پاسخ دهید متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی برق کنترل

دانشکده تحصیلات تکمیلی

“M.Sc” پایان نامه برای دریافت درجه کارشناسی ارشد

مهندسی برق – کنترل

عنوان:

طراحی کنترل کننده پیش بین برای سیستم های چندمتغیره صنعتی با بهره گرفتن از تکنیک های هوشمند تطبیقی

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

چکیده
در این پایان نامه کنترل پیش بین تطبیقی سیستم های چندمتغیره به صورت روی خط با بهره گرفتن از تکنیک های شناسائی هوشمند تطبیقی بررسی خواهد شد و نتایج حاصله بر روی مدل عمومی یک برج تقطیر در آرایش دینامیکی LV مورد پیاده سازی و اجرا قرار خواهد گرفت.
برای دستیابی به کنترل مطلوب تطبیقی و برخط سیستم ها استفاده از روش شناسایی مناسب الزامی است. عدم وجود مدل دقیق ریاضی برای فرایندهای صنعتی و وجود ترم های غیرخطی در اکثر سیستم های فیزیکی، فازشناسائی را در پروتکل های کنترلی حائز اهمیت فراوان ساخته است. لذا در این پایان نامه شناسائی فازی سیستمهای غیرخطی چندمتغیره براساس مدل فازی Takagi-sugeno در فاز شناسائی سیستم بررسی شده و به کارگرفته می شود. در این پایان نامه سیستم غیرخطی چندمتغیره ابتدا با بهره گرفتن از الگوریتم

 eTS مدلسازی می شود و سپس تداخل سیستم چندمتغیره حول یک نقطه کاری خاص، براساس روش آرایه بهره نسبی استخراج می گردد. علاوه بر روش آرایه بهره نسبی یک روش جدید آنالیز تداخل با توجه به داده های هردو حالت ماندگار و گذرا معرفی گشته و برای سیستم های گسسته نیز گسترش داده شده است. در این روش که آرایه بهره نرمالیزه شده نسبی نام دارد، از انتگرال خطا به عنوان معیاری که ویژگی های دینامیکی تابع تبدیل را دربر می گیرد، استفاده می کنیم. چرا که ممکن است ورودی پروسه، همه ی بازه های فرکانسی را دربر بگیرد. از این رو ارزیابی از کل دینامیک سیستم نیاز است تا برخی فرکانس های خاص. علاوه براین چون برای دستیابی به خطای حالت ماندگار صفر در پروسه های کنترل بازگشتی یک ترم انتگرالی درتابع تبدیل سیستم گنجانده می شود. لذا این معیاربه خوبی دینامیک خروجی سیستم را پوشش می دهد.

در ادامه چندین روش مختلف دکوپله سازی سیستم های چندمتغیره مورد بررسی قرار گرفته است و یک روش دکوپله سازی مناسب و کاربردی در صنعت معرفی می گردد. این روند برای کاهش تداخل حلقه ها و جفت گیری مناسب ورودی – خروجی برای اعمال فاز کنترل استفاده می گردد.
به دلیل مزایای زیاد کنترل کننده پیش بین نسبت به سایر روش های کنترل کلاسیک و همینطور بدیع بودن اعمال این کنترل کننده بصورت تطبیقی و برخط به همراه این روش شناسایی هوشمند غیرخطی، در صنعت و مخصوصا برای سیستم های چندمتغیره، کنترل پیش بین تطبیقی بصورت برخط در مرحله کنترل استفاده گردیده است.

این مطلب را هم بخوانید :

دیجیتال مارکتینگ چیست؟

نهایتا روش ارائه شده برروی مدل عمومی یک برج تقطیردر آرایش دینامیکی LV به کار گرفته شده است.
مقدمه:
برای دستیابی به کنترل مطلوب تطبیقی و برخط سیستم ها استفاده از روش شناسایی مناسب الزامی است. عدم وجود مدل دقیق ریاضی برای فرایندهای صنعتی و وجود ترم های غیرخطی در اکثر سیستم های فیزیکی، فاز شناسائی را در پروتکل های کنترلی حائز اهمیت فراوان ساخته است. لذا در این پایان نامه شناسائی فازی سیستمهای غیرخطی چندمتغیره براساس مدل فازی Takagi-sugeno در فاز شناسائی سیستم بررسی شده و به کارگرفته می شود.

پاسخ دهید متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی برق

دانشکده تحصیلات تکمیلی

“M.Sc” پایان نامه برای دریافت درجه کارشناسی ارشد

مهندسی برق – الکترونیک

عنوان:

ارتقای فشرده سازی سیگنال گفتار با بهره گرفتن از چندی کننده های برداری عصبی

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

چکیده
پارامترهای کدکردن براساس پیشبینی خطی یا ضرایب LPC بطور گسترده در فشرده سازی سیگنال گفتار مورد استفاده قرار میگیرد. از سوی دیگر، شبکه های عصبی مصنوعی به عنوان سیستم هوشمندی هستند که میتوانند در سیستمهای خطی و غیرخطی مانند کدینگ گفتار و تصویر بکار روند. در این تحقیق دو نمونه از شبکه های عصبی مبتنی بر تکنیک چندی سازی برداری به نامهای شبکه کوهنن و ARTMAP معرفی میشوند، که از آنها برای دسته بندی بردارهای حاصل از پردازش سیگنال گفتار ورودی استفاده میشود، در این تکنیک با بهره گرفتن از زوجهای خط طیفی (LSP) بعنوان یک پارامتر قابل جایگزینی بجای ضرایب LPC میتوان نرخ بیت را کاهش داد در حالیکه کیفیت گفتار سنتز شده تقریباً حفظ میشود و این بدلیل این است که وقتی از پارامترهای LSP استفاده میشود، فرکانس های فرمنت (Formant) خوبی بدست می آید که مشابه فرکانسهای اصلی سیگنال گفتار میباشد. با این روش، نرخ بیت با توجه به واکدار یا بی واک بودن قاب گفتار مربوطه بین 2 تا 33 درصد کاهش می یابد. همچنین در این تحقیق شبکه های عصبی کوهنن و نظریه تشدید تطبیقی به

 عنوان دو شبکه عصبی بدون سرپرست و روش چندی سازی بردارهای یادگیری به عنوان یک شبکه عصبی با سرپرست معرفی و نتایج حاصل از هریک با هم مقایسه میشوند. نمونه های صوتی بکار رفته نیز به زبان فارسی میباشند.

مقدمه
اخیراً اکثر تکنیک هایی که برای فشرده سازی سیگنال گفتار بکار میروند، براساس پیش بینی خطی ساختار یافته اند. سیگنال گفتار بعنوان یک ابزار مهم در ارتباطات انسان در فناوری های دیجیتالی مورد توجه خاص قرار گرفته است. نرخ بیت سیگنال گفتار ارسال شده باید کاهش یابد. سیگنال گفتار یک سیگنال پیوسته و غیرخطی بوده که بصورت فیزیکی توسط لوله صوتی انسان تولید و شکل داده میشود، بنابراین ویژگی های سیگنال گفتار به حرکات لوله صوتی در طول زمان و همچنین مشخصات گوینده بستگی دارد. تبدیل پارامترهای LPC به LSP کارایی کدکننده های با نرخ بیت کم را بهبود میبخشد.
پارامترهای LSP فرکانس های فرمنت لوله صوتی را بصورت ریاضی مدلسازی میکنند. ازسوی دیگر شبکه های عصبی به عنوان ابزاری موفق تاکنون در کاربردهای گوناگونی از پردازش گفتار و زبان مورد استفاده قرار گرفته اند. در این راستا کاربردهای بازشناسی خودکار گفتار (ASR)، سنتز گفتار طبیعی و پردازش زبان طبیعی (NLP) به عنوان نمونه

این مطلب را هم بخوانید :

بایگانی‌های آموزشی - مرجع مقالات

 هایی که توسط مؤلف برای زبان فارسی تجربه شده اند، قابل ذکر است. برای کدکننده های گفتار نیز شبکه های عصبی در حوزه کاری مورد استفاده قرار گرفته اند: پیش بینی کننده های نورونی برای بهبود کیفیت و کاهش پیچیدگی محاسباتی در کدکننده ها. در این تحقیق یک روش جدید برای کد کردن گفتار با نرخ بیت کم معرفی میشود که از پارامترهای LSP برای استخراج و نگاشت ویژگیهای سیگنال گفتار با بهره گرفتن از نوعی شبکه عصبی مصنوعی بنام شبکه خود سازمانده (SOM) استفاده میکند. استفاده از این روش نرخ بیت گفتار بازسازی شده را کاهش می دهد، در حالی که کیفیت سیگنال تفاوت آشکاری با گفتار اصلی ندارد. برای اندازه گیری کیفیت گفتار سنتز شده از معیار میانگین امتیاز آرا داده شده (MOS) استفاده می شود.

پاسخ دهید متن کامل پایان نامه مقطع کارشناسی ارشد مهندسی برق مخابرات

در فصل سوم، پارامترهای GSM در مد Idle و مد Dedicated که یکی از مباحث اصلی بهینه سازی است، معرفی و بررسی شده اند.

در فصل چهارم، ویژگی های GSM و کاربردهای آن در بهینه سازی تشریح شده اند که با بکارگیری این ویژگی ها می توان از منابع موجود شبکه، حداکثر استفاده را کرد و شبکه را برای توسعه آماده نمود.

این مطلب را هم بخوانید :

فایل رایگان پایان نامه روانشناسی : مؤلفه‌های انگیزش تحصیلی

پاسخ دهید متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی برق

دانشکده تحصیلات تکمیلی

پایان نامه برای دریافت درجه کارشناسی ارشد

الکترونیک – مهندسی برق

عنوان:

به کارگیری ساختار آمیختار عصبی – آماری برای به هنجارسازی اطلاعات فرمنت ها در بازشناسی گفتار

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

چکیده
علیرغم تاثیر مثبت حالت گفتار در انتقال مفهوم درست جمله به شنونده، این تغییر به سبب تحول بنیادینی که در پارامترهای گفتار ایجاد می نماید، موجب افت شدید نرخ بازشناسی گفتار با مدل های عادی می گردد. به منظور رشد نرخ بازشناسی گفتار فارسی با حالت، از چند سال گذشته تحقیقاتی آغاز شده و در نخستین گام با افزودن فرمنت های اول تا سوم – یا شیب آنها – به انتهای بردار ویژگی نرخ بازشناسی گفتار کمی بهبود یافته است.
در این گزارش ابتدا با بهره گرفتن از شبکه های عصبی مصنوعی، فرمنت های گفتار با حالت را به فرمنت گفتار عادی به هنجار نموده و با اضافه نمودن فرمنت به هنجار شده به انتهای بردار ویژگی، رشد نرخ بازشناسی مشاهده شده است. در ادامه با بهره گرفتن از نسبت فرمنت های گفتار با حالت به گفتار عادی در تکنیک های پیچش فرکانسی و به هنجارسازی طول لوله صوتی – به هنجارسازی گوینده – به صورت مستقیم، بلوک های سیستم بازشناسی گفتار را تغییر داده و با استخراج ضرایب جدید کپسترال، درصد جملات

 صحیح شناخته شده افزایش یافته است.

مقدمه
بازشناسی خودکار گفتار (ASR) به فرایندی گفته می شود که گفتار انسان را به متن یا فرمان معادل تبدیل می کند. این مسئله رایانه ها یا ماشین ها را قادر می سازد تا گفتار انسان را بشنوند و در مقابل آن واکنش مناسب نشان دهند، مسئله ای که منجر به برقراری ارتباط سریع و آسان با ماشین های اطراف شده و انسان را از دکمه ها و کلیدها برای برقراری ارتباط بی نیاز می سازد.
در حقیقت بازشناسی گفتار تبدیل یک سیگنال صوتی به رشته ای از لغات می باشد. این کار فرایندی بسیار پیچیده است که علت آن پیچیدگی اندام های تولید کننده و تشخیص دهنده گفتار در انسان و ناشناخته بودن نحوه عملکرد آنهاست. مسائل مختلفی مانند تفاوت صدای کاربران مختلف، نوع بیان کلمات، نویزها و شرایط محیطی، تعداد کلمات مورد نظر و معنی و مفهوم گفتار، پیچیدگی سیستم های تشخیص گفتار را تعیین می کنند.
از میان رویکردهای مختلفی که برای بازشناسی گفتار وجود دارد، رویکرد مبتنی بر بازشناسی الگو موفق ترین آنهاست و تقریبا تمامی سیستم های موفق امروزی براساس آن عمل می

این مطلب را هم بخوانید :

۱۰ نکته‎ای که بهتر است قبل از تجربه Red Dead Redemption 2 یاد بگیرید

 کنند. در این رویکرد، گفتار به کمک تعدادی واحد آوایی (مانند کلمه، هجا، سه واجی یا واج) مدل می شود و در بازشناسی نیز از تشخیص این واحدها و کنار هم قرار دادن آنها، متن متناسب با گفتار تشخیص داده می شود. سیستم های بازشناسی گفتار با این رویکرد دارای دو فاز آموزش و آزمون می باشند که در فاز آموزش الگوهای مربوط به هر کلاس که همان واحدهای آوایی هستند، با بهره گرفتن از روش هایی مدلسازی می شوند. مقایسه گفتار ورودی با الگوهای آموزش داده شده جهت تشخیص واحدهای آوایی موجود در گفتار ورودی، در فاز آزمون انجام می گردد. در فاز آموزش معمولا دو نوع مدل آوایی و زبانی آماده می شود که در فاز آزمون از آنها استفاده شود. استخراج مدل های آوایی از روی دادگان گفتاری با بهره گرفتن از روش های مختلفی امکانپذیر است که از مهمترین آنها می توان روش های مدل پیچش زمانی پویا یا DTW (که در گوشی های تلفن همراه برای شماره گیری صوتی با بیان نام فرد به کار می رود)، شبکه عصبی مصنوعی و مدل مخفی مارکوف (HMM) را نام برد. از میان این روش ها، مدل مخفی مارکوف به نسبت سایرین موفق تر عمل کرده و عمده سیستم های کاربردی امروزی از آن استفاده می نمایند.

یکی از ویژگی های مهم گفتار، حالت گفتار فرد می باشد. به عبارت دیگر انتقال حالت درونی فرد به شنونده در مکالمات اهمیت بسزایی دارد زیرا اگر حالت بیان یک جمله تغییر کند، آن عبارت می تواند مفهوم متفاوت و یا حتی متناقض پیدا کند. اعمال حالت و یا تاکید به گفتار موجب تغییرات اساسی در پارامترهای استخراج شده از گفتار گردیده و بازشناسی گفتار با حالت را با چالشی بزرگ مواجه نموده و نرخ بازشناسی را کاهش می دهد.
برخلاف زبان انگلیسی که سابقه کار در زمینه بازشناسی گفتار برای آن به حدود پنج دهه پیش برمی گردد، کارهای انجام شده در این زمینه برای زبان فارسی قدمتی به اندازه کمتر از دو دهه دارد. شروع فعالیت های تحقیقاتی در زمینه بازشناسی گفتار روی زبان فارسی در داخل کشور به اوایل دهه 70 شمسی برمی گردد که عمده کارهای انجام شده نیز به صورت تحقیقات دانشگاهی پراکنده بوده است. با تاسیس “پژوهشکده پردازش هوشمند علائم” در اواسط سال 1371 و شکل گیری پردازش گفتار به همراه گروهی جهت تهیه دادگان صوتی، جهشی نسبتا جدی به سوی داشتن چنین تکنولوژی برای زبان فارسی صورت گرفت. تهیه دادگان های گفتاری مختلف از جمله فارس دات (FarsDat) برای محیط عادی در سال 1375 و برای گفتار تلفنی (TFarsDat) در سال 1378 از کارهای اساسی این پژوهشکده در این زمینه بوده است.

پاسخ دهید متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی برق

دانشکده تحصیلات تکمیلی

“M.Sc” سمینار برای دریافت درجه کارشناسی ارشد

مهندسی برق – الکترونیک

عنوان:

مسیریابی بسته ها در شبکه های کامپیوتری به کمک شبکه عصبی

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

چکیده
تاکنون کاربردهای فراوانی برای شبکه های عصبی مصنوعی ارائه شده است. شبکه های عصبی مصنوعی، اطلاعات را به روشی مشابه با کاری که مغز انسان انجام میدهد، پردازش میکنند. آنها از تعداد زیادی از عناصر پردازشی که فوق العاده بهم پیوسته اند، تشکیل شده اند که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند. امتیاز شبکه عصبی این است که خودش کشف میکند که چگونه مسئله را حل کند.
نتایج مثبتی که استفاده از شبکه های عصبی در حل مسائل بهینه سازی در پی داشته است، راه را برای استفاده از آنها در مسیریابی شبکه های کامپیوتری گشوده است. این امر در شبکه های متداول با بهره گرفتن از شبکه ی هاپفیلد و در شبکه های بسته شناختی با بهره گرفتن از شبکه عصبی رندم صورت می گیرد. علاوه بر بکارگیری مستقیم شبک ههای عصبی بعنوان الگوریتم مسیریاب، شبکه های عصبی همچنین بصورت غیر مستقیم به الگوریتم های مسیریابی کمک میکنند. آنها با تحلیل و پیش بینی شرایط شبکه، ورودی الگوریتم مسیریابی، که می

این مطلب را هم بخوانید :

عوامل موثر در افزایش نرخ فرار سایت – کاربران را از خود فراری ندهید!

 تواند هرکدام از الگوریتم های مسیریابی متداول باشد، را فراهم می کند. در این سمینار، هر دو کاربرد شبکه های عصبی در امر مسیریابی بررسی و نتایج استفاده از آن و نیز پارامترهای

موثر در عملکرد و بازدهی انها مورد بررسی قرار گرفته است.
مقدمه
شبکه های عصبی نسبت به کامپیوترهای معمولی مسیر متفاوتی را برای حل مسئله طی میکنند. کامپیوترهای معمولی یک مسیر الگوریتمی را استفاده میکنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها