كنترل هوشمند وضعیت موتور DC
مقاله كنترل هوشمند وضعیت موتور DC |
كاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده
هدف از این پایان نامه كاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده می باشد |
دسته بندی | مهندسی نرم افزار |
فرمت فایل | doc |
حجم فایل | 4924 کیلو بایت |
تعداد صفحات فایل | 160 |
دانلود پایان نامه کارشناسی ارشد مهندسی نرم افزار
كاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده
چکیده
امروزه، در شبكههای حسگر بیسیم، پروتكلهای مسیریابی مبتنی بر خوشهبندی از طریق تقسیم گرههای همسایه به خوشههای مجزا و انتخاب سرخوشههای محلی برای تركیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گرههای شبكه، بهترین كارایی را از لحاظ افزایش طول عمر و حفظ پوشش شبكهای در مقایسه با سایر روشهای مسیریابی به دست میآورند.
با این وجود، همه پروتكلهای خوشهبندی ارایه شده تاكنون، تنها نزدیكی جغرافیایی(همسایگی) را به عنوان پارامتر تشكیل خوشهها در نظر گرفتهاند. در این تحقیق، یك پروتكل جدید خوشهبندی متمركز مبتنی بر انرژی با استفاده از شبكة عصبی نقشة خودسازماندهی برای شبكههای حسگر بیسیم ارایه میشود كه قادر به خوشهبندی گرههای شبكه بر اساس سطح انرژی و مختصات گرهها میباشد.
این پروتكل با استفاده از تعداد مشخصی از گرههای پرانرژی در شبكه و اعمال آنها به عنوان وزن نورونهای نقشة خودسازماندهی، نزدیكترین گرههای كمانرژی را جذب گرههای پرانرژی میكند؛ به طوری كه خوشهها لزوماً از گرههای مجاور تشكیل نشده و در واقع براساس دو پارامتر سطح انرژی و همسایگی، خوشههایی با انرژی متوازن تشكیل خواهند شد. به علاوه یك تابع هزینه جدید به منظور تصمیمگیری در انتخاب گرههای سرخوشه، پیشنهاد شده است كه سعی در تركیب معیارهای مختلف موثر در انتخاب بر اساس میزان اهمیت آنها دارد. كارایی برتر این پروتكل از لحاظ افزایش طول عمر مفید شبكه و حفظ بهتر پوشش شبكهای در مقایسه با پروتكلهای پیشین نظیر LEACH و LEA2C و نیز تاثیر تابع هزینه پیشنهادی بر كارایی آن (با شبیهسازی) به اثبات رسیده است.
واژههای كلیدی:
خوشه بندی
شبكه عصبی
شبكه های عصبی SOM
شبكه های حسگر بیسیم
كاهش مصرف انرژی در شبكه های حسگر بیسیم
مقدمه
یكی از مهمترین ابزار كسب اطلاعات و درك محیط كه تحقیقات گستردهای را به خود معطوف نموده، شبكههای حسگر بیسیم است. با وجود پیشرفتهای صورت گرفته در این نوع شبكهها، گرههای حسگر به دلیل تعداد زیاد، اندازه كوچك و روش قرارگیری اقتضایی، هنوز هم برای تامین انرژی خود، متكی به باتریهایی با توان اندك میباشند. همچنین معمولاً به دلیل بهكارگیری این نوع شبكهها در محیطهای خشن و غیرقابلدسترس، امكان شارژ مجدد یا تعویض گرههای حسگر وجود ندارد.
بنابراین یكی از مهمترین مسایل در شبكههای حسگر بیسیم، مسالة محدودیت شدید انرژی است. همچنین از آن جایی كه كارایی شبكههای حسگر به شدت به طول عمر شبكه و پوشش شبكهای آن وابسته است، بنابراین لحاظ نمودن الگوریتمهای ذخیرة انرژی در طراحی شبكههای حسگر با عمر طولانی، امری حیاتی است. امروزه روشهای مدیریت پویای توان كه به كاهش مصرف انرژی شبكههای حسگر بعد از طراحی و قرارگیری آنها میپردازند، از بالاترین اهمیت برخوردار میباشند. در سالهای اخیر برای مدیریت پویای توان، توجه به ابزارهای هوشمند و توانمندی نظیر شبكههای عصبی رونق چشمگیری یافته است.
یك شبكة عصبی، سیستمی بزرگ متشكل از عناصر پردازشی موازی یا توزیع شده است كه در یك توپولوژی گراف به هم متصل شدهاند. دادهها جدا از پردازش ذخیره نمیشوند، زیرا دادهها فینفسه به هم متصل هستند. شبكههای عصبی، الگوریتمهای ریاضی هستند كه قادر به یادگیری نگاشتهایی بین ورودی(ها) و خروجی(ها) از طریق آموزش تحت نظارت بوده یا قادر به دستهبندی اطلاعات ورودی به روشی بدون نظارت میباشند. كه همه این قابلیتها در روشهای كاهش مصرف انرژی در شبكههای حسگر بیسیم كاربرد دارند.
ویژگیها و قابلیتهای منحصر به فرد شبكههای عصبی در كاهش ابعاد دادههای ورودی، ردهبندی و پیشبینی دادههای حسگر، انطباق خاصی با ویژگیها و نیازمندیهای شبكههای حسگر بیسیم دارد. از این رو شبكههای عصبی میتوانند ابزار مناسبی برای بهكارگیری در شبكههای حسگر بوده و با كاهش نیاز به برقراری ارتباطات بیسیم، تاثیر قابل ملاحظهای در كاهش مصرف انرژی شبكههای حسگر و افزایش طول عمر آنها داشته باشند. هدف ما از این تحقیق ارایه روشی بهینه برای كاهش مصرف انرژی در شبكههای حسگر با بهكارگیری قابلیتهای شبكههای عصبی میباشد. به منظور دستیابی به ساختاری منسجم و مناسب برای انجام تحقیق، در ادامه این فصل به بیان مهمترین اصول و پاسخگویی به سئوالات اصلی یك تحقیق علمی، پرداخته خواهد شد.
فهرست مطالب
فصل1 مقدمه1
1-1. مقدمه2
1-2. تعریف مساله و سئوالات اصلی تحقیق3
1-3. فرضیهها4
1-4. اهداف تحقیق5
1-5. روش تحقیق5
1-6. مراحل انجام تحقیق6
1-7. ساختار پایاننامه6
فصل2 مروری بر منابع مطالعاتی8
2-1. مقدمه9
2-2. طبقهبندی روشهای كاهش مصرف انرژی در شبكههای حسگر14
2-2-1. چرخة وظایف17
2-2-2. روشهای دادهگرا19
2-2-3. روشهای مبتنی بر قابلیت تحرك22
2-3. نقش شبكههای عصبی در كاهش مصرف انرژی شبكههای حسگر23
2-3-2. شبكههای عصبی در طرحهای چرخه وظایف29
2-3-3. شبكههای عصبی در كاهش داده31
2-3-4. شبكههای عصبی در شبكههای حسگر متحرك41
2-4. نتیجهگیری43
فصل3 نقش شبكههای عصبی در مسیریابی انرژی آگاه44
3-1. مقدمه45
3-2. ویژگیهای مسیریابی در شبكه حسگر بیسیم46
3-3. روشهای مسیریابی در شبكههای حسگر بیسیم48
3-3-1. مسیریابی مسطح49
3-3-2. مسیریابی مبتنی بر مكان50
3-3-3. مسیریابی سلسه مراتبی(مبتنی بر خوشهبندی)51
3-3-4. پروتكل خوشهبندیLEACH52
3-3-5. پروتكل خوشهبندیLEACH متمركز54
3-4. شبكههای عصبی در الگوریتمهای مسیریابی آگاه از انرژی56
3-4-1. شبكة عصبی انتشار معكوس در كشف مسیر56
3-4-2. شبكة عصبی نقشة خودسازماندهی در مسیریابی57
3-4-3. پروتكلهای مسیریابی مبتنی بر نقشة خودسازماندهی60
3-5. پروتكل خوشهبندی پیوندگرا وفقی با انرژی پایین64
3-6. جمعبندی67
فصل4 پروتكل جدید پیشنهادی68
4-1. مقدمه69
4-2. پروتكل مسیریابی خوشهبندی مبتنی بر انرژی خودسازمانده70
4-3. فرضیات الگوریتم70
4-4. مرحلة خوشهبندی72
4-4-2. مرحلة اول : خوشهبندی با شبكة عصبی نقشة خودسازماندهی74
4-4-3. مرحلة دوم : خوشهبندی با الگوریتم K-means82
4-4-4. مرحلة انتخاب سرخوشه84
4-5. مرحلة انتقال داده87
4-6. مرحلة خوشهبندی مجدد89
4-7. جمعبندی94
فصل5 نتایج شبیهسازی و تحلیل آنها95
5-1. مقدمه96
5-2. پارامترهای شبیهسازی96
5-2. نتایج شبیهسازی98
5-2-1. مقایسة نحوة تشكیل خوشهها در EBCS با پروتكل LEACH98
5-2-2. مقایسة كارایی EBCS با پروتكلهای پیشین از لحاظ طول عمر شبكه101
5-2-3. ارزیابی تابع هزینه انتخاب سرخوشه بركارایی EBCS105
5-2-4. ارزیابی كارایی پروتكلEBCS در افزایش پوشش شبكهای108
5-3. جمع بندی112
فصل6 جمعبندی و پیشنهادها114
6-1. مقدمه115
6-2. یافتههای تحقیق117
6-3. نوآوری تحقیق118
6-4. پیشنهادها119
مراجع121
واژهنامه131
فهرست علائم اختصاری
میانگین متحرك خودبازگشتی Auto Regressive Moving AverageARMA
واحد دارای بیشترین انطباقBest Matching UnitBMU
شبكة عصبی انتشار معكوسBack Propagation Neural NetworkBP NN
تشكیل پویای گرهDynamic Node CreationDNC
خوشهبندی مبتنی بر انرژی با نقشه خودسازماندهیEnergy Based Clustering Self organizing map EBCS
الگوریتم ژنتیكGenetic AlgorithmGA
سیستم موقعیتیاب جهانیGlobal Positioning SystemGPS
شبكة عصبی هاپفیلدHopfield Neural NetworkHNN
شناسهIDentityID
پروتكل اینترنتInternet ProtocolIP
انتساب دادة احتمالی مشتركJoint Probabilistic Data AssociationJPDA
نقشة خودسازماندهی كوهوننKohonen Self Organizing MapKSOM
خوشهبندی پیوندگرای وفقی با انرژی پایینLow Energy Adaptive Connectionist Clustering
LEA2C
سلسه مراتب خوشهبندی وفقی با انرژی پایینLow-Energy Adaptive Clustering Hierarchy
LEACH
LEACH متمركزLow Energy Adaptive Connectionist Clustering- CentralizedLEACH-C
شبكة عصبی با میدانهای پذیرندهة محلیLocalized Receptive FieldLRF NN
كنترل دستیابی رسانهMultiple Access ControlMAC
نرمافزار مطلبMATrix LaboratoryMATLAB
تخمینزنندة اتصال با الهام از شبكة عصبیNeurally Inspired Contact EstimatorNICE
شبكة عصبیNeural NetworkNN
شبكة عصبی با تابع شعاعیRadial Basis Function Neural NetworkRBF NN
شبكةعصبینقشةخودسازماندهیSelf Organizing Map Neural NetworkSOM NN
شبكة حسگر بیسیمWireless Sensor NetworkWSN
كاربرد شبكههای عصبی در طراحی مدل رتبه بندی اعتباری مشتریان بانك سامان (328 صفحه)
بانکها به منظور آگاهی از نیازمندیهای مشتریان خود، در اعطای تسهیلات اعتباری باید به شناسایی ویژگیهای آنها بپردازند این امر از طریق اعتبارسنجی، منجر به کاهش ریسکهای بانکی از جمله ریسک اعتباری میشود |
دسته بندی | مدیریت |
فرمت فایل | doc |
حجم فایل | 5033 کیلو بایت |
تعداد صفحات فایل | 188 |
دانلود پایان نامه كارشناسی ارشد رشته مدیریت بازرگانی
كاربرد شبكههای عصبی در طراحی مدل رتبه بندی اعتباری مشتریان بانك سامان
(نسخه آپدیت شده با 328 صفحه)
کل صفحات:188 صفحه اولیه + 140 صفحه آپدیت
ششمین آپدیت نیز اضافه شد!
*آپدیت:مقالات زیر در قالب 140 صفحه بصورت رایگان ضمیمه شده اند:)
-
رﺗﺒﻪ ﺑﻨﺪی اﻋﺘﺒﺎری ﻣﺸﺘﺮﯾﺎن
-
رتبه بندی اعتباری مشتریان حقوقی بانک پارسیان
-
مدیریت ریسک اعتباری مشتریان حقوقی در بانک تجارت
-
رتبهبندی اعتباری مشتریان بانک با استفاده از شبکه عصبی
-
مدل ریسک اعتباری و رتبه بندی مشتریان حقـوقی بانک کشاورزی
-
كاربرد سیستم های استدلال عصبی - فازی در رتبه بندی اعتباری مشتریان بانكها
چكیده
بانکها به منظور آگاهی از نیازمندیهای مشتریان خود، در اعطای تسهیلات اعتباری باید به شناسایی ویژگیهای آنها بپردازند. این امر از طریق اعتبارسنجی، منجر به کاهش ریسکهای بانکی از جمله ریسک اعتباری میشود (توماس 2006،3 ).بازار اعتبارات مصرفی در ایران با تشكیل بانكهای خصوصی رونق یافته است. فعالیت اصلی در این بازار اعطای تسهیلات مصرفی به متقاضیان بوده و این امر نیاز به اعتبار سنجی متقاضیان تسهیلات جهت كاهش ریسك اعتباری دارد.
امروزه سیستمهای هوشمند كاربردهای فراوانی در امور مختلف بانكی و مالی پیدا كردهاند. بررسی و تصویب اعتبارات یكی از كاربردهای شبكه عصبی است. پژوهش حاضر با هدف ارائه مدل مناسب بررسی رفتار اعتباری مشتریان تسهیلات مصرفی وام مضاربه با استفاده از شبكه های عصبی جهت رتبه بندی اعتباری شكل گرفته است. به دنبال این هدف ابتدا عوامل مهم تاثیر گذار بر رفتار اعتباری مشتریان شناسایی گردید و سپس مشتریان به سه دسته خوش حساب، بد حساب وسر رسید گذشته تقسیم شدند. در مرحله بعد مدلهای شبكه عصبی پس از طراحی؛ با دادههای آموزشی؛ آموزش داده شده و سپس با دادههای آزمایشی مورد آزمایش قرار گرفتند. نتایج بدست آمده نشان میدهد كه رفتار اعتباری مشتریان با استفاده از مدلهای رتبه بندی شبكههای عصبی قابل پیش بینی است.
كلمات كلیدی:
تسهیلات
شبكه عصبی
رتبه بندی اعتباری
مقدمه:
اعتباری سنجی به عملی اطلاق میشود که در آن اعتبار مشتریان حقیقی و حقوقی مؤسسات مالی اعتباری و بانکها با توجه به اطلاعات دریافتی از آنها اندازه گیری شده و امکان شناخت بیشتر را نسبت به وضعیت و توان مالی افراد جهت بازپرداخت تسهیلات دریافتی و دریافت خدمات بیشتر فراهم میکند. بر اساس این روش، ریسک اعتباری افراد اندازه گیری شده و افراد و مشتریان بر اساس ریسک اعتباری خود طبقه بندی و امتیاز دهی می شوند.(خداوردی، 1388)
مؤسسات اعتباری و بانکها به دو دلیل به وجود سیستمی برای رتبه بندی اعتباری مشتریان خود نیازمندند. سیستم رتبه بندی اعتباری مشتریان این امکان را برای بانک ها و مؤسسات اعتباری فراهم می کند که با اتکا به چنین سیستمی و بر اساس نرخها ی تکلیفی موجود، ریسک پرتفوی اعتباری خود را تا حد ممکن کاهش داده و از بین متقاضیان دریافت تسهیلات، معتبرترین و کم ریسک ترین مشتریان را گزینش نمایند. در مؤسسات اعتباری که امکان تعیین نرخ تسهیلات بر اساس ریسک و درجه اعتباری مشتریان می باشد، سیستم رتبه بندی اعتباری میتواند این گونه سازمانها را در طراحی پرتفوی اعتباری خود بر اساس رعایت اصل تنوع یاری دهد.
فهرست مطالب
فصل اول
كلیات تحقیق 1
مقدمه 2
1-1بیان مسأله 4
1-2سوالهای تحقیق 7
1-3اهمیت و ضرورت موضوع تحقیق 7
1-4اهداف تحقیق8
1-5فرضیات تحقیق9
1-6چارچوب نظری تحقیق10
1-7متغیرهای پژوهشی12
1-8سابقه و ضرورت انجام تحقیق (پیشینه تحقیق) 13
1-9كاربردهای تحقیق15
1-10نوع روش تحقیق16
1-11محدوده تحقیق16
1-12روش نمونه گیری و تعیین حجم نمونه 17
1-13ابزار گردآوری اطلاعات 18
1-14محدودیتهای تحقیق18
1-15روش تجزیه و تحلیل اطلاعات 19
1-16برخی تعاریف، مفاهیم و اصطلاحات 19
فصل دوم 22
ادبیات تحقیق23
مقدمه 24
بخش اول 25
آشنایی با بانك سامان و انواع تسهیلات 25
آشنایی با بانك سامان 26
چارت خدمات بانك سامان 29
انواع سپردههای سرمایه گذاری 29
سپرده كوتاه مدت 29
سپرده كوتاه مدت ویژه 30
سپرده بلند مدت 30
سپرده اندوخته 31
سپرده ارزی 32
تسهیلات حقوقی 32
ابزارهای اعتباری 33
انواع ابزارهای اعتباری 33
ضوابط و معیارهای اساسی اعطای تسهیلات 34
1-قابلیت اعتماد و اطمینان 37
2-قابلیت و صلاحیت فنی 39
3-ظرفیت مالی و كشش اعتباری 40
4-وثیقه (تامین) 42
بخش دوم 47
مبانی نظری رتبه بندی اعتبار 47
مقدمه 48
2-1 مروری بر تاریخچه رتبه بندی اعتبار 50
2-2 رتبه بندی اعتبار 52
فرآیند تصمیم گیری اعطای تسهیلات 53
3-2 سیستمهای رتبه بندی اعتبار 58
4-2 مدلهای رتبه بندی اعتباری 59
5-2 مزایا و محدودیتهای مدل رتبه بندی اعتبار 60
- محدودیتها 60
بخش سوم 62
مبانی نظری شبكه عصبی 62
مقدمه 63
3-1 هوش مصنوعی 65
3-2 مروری بر تاریخچه شبكه عصبی 67
3-3 شبكههای عصبی مصنوعی 70
3-4 اساس بیولوژیكی شبكه عصبی 75
3-5 مقایسه بین شبكههای عصبی مصنوعی و بیولوژیكی 79
3-6 مدل ریاضی نرون 80
3-7 ویژگیها و خصوصیات شبكههای عصبی مصنوعی 82
3-7-1 قابلیت یادگیری 82
3-7-2 پردازش اطلاعات به صورت متنی 83
3-7-3 قابلیت تعمیم 83
3-7-4 پردازش موازی 84
3-7-5 مقاوم بودن 84
3-8 مشخصههای یك شبكه عصبی 84
3-8-1 مدلهای محاسباتی 85
3-8-2 قواعد یادگیری 88
3-8-3 معماری شبكه 90
3-9 عملكرد شبكههای عصبی مصنوعی 101
3-10 محدودیتهای شبكه عصبی 103
3-11 كاربرد شبكههای عصبی در مدیریت 104
بخش چهارم 110
خلاصه مقالهها 110
بخش پنجم 124
نتیجه گیری 124
فصل سوم 129
روش شناسی تحقیق129
3-1 مقدمه 130
3-2 روش تحقیق 131
3-3 جامعه آماری 132
3-4 نمونه آماری 132
3-5 فرضیات تحقیق 133
3-6 محدوده تحقیق 135
3-7 جمع آوری دادهها 136
3-8 تعیین حجم نمونه 137
3-9 ابزار گردآوری دادهها 138
3-10 روش تجزیه و تحلیل دادهها 138
3-11 فرآیند تحقیق 141
فصل چهارم 153
یافتههای تحقیق 153
4-1 مقدمه 154
4-4-1 آماده سازی دادههای ورودی جهت رتبه سنجی مشتریان با كمك شبكه عصبی آماده سازی دادهها 154
معماری شبكه 155
فصل پنجم 162
نتیجه گیری و پیشنهادها 162
نتیجه گیری 163
پیشنهادات 168
فهرست اشكال
شكل (2-1) : ساختار نورون 77
شكل (2-2) : اولین مدل دقیق سلول عصبی 81
شكل (3-3) : معماری شبكه 91
شكل (3-4) : پرسپترون چند لایه 92
شكل (3-5) : نحوه تشكیل محدودههای فضا توسط تعداد مختلف لایههای پرسپترون 95
شكل (3-6) : شبكه هاپفیلد 101
فهرست جداول
جدول (3-1) : توابع محرك با علائم قرار دادی 87
جدول (4-1) : مقایسه نتایج میانگین خطا در مدل A157
جدول (4-2) : نتایج اجرای آموزش مدل A 157
جدول (4-3) : مقایسه نتایج میانگین خطا درمدل B 158
جدول (4-4) : نتایج اجرای آموزش مدل B 158
جدول (4-5) جدول مقایسه نتایج 159
جدول (4-6) نتایج اجرای مدلA 160
جدول (4-7) نتایج اجرای مدل B 160
پیوست :
پیوست الف : جداول و نمودارهای مربوط به مدل A 170
پیوست ب :جداول و نمودارهای مربوط به مدل B 173
اطلاعات کاربری
لینک دوستان
پیوندهای روزانه
تبلیغات
آمار سایت
کدهای اختصاصی