پایان نامه کارشناسی ارشد مهندسی عمران بررسی و ارائه مدل مناسب برای اولویت بندی احداث راههای کنار گذر شهرها

اختصاصی از فی موو پایان نامه کارشناسی ارشد مهندسی عمران بررسی و ارائه مدل مناسب برای اولویت بندی احداث راههای کنار گذر شهرها دانلود با لینک مستقیم و پر سرعت .

دانلود پایان نامه کارشناسی ارشد مهندسی عمران بررسی و ارائه مدل مناسب برای اولویت بندی احداث راههای کنار گذر شهرها  با فرمت pdfدر110صفحه.

این پایان نامه جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی عمران طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز پایان نامه ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این پایان نامه را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده از منابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.                                                 

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

اختصاصی از فی موو پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

22 صفحه در قالب word

1- مقدمه

شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند . علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود . یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است . موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است . این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند . یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است . در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورها و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .

دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند . ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند . برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند . در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید . شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود . مسئله اصلی که هنوز باید حل شود آموزش است . حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .

در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .  آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) . دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد . اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است . بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند . اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .

برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد . این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود . با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد . همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سازی کند ، زیرا داده متناسب  شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

ممکن است هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است

متن کامل را می توانید در ادامه دانلود نمائید

چون فقط تکه هایی از متن پایان نامه برای نمونه در این صفحه درج شده است ولی در فایل دانلودی متن کامل پایان نامه همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند موجود است

دانلود مقاله پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

اختصاصی از فی موو دانلود مقاله پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

خلاصه
مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .
این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .
اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .
از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .
این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .

1- مقدمه
شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .
یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .
دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .
ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .
برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .
شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

25 صفحه فایل ورد قابل ویرایش

خلاصه

۱- مقدمه

۲- تحقق شبکه عصبی.

۲-۱- اصول عملکرد

۲-۲- پیاده سازی مدارهای شبکه

۳- پیاده سازی الگوریتم آموزش ژنتیک…

۴- نتایج تجربی.

۵- نتیجه و چشم انداز

منابع.

فنون برخورد مناسب با مشتری در بازاریابی

اختصاصی از فی موو فنون برخورد مناسب با مشتری در بازاریابی دانلود با لینک مستقیم و پر سرعت .

چکیده :

در این مقاله مشتری، اهمیت مشتری، برخورد با مشتری، منافع دریافتی مشتری، انتظارات مشتری و رویکرد سازمان به مشتری مورد بررسی قرار می گیرد. موضوع «برخورد با مشتری» یک موضوع کاملا ًمهم است؛ چون به بیانی، محوری ترین مورد، در طول و عرض برنامه های بازاریابی نیز مقوله ای به نام «مشتری» است. رمز موفقیت بازاریابان بزرگ، کیفیت رفتار آنها با مشتری است. یکی از تعاریف بازاریابی می تواند «هنر جلب رضایت مشتری برای انتخاب، خرید و تکرار خرید یک کالا یا خدمت» باشد.در عرصه بازارهای رقابتی امروز که بیش از پیش حق انتخاب و چانه زنی و قدرت تصمیم گیری مشتریان برای خرید و انتخاب خدمت و کالا افزایش یافته و این افزایش سیر صعودی نیز دارد باید برخورد مناسب با مشتری و حفظ مشتری را در الویت قرار دهیم و برای حفظ موقعیت شرکت و یا بازار خود هر روز بیشتر از قبل بر آگاهی خود در مورد مشتریان و علایق آنها بیافزاییم.تا علاوه بر داشتن مشتریان وفادار و مناسب ، بتوانیم آنها را در این بازارهای رقابتی حفظ کنیم.  مسئلۀ اصلی که می بایست بر روی آن تمرکز کنیم، این است: «چگونه می توانیم با مشتریان برخورد مناسبی داشته باشیم؟ به طوری که بتوانیم به نتایج مورد دلخواه دست یابیم».

فهرست:

چکیده

مقدمه

 چگونه می توانیم با مشتریان برخورد مناسبی داشته باشیم؟

شخصیت مناسب

شناخت مناسب

خدمت مناسب

رفتار مناسب

همیشه حق را با مشتری بدانیم

منافع دریافتی  از سوی مشتریان

 انتظارات مشتری

مشتری راضی – ناراضی – خشنود

 ارزش و استراتژی اثر بخش

ارتباط مفید با مشتریان

موارد مهم در ارتباط تلفنی

چند نکته درباره‌ی نحوه برخورد با مشتریان ناراضی

موضوع شخصی در میان نیست

آدم عصبانی چه می خواهد؟

چه باید کرد؟

چگونه مشتری را آرام کنیم؟

نتیجه گیری

نوع فایل : Word

تعداد صفحات : 22 صفحه

دانلود پایان نامه ایجاد یک مدل مناسب QSPR برای پیش بینی دمای انتقال شیشه ای (Tg ) دسته ی وسیعی از پلیمرهای پلی اتیلنی

اختصاصی از فی موو دانلود پایان نامه ایجاد یک مدل مناسب QSPR برای پیش بینی دمای انتقال شیشه ای (Tg ) دسته ی وسیعی از پلیمرهای پلی اتیلنی دانلود با لینک مستقیم و پر سرعت .

تعداد  صفحات :  86 
فرمت فایل: word(قابل ویرایش)  
 فهرست مطالب :
چکیده
    1
فصل اول : مقدمه ای بر روشهای کمومتریکس،پارامتری وPCR    
1-1-مقدمه    3
    1-1-1-کمومتریکس    4
    1-1-2- بررسی کمی ارتباط بین ساختار وخاصیت (QSPR)    5
1-2-دمای انتقال شیشه ای(Tg)     6
1-3-پلیمرهای پلی اتیلنی
1-4- روش های پارامتری                                                                                6
7
    1-4-1- انتخاب سری داده ها    8
    1-4-2- انتخاب و محاسبه توصیف کننده ها    9
        1-4-2-1- توصیف کننده های توپولوژیکی    11
        1-4-2-2- توصیف کننده های الکترونی    16
        1-4-2-3- توصیف کننده های هندسی    20
        1-4-2-4- توصیف کننده های خواص فیزیکو- شیمیایی    24
        1-4-2-5- توصیف کننده های توسعه یافته    25
    1-4-3- تجزیه و تحلیل و ارزیابی توصیف کننده ها    26
    1-4-4- آنالیز مدل های آماری و انتخاب مدل مناسب    27
        1-4-4-1- رگرسیون خطی چندگانه    27
        1-4-4-2- انتخاب متغیر    27
    1-4-5- تجزیه و تحلیل آماری مدل    30
    1-4-6- نرم افزارهای مورد استفاده
   1-5- روش PCR
 فصل دوم : مروری بر کارهای گذشته
2-1-مطالعات QSPR                                                                                     
2-2- ارتباط کمی ساختار و خاصیت(QSPR) بر روی پلیمرها    
2-2-1- خواص پلیمرها
2-2-2- کاربردهای پلیمرهای پلی اتیلنی                                                       
2-3- کارهای انجام شده بروی پلیمرها و پیش بینی (Tg)                                   

فصل سوم : بخش تجربی(مدلسازی و پیش بینی دمای انتقال شیشه ای)
3-1- مدل سازی و پیش بینی دمای انتقال شیشه ای                                                  
   3-1-1- انتخاب سری داده ها                                                                                  
  3-1-2- محاسبه توصیف کننده ها                                                                                                                                      
  3-1-3- تجزیه و تحلیل آماری توصیف کننده ها       
فصل چهارم : بحث و نتیجه گیری
4-1- روش کار                                                                                                    
4-2- انتخاب توصیف کننده های مناسب و ایجاد مدل خطی با روشMLR           
4-3- روش PCR
4-3-1- مدلسازی بر اساس روش PCR
4-3-2- مدلسازی PCR با PCهای مرتب شده بر اساس مقدار واریانس
4-3-3- مدلسازی PCR با PCهای مرتب شده بر اساس مقدار همبستگی با خاصیت  
4-4- نتیجه گیری کلی
4-5- پیشنهادات برای تحقیقات آینده
مراجع    41

- مقدمه
امروزه به کارگیری روش هایی که دستیابی ارزان و سریع به اطلاعات را فراهم می آورد، بسیار مورد توجه است. شیمی نیز با توجه به گستردگی فراوان و وجود مسائل پیچیده و حل نشده بسیار به کارگیری چنین روش هایی را طلب می کند. استفاده از علوم ریاضی، آمار و رایانه در شاخه های مختلف علمی عرصه هایی جدید را ایجاد نموده که از جمله می توان به علومی همچون بیومتریک، آمار دارویی و کمومتریکس که حاصل تلفیق آن سه با زیست شناسی، داروسازی و شیمی می باشند، اشاره نمود ]2-1[. با وجود آنکه کمتر از 40 سال از پیدایش علم کمومتریکس می گذرد، امروزه این شاخه به یک علم پویا مبدل گشته، علمی که در هر زمینه ای تحولات چشمگیری را به دنبال داشته است. در این بخش از پژوهش سعی شده است تا اطلاعات اولیه ای از اصول کمومتریکس ، ارتباط کمی ساختار- خاصیت ، دمای انتقال شیشه ای(Tg) و ترکیبات مورد استفاده در اختیار قرار گیرد.

1-1-1-کمومتریکس
کمومتریکس یک نظم شیمیایی است که با هدف تهیه حداکثر اطلاعات از داده های شیمیایی به وجود آمده است. کاربرد عملی ریاضی، آمار و کامپیوتر در شیمی را کمومتریکس یا شیمی سنجی گویند. در واقع چنین تلفیقی با دو هدف عمده صورت می پذیرد که عبارتند از :
1-    بهبود بخشیدن به فرایندهای اندازه گیری شیمیایی
2-    استخراج اطلاعات شیمیایی مفیدتر از داده های فیزیکی و شیمیایی اندازه گیری شده
      پیدایش این زمینه علمی که یکی از شاخه های شیمی به حساب می آید ، به سال 1969 بر می گردد ، زمانی که جرس  ، کوالسکی  و آیزنور  مقالاتی را در زمینه کاربرد ماشین یادگیری جهت طبقه بندی طیف جرمی با تفکیک پایین منتشر کردند ]5-3[. در سال 1972 ولد  سوئدی معنای واقعی کمومتریکس را مطرح نمود و طی همکاری وی با کوالسکی آمریکایی که روی روش های الگوشناسی کار می کرد، انجمن بین المللی کمومتریکس در سال 1974 تأسیس گردید ]6[. تعریف این انجمن از کمومتریکس به این صورت می باشد : « کمومتریکس مجموعه ای از قواعد شیمیایی است که از روش های ریاضی و آمار جهت طراحی یا انتخاب یک روش مناسب برای آزمایش و یا برای حصول حداکثر اطلاعات شیمیایی از داده های حاصل از یک فرایند شیمیایی استفاده می کند ]7[» . با ظهور رایانه ، ریزپردازنده ها و بسته های نرم افزاری ، کمومتریکس به یک علم توانمند در انجام بسیاری از فعالیت های شیمیایی تبدیل شد ]1[. با توجه به پیشرفت و افزایش دستگاه های شیمیایی و در نتیجه ی آن پیدایش انبوهی از داده ها ، پردازش و استخراج اطلاعات از این داده ها کاری وقت گیر و طاقت فرسا می نمود که کمومتریکس با ویژگی های خاص خود جهت انجام این کار ، بیش از پیش مورد توجه و علاقه محققین واقع شد. به طوری که امروزه در زمینه های مختلفی همچون مطالعات QSAR/QSPR ، مدل سازی و پیش بینی رفتارهای کیفی ، کنترل فعالیت ها و ... به کار می رود.
1-1-2- بررسی کمی ارتباط بین ساختار و خاصیت (QSPR)
       آگاهی از ساختار مولکولی کلید فهم عملکرد مولکولهاست و این به دلیل ارتباطی است که بین ساختار و ویژگی های یک ترکیب وجود دارد و خواص ماکروسکوپی و میکروسکوپی آن را به هم مرتبط می کند. انجام بسیاری از کارهای آزمایشگاهی نیازمند صرف وقت و هزینه ی بسیار می باشد. QSPR دانش جدیدی است که امکان دستیابی به داده های مورد نظر را با صرف حداقل وقت و هزینه فراهم می آورد. QSPR در لغت به معنی برقراری ارتباط کمی بین ساختار وخاصیت مولکول می باشد.
     در واقع با استفاده از آنچه که قبلاً به صورت تجربی انجام شده است این ارتباط برقرار می شود و سپس از آن برای پیش بینی فعالیت ترکیبات جدید استفاده می گردد. زمانی که نمونه های استاندارد از لحاظ فعالیت در دسترس نباشند ، آزمایش ها وقت گیر و پیچیده بوده یا هزینه کار بالا باشد ، QSPR روش مناسبی برای حل مشکل خواهد بود. اولین بار QSPR توسط هانش  و فوجیتا  در سال 1960 مطرح گردید. این دانشمندان از روش های ریاضی برای برقراری چنین ارتباطی استفاده گردند. روش ریاضی که به این منظور به کار گرفته شد روش رگرسیون خطی چندگانه  (MLR) بود. این روش قادر به بررسی ارتباط خطی موجود بین ساختار- فعالیت و یا ساختار- خاصیت می باشد. امروزه از روشی دیگر که برگرفته از مقالات QSAR است برای بررسی ارتباط کمی بین ساختار و خصوصیات استفاده می شود و با نام اختصاری QSPR  شناخته می
شود.