بررسی پیشرفت ها در زمینه تشخیص داده های پرت

بررسی پیشرفت ها در زمینه تشخیص داده های پرت

تشخیص داده های پرت یکی از مسائل تحقیقی مهم در داده کاوی است که در صدد یافتن مقاصد ناسازگار با داده های موجود در پایگاه داده می باشد. عملیات داده کاوی مفید نیاز به داده های خوب ومناسب دارد .داده های مناسب جهت عملیات داده کاوی می تواند حاصل پیش پردازش ...

---

سیستم های تشخیص وسایل نقلیه

هدف اصلی از تشخیص وسایل نقلیه این است که تعداد وسایل نقلیه ی مشاهده شده در هر نقطه جهت تخمین و پیش بینی جریان خودرو ها را در یک بازه ی ترافیکی، اندازه گیری نمائیم بدین وسیله می توانیم امنیت و بهره وری ترافیک را بهبود بخشیم سیستم های متنوعی که هر کدام کارایی ویژه ای دارند ، رسیدن به اهداف فوق را آسان گردانیده اند

دسته بندی	کامپیوتر و IT
بازدید ها	3
فرمت فایل	doc
حجم فایل	6751 کیلو بایت
تعداد صفحات فایل	104

فروشنده فایل

کد کاربری 2106

تمام فایل ها

سیستم های تشخیص وسایل نقلیه

مقدمه

هدف اصلی از تشخیص وسایل نقلیه این است که تعداد وسایل نقلیه ی مشاهده شده در هر نقطه جهت تخمین و پیش بینی جریان خودرو ها را در یک بازه ی ترافیکی، اندازه گیری نمائیم. بدین وسیله می توانیم امنیت و بهره وری ترافیک را بهبود بخشیم. سیستم های متنوعی که هر کدام کارایی ویژه ای دارند ، رسیدن به اهداف فوق را آسان گردانیده اند .

یکی از این سیستم ها، سیستم تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی با نرخ فریمی پایین

می باشد. اجزای پایه ای وسایل نقلیه از تصاویر استخراج می شود و سپس توسط دسته کننده های برداری با نام «اس وی ام» با یکدیگر ترکیب می شوند. این قبیل سیستم ها ، مشکل اصلی تشخیص وسایل نقلیه را در تصاویر ایستا بر طرف نموده اند ، به علاوه از تکنیک های مبتنی بر نمونه های جمع آوری شده استفاده می کنند.

گاهی اوقات اجزایی از وسایل نقلیه در تصاویر قابل دسترسی نیستند و با موانعی مسدود شده اند. با کمک یک الگوریتم تشخیص وسایل نقلیه مبتنی بر مشخصات محلی روی تصاویر بدست آمده از طریق مادون قرمز، این مشکل حل می شوند .

سیستم های ویدئویی نصب شده بر روی سکوهای هوایی بر اساس انعطاف پذیری و تغییر پذیری آنها معرفی می شوند و توانایی دارند نواحی وسیعی را جهت تشخیص از روی تراکم زمانی و فضایی داده ی نمونه پوشش دهند. الگوریتمی بدین منظور طراحی شده است که از تصاویر سه جزئی استفاده می کند و پس از تشخیص وسیله ی نقلیه در اولین تصویر، آن را در دو تصویر بعدی تطبیق می دهد و دید گسترده ای را فراهم می آورد .

همچنین در راستای عملیات ردیابی و مکان یابی وسایل نقلیه ، نیاز به تشخیص آن ها داریم. هدف این است که یک شی (وسیله ی نقلیه ) با یافتن پارامترهای سه بعدی از موانع مشاهده شده در تصاویر جاده ای تشخیص داده شود. نمونه ای دیگر از این قبیل سیستم ها ، سیستم های مبتنی بر یادگیری با ناظر است که از طریق یک سیستم کمک راننده ویک سیستم وسیله نقلیه خودگردان، توسعه یافته است و در این سیستم تابعی برای تشخیص محیط جاده و وسایل نقلیه وجود دارد و تعداد کمی از تصاویر وسایل نقلیه در حال حرکت را به کار می گیرد.

سیستم های دیگری وجود دارند که از طریق الگوریتم مبتنی بر نمونه های ساختاری که از تکنیک های استخراجی و بدست آمده از مشخصات ویژه ی تصویر وسیله ی نقلیه عمل می کند، استخراج ویژگی می نماید. این ویژگی ها توسط تغییر شکل های فوریه ای، تغییرموج ضربه ای و تغییر شکل منحنی ضربه ای به دست می آید. عملیات روی یک مجموعه داده انجام می شود .

تشخیص وسایل نقلیه از طریق تکنیک هایی که مبتنی بر مدل های ایجاد شده از اشیاء سه بعدی است ، نیز امکان پذیر می باشد و بوسیله ی نقاط ، خطوط و سطوح ویژه ی وسیله نقلیه و مدلسازی آنها با ساختارهای مکان نگر عمل می کند .

آخرین نوع سیستم های بررسی شده ، سیستم هایی هستند که با کمک یک ناظر و تعدادی شرکت کننده ، از طریق یکسری آزمایشات ، در یک محیط شبیه سازی شده از جاده و از طریق سیگنال های ارسالی عملیات تشخیص را انجام می دهند.

فصل یکم- تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی

می خواهیم یک سیستم تشخیص وسایل نقلیه را مبتنی بر بینایی دوربین در قالب تکنولوژی سیستم های حمل و نقل هوشمند (آی تی اس[1]) بررسی کنیم . برای رسیدن به این هدف، از یک دوربین واحد به عنوان ورودی استفاده می شود . یک دستگاه تصویربرداری مونوکیولار[2]، یک دوربین دیجیتال بی سیم است که برای اندازه گیری دامنه های غیرمستقیم با استفاده از قوانین بینایی فراهم شده است .

تشخیص یک وسیله ی نقلیه در تصاویر دوربینی ، مشکل تشخیص شی در تصاویر ایستا را حل می کند . همچنین تشخیص خودرو باید بطور قوی در شرایط روشنایی متغیر ، موقعیت های متغیر و در شرایطی که برخی اجزای وسیله نقلیه تغییر کند یا در تصویر دیده نشود، اجرا شود .

تکنیک های تشخیص اشیا (وسایل نقلیه و ...) را می توان در سه دسته طبقه بندی کرد که در ادامه شرح داده می شود . اولین دسته بوسیله سیستم های مبتنی بر مدل نشان داده می شود . این مدل اشیاء موردنظر را مشخص می کند و سپس سیستم برای تطبیق دادن مدل در قسمتهای مختلف تصویر برای پیدا کردن یک حالت مناسب تلاش می کند . متاسفانه ، وسایل نقلیه ی جاده ای به طور کلی در سطحی متغیر مطرح می شود و تعیین یک مدل در مسیر یک راه را غیر ممکن می سازد . در نتیجه سیستم های مبتنی بر این مدل جهت تشخیص وسایل نقلیه کمتر استفاده می شوند. دسته ی دومی روشهای تغییر ناپذیر تصویری هستند که تطبیقی مبتنی بر خصوصیات الگوی یک مجموعه تصویر انجام می دهد و به طور مزمنی شی ای که مورد جستجو قرار گرفته را تعیین می کند . وسایل نقلیه ی جاده ای ، هر الگوی وابسته به تصویر قطعی را (انواع مختلف از مدلهای وسایل نقلیه وابسته به سازنده) به دلیل تغییرپذیری بالای آن نشان نمی دهد . به همین دلیل روشهای تغییرناپذیر تصویری یک انتخاب مناسب جهت رفع مشکل تشخیص وسایل نقلیه نیست .

دسته ی سوم از تکنیکهای تشخیص شئ بوسیله الگوریتم یادگیری مبتنی بر نمونه مشخص شده اند . خصوصیات واضح از یک نوع شی توسط سیستم مبتنی بر مجموعه ای از نمونه ها یادگرفته می شود . این نوع تکنیک می تواند راه حلی را برای رفع مشکل تشخیص و ردیابی وسایل نقلیه به شرط آنکه شرایط معرفی شده پیروی شود ، فراهم کند . تعداد زیادی ازوسایل نقلیه در بانک اطلاعاتی وجود دارد . ا ین نمونه ها نمایشگر انواع وسایل نقلیه در شرایط متغیری از روشنایی وموقعیت وسایز آن در تصویر است .

تکنیک های مبتنی بر نمونه ، در طبیعت ، در محیط های متفاوت برای تشخیص عابر استفاده می شده است. به طور کلی این تکنیک ها جهت تشخیص اشیایی که قسمت های قابل تشخیص متمایزی دارند و در یک موقعیت به خوبی تعریف شده اند ، به کار برده می شود . این حالات برای وسایل نقلیه ی جاده ای ، هنگامی که یک دیدگاه ، یادگیری توزیع شده بر مبتنی بر اجزای اشیا دارد ، برای تشخیص اشیا در محیط های متفاوت و حقیقی کارآمد تر است نسبت به حالاتی که از یک دیدگاه کلی نگر استفاده می کند .

تکنیک های یادگیری توزیع شده با قسمت هایی از تصویر که قابل دسترس نیستند می تواند جهت تشخیص به کار روند و نسبت به چرخش های شی در تصویر کمتر حساس هستند .

برای تشخیص کاراتر در تشخیص اشیا در تصاویر حقیقی ، فضای جستجوی وسایل نقلیه را در یک وضعیت هوشمند بر پایه ی تصاویر جاده ای ، کاهش می دهیم . در نتیجه با خطوط علامت گذاری شده ی جاده ، کار پردازش برای تشخیص وسیله نقلیه آسانتر می شود . نواحی احاطه شده توسط محدودیت هایی از خطوط ، با انتخاب نواحی مورد نظر ، بررسی می شود .این نواحی ، شامل وسایل نقلیه ی مورد نظر هستند که به عنوان مدل تشخیص و ردیابی وسیله نقلیه به کار می رود .

1-1- نواحی کاندید شده مورد نظر

سیستم به دو بخش زیر سیستم تقسیم می شود . اولین زیر سیستم مسئول تشخیص و ردیابی خط هاست ، همچنین خط تقاطع بوسیله اولین زیر سیستم طبق خطوط جاده ای ، مورد نظارت قرار گرفته است .

1-1-1- تشخیص و ردیابی خط

تصاویر به دست آمده از دوربین پردازش شده است و خطوط منحنی که تصویر را پوشش داده اند برای تشخیص خطوط علامت گذاری شده به منظور بدست آوردن تخمینی از خطوط جاده ای که ناحیه ی مورد جستجو را تعیین می کند مناسب هستند .

الگوریتم حدود 50 خط در ناحیه ی مورد جستجورا در فاصله ی 2 متری از دوربین در جهت خط افقی ، بررسی می کند . همچنین با توسعه الگوریتم ، می توان اجزای یک فضای غیر یکنواخت را جستجو کرد .

---

جهت دریافت فایل سیستم های تشخیص وسایل نقلیه لطفا آن را خریداری نمایید

سیستم های تشخیص وسایل نقلیهدانلود سیستم های تشخیص وسایل نقلیهسیستمتشخیص وسایل نقلیهکامپیوترنرم افزارسخت افزاربرنامه نویستشخیصاستخراجویژگی های محلیوسیله ی نقلیهترافیکتطبیقتغییر شکل یافتن فوریهموج ضربه ای کوچکمنحنی ضربه ایطرح های بازتابشی

دانلود ترجمه مقاله یک سیستم خبره فازی – عصبی برای تشخیص

لینک پرداخت و دانلود *پایین مطلب* فرمت فایل:Word تعداد صفحه:35 چکیده: منطق فازی،یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند.با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند ، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی میکند که از داده ها ...

دانلود تحقیق تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی

چکیده:
در این تحقیق ابتدا عیوب الکتریکی و مکانیکی در ماشینهای الکتریکی بررسی گردیده و عوامل به وجود آورنده و روشهای رفع این عیوب بیان شده است . به دنبال آن ، به کمک روش تابع سیم پیچی ماشین شبیه سازی و خطای مورد نظر یعنی خطای سیم بندی استاتور به آن اعمال و نتایج مورد بررسی قرار داده شده است. پارامتر اصلی که برای تشخیص خطا در این تحقیق استفاده کرده ایم ، جریان سه فاز استاتور در حالت سالم و خطادار  ،تحت بارگذاری های مختلف خواهد بود.
در قسمت بعدی تئوری موجک و همچنین شبکه عصبی مورد بررسی قرار گرفته است . مادر اینجا از〖db〗_8  برای استخراج مشخصات سیگنال استفاده کرده ایم ، مهمترین دلیلی که برای استفاده از این موجک داریم خاصیت متعامد بودن و پشتیبانی متمرکز سیگنال در حوزه زمان می باشد. شبکه عصبی که برای تشخیص خطا استفاده کرده ایم  ، شبکه سه لایه تغذیه شونده به سمت جلو با الگوریتم آموزش BP  و تابع فعالیت سیگموئیدی می باشد . در فصل چهارم روش تشخیص خطای سیم بندی استاتور در ماشین القایی بیان شده است که به صورت ترکیبی از آنالیز موجک و شبکه عصبی لست. روند کلی تشخص خطا به این صورت می باشد که ابتدا از جریان استاتور ماشین در حالت سالم و همچنین تحت خطاهای مختلف که در فصل دوم بدست آورده ایم استفاده شده و تبدیل موجک بروی آن اعمال گردیده است.سپس با استفاده از ضرایب موجک مقادیر انرژی در هر مقیاس استخراج و  به عنوان ورودی شبکه عصبی جهت آموزش دادن آن برای تشخیص خطای سیم بندی استاتور مورد استفاده قرار گرفته است. در نهایت به کمک داده های تست، صحت شبکه مذکور مورد بررسی قرار داده شده است. در نهایت نتیجه گیری و پیشنهادات لازم بیان گردیده است.
با توجه به مطالب اشاره شده نتیجه می شود که با تشخیص به موقع هر کدام از عیوب اوّلیه در ماشین القایی می توان از پدید آمدن حوادث ثانویّه که منجر به وارد آمدن خسارات سنگین می گردد ، جلوگیری نمود . در این راستا سعی شده است که با تحلیل ، بررسی و تشخیص یکی از این نمونه خطاها، خطای سیم بندی استاتور یک موتور القایی قفس سنجابی ، گامی موثر در پیاده سازی نظام تعمیراتی پیشگویی کننده برداشته شود و با بکارگیری سیستم های مراقبت وضعیت بروی چنین ماشینهایی از وارد آمدن خسارات سنگین بر صنایع و منابع ملی جلوگیری گردد.



مقدمه:
موتورهای  الکتریکی نقش مهمی را در راه اندازی موثر ماشینها و پروسه های صنعتی ایفا می کنند. بخصوص موتورهای القایی قفس سنجابی را که بعنوان اسب کاری صنعت می شناسند. بنابراین تشخیص خطاهای این موتورها می تواند فواید اقتصادی فراوانی در پی داشته باشد. از جمله مدیریت کارخانه های صنعتی را آسان می کند، سطح اطمینان سیستم را بالا می برد، هزینه تعمیر و نگهداری پایین می آید و نسبت هزینه به سود بطور قابل توجهی کاهش می یابد.
Bonnett  و Soukup برای خرابیهای استاتور موتورهای القایی سه فاز قفس سنجابی، پنج حالت خرابی مطرح کرده اند که عبارت اند از: حلقه به حلقه، کلاف به کلاف، قطع فاز، فاز به فاز و کلاف به زمین[1]. برای موتورهای قفس سنجابی، خرابیهای سیم پیچی استاتور و یاتاقانها 3/4 کل خرابیها به حساب می آیند و همچنین اکثر خرابیهای سیم پیچی استاتور موتور القایی از فروپاشی عایقی حلقه به حلقه ناشی می شود]2[. برخی از محققین خرابیهای موتور را چنین تقسیم بندی کرده اند: خرابی  ساچمه ها ( یاتاقانها) %40-50، خرابی عایق استاتور %30-40 و خرابی قفسه روتور %5- 10 [3] که اگر خرابی حلقه به حلقه جلوگیری نشود، منجر به خطای فاز به زمین یا فاز به فاز می گردد، که خطای فاز به زمین شدید تر است. در مقالات[4] [5] نظریه تابع سیم پیچی و کاربرد آن در آنالیز گذرای موتورهای القایی تحت خطا شرح داده شده است. از این نظریه در مدلسازی خطای حلقه به حلقه استاتور استفاده شده است. علاوه بر روشهای فوق خطای استاتور موتور القایی را می توان به کمک بردارهای فضایی مورد مطالعه قرار داد.

شامل 118 صفحه word

ترجمه مقاله سیستم های خبره :تشخیص مدیریت درآمد با شبکه های عصبی

عنوان انگلیسی مقاله: Detecting earnings management with neural networks

عنوان فارسی مقاله: تشخیص مدیریت درآمد با شبکه های عصبی

دسته: اقتصاد

فرمت فایل ترجمه شده: WORD (قابل ویرایش)

تعداد صفحات فایل ترجمه شده: 21

جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

_______________________________________

چکیده ترجمه:

مطالعات زیادی جهت ارزیابی و سنجش رخداد و پیدایش مدیریت درآمد در زمینه های مختلف صورت گرفته است. در اکثر مطالعات، مفروضات بر این است که درآمد از طریق اقلام تعهدی حسابداری، مدیریت می‌شود. بدین ترتیب یکسری از مدل‌های تشخیص مدیریت درآمد مبتنی بر اقلام تعهدی پیشنهاد شد. توانایی این مدل‌ها برای تشخیص مدیریت درآمد، توسط برخی مطالعات دیگر زیر سؤال رفته است. یک توجیه برای عملکرد ضعیف مدل‌های موجود آن است که اکثر این مدل‌ها از یک رویکرد خطی برای مدلسازی فرایند اقلام تعهدی حتی در صورتی که فرایند اقلام تعهدی غیر خطی باشد، استفاده می‌کنند. گزینه دیگر در مواجهه با موارد غیرخطی، استفاده از انواع مختلف شبکه های عصبی است. هدف از این مطالعه ارزیابی این مورد است که آیا مدل‌های مبتنی بر عملکرد عصبی نسبت به مدل‌های خطی و قسمتی خطی درتشخیص مدیریت درآمد، موثرتر هستند یا خیر؟. این مطالعه شامل مدل‌های شبکه عصبی براساس نقشه خود سازمان دهنده SOM) )، یک مفهوم چند لایه MLP) ) و یک شبکه عصبی رگرسیون عمومی GRNN) ) می‌باشد. نتایج نشان می‌دهد عملکرد مدل بر مبنای شبکه های عصبی، بهترین عملکرد را دارا می‌باشد، درحالی که مدل خطی مبتنی بر رگرسیون، ضعیف‌ترین عملکرد را دارد، همچنین نتایج نشان داد که هر 5 مدل مورد ارزیابی قرار گرفته، قادر به تخمین اقلام تعهدی اختیاری هستند که باقدری اغماض بعنوان نماینده مدیریت درآمد، عمل می‌نماید.

واژگان کلیدی: مدیریت درآمد، تعهدات اختیاری، شبکه های عصبی

جهت دانلود محصول اینجا کلیک نمایید