روش ها مانندتعقیب تصویر و ICA برای توزیع های غیرگاوسی تا وقتی که به مشخصه ی مرتبه ی دوم داده ها مربوط نباشد مناسب ترند. ICA با موفقیت برای جداسازی منابع دیده نشده استفاده شده است. استخراج ترکیب خطی ویژگی ها منابع نابسته را تعریف می کند. این جداسازی در صورتی امکان پذیر است که حداکثر یکی از منابع دارای توزیع گاوسی باشد.

از آجا که PCA یک روش بدون بررسی استخراج ویژگی هاست (Unsupervised)، تحلیل جداسازی از یک اطلاعات گروهی در رابطه با هر الگو برای استخراج (خطی) ویژگی های با قابلیت جداسازی زیاد استفاده می کند. در LDA جداسازی بین کلاسی با جابجایی کل ماتریس کوواریانس در PCA با یک معیار جداسازی عمومی مانند معیار Fisher تائید می شود که در یافتن بردارهای مشخصه

تحقیق درمورد آمار

اختصاصی از سورنا فایل تحقیق درمورد آمار دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 26

روشهای دسته بندی

کاربرد آنالیز آمار چند متغیری

موضوعات:

1. دسته بندی چیست؟

2. اندازه های متشابه

3. روشهای دسته بندی مرتبه ای

4. روشهای دسته بندی نامرتب

5. مقیاس یا سنجش چند بعدی

6. مشتق وابسته

7. دو طرح برای نظریه واحدهای نمونه و متغیر

8. مشتق Procrustes بیک روش

9. نتیجه

10. مراجعات

مسئله دسته بندی

روشهای اکتشافی در فهمیدن ماهیت پیچیده رابطه های چند متغیری مفید است.

مسئله 1: دادن یک مجموعه ای از اطلاعات } xi ERP ‍‍{ متقاعد می کند:

1. شماری از دسته های که مجهول هستند.

2. دسته های فردی که مجهول هستند.

ما قصد داریم که:

1. بعضی از آمارهای مناسب را معین کنیم.

2.شماری از دسته بندی های K را توضیح دهیم.

3. یک روش دسته بندی مناسب و قابل قبول پیدا کنیم.

4. طبقه بندی اطلاعات در دسته های K .

نمونه ای از دسته بندی

تقسیم کردن یک مجموعه معلوم بوسیله همانند سازی

شکل 2- میانگین دسته های نامعلوم

مشاهده ماتریس: نکات الگوی با نمونه n معلوم که هر یک m متغیر دارد:

Xm

…

Xj

…

X1

X1m

xim

xnm

…

…

…

x1j

xij

xnj

…

…

…

x11

.

.

.

xi1

.

.

.

xn1

x1

.

.

.

xi

.

.

.

xn

…

…

Mean

sm

…

si

…

S1

std

جدول 1- مشاهده اطلاعات

هیچ روش دسته بندی عالی وجود ندارد.

روشهای دسته بندی

1. روش سیستم: ترکیب کردن بیشترین دسته های شبیه به هم، جدید کردن اطلاعات و تکرار روش تا زمانیکه تمام اطلاعات طبقه بندی بشوند.

2. روش حرکتی: در مرحله اول، دادن یک طبقه بندی ابتدایی به اطلاعات، سپس تنظیم کردن گروه ها وسیله کمترین مقدار از ضرر عملکرد تا زمانیکه هیچ پیشرفتی (بهبودی) بوجود نیاید.

3. روش نامعلوم: برای مثال میانگین دسته های c نامعلوم، معمولا برای اطلاعات با مشخصه های نامعلوم به خوبی عمل می کنند.

4. روش کمترین زیرگرافی از یک گراف

5. ...

تغییر شکل اطلاعات

استقرار (مرکزیت دادن): به وجود آوردن میانگین صفر، و ماتریس ثابت واریانس – کوواریانس.

یکنواخت کردن : به وجود آوردن میانگین صفر و sdt 1.