پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند

word 1 MB 32123 79
1392 کارشناسی ارشد مهندسی الکترونیک
قیمت: ۱۰,۲۷۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • سمینار برای دریافت درجه‌ی کارشناسی ارشد

    در رشته مهندسی برق گرایش الکترونیک

    چکیده

    مکانیزه کردن ادوات، یکی از مهم ترین و گسترده‌ترین زمینه‌هایی است که در فرآیندهای تولید استفاده می‌شود. با توجه به پیچیدگی و عدم اطمینان از فرآیندهای ماشین‌کاری، اخیراً تکنیک‌های محاسبات نرم[1] مبتنی بر مدل‌های فیزیکی برای پیش‌بینی عملکرد ماشینکاری فرآیندها و بهینه سازی آنها به روش‌های متداول ترجیح داده شده‌اند. ابزار عمده محاسبات نرم مورد استفاده برای این منظور، شبکه های عصبی[2]، تئوری مجموعه های فازی، الگوریتم های ژنتیکی، شبیه‌ سازی‌ های آنیل[3]، بهینه سازی کلونی مورچه و بهینه‌سازی ازدحام ذرات، می‌باشند. در سیستم‌هایی پیشرفته‌ای که درصدد کنترل یک بخش یا یک افزاره هستند، استفاده از یک ربات یک امر مهم می‌نماید. میزان کنترل بر رفتار و حرکات این ربات، بستگی به هدف استفاده از آن ممکن است طیف وسیعی را شامل شود. برای مثال در مصارف صنعتی دقت چندانی نیاز نیست اما در مورد ربات‌های استفاده شده در حوزه‌‌های پزشکی دقت بسیار بالایی انتظار می‌رود. این مجموعه به بررسی استفاده از روش‌های محاسبات نرم در فرآیندهای کنترلی هوشمند پرداخته و نتایج حاصل از استفاده از این روش‌ها را در طراحی سیستم‌ کنترلی یک ربات با رفتار انعطاف‌پذیر را بررسی می‌کند که نتایج نشانگر بهبود قابل توجهی در مکانیزه کردن و طراحی سیستم‌های کنترلی با روش‌های مذکور می‌باشد.

         

    .واژه‌های کلیدی: محاسبات نرم، کنترل‌کننده‌های هوشمند، کنترل ربات

     

    1-1- مقدمه

    ایده اصلی محاسبات نرم در سال 1981 توسط پروفسور زاده[1] در اولین مقاله منتشر شده توسط ایشان با نام "محاسبات نرم چیست" معرفی گردید. در تعریف وی، محاسبات نرم تلفیقی بود از چند حوزه، شامل منطق فازی، محاسبات عصبی[2]، روند‌‌های تکاملی، محاسبات ژنتیکی و محاسبات آماری.

    این حوزه، به ترکیب روش‌هایی منتهی می‌گردد که جهت مدل کردن رفتار سیستم‌های پیچیده جهان واقعی (سیستم‌های کاربردی عملی و غیر تئوری) مورد استفاده قرار می‌گیرند که مدل‌سازی اغلب آنها با استفاده از قوانین محاسباتی ریاضیات مطلق و منطق سخت[3] غیر ممکن و یا بسیار دشوار می‌باشد. حال‌آنکه با استفاده از روش‌های محاسبات نرم می‌توان پیاده‌سازی و شبیه‌سازی‌های عملی و کاربردی برای آنها ارائه نمود.

    مزیت محاسبات نرم به رفتاری است که در برابر سیستم‌های غیر قطعی، تقریبی و نسبی از خود نشان می‌دهد. این مزیت موجب می‌شود که رفتاری مشابه انسان (که قابلیت تعمیم بسیار بالایی دارد) را از خود نشان دهد.

    حال می‌توان تعاریف، اهداف و اهمیت محاسبات نرم را بیان نمود. سپس حوزه‌های مرتبط با آن همچون محاسبات فازی، محاسبات عصبی، الگوریتم‌ ژنتیک و ... توضیح داده شده و ارتباط میان آنها مشروح می‌گردد.

    1-2- تعریف محاسبات نرم(SC)

    تعریف محاسبات نرم توسط پروفسور زاده در سال 1992 چنین بیان می‌گردد: "محاسبات نرم روشی در حال ظهور جهت انجام محاسباتی به موازات توانایی قابل توجه ذهن انسان، با استدلال و یادگیری در یک محیط پر از ابهام و عدم دقت است.".

    محاسبات نرم شامل چندین نمونه از زمینه‌های محاسباتی می‌باشد که موارد زیر از جمله آنها می‌باشد:

    سیستم‌های فازی: سیستم‌هایی بر مبنای دانش و آگاهی توسط گزاره‌های اگر-آنگاه

    شبکه‌های عصبی: سیستم‌هایی بر مبنای یادگیری و وفق‌پذیری

    الگوریتم ژنتیک: سیستم‌هایی بر مبنای محاسبات تکاملی

    الگوریتم ازدحام ذرات: سیستم‌های مبتنی بر محاسبات کمینه‌سازی

    سیستم‌های مذکور هسته‌ی یک محاسبه نرم می‌باشند. این سیستم‌ها گاه به صورت تنها و گاه به صورت ترکیبی و اشتراکی جهت مدل‌سازی سیستم‌های دنیای پیرامون مورد استفاده قرار می‌گیرند. پیشرفت روش‌های محاسبات نرم تنها به این سیستم‌ها خاتمه نیافته و همچنان در حال گسترش‌ می‌باشد.

    1-3- اهداف محاسبات نرم

    روش محاسبات نرم نسبت به اغلب روش‌های حل و مدل‌سازی چند رشته‌ای[4]، بدلیل تنوع زیاد، حوزه جدیدتری محسوب می‌شود. در ساختارهایی که نیاز به ساختن سیستم هوشمند بر مبنای هوش مصنوعی می‌باشد – که نیاز به محاسبات هوشمند دارند- می‌توان با اطمینان بالایی از روشش‌های محاسبات نرم استفاده نمود.

    هدف اصلی از محاسبات نرم، گسترش و بهبود ماشین‌های هوشمندی است که وظیفه تحلیل‌ مسائل دنیای واقعی را برعهده دارند. مسائلی که اغلب امکان مدل کردن با قوانین ریاضیات برای آن میسر نمی‌باشد.

    در مسائلی که آمیخته با تقریب‌زنی[5]، عدم قطعیت[6]، عدم دقت[7] و صحت نسبی[8] می‌باشند، استفاده از روش‌های محاسبات نرم بهترین انتخاب برای رسیدن به تصمیماتی شبیه به تصمیمات یک انسان، می‌باشد.

    جهت روشن شدن بیشتر مسأله توضیحاتی راجع به سیستم‌های اشاره شده ارائه می‌شود:

    تقریب‌زنی: در اینجا منظور ویژگی‌های مدل شباهت بسیاری با نمونه واقعی دارد اما دقیقاً همان نیست.

    عدم قطعیت:  باوری که از ویژگی‌ها وجود دارد این است که اطمینان صد در صد از درستی آنها وجود ندارد.

    عدم دقت: ویژگی‌های مدل همان ویژگی‌های نمونه واقعی نیستند اما بسیار به آنها نزدیک می‌باشند.

    1-4- اهمیت محاسبات نرم

    همان‌طور که از نام آن مشخص است و نیز توضیحاتی که تا به اینجا بر آن رفت، این محاسبات با محاسبات سخت[9] تفاوت دارد. برخلاف روش‌های محاسبات سخت، محاسبات نرم در مقابل عدم دقت، عدم قطعیت، تقریب و صحت نسبی انعطاف‌پذیری خوبی دارد. اهمیت استفاده از روش‌های محاسبات نرم زمانی مشخص می‌گردد که با صرف هزینه و زمان کمتر، دقت بالاتر و انعطاف‌پذیری بیشتر، می‌توان سیستم‌های غیر خطی و پیچیده فیزیکی را مدل‌سازی نمود به نحوی که با درصد صحت بالایی با تصمیمات انسان خبره مطابقت داشته باشد.

    نقطه حائز اهمیت این است که محاسبات نرم دقیقاً یک ترکیب[10]، مخلوط[11] یا ادغام[12] نمی‌باشد، حال آنکه محاسبات نرم یک مشارکت به حساب می‌آید که هر عضو از روش منحصر به فرد خود به سمت هدف در نظر گرفته شده حرکت می‌کنند. در اصل جزء اصلی در محاسبات نرم مکمل‌هم شدن می‌باشد نه رقابت. لذا محاسبات نرم شالوده‌ای در حال ظهور در هوش ادراکی به حساب می‌آید.

  • فهرست:

    تقدیم  أ‌

    تشکر و قدردانی  ب‌

    چکیده ت‌

    فهرست مطالب   ث‌

    فهرست شکل‌ها ح‌

    فهرست جدول‌ها خ‌

    1:معرفی مبانی و مفاهیم اصلی  1

    1-1- مقدمه.. 2

    1-2- تعریف محاسبات نرم(SC) 3

    1-3- اهداف محاسبات نرم.. 4

    1-4- اهمیت محاسبات نرم.. 5

    2: محاسبات فازی، محاسبات عصبی و الگوریتم‌های مبتنی بر ژنتیک و الگوریتم ازدحام ذرات  6

    2-1- منطق فازی.. 7

    2-1-1- تفاوت مجموعه‌های فازی و مجموعه‌های کلاسیک.... 8

    2-1-2- مجموعه‌های خشک و غیر خشک.... 9

    2-1-3- تشریح مجموعه‌های فازی.. 10

    2-1-4- روند بکارگیری منطق فازی.. 11

    2-1-5- منطق فازی و ارتباط آن با هوش مصنوعی.. 13

    2-2- شبکه‌های عصبی... 14

    2-2-1- مقدمه‌ای بر شبکه‌های عصبی مصنوعی.. 14

    2-2-2- شباهت با مغز. 14

    2-2-3- شبکه‌های عصبی مصنوعی.. 17

    2-2-4- سلول عصبی مصنوعی.. 18

    2-2-5- ساختار شبکه های عصبی مصنوعی و عملکرد آنها. 19

    2-2-6- تقسیم‌بندی شبکه های عصبی براساس ساختار. 21

    2-2-7- تقسیم‌بندی شبکه های عصبی براساس الگوریتم یادگیری.. 22

    2-2-8- نگرشی کلی بر آموزش شبکه.. 23

    2-3- الگوریتم‌های بهینه سازی تکاملی... 25

    2-4- الگوریتم ژنتیک.... 26

    2-4-1- مقدمه.. 26

    2-4-2- نمایش کروموزوم. 29

    2-4-3- نقشه‌های انکدینگ.... 31

    2-4-4- مقداردهی اولیه‌ی جمعیت... 32

    2-4-5- تابع تناسب... 33

    2-4-6- عملگرهای ژنتیک.... 34

    2-4-7- روش‌های انتخاب.. 38

    2-5- الگوریتم ازدحام ذرات (PSO) 40

    3: کاربرد منطق فازی در ربات‌های سیار 44

    3-1- تاریخچه.. 45

    3-2- مقدمه.. 45

    3-3- دلایل استفاده از کنترل‌کننده‌های فازی.. 46

    3-4- ساختار یک کنترل‌کننده فازی.. 47

    3-5- روش‌های فازی مورد استفاده در ربات‌ها. 49

    3-5-1- کنترل موقعیت در جابجایی ربات‌ها. 50

    4: طراحی کنترل‌کننده‌ مبتنی بر محاسبات نرم  56

    4-1- تکنیک‌های محاسبات نرم.. 57

    4-2- کنترل بازخورد متناسب با مشتق و شتاب... 60

    4-3- کنترل‌کننده‌های منطق فازی چند متغیره. 62

    4-4- سیستم‌های کنترلی عصبی فازی(HFNC) 63

    4-4-1- آموزش سبکه عصبی تابع پایه شعاعی (RBFNN). 65

    مراجع و مأخذ: 69

     

    منبع:

    [[1]] D.A. Linkens, H.O. Nyongesa, Learning systems in intelligent control: an appraisal of fuzzy, neural and genetic algorithm control applications, IEE Proc. Control Theory Appl. 143 (3) (1994) 367–386.

     

    [[1]] آر.بیل وی تی. جکسون، ترجمه: م. البرزی، آشنایی با شبکه های عصبی، چاپ سوم، انتشارات دانشگاه صنعتی شریف، 138، 1386.

     

    [[1]] ا. گودرزوند چگینی، جعبه ابزارهای MATLAB ، چاپ اول، انتشارات ناقوس، تهران، 223، 1384.

     

    [[1]]   B. Subudhi, A.S. Morris, Fuzzy and neuro-fuzzy approaches to control a flexible single-link manipulator, J. Syst. Control Eng. Proc. IMechE 217 (2003) 387–399.

     

    [[1]]   Holland, J. H. (1975). Adaptation in natural and artificial systems: An introductory analysis with applications to biology, control, and artificial intelligence. U Michigan Press.

     

    [[1]]   Renders, J. M., & Flasse, S. P. (1996). Hybrid methods using genetic algorithms for global optimization. Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, 26(2), 243-258.

     

    [[1]]   Teodorescu, H. N. L., Kandell, A., & Jain, L. C. (Eds.). (1999). Soft-computing in Human-related Sciences (Vol. 8). CRC press.

     

    [[1]]   Mitchell, M. (1998). An introduction to genetic algorithms (complex adaptive systems).

    [[1]]   J. M. Johnson and V. Rahmat-Samii, “Genetic algorithms in engineering electromagnetics," IEEE Antennas and Propagation Magazine, vol. 39, no. 4, pp. 1045-9243, August 1997.

     

    [[1]] Kennedy, J., Eberhart, R.C., Particle swarm optimization, in: Proc. IEEE Conf. on Neural Networks , IV, Piscataway, NJ, PP.  1942-1948 (1995) .

     

    [[1]]   M. Jamshidi, Autonomous control of complex systems: robotic applications, Applied Mathematics and Computation, vol. 120, Issues 1–3, 10 May 2001, pp. 15–29.

     

    [[1]]   G. Feng, A survey on analysis and design of model-based fuzzy control systems,IEEE Trans. Syst. Man Cybernetics 14 (5) (2006) 676–696.

     

    [[1]]   J. Lin, F.L. Lewis, Fuzzy controller for flexible-link robot arm by reduced-order techniques, IEE Proc. Control Theory Appl. 149 (3) (2002) 177–187.

     

    [[1]]   F.M. Caswara, H. Unbehauen, A neuro-fuzzy approach to the control of a flexible-link manipulator, IEEE Trans. Syst. Man Cybernetics 18 (6) (2002) 932–944

     

    [[1]]   W.T. Miller, R.S. Sutton, P.J. Werbos, Neural Networks for Control, MIT Press, Cambridge and MA, (1990).

     

    [[1]]   M. Brown, C. Harris, Neuro-fuzzy Adaptive Modelling and Control, Prentice-Hall Int. Ltd., London, (1994).

     

    [[1]] S. Omatu, M. Khalid, R. Yusof, Neuro-Control and its Applications, Springer, London, 1996.

    [[1]]   M. Brown, C. Harris, Neuro-fuzzy Adaptive Modelling and Control, Prentice-Hall Int. Ltd., London, (1994).

     

    [[1]]   F. Sun, Z. Sun, L. Li, H. Li, Neuro-fuzzy adaptive control based on dynamic inversion for robotic manipulators, Fuzzy Sets Syst. 134 (1) (2003) 117–133.

     

    [[1]]   W.T. Miller, R.S. Sutton, P.J. Werbos, Neural Networks for Control, MIT Press, Cambridge and MA, (1990).

     

    [[1]]   G. Feng, A survey on analysis and design of model-based fuzzy control systems, IEEE Trans. Syst. Man Cybernetics 14 (5) (2006) 676–696.

     

    [[1]]   L. Tian, C. Collins, Adaptive neuro-fuzzy control of a flexible manipulator, Mecha-tronics 15 (10) (2005) 1305–1320.

     

    [[1]]   R.-J. Wai, M.-C. Lee, Intelligent optimal control of single-link flexible robot arm, IEEE Trans. Ind. Electron. 51 (1) (2004) 201–220.

     

    [[1]]   S. Sarraf, A. Fallah, T. Seyedena, A neurofuzzy controller for a single link flexible manipulator, Lecture notes in computer science, Artificial neural networks, ICANN 2007, vol. 4669, Springer, Berlin/Heidelberg, (2007), pp. 621–629.

     

    [[1]]   R.-J. Wai, M.-C. Lee, Intelligent optimal control of single-link flexible robot arm, IEEE Trans. Ind. Electron. 51 (1) (2004) 201–220.

     

    [[1]]   H.A. Talebi, K. Khorasani, R.V. Patel, Neural Network based control schemes for flexible-link manipulators: simulations and experiments, ‘‘neural net-works’’, special issue, Neural Control Robotics: Biol. Technol. 11 (1998) 1357–1377.

     

    [[1]]   A. Mannani, H.A. Talebi, A fuzzy Lyapunov-based control strategy for a macro-micro manipulator: experimental results, IEEE Trans. Control Syst. Technol. 15 (2) (2007) 375–383.

     

    [[1]]   W.T. Miller, R.S. Sutton, P.J. Werbos, Neural Networks for Control, MIT Press, Cambridge and MA, (1990).

     

    [[1]]   V.G. Moudgal, K.M. Passino, S. Yourkovitch, Rule-based control for flexible-link robot, IEEE Trans. Control Syst. Technol. l2 (4) (1994) 393–405.

     

    [[1]]   J. Lin, F.L. Lewis, Fuzzy controller for flexible-link robot arm by reduced-order techniques, IEE Proc. Control Theory Appl. 149 (3) (2002) 177–187.

     

    [[1]]   C.C. Lee, Fuzzy logic in control systems—part I, IEEE Trans. Syst. Man Cybernetics 20 (2) (1990) 404–415.

     

    [[1]]   W.T. Miller, R.S. Sutton, P.J. Werbos, Neural Networks for Control, MIT Press, Cambridge and MA, 1990.

     

    [[1]]   M. Brown, C. Harris, Neuro-fuzzy Adaptive Modelling and Control, Prentice-Hall Int. Ltd., London, 1994.

     

    [[1]]   Subudhi, B., & Morris, A. S. (2009). Soft computing methods applied to the control of a flexible robot manipulator. Applied Soft Computing, 9(1), 149-158.

     

    [[1]]   Su, T., Jhang, J., & Hou, C. (2008). A hybrid artificial neural networks and particle swarm optimization for function approximation. International Journal of Innovative Computing, Information and Control, 4(9), 2363-2374.

     


تحقیق در مورد پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, مقاله در مورد پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, پروژه دانشجویی در مورد پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, پروپوزال در مورد پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, تز دکترا در مورد پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, تحقیقات دانشجویی درباره پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, مقالات دانشجویی درباره پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, پروژه درباره پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, گزارش سمینار در مورد پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, پروژه دانشجویی در مورد پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, تحقیق دانش آموزی در مورد پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, مقاله دانش آموزی در مورد پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند, رساله دکترا در مورد پایان نامه استفاده از روش‌ های محاسبات نرم در طراحی کنترل‌ کننده‌ های هوشمند

دریافت درجه‌ی کارشناسی ارشد در رشته مهندسی برق گرایش الکترونیک چکیده مکانیزه کردن ادوات، یکی از مهم ترین و گسترده‌ترین زمینه‌هایی است که در فرآیندهای تولید استفاده می‌شود. با توجه به پیچیدگی و عدم اطمینان از فرآیندهای ماشین‌کاری، اخیراً تکنیک‌های محاسبات نرم[1] مبتنی بر مدل‌های فیزیکی برای پیش‌بینی عملکرد ماشینکاری فرآیندها و بهینه سازی آنها به روش‌های متداول ترجیح داده شده‌اند. ...

پایان‌نامه دوره کارشناسی ارشد مهندسی ابزاردقیق و اتوماسیون صنعتی در صنایع نفت چکیده سیستم­های دینامیکی غیرخطی با چالش­های متعددی روبرو هستند که باید آنها را مورد بررسی قرار داد. از جملۀ این مشکلات می­توان به مواردی همچون غیرخطی بودن شدید، تغییر شرایط عملیاتی، عدم قطعیت دینامیکی اعم از ساختار یافته و ساختار نیافته، و اغتشاشات و اختلالات خارجی اشاره کرد. به رغم پیشرفت­های اخیر در ...

پايان نامه مقطع کارشناسي رشته مهندسي مکانيک سال 1386 چکيده: در اين پروژه، ورودي‌ها و خروجي‌هاي يک سيستم چند ورودي و چند خروجي غير خطي، براي ايجاد يک مدل ديناميکيِ هوشمند، استفاد

پایان‌نامه دوره کارشناسی ارشد مهندسی ابزاردقیق و اتوماسیون صنعتی در صنایع نفت چکیده سیستم­ های دینامیکی غیر خطی با چالش­های متعددی روبرو هستند که باید آنها را مورد بررسی قرار داد. از جملۀ این مشکلات می­توان به مواردی همچون غیرخطی بودن شدید، تغییر شرایط عملیاتی، عدم قطعیت دینامیکی اعم از ساختار یافته و ساختار نیافته، و اغتشاشات و اختلالات خارجی اشاره کرد. به رغم پیشرفت­های اخیر ...

پایان نامه کارشناسی ارشد رشته مهندسی عمران – سازه‌ های هیدرولیکی چکیده: رودخانه‌ ها از مهم‌ترین و متداول‌ترین منابع تأمین آب آشامیدنی، کشاورزی و صنعتی به شمار می‌آیند. این منابع به علت عبور از بسترهای مختلف و ارتباط مستقیم با محیط پیرامون خود نوسانات کیفی زیادی دارند. از اینرو پیش‌بینی کیفیت جریان رودخانه‌ها که پدیده‌ای غیر قطعی، تصادفی و تأثیرپذیر از برخی عوامل طبیعی و غیر ...

پایان نامه کارشناسی ارشد در رشته مهندسی برق- کنترل چکیده ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحدهای اندازه گیری فازور ارزیابی سریع امنیت در شبکه های قدرت در شرایط اضطراری و بروز خطاهای مختلف، امری حیاتی برای جلوگیری از فروپاشی و ایجاد قطعی های سراسری می باشد. لذا، ارزیابی به هنگام امنیت در شبکه قدرت می تواند کنترل پیشگیرانه و موثری درجهت کارکرد مطمئن و ...

پایان نامه کارشناسی ارشد رشته مهندسی مکاترونیک مقدمه پیشرفت­های اخیر در تولید منعطف و تکنولوژی اطلاعات این امکان را فراهم کرده است که سیستم­های تولیدی بتوانند با هزینه پایین­تر طیف وسیع­تری از محصولات یا خدمات را ارائه نمایند. به­علاوه افزایش رقابت در سطح جهانی منجر به رویارویی صنایع با رویکرد افزایش ارزش مشتری در ارائه محصول یا خدمات شده است. بنابراین لزوم درنظر گرفتن نیازهای ...

پایان نامه برای دریافت درجه کارشناسی ارشد(M.Sc) چکیده شبکه حسگر بی سیم، شبکه ای است که از تعداد زیادی گره کوچک تشکیل شده است. گره از طریق حسگرها اطلاعات محیط را دریافت می‌کند. انرژی مصرفی گره‌ها معمولاً از طریق باتری تامین می‌شود که در اکثر موارد امکان جایگزینی این باتری‌ها وجود ندارد. بنابراین توان مصرفی گره‌ها موضوع مهمی در این شبکه ها است. و استفاده از روش‌های دقیق و سریع ...

پایان­نامه تحصیلی جهت اخذ درجه کارشناسی ارشد رشته: کامپیوتر گرایش نرم افزار چکیده در یک شبکه حسگر که یک سیستم توزیع شده فراگیر است، یکی از موارد مورد بحث همگام‌سازی ارتباطات است. یکی از عمده وظایف همگام‌سازی فرآیند‌ها، انحصار متقابل است. الگوریتم‌های جدید ارایه شده در مقایسه با الگوریتم‌ های قدیمی با عدالت بیشتری عمل می‌نمایند. در این پایان‌نامه یک مدل با استفاده از شبکه‌های ...

رساله دکتري مهندسي عمران - زلزله تابستان 1393 چکيده يکي از ابزارهاي مناسب براي شناخت وضعيت شبکه­ هاي توزيع آب به عنوان يکي از سيستم­هاي شريان حياتي، شاخص قابليت اعتماد است. يک دست

ثبت سفارش