دانلودمقاله هندسه‌ی شبکه‌های فضایی- تفکر در سه بعد

اختصاصی از هایدی دانلودمقاله هندسه‌ی شبکه‌های فضایی- تفکر در سه بعد دانلود با لینک مستقیم و پر سرعت .

معماران و احتمالاً بیش از آنان مهندسان، برای پوشش دهانه‌های مختلف به سازه‌های مسطح از قبیل تیرها، خرپاها و قاب‌های مسطح فکر می‌کنند. در بیشتر موارد در صورتی که طراحی به صورت سه بعدی انجام شود و برای دهانه‌‌های متوسط و دهانه‌های بلدن از سازه‌های فضایی استفاده شود، مزایای بیشتری به دست می‌آید. این کار به ویژه در شرایطی که ساختمان تحت تأثیر بارهای نقطه‌ای سنگین و یا بارهای متمرکز قرار داشته باشد، صادق است.
در حقیقت همه‌ی سازه‌ها سه بعدی و دارای طول، ارتفاع و ضخامت‌اند. اگر چه تیرها و خرپاهای مسطح اغلب رفتار سازه‌ای دو بعدی دارند، اما این عناصر سازه‌ای به طور کلی در یک صفحه ( و اغلب در صفحه‌ی سازه‌ای قائم بین دو تکیه‌گاه) در برابر بارهای وارد مقاومت می‌کنند. در چنین سازه‌های ساده‌ای عاقلانه نیست که پایداری آن‌ها را در سه بعد فراموش کنیم. برای مثال در تیرها و خرپاهای تحت خمش، با افزایش دهانه ارتفاع بیشتری لازم است و در نتیجه تمایل ناحیه فشاری برای کمانش در جهت عمود بر صفحه قائم افزایش می‌یابد. برای مقابله با چنین مسأله‌ای باید مهاربندی‌های جانبی در ناحیه فشاری پیش‌بینی شود. شاید یک سیستم متشکل از تیرهای موازی با مهاربندی‌هایی عمود بر دهانه، برای بهره بردن از مزایای رفتار سازه‌ای سه بعدی که در زیر توضیح داده می‌شود، مناسب‌تر باشد. به دلیل طبیعت صفحه‌ای تیرها و خرپاهای منفرد، این نوع سازه‌ها باید برای تأمین مقاومت کافی در برابر انواع بارهای نقطه‌ای و نیروهای متحرکی که به آن‌ها وارد می‌شود، طراحی شوند. پایداری تیرها و خرپاها با برخی تغییرات در مهاربندی‌های جانبی و یا توزیع بار بین تیرهای مجاور تأمین می‌شود. چنین سیستمی یک سازه‌ی سه بعدی را به وجود می‌آورد که در آن بارها به سرعت در یک سیستم سه بعدی توزیع می‌شوند. تمامی اعضا در مقاومت در برابر بارهای وارده شرکت می‌کنند، مگر این که بار بر روی تکیه‌گاه یا در نقطه‌ای در نزدیکی تکیه‌گاه وارد شود.
چرا سازه‌هایی با رفتار دو طرفه؟
برای مشخص کردن این که چرا از سازه‌هایی با رفتار دو طرفه استفاده می‌کنیم، می‌توان بر روی یک مثال آشنا در منازل در منازل مسکونی تأمل کرد. در روکش بافنده شده مشبکی که برای چهارپایه‌ها یا نگه‌داری پشتی صندلی‌ها به کار می‌رود، اگر نوارهای شبکه فقط در یک جهت به کار رفته باشد، بار وارده بر یک نوار موجب افت در آن خواهد شد و بار فقط به دو طرف قاب تکیه‌گاهی انتقال پیدا خواهد کرد. اما اگر نوارهای شبکه در دو جهت عمد بر هم بافته شده باشند، نوار بارگذاری شده توسط بقیه نوارها نگه داشته می‌شود. این کار افت نوار بارگذاری شده را کاهش می‌دهد و بار وارده را در تمام قسمت‌های قاب تکیه‌گاهی توزیع می‌کند. در حالت دوم، هر نوار به فقطی توانایی تحمل تمام بار وارد شده را ندارد و ممکن است سازه‌ی سبک‌تری برای نگهداری قاب به کار رود. مزیت دیگر آن این است که اگر یکی از نوارها پاره شود، هنوز صندلی به عنوان یک کل، می‌تواند بار را تحمل کند.
حالت مشابهی ممکن است در استفاده از سازه‌هایی با دهانه‌هایی در دو جهت در معماری و مهندسی اتفاق بیفتد. برای مثال بار وارده بر تیر ساده‌ی یک طرفه یا خرپای مسطح، باید به طور مستقیم از سازه به سمت تکیه‌گاهایش انتقال یابد. اما اگر شبکه‌ای با اتصال تیرها یا خرپاها در صفحه افق شکل گرفته باشد، بار عمودی وارد شده بر هر یک از تیرها یا خرپاها در تمامی اعضاء شبکه و هم چنین در تمامی تکیه‌گاه‌ها پخش خواهد شد.
اگر چه در این موارد رفتار سازه نسبت به آن چه در بالا در مورد شبکه‌های بافته شده توضیح داده شد، (خمش و برش برای تیرها، نیروهای محوری برای خرپاها و کشش خالص برای شبکه‌های بافته شده متفاوت می‌باشد) این شکل از تیرهای متقاطع اغلب به عنوان شبکه‌های تک لایه تعریف می‌شوند و مثال خیلی رایج آن در ساختمان، دال صندوقچه‌ای از بتن مسلح است که دنده‌های عمودی آن توسط صندوقچه‌هایی تولید می‌شود و شبکه‌ای از تیرهای متقاطع را که دال نازک طبقات را نگه می‌دارند، شکل می‌دهد.
زمانی که دهانه‌ی سازه بیشتر از 10 متر می‌شود، استفاده از اعضای تیر در شبکه‌ی تک لایه‌ای اقتصادی نیست و خرپاهای با جان باز یا شبکه‌های ویرندیل ممکن است جایگزین تیرهای توپر شود. در این صورت سازه از دو شبکه موازی افقی که با یک الگوی عمودی یا مایل از اعضای جان واقع در بین دو صفحه شبکه به هم متصل شده‌اند، تشکیل می‌شود. این سازه‌ی سه بعدی به صورت کلی به عنوان شبکه‌های دو لایه یا شبکه‌های فضایی معرفی می‌شود، هم چنین اغلب بسته به نوع مهاربندی بین دو لایه و روش‌های اتصال اعضا به عنوان قالب فضایی یا خرپای فضایی شناخته می‌شود. شبکه‌های دو لایه دلیل توانایی تقسیم و حمل بار در تمام سازه است و به عنوان یکی از کارآترین و سبک‌ترین سیستم‌های سازه‌ای شناخته می‌شوند.
عبارت «قالب فضایی» بیشتر توسط مهندسان و معماران برای توضیح انواع گوناگونی از شبکه‌های دولایه‌ای که حتی ممکن است بارها را توسط رفتارهای سازه‌ای کاملاً متفاوتی حمل کنند، به کار می‌رود. انواع شبکه‌های قاب فضایی به شرح زیر است:
1- شبکه‌های دو لایه با اعضای مایل جان
2- شبکه‌های دو لایه بدون اعضای مایل جان

حالت 1- بر اساس رفتار خرپاها کاملاً مثلثی است که اغلب از میله‌هایی با انتهای مفصلی یا اعضایی که ما بین گره‌های متصل شده‌اند، تشکیل شده است. در این نوع سازه‌ها که باید آن را خرپای فضایی نامید، اگر بارها به طور مستقیم بر گره‌ها وارد شود، اعضای درون شبکه فضایی، نیروی کششی یا فشاری محوری را تحمل می‌کنند. اگر چه همواره مقداری خمش به سبب وزن خود اعضا که بین گره‌ها قرار گرفته‌اند ایجاد می‌شود، هم چنین ممکن است خمش ثانویه‌ای در اثر صلیبت و شکل اتصال بین اعضاء و گره‌ها به وجود آید.
قاب‌ها اغلب در مفهوم مهندسی به صورت مثلثی شکل نمی‌باشند و تعداد زیادی یا تمامی گره‌های آن‌ها کاملاً صلب است و در برابر بارهای وارده حتی اگر بار بر روی گره‌ها وارد شود به صورت ترکیبی از خمش، برش و نیروهای محوری مقاومت می‌کنند. در نوع 2 از شبکه‌های دو لایه تقاطع اعضا به صورت قاب‌هاست و به صورت مشابهی دارای اتصالات کاملاً صلب هستند و در برابر بارهای وارده همانند رفتار قاب‌ها مقاومت می‌کنند. این شبکه‌های دو لایه قاب فضایی واقعی هستند و اغلب به صورت پیش ساخته از مدول های سه بعدی تشکیل شده و یا این که از طریق جوش دادن اعضای منفرد به یکدیگر در محل ساخته می‌شوند. سیستم‌های مدولار دارای اتصالات صلب‌اند که در محل به وسیله بولت‌هایی به یکدیگر متصل می‌شوند. هم چنین سیستم‌هایی که با جوش دادن در محل ساخته می‌شوند، اغلب سازه‌ی سه بعدی با اتصالات کاملاً صلب را شکل می‌دهند.
احتمالاً کسب توانایی لازم برای تشخیص صحیح تفاوت‌های بین خرپای فضایی و قاب فضایی، برای معمار به اندازه‌ی یک مهندس مهم نیست. اگر چه موقعیت‌هایی وجود دارد که درک تفاوت بین آن‌ها اهمیت پیدا می‌کند (برای مثال از دیدگاه زیبایی‌شناسی، قاب فضایی که اعضای قطری ندارد فضای باز بیشتری را به وجود می‌آورد) در کاربرد رایج، اصطلاح «قاب فضایی» اغلب به تمامی شبکه‌های فضایی اطلاق شده و بیشتر شامل سیستم‌های مدولاری است که در واقع خرپای فضایی می‌باشند. حتی ممکن است در نام اختصاصی و یا فنی که توسط سازندگان استفاده می‌شود به جای خرپای فضایی از قاب فضایی استفاده شود.
نسبت ظاهری
تصمیم‌گیری در مورد این که از شبکه سازه‌های سه بعدی و یا سازه‌هایی با رفتار یک طرفه استفاده شود، اغلب متأثر از شکل پلان ساختمان و محل قرارگیری تکیه‌گاه‌های سازه است. برای مثال، ممکن است قرار دادن تکیه‌گاه‌هایی در طول دو ضلع مقابل یک ساختمان مستطیل شکل ممکن باشد. در این موارد، اگر بارهای وارده به صورت یکنواخت روی سطح پلان بام یا طبقات پخش شده باشند، بی‌گمان سازه با رفتار یک طرفه اقتصادی‌تر خواهد بود. با این وجود زمانی که امکان قرار دادن تکیه‌گاه‌ها در سراسر اضلاع پلان مربع یا مستطیل شکل، ممکن است سازه‌های با رفتار دو طرفه ترجیح داده شوند و پس ازتصمیم‌گیری در مورد این که سازه‌ای مناسب‌تر است، بسیار مشکل می‌باشد.
انتخاب صحیح، پخش مناسب بارهایی است که انتظار می‌رود به سازه سه بعدی وارد شود. این مسأله به عوامل زیادی، از جمله نسبت دهانه‌ها در هر جهت از شبکه با رفتار دو طرفه و نیز نسبت ظاهری دهانه بستگی دارد.
تأثیر نسبت ظاهری دهانه بر توزیع بار در یک سازه با رفتار دو طرفه را می‌توان به سادگی توسط یک بار نقطه‌ای W که بر محل تقاطع دو تیر عمود بر هم به دهانه‌های L2 و L1 وارد می‌شود، نشان داد. اگر این تیرها در نقطه‌ی میانی به هم متصل شده باشند، شبکه‌ی تیر تک لایه بسیار ساده را شکل می‌دهند. در ابتدا فرض می‌شود که هر دو تیر دارای مصالح و مقاطع عرضی مشابهی باشند (مدول الاستیسیته یا مدول یانگ (E) و گشتاور دوم سطح (I) برای هر دو سطح یکی است. ارتباط بین نسبت ظاهری دهانه (L2/L1) و بار حمل شده توسط هر یک از تیرها یعنی W2 و W1 را به سادگی از طریق یک سری محاسبات برای نسبت‌های مختلف دهانه تیرها می‌توان به دست آورد.
درست همان طور که انتظار می‌رود تیر با دهانه‌ی بلندتر، بارکمتر و تیر با دهانه‌ی کوتاه‌تر بخش بزرگ‌تری از بار W راتحمل می‌کند و در صورتی که L2/L1=1 باشد، بار مساوی توسط هر دو تیر که دارای طول‌های یکسانی‌اند، حمل می‌شود. هم چنین می‌توان مشاهده کرد زمانی که نسبت دو دهانه (L2/L1) به 2 می‌رسد، حداکثر بار توسط تیر کوتاه‌تر حمل می‌شود (89% بار وارده زمانی که نسبت ظاهری برابر 2 است). این مثال ساده ثابت می‌کند که مزایای شبکه‌های با رفتار دو طرفه در صورتی که سازه را بتوان به دهانه‌های تقریباً مربع شکل در پلان تقسیم کرد، بسیار زیاد است و در صورتی که نسبت بین دو دهانه افزایش یابد، مزایای آن‌ها به سرعت کاهش می‌یابد. البته در سازه‌هایی با دهانه‌های بزرگ، استفاده از شبکه‌ی دو لایه معمول‌تر است، با این که در آن‌ها اعضای متقاطع زیادی وجود دارد ولی اصل پایه‌ای وجود دارد و آن این که اگر اقتصادی شدن سازه مورد نظر است، باید نسبت ظاهری نزدیک به 1 باشد. اگر نسبت ظاهری خیلی بیش از 1 باشد، امکان تقسیم دهانه بزرگ‌تر با به کارگیری ستون‌های میانی باید مور توجه قرار گیرد. در جایی که یک دهانه‌ی خالص و بدون ستون کاملاً ضرورت دارد، ممکن است خطوط اضافی تکیه‌گاه‌ها به شکل لبه‌های سخت یا تیرهای میانی روی خطوط شبکه مابین ستون‌ها، استفاده شود تا سازه را به دهانه‌های تقریباً مربع شکل تقسیم کند. این کار می‌تواند در محدوده‌ی ارتفاع خود شبکه فضایی از طریق به کارگیری اعضای سخت کننده در طول خط مابین ستون‌های پیرامونی مقابل هم به دست آید، هم چنین از طریق افزایش ارتفاع شبکه‌ی فضایی در فاصله‌ای مناسب انجام شود.
خاصیت همه سازه‌ها وهم چنین شبکه‌های سه بعدی این است که بار وارده توسط سخت‌ترین قسمت تحمل می‌شود. بنابراین می‌توان توزیع بار وارده بر اعضاء را در دو جهت شبکه فضایی متداول با تغییر در سختی اعضا به صورت مناسبی اصلاح کرد. به طور مثال در سیستم دو تیر ساده‌ای که در بالا شرح داده شد، برای ایجاد تعادل در توزیع بار بین دو تیر در زمانی که دهانه‌های متفاوتی دارند، می‌توان سختی تیر بلندتر را افزایش داد. این کار را می‌توان با افزایش ارتفاع تیر بزرگ‌تر و در نتیجه افزایش مقدار گشتاور دوم سطح آن (I) به دست آورد.
البته در شبکه‌های فضایی با مقیاس واقعی که دهانه‌های مستطیل شکل دارند، می‌توان به منظور تغییر ویژگی‌‌های بار توزیع شده از تغییری مشابه در خصوصیات اعضاء مانند افزایش اندازه اعضا در جهت دهانه بلندتر استفاده کرد.

پایداری خرپای فضایی
اگرچه پایداری سازه خرپای فضایی بر اساس شکل هندسی حال می‌شود، اما پایداری قاب‌های فضایی با اتصالات صلب، بر اساس مقاومت خمشی اتصالات سازه‌ی آن‌ها به دست می‌آید. برای شکل دادن پایداری یک خر پا با اتصالات مفصلی متشکل از گره‌ها و اعضای محوری، لازم است یک سازه‌ی مثلثی ساخته شود. در سازه‌ی خرپای فضایی مفصلی سه بعدی (متفاوت با آن چه به عنوان فرمول ماکسول و قانون فوپل شناخته شده است) که در آن شرایط زیر برای پایداری الزماً باید فراهم شود.

تعداد اعضای سازه
تعداد گره‌های سازه
کم‌ترین عدد به عنوان عکس‌العمل‌های تکیه‌گاهی
از فرمول مذکور می‌توان نتیجه گرفت اگر سازه‌ای دارای هندسه‌ی کاملاً مثلثی نباشد، با تأمین تکیه‌گاه‌های خارجی اضافی و کافی می‌توان آن را پایدار کرد. از طرف دیگر، پایداری هندسه‌ی شبکه‌های فضایی متداول می‌تواند به پایداری چند وجهی‌های ساده مربوط باشد.

شکل 2-5- احجام افلاطونی به عنوان میله و گره با سازه‌های کاملاً صفحه‌ای (الف) چهاروجهی (ب) شش وجهی یا مکعب (ج) هشت وجهی (د) دوازده وجهی (هـ) بیست وجهی
اشکال چند وجهی پایدار
اشکال چندوجهی فرم‌های اصلی در فضای سه بعدی هستند. سال‌ها قبل از تمدن یونان باستان نیز ریاضی‌دانان مطالعاتی در مورد این چند ضلعی‌ها داشته و خصوصیات آن‌ها را مشخص کرده‌اند. اصلی‌ترین این اشکال، چندوجهی‌های منظم یا احجام افلاطونی نامیده می‌شوند و عبارتند از: چهاروجهی، شش وجهی یا مکعب، هشت وجهی، دوازده وجهی و بیست وجهی که هر یک از آن‌ها متشکل از صفحات مشابهی از چند ضلعی‌های منظم‌اند (برای امثال یال‌‌های هر یک از وجوه دارای طول یکسان بوده و تمامی وجوه آن‌ها متشکل از فقط یک شکل چند ضلعی است).
در مطالعه‌ی شبکه‌های فضایی باید ابتدا اعضا و گره‌های شبکه مورد نظر را بررسی کرد. اگر چه باری درک پایداری سازه‌ها سه بعدی به صورت کلی، بهتر است رفتار اشکال چندوجهی منظم و ساده را (که متشکل از اعضاء گره‌ها و صفحات سازه‌ای هستند) در زمانی که بار بر گره‌های آن‌ها وارد می‌شود، بررسی کرد.

سازه‌های متشکل از عضو و گره
چهاروجهی متشکل از گره و عضو با اتصالات مفصلی دارای چهار گره و شش عضو است، از این رو بر اساس فرمول پایداری خرپای فضایی که توضیح داده شد، در میان سازه‌های سه بعدی دارای حداقل پایداری است. با تأمین شرایط مناسب تکیه‌گاهی می‌توان سازه‌ای پایدار ایجاد کرد که با فرمول پایداری خرپای فضایی مطابقت داشته و زمانی که بار بر گره‌های آن وارد می‌شود، در اعضای سازه فقط نیروهیا محوری ایجاد شود مکعب یا شش‌وجهی هشت گره و دوازده عضو دارد، بنابراین طبق فرمول داریم: ولی از این رو باید حداقل شش نیروی عکس‌العمل تکیه‌گاهی وجود داشته باشد به این دلیل سازه مکعبی با اتصالات مفصلی ناپایدار است مگر این که اعضاء اضافی بین گره‌ها فرض شده و یا نیروی عکس‌العمل تکیه‌گاهی بیشتری در نظر گرفته شود. در مورد هشت وجهی و و و در نتیجه یک سازه‌ی مفصلی پایدار است. با توجه به دلایل مشابه ثابت می‌شود که دوازده وجهی با اتصالات مفصلی ناپایدار ولی بیست وجهی پایدار است. بنابراین هندسه‌ی خرپای فضایی دولایه، بر اساس فرم چندوجهی‌های پایدار شکل می‌گیرد (اغلب مدول‌های چهاروجهی و هشت وجهی یا نیمه هشت وجهی به هم متصل می‌شوند).
چند وجهی به عنوان سازه‌ی صفحه‌ای
به طرز مشابه در چندوجهی‌هایی که از صفحات مسطح تشکیل شده‌اند و بار بر گره‌های آن‌ها وارد می‌شود، مشاهده می‌شود که چهاروجهی، مکعب و دوازده وجهی سازه‌هایی پایدارند، در حالی که هشت وجهی و بیست وجهی سازه‌هایی ناپایدارندو چهاروجهی‌های افلاطونی چه به صورت سازه‌های عضو و گره و چه به صورت سازه‌های صفحه‌ای پایدارند. برای اثبات رفتار صفحات می‌توان از مدل‌های مقوایی استفاده کرد، در این حالت باید تمامی تقاطع‌هایی را که برای نگهداری لبه‌های صفحات به کار می‌روند و مشابه اعضای بین گره‌ها هستند، به این ترتیب می‌توان به سادگی ناپایداری هشت‌وجهی و بیست وجهی را مشاهده کرد.

سازه‌های متشکل از عضو و صفحه
توروستر در آکادمی سلطنتی هنرهای زیبا در کپهناک تحقیقاتی در مورد پایداری و دوگانگی سازه‌ای چندوجهی‌های ترکیب شده از عضو و گره یا صفحاتی که در لبه‌هایشان به یکدیگر متصل شده‌اند، انجام داده است. تحقیق وی ثابت کرد که برای ایجاد پایداری شبکه‌های فضایی مرکب از اعضای میله‌ای و صفحه‌ای، می‌توان دو نوع رفتار سازه‌ای را ترکیب کرد. این توانایی می‌تواند در ترکیب خرپای فضای فلزی با اعضای صفحات سازه‌ای از جنس شیشه یا پلاستیک موفقت‌آمیز باشد.

مزایای استفاده از شبکه‌های فضایی
برخی از مزایای حاصل از کاربرد شبکه‌های فضایی به صورت مختصر شرح داده شده است. این موارد و سایر مزیت‌ها، همراه با نمونه‌های ساخته شده، در ادامه شرح داده می‌شود.
تقسیم بار
اولین مزیت سازه‌های فضایی، همان طور که در بالا شرح داده شد، مشارکت اغلب سازه در تقسیم و توزیع بار است. تیرها و خرپاهای مسطح (مانند جرثقیل‌های بزرگ)، باید به فقطیی قابلیت تحمل هر نوع بار متمرکز یا بارهای متحرک سنگین را داشته باشند، ولی در شبکه‌های فضایی چنین بارهای متمرکزی به صورت یکنواخت درون سازه و تمامی تکیه‌گاه‌های توزیع می‌شوند. این مسأله می‌تواند هزینه سازه‌های تکیه‌گاهی نظیر ستون‌های بزرگ و پی‌ها را کاهش دهد. این زیت در مقایسه با سازهای صفحه‌ای با دهانه، ارتفاع و بار وارده مساوی و با فرض این که اعضای سازه‌ای اندازه‌های مشابهی داشته باشند، موجب کاهش حداکثر تغییر شکل در اعضای سازه‌ای می‌شود. به این ترتیب، یک سازه‌ی سه بعدی سبک‌تر و کم ارتفاع تر برای حمل باری مشابه به کار خواهد رفت و حداکثر تغییر شکل آن بیش از سازه‌های صفحه‌ای نخواهد شد.
نصب تأسیسات
به دلیل وجود فضای باز بین دو لایه‌ش شبکه‌های فضایی، نصب تأسیسات مکانیکی و الکترونیکی و کانال‌های هوا درون ارتفاع سازه به سادگی میسر است. به دلیل وجود سیستم منظمی از تکیه‌گاه‌ها، اتصال این تأسیسات بسیار ساده است و نیاز به کار فولادی ثانویه بسیار کم شده یا حتی حذف می‌شود. اگر تجهیزات سنگینی در سازه‌ی فضایی نصب شود، بار وارده باید بر نقاط گره‌ها وارد شود. این مسأله به ویژه در خرپاهای فضایی به منظور به حداقل رساندن ممان خمشی در اعضاء ضروری است.
نمونه‌ی قابل توجه از ویژگی توزیع بار و آزادی عمل در نصب دستگاه‌ها و ماشین‌ها در محدوده‌ی ارتفاع سقف سازه‌های فضایی، در کارخانه‌ی تولید مواد غذایی در ناتینگهام انگلستان است که کاملاً موفقیت‌آمیز بوده و در سازه سقف‌ آن از سیستم سازه‌ی فضاکار مکعبی استفاده شده است. قرار بود در دوره‌های مختلفی در طول عمر ساختمان، نواحی مختلفی از کف ساختمان به عنوان انبار زیر صفر درجه استفاده شود. به منظور ایجاد قابلیت چنین انعطافی در عملکرد، پانل‌های عایق به ضخامت 100 میلی‌متر در تمام قسمت‌های لایه‌ی زیرین شبکه‌ی فضایی نصب شد و در فواصل 75 متر سازه‌ای شامل فقط سه تکیه‌گاه داخلی برای حمل مجموع بارهای متمرکز در حدود 600 تن طراحی شد، استفاده از این سیستم، سردخانه‌ای به ارتفاع 3 متر علاوه بر دیگر انبارهای بخش تولید فراهم کرد.

مقاومت
شبکه‌های فضایی، سازه‌های مقاومی‌اند، به این معنی که به طور کلی، فروریختن تعداد محدودی از اعضاء برای مثال کمانش فشاری تحت بارگذاری بیش از حد- لزوماً منجر به فروپاشی سازه نمی‌وشد. اگر چه در برخی مواقع، استثنائاتی وجود دارد. یک نمونه‌ی جالب فرو ریختن خرپای فضایی سقف ساختمان مرکز شهری هارتفورد، کالیسئوم در ژانویه 1978 می‌باشد. این سقف زیر بار برف و یخ صبح زود 18 ژانویه 1978، فقط چند ساعت پس از برگزاری مسابقه بسکتبال با 5500 تماشاچی فروریخت. تحقیقات بعدی نشان داد که یک خط شکست در جهت شمالی- جنوبی در سقف (عمود بر جهت دهانه بلندتر) به دلیل افزایش شکست ناشی از کمانش در اعضای فوقانی خرپا گسترش یافته است. شکست اعضا و فرو ریختن سازه در اثر وارد شدن بار kg/m2 87-78 اتفاق افتاد. این مسأله نشان می‌دهد که خرپای فضایی تحت تأثیر تقریباً نصف کل باری که موجب شدن ضعیف‌ترین عضو می‌شود، فرو ریخته است.

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله  27  صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید

دانلود مقاله شبکه‌های عصبی

اختصاصی از هایدی دانلود مقاله شبکه‌های عصبی دانلود با لینک مستقیم و پر سرعت .

فصل اول : مقدمه
1-1 پیشگفتار
انرژی الکتریکی به عنوان محور اصلی توسعه صنعتی در میان انواع انرژی از اهمیت خاصی برخوردار است. این انرژی با آنکه خود به انواع دیگر انرژی وابستگی دارد، اتکا شاخه‌های مختلف اقتصادی به آن در حدی است که براحتی می‌توان حد مصرف معقول این انرژی در یک جامعه را به عنوان شاخص عمده‌ای برای تعیین حد پیشرفت اقتصادی آن جامعه دانست.
بر خلاف سهولت استفاده از این نوع انرژی و مطلوبیت آن، تولید و انتقال این انرژی از پیچیدگی زیادی برخوردار بوده و در مجموع صنعت برق با ویژگی‌هایی در میان سایر صنایع شاخص است، از جمله این ویژگی‌ها باید از لزوم همزمانی تولید و مصرف آن نام برد، به عبارت دیگر تولید برق فقط در مقابل مصرف آن مطرح می‌گردد و بطور معمول قابل ذخیره کردن نیست. دیگر ویژگی این صنعت سرمایه طلب بودن طرح‌ها و پروژه‌های آن و زمان بر بودن آنها است.
مجموعه این خصوصیات و حساسیت‌ها است که پیش‌بینی صحیح نیاز مصرف برای این نوع انرژی در آینده را طلب می‌نماید. چون هرگاه پیش‌بینی نیاز مصرف یا بار شبکه بیش از حد واقعی باشد، سرمایه‌ گذاری بیهوده در این صنعت را بدنبال خواهد داشت و هر پیش بینی بار کمتر از واقعیت باعث لطمات شدید اقتصادی شده و جبران آن به مناسبت زمان بر بودن پروژه‌های توسعه‌ای امکانات تولید و انتقال برق، غیر ممکن است.
انرژی الکتریکی در مقیاس وسیع به طور اقتصادی قابل ذخیره نمی‌باشد. بدین دلیل بر خلاف شاخه‌های دیگر اقتصاد، در اقتصاد الکتریسیته باید همزمان با مصرف، انرژی الکتریکی تولید گردد. میزان مصرف بار الکتریکی ثابت نمی‌باشد بلکه به صورت پیچیده و غیر خطی تابعی از پارامترهای متعددی می‌باشد. با توجه به متغییر بودن میزان مصرف بار الکتریکی، شرکتهای تولید کننده برق، موظفند با پیش بینی آن در زمانبندی‌های مختلف اطلاعات مورد نیاز برای تصمیم‌گیریهای خود در سیستم قدرت را حاصل نماید.
در دنیای خصوصی سازی جدید هر شرکت سعی در افزایش قابلیت اطمینان محصول خود و تولید بهینه توان برای مصرف کنندگان خود دارد. این وظیفه عموماً از طریق پیش بینی فراهم می‌شود. پیش بینی بارهای ساعتی تا یک هفته جلوتر برای کارهای برنامه‌ریزی از قبیل هماهنگی بین واحدهای آبی و حرارتی و سنجش تبادل با دیگر رقبا و برای آنالیزهای کوتاه مدت از قبیل پخش توان در مراکز دیسپاچینگ و پخش بهینه توان لازم است. به طور کلی پیش بینی بار بر اساس دوره پیش بینی به دسته‌هایی تقسیم می‌شود :
- برنامه ‌ریزی بسیار کوتاه مدت (چند دقیقه تا چندین ساعت) : برنامه ریزی بسیار کوتاه مدت اطلاعات مورد نیاز در پخش بار اقتصادی و تخمین اطمینان را تأمین می‌نماید. همچنین پیش بینی بسیار کوتاه مدت (چند دقیقه تا چند ساعت) برای زمانبندی تعویض قدرت بین شرکتها و مطالعه تحمیلات انتقال مفید می‌باشد.
- برنامه ‌ریزی کوتاه مدت (یک روز تا یک هفته) : برنامه ریزی کوتاه مدت برای برنامه ریزی روزانه و هفتگی، در مدار قرار گرفتن بهینه نیروگاهها (بهینه سازی ولتاژ/ توان راکتیو، برنامه‌ریزی برای انرژی رزرو مورد نیاز، زمان بهره‌برداری پمپی از نیروگاه‌های پمپ ذخیره‌ای) و تبادل انرژی با شرکا استفاده می‌شود.
- برنامه‌ریزی میان مدت (1 ماه تا 5 سال) : در برنامه‌ریزی میان مدت، با در نظر گرفتن توان و ترکیب نیروگاههای موجود، میزان ذخیره سوخت، میزان ذخیره آب مخزنها، در مورد نحوه و زمان بکارگیری نیروگاههای حرارتی و آبی، تهیه سوخت، میزان تبادل انرژی الکتریکی با سیستم‌های همسایه در سیستم‌های بهم پیوسته، زمان‌بندی بهینه برای بازرسی و تعمیرات نیروگاهها و شبکه تصمیم‌گیری می‌شود.
- برنامه ریزی بلند مدت (5 تا 30 سال): در برنامه ریزی بلند مدت با در نظر گرفتن توان و ترکیب و طول عمر نیروگاههای موجود، توانایی شبکه انتقال و توزیع، قراردادهای بلند مدت برای تبادل انرژی الکتریکی با سیستم‌های مجاور (کشورهای همسایه) در سیستم‌های بهم پیوسته، در مورد نوع، اندازه و محل احداث نیروگاه‌های جدید، نحوه گسترش شبکه، بستن و یا تجدید نظر در قراردادها و ... تصمیم‌گیری می‌شود.
بار در یک شبکه برقرسانی به مجموع مصارف مختلف انرژی الکتریکی در یک واحد زمانی اتلاق می‌گردد. بار شبکه به مناسب همزمانی و غیر همزمانی مصرف انرژی در بخش‌های مختلف دستخوش تغییراتی در طول شبانه روز، هفته، ماه و سال می‌گردد.
اگر به یک منحنی تغییرات بار بیست‌و چهار ساعته در الگوی مصرف انرژی الکتریکی ایران توجه کنیم ملاحظه می‌شود که منحنی از یک حداقل غیر صفر شروع می‌شود و پس از عبور از آن، با یک شیب نسبتاً تند به سمت کوهان دوم که بزرگتر از کوهان اول است میل نموده، پس از گذر از آن دوباره به سمت حداقل میل می‌کند. باید توجه داشت که ظهور این دو کوهان ناشی از همزمانی مصرف انرژی الکتریکی بخشهای مختلف مصرف در طول یک شبانه‌روز است. جالب توجه است که منحنی تغییرات بار در طول ماه و سال نیز تقریباً روند مشابهی با تغییرات بار بیست و چهار ساعته دارد. در مطالعه بار بخصوص در پیش بینی بار اعم از پیش‌بینی بار ساعتی روزانه جهت تنظیم برنامه بهره‌برداری از نیروگاهها تا بار ماههای سال برای تنظیم برنامه تعمیرات منظم و دوره‌ای و بارهای سالهای آینده برای برنامه‌ریزی توسعه‌ای این متغیرها و عوامل مؤثر در پیدایش آنها مورد توجه قرار می‌گیرد.
منحنی مصرف برای مصرف کننده کاملاً تصادفی و غیر مشخص بوده وقابل پیش‌بینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف کننده‌ها منحنی مصرف مخصوص به خود را دارا است، همچنین مصرف بار الکتریکی تابعی کاملاً غیر خطی و بسیار پیچیده از پارامترهایی از جمله شرایط آب و هوایی، شرایط اقتصادی، زمان و عوامل تصادفی می‌باشد. همچنین تقریباً هر روز هفته منحنی خاص خود را دارد. لذا مدل مورد نظر باید توانایی این کار راد اشته باشد که اثر تمامی این عوامل را بر منحنی مصرف در نظر بگیرد، همچنین بایستی خطای پیش بینی تا حدامکان کم باشد، از طرفی دارای ساختاری ساده باشد و در کوتاهترین زمان ممکن به جواب نهایی برسد، و از همه مهمتر اینکه استفاده از آن برای برنامه‌ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه پیش‌بینی بار بر شمردیم، روشهای مختلفی در این زمینه ارائه شده است که هر یک به نوعی دارای برخی کاستی‌ها (و بخصوص در پیش بینی روزهای تعطیل) بودند، با وارد شدن شبکه‌های عصبی در این عرصه تقریباً تمامی مدلها وروشهای قبلی کنار گذاشته شد، چراکه این شبکه‌ها دارای توانایی‌های بسیار زیادی رد بیان روابط غیر خطی می‌باشند. در شکل صفحه بعد موارد استفاده پیش‌بینی بار کوتاه مدت آمده است.
شکل 1-1 موارد استفاده پیش بینی بار کوتاه مدت
1-2- تاریخچه پیش بینی بار
پیش بینی کوتاه مدت بار در شبکه‌های قدرت از دیرباز مورد توجه قرار گرفته است. اتخاذ تصمیم در مدیریت انرژی، در مدار قرارگیری نیروگاهها، بررسی پخش بار اقتصادی، تحلیل قابلیت اطمینان سیستم و برنامه‌ریزی تعمیر و نگهداری و نیروگاهها، همگی نیازمند پیش بینی بار در بازه‌های زمانی مختلف می‌باشد. در گذشته روشهای متعدد آماری مورد استفاده قرار می‌گرفت، ک هاز آن جمله می‌توان به روش هموار سازی نمایی، روش باکس جنکیز، روش تخمین حالت، سریهای زمانی و فیلتر کالمن اشاره نمود. این روشها عموماً برای روزهای عادی مؤثر بوده و برای روزهای خاص سال قابل اعتماد نیستند. به همین خاطر در بعضی کشورها اپراتورهای با تجربه، پیشگویی را با قوانین منطقی خود انجام داده و یا با استفاده از تجربه، نتایج روشهای آماری را تصحیح می‌کنند.
با پیشرفت تکنولوژی رایانه، کاربرد حافظه وسیع‌تر و همچنین افزایش سرعت دسترسی به اطلاعات و انجام محاسبات پیچیده‌تر میسر گردیده و در دو دهه اخیر تکنیکهای هوش مصنوعی مورد توجه قرار گرفته است. از سال 1988 به بعد، مقالاتی در پیش بینی بار کوتاه مدت مشاهده می‌گردد، که در آن مدل ریاضی به ندرت به چشم می‌خورد و پیش بینی تنها از طریق تحلیل اطلاعات گذشته و ادغام تجربیات اپراتورها صورت می‌گیرد.
با ورود شبکه‌های عصبی به مقوله پیش بینی بار کوتاه مدت در سال 1991 توسط Yangm,HSU و Park و همکارانش، زمینه ابطال روشهای ریاضی قبل تقریباً به طور کلی فراهم گردید.
1-3 رئوس مطالب
فصل جاری حاوی مقدمه و تاریخچه پیش بینی بار کوتاه مدت و همچنین رئوس مطالب پایان نامه می‌باشد. در فصل دوم روشهای قدیمی پیش بینی بار کوتاه مدت ذکر شده و مهمترین آنها را که بیش از سایرین استفاده می‌شدند، توضیح داده‌ایم. در فصل سوم مبانی شبکه‌های عصبی و شیوه‌های آموزش این شبکه‌های آمده‌است. با توجه به اهمیت و نقش پارامترهای ورودی در آموزش یک شبکه عصبی، در فصل چهار با جمع‌بندی کارای انجام شده قبلی در این زمینه به همراه مهمترین متغییرهای ورودی آنها آمده است و در فصل پنجم نیز کاربرد شبکه‌های عصبی در پیش بینی کوتاه مدت بار آمده است و در ادامه نتایج کلی و پیشنهاداتی برای انجام کارهای بعدی آمده است.

فصل 2
کلیات روشهای پیش بینی بار کوتاه مدت

2-1 انواع پیش بینی بار
2-1-1 پیش بینی بر اساس مقیاس زمانی
روشهای پیش بینی بار را بر اساس مقیاس زمانی بکار برده شده همانگونه که گفته شد می‌توان به سه دسته تقسیم کرد :
1) پیش بینی کوتاه مدت از یک ساعت تا یک هفته که در کنترل اتوماتیک و بهره‌برداری روزانه و لحظه به لحظه از سیستم استفاده دارد.
2) پیش بینی میان مدت بار که تا دو سال را در بر می‌گیرد، در برنامه‌ریزی مسائل سوخت و تهیه برنامه‌‌های نگهداری و سرویس واحدهای تولید شبکه بکار گرفته می‌شود.
3) پیش بینی بلند مدت بار که مربوط به پنج سال و بیش از آن است، در جهت گسترش سیستم و طراحی سیستم‌های جدید استفاده می‌شود.
2-1-2 پیش بینی بر اساس نحوه عملکرد
از نظر شیوه عملکرد، کلیه الگوریتم‌ها به دو دسته تقسیم می‌شوند : online , offline :
طریقه online در بهره‌برداری لحظه به لحظه از سیستم قدرت و ینز بار گذاری اقتصادی نیروگاههای سیستم مورد استفاده قرار می‌گیرد.
طریقه offline در جهت برنامه ریزی نیروگاههای بخاری و گازی استفاده می‌شود.
2-2 الگوی بارو عوامل مؤثر بر آن در سیستم قدرت
مجموع بار تمامی مصرف کننده‌ها به اضافه تلفات شبکه، کل بار سیستم ر ا تشکیل می‌دهد. منحنی مصرف برای مصرف کننده‌ها تا حدودی تصادفی و غیرمشخص بوده و به درستی قابل پیش بینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف کننده‌ها منحنی مصرف مخصوص به خود را دارا است و به همین دلیل با استفاد هاز هر یک از مصرف کننده‌ها نمی‌توان به بار کل سیستم دست یافت. اما با وجود همه این شرایط همه مصرف کننده‌ها مجموعاً یکر وند و الگوی کلی ارائه می‌دهند که می‌توان آن راب ا روشهای آماری پیش بینی کرد.
عوامل مؤثر بر منحنی مصرف را می‌توان به چهار دسته تقسیم کرد که در زیر به توضیح هر یک می‌پردازیم :
2-2-1 عوامل اقتصادی
عوامل اقتصادی، شامل سطح فعالیت‌های کشاورزی و صنعتی، میزان رشد جمعیت و رشد اقتصادی منطقه (برای پیش‌بینی‌های میان مدت و بلند مدت)
2-2-2 عوامل اقلیمی
عوامل اقلیمی که موجب می‌شود منحنی مصرف برق مربوط به دستگاه‌های گرم کننده و سرد کننده تغییر کند. عواملی چون درجه حرارت، رطوبت هوا و سرعت وزش باد از مهمترین عوامل اقلیمی می‌باشند که در زیر به توضیح مختصری از هر یک می‌پردازیم :
2-2-2-1 درجه حرارت
دمای خشک بر روی مصرف انرژی ساعتی و همچنین مصرف زمان پیک تأثیر زیادی می‌گذارد، این اثر ابتدا باعث تغییر متوسط منحنی مصرف می‌گردد، به طوری که مقدار متوسط الگوی بار یک روز گرم در تابستان بالاتر از یک روز سردتر قرار می‌گیرد و عکس این موضوع در زمستان مصداق پیدا می‌کند.

2-2-2-2- رطوبت
میزان رطوبت هوا باعث تغییر دمای مرطوب هوا و تغییر در احساس گرما توسط انسان می‌شود. این اثر در تابستان و بخصوص در نواحی شمالی و جنوب کشور که اصطلاحاً دارای آب و هوایی شرجی هستند اثر قابل توجهی بر روی میزان مصرف بار می‌گذارد.
2-2-2-3 سرعت باد
باد در تابستان باعث خنک‌تر شدن هوا و در نتیجه کاهش میزان مصرف می‌شود و در زمستان نیز منجر به افزایش شدت سردی و درپی آن ازدیاد مصرف می‌گردد.
2-2-3 عامل زمانچ
عامل زمان که در برگیرنده تغییرات فصلی مانند گشایش مراکز آموزشی، تغییر ساعات کار، تعطیلات سالیانه و از این قبیل تغییرات می‌باشد. همچنین تعطیلات آخرهفته و روزهای تعطیل پیش بینی شده نیز از جمله این عوامل محسوب می‌شوند.
2-2-4 عوامل تصادفی
عوامل تصادفی،‌به عنوان مثال صنایع فولاد و نورد و ذوب آهن نوسانات شدید و غیر قابل کنترل دارند. مشخص نبودن ساعت دقیق کار کرد این قبیل صنایع موجب می‌شود منحنی مصرف آنها شکل تصادفی به خود بگیرد. همچنین طوفان، ساعقه، پخش برنامه‌های خاص تلویزیون که دارای مصرف مشخص نیستند، و رویدادهای مهم ورزشی را می‌توان از این قبیل عوامل تصادفی دانست.
آنچه مسلم است اینکه، اگر همه عوامل فوق را در پیش‌بینی بار در نظر بگیریم، به یک پیش گویی خارق‌العاده دست یافته‌ایم، اما آشکارا می‌توان فهمید که امکان چنین امری بسیار بعید می‌باشد.
2-3 روشهای پیش بینی بار کوتاه مدت
 روشهای قدیمی و مبتنی بر روابط پیچیده ریاضی
 روشهای جدید و مبتنی بر الگوریتم‌های هوشمند
2-3-1 روشهای قدیمی پیش بینی بار کوتاه مدت
2-3-1-1 روشهای مبتنی بر بار پیک
این روشها از مدلهایی استفاده می‌کنند که قادرند مقدار حداکثر بار روزانه و نه زمان وقوع آنرا برآورد کنند. این روشها از ابتدایی ترین روشهای پیش بینی بار هستند که طبق رابطه زیر مقدار پیک بار را پیش‌بینی می‌کنند.
2-1
که در این رابطه PB مقدار بار پایه آنروز را نشان می‌دهد که به آب و هوا حساس نیست و PW بیانگر مولفه وابسته به آب و هوای روز موردنظر می‌باشد، برای پیش‌بینی PW می‌توان از روش رگرسیون استفاده کرد.
2-3-1-2 روشهای مبتنی بر شکل بار
این دسته از روشها را که در پیش‌بینی بار استفاده می‌شد را بر حسب تکنیکهایی که به کار می‌برند می‌توان به دو گروه عمده تقسیم کرد. در یک روش با الگوی بار همانند یک سیگنال سری زمانی برخورد می‌کند و بار آینده را با استفاد هاز تکنیکهای آنالیز سری زمانی پیش‌بینی می‌کند. روش دوم تشخیص می‌دهد که الگوی بار به طور خیلی عمده به متغییرهای آب و هوایی بستگی دارد و یک رابطه یا تابع بین متغییرهای آب و هوایی و الگوی بار می‌یابد. در زیر به توضیح مختصری در مورد هر کدام می‌پردازیم.
2-3-1-2-1 روش سری زمانی
ایده روش سری زمانی بر اساس درک این مطلب است که الگوی بار چیزی نیست بیش از سیگنال سری زمانی با پریودهای مشخص روزانه، هفتگی و یا فصلی. این تناوب یک پیش یک پیش بینی بار بی‌نظمی در هر زمان می‌دهد که تفاوت این پیش بینی و بار واقعی را می‌توان به صورت یک فرآیند اتفاقی در نظر گرفت که با آنالیز این سیگنال تصادفی می‌توان به دقت بیشتری در پیش‌بینی دست یافت. از جمله مهمترین تکنیکهایی که برای آنالیز این سیگنال تصادفی استفاده می‌شوند می‌توان به فیلتر کالمن، روش باکس- جنکینز، اتوگرسیون، روش فضای حالت و روش تجزیه طیفی اشاره کرد. ولی در هر حال تکنیک‌های سری زمانی در صورتی که یک تغییر ناگهانی در متغیرهای ورودی نباشد، مناسب کار می‌کنند، ولی اگر هرگونه تغییر ناگهانی در متغیرهای ورودی باشد سریهای زمانی نمی‌توانند بدرستی کار کنند. از طرف دیگر روشهای سری زمانی، از تعداد زیادی روابط غیر خطی استفاده می‌کنند که به زمان محاسبه طولانی احتیاج دارند و ممکن است منجر به واگرایی گردند.
مشکلات عمده‌ای که در ارتباط با سریهای زمانی مطرح می‌باشند، عبارتند از عدم دقت کافی در پیش بینی و ناپایداری عددی.
بین رفتار مصرف توان و متغیرهای آب و هوایی از قبیل درجه حرارت، رطوبت سرعت باد و پوشش ابری یک رابطه بسیار محکم وجود دارد، خصوصاً در نواحی مسکونی. روشهای سری زمانی غالباً از الگوریتم تطبیقی با محاسبات ماتریسی استفاده می‌کنند که ممکن است باعث ناپایدار شود.
بیشتر روشهای رگرسیون سعی در پیدا کردن روابطی به صورت یک تابع بین متیغرهای آب و هوایی و تقاضاهای مصرف بار دارند. روشهای رگرسیون معمولی از توابع خطی یا تکه تکه خطی برای تابع پیش بینی استفاده می‌کنند. روش رگرسیون با استفاد هاز ترکیب خطی از این توابع، یک رابطه بین متغیرهای آب و هوایی انتخاب شده و تقاضای بار پیدا می‌کند. ولی نکته‌ای که باید به آن توجه داشت این است که این روابط بین بار و متغیرهای آب و هوایی، روابطی ثابت نیستند بلکه به عناصری متغیر وابسته‌اند. روش رگرسیون نمی‌تواند این تغییرات را به خوبی دنبال کند.
روش فیلتر کالمن احتیاج به تخمین ماتریس کواریانس دارد، که احتمال فراوان در متغیر بودن الگوی بار اجازه تخمین درستی را نمی‌دهد. روش باکس جنکینز احتیاج به تابع همبستگی برای تشخیص مدلهای اتورگرسیون میانگین متحرک، دارد. این کار می‌تواند با استفاد هاز تکنیکهای تشخیص الگو همراه باشد. مانع اصلی در اینجا کندی کار است. مدل اتورگرسیون میانگین متحرک برای تشریح رفتار اتفاقی الگوهای بار ساعتی در یک سیستم قدرت استفاده می‌شود. مدل اتورگرسیون میانگین متحرک فرض می‌کند که بار یک ساعت را می‌توان با ترکیب خطی بار چند ساعت قبل تخمین زد. معمولاً هر چه مجموعه دیتاها بیشتر باشد نتیجه حاصله از دقت بالاتری برخوردار است که این خود باعث افزایش زمان لازم برای محاسبات می‌گردد.
2-2
که در آن y(t-I) اطلاعات بار گذشته و a مربوط به اغتشاش حال و گذشته است. ها و ها پارامترهای مدل و q,p مرتبه مدل ARMA(p,q) می‌باشد.
2-3-1-2-2 روش تجزیه طیفی
روش تجزیه طیفی از سری فوریه استفاده می‌کند. به خاطر اینکه الگوی بار را می‌توان به طور تقریبی به صروت سیگنالهای تناوبی در نظر گرفت، لذا الگوی بار را می‌توان به صورت ترکیبی از چندین موج سینوسی با فرکانسهای مختلف در نظر گرفت. هر موج سینوسی با یک فرکانس مشخص بیانگر یک پایه ارتوگونال (متعامد) است. یک ترکیب خطی از این پایه‌های ارتوگونال با ضرایب صحیح می‌تواند بیانگر یک الگوی بار کاملاً تناوبی باشد. ولی در هر حال الگوهای بار به طور کامل و صددرصد متناوب نیستند. در این تکنیک معمولاً فقط کسر کوچکی از پایه‌های متعامد استفاده می‌شود و بنابراین الگوی بار می‌شود که در حوزه فرکانس منجر به مؤلفه‌های فرکانس بالا می‌شود. بنابراین تکنیک تجزیه طیفی نمی‌تواند پیش بینی درستی برای حالات تغییر سریع در شرایط آب و هوایی انجام دهد، مگر اینکه عناصر پایه زیادی استفاده شود.
در این روش می‌توان منحنی مصرف بار را به سه مؤلفه تقسیم کرد. مؤلفه رشد بار در اشل زمانی بلند مدت، مؤلفه متغیر با روزهای هفته و مؤلفه تصادفی بار.
اگر بار سیستم در ساعت kام در روز a ام از سال باشد،‌ مقدار بار به این صورت نوشته می‌شود :
2-3
دو مؤلفه اول با حداقل کردن متوسط مربع خطای مؤلفه تصادفی با توجه به داده‌های گذشته بار در فاصله زمانی چند هفته مشخص می‌شود. هر کدام از دو مؤلفه فوق را می‌توان به صورتهای زیر نوشت :
2-4
در رابطه فوق nd : تعداد روزهای هفته و nw تعداد هفته مورد نظر در تعیین است. پس از تعیین مؤلفه باقیمانده بصورتی ک بسط از توابع مشخصه تابع همبستگی بیان می‌شود :
2-5
که در آن مقدار ویژه و توابع مشخصه با استفاد هاز معادله انتگرالی زیر مشخص می‌شوند :
2-6
M : تعداد روزهایی که برای محاسبه توابع همبستگی به کار می‌رود و تابع همبستگی است.

2-3-1-2-3 روش هموارسازی نمایی
با این روش می‌توان بار را تا یک هفته آینده محاسبه کرد ، بدون آنکه برای روزهای هفته تفاوتی قائل شد. به این ترتیب که تغییرات هفتگی دربار ساعتی را به صورت یک تابع متناوب با پریود اصلی یک هفته (168 ساعت) که در واقع یک بسط فوریه است بیان می‌کند :
2-7

در این رابطه دوره تناوب اصلی برابر 168 درنظر گرفته شده است. بنابراین مقدار wi به صورت می‌باشد که ki ها ضرایب صحیح کوچکتر از 84 هستند. فرمولی که بار را برای T واحد زمانی در اینده پیش‌بینی می‌کند عبارتست از :
2-8
عناصر بردار a (t) با معیار حداقل مربعات خطا بگونه‌ای برآورد می‌شوند که مجموع مربع خطا حداقل شود :
2-9
این روش در مجموع دارای دقت نسبتاً حوبی در پیش‌بینی بار کوتاه مدت است.
2-3-1-2-4 روش فضای حالت
این یکی از کاملترین روشهاست. از بیست سال اخیر، برای مدل کردن بار سیستم معادلات حالت بخاطر ساختار مناسب روابط ریاضی آن و بدلیل امکان استفاده از فیلتر کالمن برای انجام پیش‌‌بینی بار مورد توجه قرار گرفته است. استفاده از این
روش بخاطر روابط تکراری به بهترین شکلی برای انجام محاسبات بطور on line امکان‌پذیر است.
شکل عمده این روش، شناسایی مدل مناسب و همچنین محاسبات زیاد برای بدست آوردن پارامترهای تشریح کننده مدل است. مزیت آن دقت نسبتاً خوب این روش است.
معادلات حالت به صورت زیر بیان می‌گردند :
معادلة سیستم 2-10
معادله اندازه‌گیری 2-11
: ماتریس انتقال حالت
: سیگنال نویز با میانگین صفر و کواریانس ثابت
: بردار اندازه‌گیری در زمان k
: ماتریس اندازه‌گیری
: بردار خطای اندازه‌گیری با میانگین صفر و کواریانس R (k)
در هر لحظه از زمان k می‌توان یک تخمین اولیه برای X(t) بر حسب مقادیر قبلی آن تا لحظه k بدست آورد که با نشان داده می‌شود. خطای متناظر با آن برابر است با :
2-12
X(k) مقدار واقعی فرآیند مورد نظر در زمان k است. برای این بردار خطا ، ماتریس کوتریانس خطا به صورت زیر تعریف می‌شود :
2-13
تخمین ثانویه توسط یک ترکیب خطی از تخمین اولیه و خطای اندازه‌گیری بشکل زیر بدست می‌آید :
2-14
که در اینجا k (k) ضریب بهره کالمن و تخمین ثانویه برای مقدار X در زمان t است. ماتریس پراکندگی این خطا مطابق رابطه زیر تعریف می‌شود :
2- 15
پس به طور خلاصه برای استفاده از این روش باید ابتدا یک تخمین اولیه پیش فرض مانند برای بار و برای ماتریس پراکندگی بدست آورد . سپس بهره کالمن را محاسبه کرد و بعد از آن ماتریس پراکندگی بدست آورد. سپس ضریب بهره کالمن را محاسبه کرد و بعد از آن ماتریس پراکندگی را update کرده و سپس به پیش‌بینی و بپردازیم :
2- 16
و سپس برای یک مرحله بعد محاسبات را از مرحله دوم باید تکرار کنیم .
بنابراین همانگونه که در بالا نیز گفته شد تکنیکهای مورد استفاده در روشهای سری زمانی در شرایط عادی خوب کار می‌کنند ولی در شرایطی که یک تغییر ناگهانی در شرایط آب و هوایی یا دیگر متغیر‌های تأثیرگذار در الگوی بار بوجود آید، دیگر این تکنیکها نمی‌توانند بدرستی کار کنند. از طرفی با توجه به اینکه در این تکنیکها از تعداد زیادی روابط پیچیده ریاضی استفاده می‌شود، زمان محاسبات زیاد است و ممکن است که منجر به ناپایداری نیز گردد.
2-3-1-2-4 رگرسیون
روش عمومی در رگرسیون به صورت زیر است :
1) انتخاب متغیرهای آب و هوائی صحیح و قابل استفاده
2) پذیرفتن عناصر تابعی اصلی
3) پیدا کردن ضرائب صحیح برای ترکیب خطی عناصر تابعی اصلی
بخاطر اینکه درجه حرارت از مهمترین اطلاعات آب و هوایی است، لذا غالباً در روش رگرسیون استفاده می‌شود. به هر حال اگر ما متغیرهای دیگری از جمله رطوبت، سرعت باد و پوشش ابری را نیز اعمال کنیم به نتایج بهتری خواهیم رسید.
غالب روشهای رگرسیون از توابع ساده خطی یا تکه تکه خطی به عنوان عناصر تابعی اصلی استفاده می‌کنند. رابطه‌ای که غالباً برای بیان رابطه بین بار L ، و درجه حرارت T استفاده می‌شود به صورت زیر است :
2-17
که در آن
2-18
و ثابت‌هایی هستد و برای تمام I ها ،
علاوه بر ریگرسیون روشهای دیگری نیز برای پیدا کردن ضرائب تابعی پیشنهاد شده است.
1) جبر از تکنیک تشخیص الگو نیز برای پیدا کردن نزدیکترین همسایه برای یک بار هشت ساعتی با استفاده از الگوی آب و هوایی داده شده استفاده کرد.
2) یک کاربرد از الگوریتم مربع خطی تعمیم یافته توسط ایریساری پیشنهاد شد ولی در هر حال GLSA غالباً با ناپایداری‌های عددی همراه است خصوصاً در مواقعی که برای یک مجموعه دیتاهای زیاد استفاده شود.
3) رحمان یک روش سیستم خبره را اعمال کرد . سیستم خبره مزیت استفاده از اطلاعات یک شخص خبره اپراتور را دارد. او چندین محدوده درجه حرارتی ایجاد کرد و روابط تابعی متفائژوتی بر طبق ساعت مورد نظر ایجاد کرد. این کار موجب شد تا پیش‌بینی نسبتاً خوبی صورت گیرد، ولی استخراج اطلاعات از یک خبره ساده نیست و گرفتن اطلاعات کامل و جامع از تجربیات یک فرد خبره تا حدودی مشکل است.
2-3-2- روشهای جدید پیش‌بینی بار کوتاه مدت
روشهای جدید پیش‌بینی بار کوتاه مدت که هم اکنون به وفور استفاده می‌شوند همان بکار‌گیری شبکه‌های عصبی و فازی در پیش‌بینی می‌باشند که هر یک دارای محاسنی می‌باشند. مزیتهای فراوان این شبکه‌ها نسبت به روش‌های قدیمی بکلی کنار گذاشته شوند و به این روش‌های جدید روی آورده شود.

فصل 3
شبکه‌های عصبی مصنوعی

3-1 مقدمه
در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی علی‌الخصوص در پردازش اطلاعات برای مسائلی که یا برای آنها راه حلی موجود نیست و یا براحتی قابل حل نیستند، بوده‌ایم.
با عنایت به این حقیقت، علاقه فراینده‌ای در توسعه تئوریک سیستم‌های دینامیکی هوشمند که مبتنی بر داده‌های تجربی هستند، ایجاد شده است. شبکه‌های عصبی مصنوعی جزوا ین دسته از سیستم‌های دینامیکی قرار دارند که با پردازش بر روی داده‌های تجربی، دانش یا قانون نهفته در ورای داده‌ها را به ساختار شبکه منتقل می‌کنند، به همین خاطر به این سیستم‌ها هوشمند گویند،‌چراکه بر اساس محاسبات روی داده‌ها عددی یا مثالها قوانین کلی را فرا می‌گیرند. این سیستم‌ها مبتنی بر هوش محاسباتی سعی در مدلسازی ساختار مغز بشر دارند.
مغز انسان به عنوان یک سیستم پردازش اطلاعا تبا ساختار موازی و کاملاً پیچیده که دو درصد وزن بدن را تشکیل می‌دهد و بیش از بیست درصد کل اکسیژن بدن را مصرف می‌کند برای خواندن، نفس کشیدن، حرکت، تفکر و تفحص و کلیه اعمال آگاهانه و بسیاری رفتارهای ناخودآگاه استفاده می‌شود. این مغز چگونه این کارها را انجام می‌دهد از زمانی شروع شد که دریافتند مغز برای محاسبات خود اساساً از ساختاری کاملاً مغایر با ساختار کامپیوترهای متداول برخوردار است.
تلاش برای فهم این موضوع خصوصاً از زمانی مطرح شد که برای نخستین بار در سال 1911 شخصی نام سگال اعلام کرد که مغز از عناصر اصلی ساختاری به نام نرون تشکیل یافته است. هر نرون بیولوژیکی به عنوان اجتماعی از مواد آلی، اگرچه دارای پیچیدگی یک میکروپروسسور می‌باشد ولی دارای سرعت محاسباتی براب ربا سرعت یک میکروپروسسور نیست.
دانشمندان علم بیولوژیکی به تازگی دریافته‌اند که شبکه‌های نرونی چگونه کار می‌کنند، به طور کلی به این نتیجه رسیده‌اند که عملکرد نرونهای بیولوژیکی از قبیل ذخیره سازی و حفظ اطلاعات در خود نرونها و ارتباطات بین نرونها نفهته است. به عبارت فنی‌تر یادگیری به عنوان ایجاد ارتباطات جدید بین نرونها و تنظیم و ارتباطات بین نرونها و تنظیم مجدد ارتباطات موجود، استنباط می‌شود.
مغز به عنوان یک سیستم پردازش اطلاعات با ساختار موازی از 100 تریلیون (1011) نرونهای به هم مرتبط با تعداد کل 1016 ارتباط تشکیل شده است. نرونها ساده‌ترین واحد ساختاری سیستمهای عصبی هستند بافتهایی که عصب نامیده می‌شوند، اجتماعی از نرونها می‌باشند.
شبکه‌های مصنوعی دارای برخی ویژگی‌ها و همچنین برخی شباهتها با شبکه‌های بیولوژیکی می‌باشند، شباهت آنها را می‌توان در دو مورد زیر خلاصه کرد :
1- بلوک ساختاری در هر دو شبکه مصنوعی و بیولوژیکی دستگاه‌های محاسباتی خیلی ساده‌ای هستند و مضاف بر این نرونها مصنوعی از سادگی بیشتر برخوردار می‌باشند.

3-2 ویژگیها
شبکه‌های عصبی مصنوعی با وجود اینکه با سیستم عصبی طبیعی قابل مقایسه نیستند، ویژگیهایی دارند که آنهنا را در بعضی از کاربردها مانند تفکیک الگو، رباتیک، کنترل و به طور کلی در هر جا که نیاز به یادگیری یک نگاشت خطی و یا غیر خطی باشد، ممتاز می‌نمایند. این ویژگیها عبارتند از :
3-2-1 قابلیت یادگیری
استخراج نتایج تحلیلی از یک نگاشت غیرخطی که با چند مثال مشخص شده، کار ساده‌ای نیست. چون می‌دانیم که یک نرون یک دستگاه غیر خطی است، در نتیجه یک شبکه عصبی که از اجتماع این نرونها تشکیل می‌شود هم یک سیستم کاملاً پیچیده‌ و غیر خطی خواهد بود. به علاوه، خاصیت غیر خطی عناصر پردازش، در کل شبکه توزیع می‌گردد. هنگام پیاده سازی این نتایج با یک الگوریتم معمولی و بدون قابلیت یادگیری نیاز به دقت و مراقبت زیادی دارد. در چنین حالتی سیستمی که بتواند خود این رابطه را استخراج کند بسیار سودمند به نظر می‌رسد. خصوصاً اینکه افزودن مثالهای احتمالی در اینده به یک سیستم با قابلیت یادگیری، به مراتب آسانتر از انجام آن در یک سیستم بدون چنین قابلیتی است چرا که در سیستم اخیر افزودن یک مثال جدید به منزله تعویض کلیه کارهای انجام شده قبلی می‌باشد.
قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه در مسیر زمان که محیط شبکه تغییر می‌کند وشبکه شرایط جدید را تجربه می‌کند، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کار آمد باشد. دیگر اینکه اطلاعات در شبکه‌های عصبی در سیناپسها ذخیره و هر نرون در شبکه به صورت، بالقوه از کل فعالیت سایر نرونها متأثر می‌شود. در نتیجه، اطلاعات از نوع مجزا از هم نبوده، بلکه متأثر از کل شبکه می‌باشد.
3-2-2 پراکندگی اطلاعات پردازش اطلاعات بصورت متن
آنچه که شبکه فرا می‌گیرد و یا به صورت دیگر اطلاعات یا دانش، در وزن‌های سیناپسی مستتر می‌باشد. رابطه یک به یک بین ورودیها و وزن‌های سیناپتیکی وجود ندارد. می‌توان گفت که هر وزن سیناپس مربوط به همه ورودیها است ولی به هیچیک از آنها به طور منفرد و مجزا مربوط نیست. به عبارت دیگر هر نرون در شبکه از کل فعالیت سایر نرونها متأثر می‌باشد. در نتیجه اطلاعات به صورت متن توسط شبکه‌های عصبی پردازش می‌شود. بر این اساس چنانچه بخشی از سلولهای شبکه حذف شوند و یا عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. اگرچه این احتمال برای تمام ورودیها کاهش یافته ولی برای هیچ یک از بین نرفته است.
3-2-3- قابلیت تعمیم
پس از آنکه مثالهای اولیه به شبکه آموزش داده شد، شبکه می‌تواند در مقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه نماید. این خروجی بر اساس مکانیسم تعمیم که همانا چیزی جز یک پروسه درونیابی نیست بدست می‌آید. به عبارت روشنتر ، شبکه تابع را یاد می‌گیرد ، الگوریتم را می‌آموزد و یا رابطة تحلیل مناسبی را برای تعداد نقاط در فضا بدست می‌آورد.

3-2-4 پردازش موازی
هنگامی که شبکه‌ عصبی در قالب سخت افزار پیاده می‌شود، سلولهایی که در یک تراز قرار می‌گیرند، می‌توانند به طور همزمان به ورودیهای آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردزاش می‌شود. در واقع در چنین سیستمی، وظیفه کلی پردازش، بین پردازنده‌های کوچکتر مستقل از یکدیگر توزیع می‌گردد.
3-2-5 مقاوم بودن
در یک شبکه عصبی، هر سلول به طور مستقل عمل می‌کند و رفتار کلی برآیند رفتارهای محلی سلولها متعددی است. این ویژگی باعث می‌شود تا خطاهای محلی از چشم خروجی نهایی بدور بمانند. به عبارت دیگر، سلولها در یکر وند همکاری، خطاهای محلی یکدیگر را تصحیح می‌کنند. این خصوصیت باعث افزایش مقاوم بودن (تحمل پذیری خطاها) در سیستم می‌گردد.
3-3 تاریخچه شبکه‌های عصبی
دیدگاه شبکه‌های عصبی در دهه 40 قرن بیستم شروع شد، زمانی که وارن مک کلوث و والترپیتز نشان دادند که شبکه‌های عصبی در اصل می‌توانند هر تابع حسابی و منطقی را محاسبه نمایند. کار این افراد را می‌توان نقطه شروع حوزه علمی شبکه‌های عصبی مصنوعی نامید.
نخستین کاربر عملی شبکه‌های عصبی در اواخر دهه 50 قرن بیستم مطرح شد، زمانیکه فرانک روزنبلات در سال 1958 شبکه پرسپترون را معرفی نمود. روزنبلات و همکارانش شبکه‌ای ساختند که قادر بود الگوها را از هم شناسایی کند. ولی به طور کلی تا اواسط 1980 توجه کمی به شبکه‌های عصبی شده بود، چراکه تا قبل از آن معمولاً آموزش شبکه‌های عصبی باب یش از دو لایه امکان نداشت. متأسفانه دنیای واقعی ما به صورت پیوسته است و نمی‌توان آنها را به صورت مدلهای ساده بیان کرد.
اولین گام در بهبود شبکه‌های عصبی زمانی بود که شبکه‌های چند لایه مطرح شدند. پس از آن ایده مهمی که کلید توسعه شبکه‌های عصبی در دهه 80 شد، الگوریتم، پس از انتشار خطا بود که توسط دیوید راملهارت و جیمز مکلند مطرح گردید با پیدایش این روش در واقع مانع اصلی در زمینه شبکه‌های عصبی برداشته شد و شبکه‌های عصبی را متحول کرد.
گرچه این روش در سال 1974 کشف شد ولی تا سال 1980 عملاً به طور وسیعی مورد استفاده قرار نگرفت. شبکه‌های دولایه معمولاً فقط قادر به بیان روابط خطی بین بردارهای ورودی و خروجی بودند ولی این روش اجازه داد تا شبکه‌های آنالوگ با سه لایه یا بیشتر آموزش ببینند،‌لذا دری باز شد بر روی بسیاری کاربردهای آن شبکه‌های عصبی چند لایه می‌توانند بیشتر روابط خطی و غیر خطی بین متغیرهای ورودی خروجی را یاد بگیرند. بخاطر سریع و ارزان بودن کامپیوتر شخصی می‌تواند کاربردهای این تکنولوژی جدید را در بسیاری محاسبات متنوع ببیند. همینکه شبکه‌های عصبی به صورت خیلی رایج برای کاربردهای پیش بینی هوا، تشخیص صحبت و دستخط، تمیز کردن نویز در تصاویر ویدیوئی، بازیهای کامپیوتری،‌ پیش‌بینی بار، قسمتهای ماشین ابزار، ترجمه زبانهای طبیعی، آشکار کننده مواد منفجره در چمدانهای فرودگاهها و پیش بینی برنده بازی استفاده می‌شوند. معمولاً شبکه‌های عصبی بهترین انتخاب برای مسائلی می‌باشند که مقدار زیادی داده در آن موجود است و یک رابطه غیر خطی بین پترن‌های ورودی و خروجی موجود است.
در ده سال اخیر هزاران مقاله نوشته شده است و شبکه‌های عصبی کاربر زیادی در رشته‌های مختلف علوم پیدا کرده‌اند. شبکه‌های عصبی در هر د وجهت توسعه تئوریک و عملی در حال رشد می‌باشند. بیشتر پیشرفتها در شبکه‌های عصبی به ساختارهای نوین و روشهای یادگیری جدید مربوط می‌شود.
در زیر نگاهی اجمالی به تاریخچه شبکه‌های عصبی داریم.
1942 – مک‌کالوج و پیتز : مدل غیر خطی ساده نرون
1949 – هب: اولین قانون یادگیری
1958- روزنبلات : پرسپترون، ماشینی که قادر است یاد بگیرد که چگونه با استفاد هاز تطبیق وزنها، اطلاعات را دسته بندی کند.
1962-1960- ویدرو و هاف: نشان دادن حدود تئوریکی پرسپترون به عنوان کامپیوترهای عمومی 230 سال در حالت بدون پیشرفت و تحرک، ولی بعضی به صورت جداگانه به تحقیقات ادامه می‌دادند.
1982 – هاپفیلد: نشان داد که با استفاد هاز تابع انرژی می‌توان مسائل زیادی را حل کرد.
1982- کوهنن : تشریح یادگیری خود سازمانده
1986- راملهرت : کشف روش پس انتشار خطا
1987 – مینسکی
1988- چاو و یانگ : شبکه‌های عصبی سلول دار، شبکه‌های کاربردی، با در نظر گرفتن نرونهایی که نزدیک‌‌ترین همسایه‌ها متصل بودند.
همینک : پیشرفت به صورت پیوسته هم از نظر تئوری و هم از لحاظ کاربردهای عملی ادامه دارد.
فاصله زمانی 25 ساله خواب زمستانی (توقف پیشرفت در شبکه های عصبی) بخاطر این بود که تا آن زمان شبکه های بالایی مخفی بوجود نیامده بود و این مدلها بدون لایه مخفی قادر به حل مسائل نبود.
در زیر جدولی از مشهورترین شبکه های عصبی به همراه سال معرفی آنها و مخترع آنها آمده است.
سال شبکه مخترع/ کاشف
1942 مک کالوچ – پیتزنرون مک کالوچ ، پیتز
1957 پرسپترون روزنبلات
1960 مادالاین ویدرو
1969 سربلاترون الباس
1974 شبکه پس انتشار خطا وربز، پارکر، راملهارت
1977 حالت مغز در یک جعبه اندرسون
1978 نئوکوگنیترون فوکوشیما
1978 تئوری رزونانس تطبیقی کارپنتر، گراس برگ
1980 خودسازمانده کوهنن
1982 شبکه هاپفیلد هاپفیلد
1985 حافظه دو جهتی کوسکو
1985 ماشین بولتزمن هینتون، سجنووسکی، سزو
1986 انتشار معکوس هچت، نیلسون
1988 شبکه عصبی سلولی چوا، یانگ
جدول 3-1: مشهورترین شبکه های عصبی به همراه سال معرفی آنها و مخترع آنها (26)
3- 4 شبکه های عصبی طبیعی
مغز انسان که از پیچیده ترین ابزارهای محاسباتی به شمار می رود به صورت یک سیستم دینامیکی با ساختار موازی و پردازشگری کاملاً مغایر با پردازشگرهای متداول است. مغز به عنوان یک سیستم پردازش اطلاعات با ساختار موازی از 100 تریلیون (100میلیارد) نرون متصل به هم با تعداد کل ارتباط تشکیل شده است.
نرونها ساده ترین واحد ساختارهای سیستمهای عصبی هستند. بافتهایی که عصب نامیده می شوند، اجتماعی از نورونها می باشند. این نرونها اطلاعات و پیامها را از یک قسمت بدن به قسمت دیگر منتقل می کنند. پیامها از نوع ایمپالسهای الکتروشیمیایی هستند. میلیونها نرون دربدن انسان وجود دارد، حتی ساده ترین کارهای روزمره انسان از قبیل پلک ردن، تنها از طریق همکاری همه جانبه این نرونها میسر است.
بیشترین تعداد نرونها در مغز باقی در نخاع و سیستمهای عصبی جانبی تمرکز یافته اند.
گرچه همگی نرونها کارکرد یکسانی دارند ولی اندازه و شکل آنها بستگی به محل قرارگیری آنها در سیستم عصبی دارد، با وجود این همه تنوع بیشتر، نرونها از سه قسمت اساسی تشکیل شده اند:
1-بدنه سلول: که شامل هسته و قسمتهای حفاظتی دیگر می باشد.
2-دندریت: دندریت ها رشته های نازکی در انتهای آکسون و در اطراف عصبهای بعدی هستند.
3-آکسون: وسیله انتقال خروجی بدنه سلول به سایر عصبها می باشند.

شکل (3-1) نواحی اصلی یک سلول عصبی بیولوژیک (17)
نقاط اتصال بین یک تعداد عصب به مجموعه دیگری از عصبها تحت عنوان سیناپس ها شناخته می شوند، که اطلاعات و تجربیات قبلی عصب در قدرت انتقال سیناپس ها واقع شده است. سیناپس ها که در واقع بخشی از دندریت ها هستند، در دو نوع تحریک کننده و باز دارنده وجود دارند. اگر سیناپس ها از نوع تحریک کننده باشند، سطح فعالیت فرستنده، فعالیت عصب گیرنده را افزایش می دهد و اگر از نوع باز دارنده باشند، سطح فعالیت عصب گیرنده را کاهش می دهند. اختلاف سیناپس ها نه تنها در تحریک یا باز داشتن عصب گیرنده است بلکه در میزان این اثر (شدت سیناپسی) نیز می باشد.
قدرت زیاد مغز انسان در تفکر ، یادگیری ، به یاد آوردی، تعمیم، حل مسائل و …. سبب شد تا دانشمندان به مدل سازی آن بپردازند. با توجه به اینکه سرعت زیاد مغز انسان مربوط به موازی کار کردن عصبها به عنوان واحدهای محاسباتی می باشد، شبکه های عصبی مصنوعی را نیز بر همین اساس یعنی سیستمهای پردازش موازی طرح کرده اند.
3-5 شبکه های عصبی مصنوعی
بلوک ساختمانی اصلی کلیه مغزهای موجودات زنده، سلول عصبی یا نرون می باشند. هر نرون به صورت یک واحد پردازشگر عددی عمل می کند. در واقع مغز مجموعه ای است از چندین میلیون از این واحدهای پردازشگر که به صورت بسیار پیچیده ای به هم مرتبطند و به صورت موازی عمل می کنند . در مغز هر نرون مقادیر ورودی را از دیگر نرونها می گیرد، به تابع انتقال اعمال می کند و خروجی اش را به لایه بعدی از نرونها می فرستد. این نرونها به نوبت خروجی اشان را به دیگر لایه ها می فرستند. به روش مشابه شبکه های عصبی مصنوعی از چند صد یا چندین هزار واحد پردازشگر ساده تشکیل شده اند که به صورت موازی به هم مرتبطند و در چندین لایه به دنبال هم هستند.
در شبکه عصبی موجودات، حافظه در شدت اتصالات بین لایه های نرون هاست. شدت یا تأثیر یک اتصال داخلی به عنوان وزنش شناخته می شود. شبکه های عصبی مصنوعی از این قضیه استفاده کرده و از وزنهای اتصال داخلی متغییر بین لایه های نرونهای شبیه سازی شده استفاده می کند. قبل از اینکه آموزش شروع شود این وزنهای اتصالات داخلی مقادیر تصادفی اختیار می شوند. در طول فرآیند آموزش این نرونها به گونه ای اصلاح می شوند که باعث شود تا روابط ورودی/ خروجی آموخته شوند.
فرض کنید که اتصال داخلی از نرون A به نرون X وزن بزرگتری نسبت به اتصال داخلی نرون B به نرون X دارد، در این حالت خروجی نرون A تاثیر بیشتری در سطح فعالیت نرون X دارد تا نرون B . هنگامی که شدت اتصالات تنظیم شد، در بین کلیه نرونها ، نرونهای بخصوصی نسبت به متغیرهای بخصوصی حساس می شوند و نرونهای دیگر به دیگر ورودی ها حساس می شوند.
3-5-1 شبکه عصبی چیست؟
یک شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات است که مشخصات کاری آن مشابه شبکه های عصبی طبیعی است. شبکه های عصبی مصنوعی بر اساس تعمیم مدل ریاضی نرون های طبیعی بر اساس فرضیات زیر به وجود آمده اند:
1- پردازش اطلاعات در عناصر کوچک و ساده ای به نام نرون صورت می گیرد.
2- سیگنالها از طریق خطوط ارتباطی بین نرونها عبور می کنند.
3- هر خط ارتباطی دارای وزنی مشخص است که در یک شبکه عصبی نوعی در سیگنال عبوری ضرب می شود.
4- هر نرون یک تابع فعالیت دارد که آن را به مجموع ورودیها اعمال می کند ( که معمولاْ غیر خطی است) تا سیگنال خروجی اش را مشخص کند.
هر شبکه عصبی توسط این سه پارامتر مشخص می شود:
1- نحوه اتصال بین نرونها (که معماری شبکه نامیده می شود)
2- روش تعیین وزنهای اتصالات ( که الگوریتم آموزش یا یادگیری گفته می شود)
3- تابع فعالیت آن
یک شبکه عصبی شامل تعداد زیادی واحد پردازش ساده به نام نرون ، واحد ، سلول یا گروه است. هر نرون توسط خطوط ارتباطی جهت داری به دیگر نرونها وصل است که هریک دارای وزنی مشخص است.
وزنها بیانگر اطلاعات استفاده شده توسط شبکه برای حل مسئله می باشند.
معمولاْ شبکه های عصبی مصنوعی با استفاده از برنامه کامپیوتری شبیه سازی می شوند، همچنین می توان آنها را با استفاده از عناصر پردازشگر گسسته هم ساخت.
کار بر روی شبکه های عصبی مصنوعی در سال 1943 با پیشنهاد و معرفی اولین و ساده ترین مدل برای یک عصب، توسط مک کلاک و پیتس آغاز شد که با معرفی پرسپترون بوسیله روزنبلات و معرفی آدالاین و مدلاین تسط ویدرو و هاف و در پی آن و پس از یک دهه وقفه، با پیدایش روش آموزش پس انتشار خطا برای شبکه های پرسپترون چند لایه ، این شبکه ها توسعه یافته و زمینه

عنوان پایان نامه : شبکه‌های زیرآبی و زیرزمینی حسگر بی‌سیم

اختصاصی از هایدی عنوان پایان نامه : شبکه‌های زیرآبی و زیرزمینی حسگر بی‌سیم دانلود با لینک مستقیم و پر سرعت .

عنوان پایان نامه :  شبکه‌های زیرآبی و زیرزمینی حسگر بی‌سیم

شرح مختصر :  انقلاب مفاهیم شبکه ای و درهم   آمیختن بی سابقه ی چالشهای تکنیکی،  شبکه های حسگر بی سیم را یکی از بزرگترین تمایلات تحقیقاتی قرن 21 کرده است.امروزه با پیشرفت فناوری و پایین آمدن قیمت تجهیزات الکترونیکی، نسل جدید از شبکه های حسگر بی سیم توسعه پیدا کرده اند. محدوده ی کاربردهای بالقوه ی این تکنولوژی آنقدر گسترده است که تنها ممکن است  توسط تخیل ما محدود شود. در هر حال فقط اخیراً چنین سیستم هایی در بازار به عنوان محصول ارائه گردیده است. تعداد زیادی حسگر در محیط مورد بررسی پراکنده شده و اطلاعات مورد نیاز، توسط حسگرهای در نظر گرفته شده در گره‌ها جمع‌آوری شده و به صورت گام به گام به گره‌های مجاور ارسال می‌شوند تا نهایتاً به گره مقصد برسند. در این مجال قصد بر آن است تا پنجره ای بر سرزمین گسترده ی شبکه های حسگر بی سیم گشوده شود،و آشنایی اندکی پیدا شود.ابتدا به معرفی اجمالی شبکه های حسگر بی سیم می پردازیم وسپس در مورد کاربردها، طراحی و… آن توضیحاتی  می نویسیم. جهت استفاده ی بهتر از این متن سیر مطالعاتی آن را حفظ نمایید. امید است آنچه در ادامه خواهد آمد مورد توجّه کلیه ی خوانندگان، خصوصاً اساتید ارجمند دانشگاهی قرار گیرد. در پایان لازم می‌دانم از تمام کسانی‌که در حصول این پژوهش یاری‌ام دادند، از جمله استاد گرامی آقای دکتر قاضی‌زاده، دوست خوبم آقای امیر هراتی‌نیا و … تشکر نمایم. در حالیکه چند سال گذشته را “عصر اطلاعات” نامیدیم، هم اکنون شاهد “عصر حسگرها” هستیم.

فهرست :

فصل اوّل : معارفه

فصل دوم : کاربردهای شبکه های حسگر بی سیم

فصل سوم : فاکتورهای مؤثر در طراحی شبکه های حسگر بی سیم

فصل چهارم : یک الگوریتم جهت مکانیابی در شبکه های حسگر بی سیم

فصل پنجم : شبکه های زیرآبی و زیر زمینی و چند رسانه ای حسگر بی سیم

 منابع

دانلودمقاله شبکه‌های نظیر به نظیر

اختصاصی از هایدی دانلودمقاله شبکه‌های نظیر به نظیر دانلود با لینک مستقیم و پر سرعت .

فصل اول: مقدمه‌ای بر شبکه‌های نظیر به نظیر (peer to peer network)
نظیر به نظیر چیست؟
نظیر به نظیر به هر ارتباط چندگانه، خودگردان دستگاه‌ها که به صورت یکسان عمل می‌کنند اطلاق می‌شود. یک شبکه نظیر به نظیر نوعی شبکه است که در آن ایستگاه‌های کاری هم به صورت یک مشتری (تقاضا کننده داده) ، هم به صورت سرور (عرضه کننده داده) و هم به صورت یک خدمتگزار (عرضه کننده و تقاضا کننده داده) می‌توانند عمل کنند. در شبکه‌های نظیر به نظیر کامپیوترهای موجود در شبکه دارای وظایف و مسئولیتهای معادل و مشابه هستند. به طور مثال کامپیوتر A می‌تواند درخواست یک فایل را از کامپیوتر B نماید. در این وضعیت، کامپیوتر A به عنوان یک سرویس گیرنده ایفای وظیفه نموده و کامپیوتر B به عنوان یک سرویس دهنده رفتار می‌نماید. در ادامه فعالیت، کامپیوترهای A,B می‌توانند دارای وظایف معکوسی نسبت به وضعیت قبل داشته باشند.
(تاریخچه نرم‌افزارهای نظیر به نظیر معمولاً با ارجاع به Napster آغاز می‌شود. Napster مثال معروفی از یک ارتباط یک به یک و یک به چند قدرتمند است که می‌تواند انتظار را ازتکنولوژی کامپیوتری تحقق بخشد. اگر چه ، اگر کمی به عقب باز گردیم، پیامهای فوری (instant message) تجسم ابتدایی نظیر به نظیر بودند. این پیامها نوع متفاوتی از ارتباط را نشان می‌دهند که تلفیقی از نامه دست‌نویس و تلفن است با افزایش ضرورت تماسهای سریع تلفن و گسترش استفاده از پست الکترونیکی، پیامهای فوری چشم‌انداز اینترنت را تغییر دادند.
عضویت درشبکه نظیر به نظیر ، به صورتadhoc و پویا است و تنها نیاز به ایجاد یک مکانیسم و ساختار برای مدیریت و سازماندهی نظیرها است تا در این شبکه‌ها بتوان یک تعاون و همکاری مفید را بین کاربران به وجود آورد.
تکنولوژی نظیر به نظیر، توانایی اشتراک منابع و سرویسهای کامپیوتر شامل اطلاعات ، فایلها، سیکلهای پردازش و ذخایر، باتبادل مستقیم بین سیستمها (بدون استفاده از سرورهای مرکزی) را دارد. تکنولوژی نظیر به نظیر به کاربرانشان اجازه استخراج منابع کم‌مصرف و بیهوده که در هر یک از ایستگاه‌های کاری نگهداری می‌شوند رامی‌دهد. در این نوع شبکه، هر یک از کاربران کنترل منابع خود رابر عهده داشته و می‌توانند به منظوربه اشتراک گذاشتن فایلهای خاص با سایر کاربران، خود رأساً تصمیم‌گیری نمایند. همچنین ممکن است کاربران به منظور دستیابی به منابع اشتراکی، سایر کاربران را ملزم به درج رمز عبور نمایند. با توجه به اینکه تمامی تصمیمات فوق توسط هر یک از کاربران و به صورت جداگانه اتخاذ می‌گردد، عملاً یک نقطه مرکزی برای کنترل و یا مدیریت شبکه وجود نخواهد داشت.
از طرفی شبکه نظیر به نظیر، استفاده از کامپیوترهای نسبتاً قدرتمند در اینترنت است که از آنها تنها برای کارهای بر پایه مشتری استفاده نمی‌شود. نوعاً عملیات انجام شده توسط کامپیوترها از نوع مشتری خدمتگزار است. یک کامپیوتر سرور نوعاً منابع بزرگی دارد و به تقاضای ارسالی برای استفاده از منابع و اطلاعات از سوی کامپیوتر مشتری پاسخ می‌دهد. مشتریان نیز تقاضاهایی رابه استفاده از منابع و اطلاعات برای سرور وارد می‌کنند بهترین مثال برای مدل مشتری / خدمتگزار جستجو در وب است. سرورهای وب در اینترنت معمولاً کامپیوترهایی با اهداف خاص با پروسسورهای بسیار سریع یا حتی چند پروسسور و آرایه‌های بزرگ هارد دیسک هستند. سرورهای وب همه جزئیات و محتویات وابسته به یک وب سایت مانند فایلهای Html ، فایلهای گرافیکی و فایلهای صوتی و تصویری و .. را ذخیره می‌کند و به درخواستهای وارده رسیدگی کرده تا اطلاعات یک صفحه وب خاص را نشان دهند. وقتی یک صفحه درخواست می‌شود، سرور وب صفحه وفایلهای اختصاصی آن رابرای مشتری می‌فرستد.
شبکه نظیر به نظیر، فواید زیر را علاوه بر شبکه‌های مشتری و / خدمتگزار دارد:
1) محتویات و منابع می‌توانند میان مرکز و نودهای شبکه به اشتراک گذاشته شوند، در حالیکه در شبکه‌های مشتری / خدمتگزار اطلاعات تنها در مرکز قرار دارد و هنگام درخواست به کامپیوترهای مشتری ارسال می‌شود.
2) یک شبکه از نظیرها به راحتی توسعه‌پذیر می‌باشد و قابل اعتمادتر از یک سرور تنها است چون یک سرور تنها می‌تواند یک نقطه خطرساز باشد و یا حتی به یک گلوگاه در هنگام استفاده از شبکه تبدیل شود.
3) یک شبکه از نظیرها می‌تواند با تقویت منابع کامپیوتری برای کارهای توزیع شده کامپیوتری ، پروسسورهای خود را به اشتراک گذاشته‌، بطوریکه سریع‌تر از یک شبکه که به یک سوپر کامپیوتر تکیه دارد عمل خواهد کرد.
4) منابع اشتراکی در کامپیوترهای نظیر می‌توانند مستقیماً در دسترس قرار گیرند. سریعتر از آنچه که در فایلهای ذخیره شده در کامپیوتر مرکزی وجود دارد، یک نظیر می‌تواند فایلهایش رابه صورت ذخیره محلی در اشتراک دیگران قرار دهد.
همچنین شبکه نظیر به نظیر می‌تواند مشکلات زیر را حل کند:
1) به منابع محلی اجازه می‌دهد که مستقیماً به اشتراک گذاشته شوند بدون اینکه نیاز به یک سرور واسط باشد.
2) ارتباط چندین باره موثر بدون تکیه بر بنیانIP multicast
پیش از Napster سیستمهای اشتراک فایل و اطلاعات بین کامپیوترها بیش از حد به وب گسترده ، شبکه‌های محلی LAN و تبادل فایلها تحت پروتکل FTP محدود شده بود. زمانیکه سرعت و شیوع کامپیوترهای شخصی (PC) به اندازه سرعت و شیوع ارتباطات اینترنت افزایش یافت، نیاز عمومی به سوی تکنولوژی اشتراک فایل گرایش یافت. Napster اشتراک فایل را شهرت بخشید و آن رابه عنوان یک مولفه چیره و مسلط پهنای باند مشترکان خانگی امروزی اینترنت ساخت.
همچنین لغت نظیر به نظیر به شکبه‌ای از نظیرها (یکسانها) که از اطلاعات و سیستمهای ارتباطی خاص استفاده می کنند اشاره دارد. تعداد دو یا بیشتر از این نظیرها می‌توانند بدون هماهنگ کننده مرکزی با یکدیگر همکاری داشته باشند . در مقابل شبکه‌های مشتری /خدمتگزار، شبکه‌های نظیر به نظیر دارای هزینه کم، خود تنظیم و بدون هماهنگی مرکزی در استفاده از منابع ، تحمل‌پذیری بالا در برابر خطا و پشتیبانی بهتر از ساختمان شبکه‌های adhoc می باشند.
اشتراک منابع کامپیوتری و سرویسها با تبادل مستقیم بین سیستمها دو مشخصه اصلی و کلیدی را درباره سیستمهای نظیر به نظیر می‌دهد:
1) مقیاس‌پذیری: هیچ محدودیت تکنیکی و یا الگوریتمی در اندازه سیستم وجود ندارد به طور مثال پیچیدگی سیستم مقداری ثابت ، صرفنظر از تعداد نودها در سیستم است.
2) قابلیت اعتماد: سوء عمل هر نود در تمام سیستم تاثیر نگذارد (یاحتی روی هر نود دیگر) شبکه‌های اشتراک فایل مانند Gnutella مثال خوبی برای مقیاس‌پذیری و قابلیت اعتماد هستند. در Gnutella ، نظیرها ابتدا به شبکه پوششی زمینه متصل می‌شوند که تمام نظیرها در آن با هم مساوی و برابر هستند. نظیرها مستقیماً و بدون نیاز به نظم و ترتیب خاصی به سرور اصلی متصل می‌شوند. و سوء عمل یک نود سبب سوء عمل نود دیگری می‌شود.
برای ارزیابی یک سیستم نظیر به نظیر پیشنهادی، مشخصات نظیرهایی که شرکت کنندگان در سیستم را انتخاب می‌کنند باید درک و محاسبه شود. برای مثال ، اگر بعضی از نظیرها در سیستم اشتراک فایل، پهنای باند و کم، تاخیر زیاد در ارتباطات گلوگاههای شبکه در اینترنت داشته باشند، سیستم باید در جلوگیری از نمایندگی بخشهای بزرگ اندیسهای توزیع شده به این نظیرها مراقب باشد چون ترس از فشار کاری و ایجاد بخش اندیس غیر قابل دسترس برای بقیه نظیرها ممکن است به وجود آید. به طور مشابه، مدت زمان لازم برای نگهداری ارتباط به بنیان شبکه برای نگهداری داده‌ها یا متاداده‌های اندیس در دسترس باید مورد توجه قرار گیرد. خلاصه، سیستم باید میزان شایستگی یک نظیر منتخب برای کارهای خاص را قبل از نمایندگی صریح یا ضمنی آن کار به نظیر تعیین کند. به طور شگفت‌آوری تا کنون تعداد ساختارهای کمی که با محدودیتهای بالا مطابقت دارند ارزیابی و توسعه یافته اند.
انواع شبکه‌های نظیر به نظیر
سه نوع اصلی اشتراک فایل نظیر به نظیر وجود دارد:
1)ارتباط یک به یک که نوعاً فایلها از یک PC به یک PC دیگر انتقال می‌یابد.
2)ارتباط پیشرفته یک به چند مانند Naspster که در آن یک میزبان می‌تواند با چندین گره ارتباط داشته وفایلهایش را با آنها به اشتراک بگذارد.
3) ارتباط چند به چند که از پروتکل Gnutella استفاده می‌کند مانند Morpheus و Bearshare که می‌توانند به صورت خودکار و گسترده منابع را بین چندین کاربر به اشتراک بگذارند.
چارچوب‌های شبکه‌های نظیر به نظیر:
1) چارچوب مرکزی: اولین نسل نظیر به نظیر یعنی Napster از ساختار شبکه ای مشتری/ خدمتگزار استفاده می‌کرد. سرور مرکزی مانند یک عمل ایستگاه ترافیکی می‌کرد همانطوریکه در شکل 1 نشان داده شده است. سرور مرکزی دایرکتوری فایلهای اشتراکی ذخیره شده در هر نود را نگهداری می‌کند . هر گاه یک مشتری به شبکه وصل و یا از آن خارج می‌شود دایرکتوری بروز خواهد شد . در این مدل تمام پیغامهای کنترل و جستجو به سرور مرکزی فرستاده می شود. سپس سرور مرکزی درخواست جستجوی مشتری رابه وسیله دایرکتوری پایگاه داده‌اش به مرجع آن ارجاع می‌دهد و فایل درخواستی را دانلود می‌کند . فایلهای حقیقی هیچگاه در سرور مرکزی نگهداری نمی‌شوند.این نوع چارچوب کارایی بالایی را فراهم می‌کند.
2) چارچوب غیر مرکزی: نسخه دوم نظیر به نظیر یعنی پروتکل Gnutella یک مدل توزیع شده را به کار می‌برد که در آن هیچ سرور مرکزی وجود ندارد و هر نود موقعیت یکسانی در آن دارد. هر نود به صورت یک خدمتگزار (یعنی به صورت یک نظیر) در شبکه عمل می‌کند. همانطوریکه در شکل 2 بدیهی است، هر نود در چارچوب می‌کوشد که برخی از ارتباطات به سایر نودها (نوعاً بین 4 تا 8 ارتباط) را در هر لحظه نگهداری کند. این مجموعه از ارتباطات ترافیک شبکه را حمل می‌کند که اساساً شامل درخواستها، پاسخ درخواستها و پیامهای کنترلی مختلفی که به کشف سایر نودها کمک می‌کند است.
برای اشتراک فایلهایی که از پروتکل Gnutella استفاده می‌کنند، کاربر به یک کامپیوتر شبکه‌ای که به نرم‌افزار Gnutella مجهز شده است نیاز دارد (nodex) . نود x یک درخواست را برای کامپیوتر دیگری که متصل به شبکه Gnutella است می‌فرستد (nodey) . سپس نود y این درخواست را برای هر کس که به آن متصل است می‌فرستد. اگر چه محدوده این شبکه صورت بالقوه نامحدود است اما این نامحدودی با محدودیت زمان زندگی TTL محدود شده است. زمان زندگی به لایه‌های نودهایی که پیغام درخواست به آنها رسیده است اشاره دارد. پیامهای درخواست با فیلد زمان زندگی فرستاده می‌شوند. ( با اندازه 4 تا 6 ) که توسط نودها ابتدا کاهش می‌یابد و سپس برای نودهای مرتبط دیگر فرستاده می‌شود. اگر پس از کاهش، فیلد TTL به صفر رسید، پیغام به ارتباط دیگری فرستاده نمی‌شود. هر نودی که پیام را دریافت کرده است باید آن را پاسخ گوید (پاسخ شامل نام فایل، اندازه و ... است) و تمام پاسخ‌ها به سرچشمه و منبع درخواست یعنی نود x به وسیله نود y بازگردانده می‌شود. نود x اکنون می‌تواند یک ارتباط مستقیم را به نودهای پاسخ‌دهنده (نود z )ایجاد کند و فایل را دانلود نماید . فایل به صورت مستقیم منتقل می‌شود، بدون مداخله نودهای میانی (دانلود توسط پروتکل‌هایی مانند HTTP انجام می‌شود). این سیستم توسط برنامه‌های پروتکل Gnutella مانند Bearshare و Gnuxleus و Morpheus مورد استفاده قرار می‌گیرد.
3) چارچوب غیر مرکزی کنترل شده: نسخه دوم نظیر به نظیر یعنی Groove., Grokster, kazaa , fast Track و مشتریان فعلی Gnutella از یک سرور مرکزی و چارچوب‌های غیرمرکزی که به هم پیوند خورده‌اند استفاده می‌کنند. در این مدل پیوندی، نودهای مشخصی در شبکه به عنوان سوپر نود یا فرا نظیر انتخاب شده‌اندو نقش یک پاسبان ترافیکی را برای سایر نودها بازی می‌کنند.
سوپر نودها به صورت پویا پهنای باند و توپولوژی شبکه را تغییر می‌دهند. یک نود مشتری تعداد کمی از ارتباطات بازار نگهداری می‌کند. و هر یک از اارتباطات به یک سوپر نود است. این مسئله تاثیر بسزایی در اندازه شبکه با کاهش تعداد نودهای درگیر در امر مسیریابی و حمل پیام با کاهش حجم ترافیک بین آنها دارد. به دلیل وجود این سوپر نودها، که به عنوان هابهای جستجو هم عمل می‌کنند، سرعت پاسخ‌گویی به درخواست در دو مدل کنترلی و مرکزی قابل مقایسه است . نمونه‌ای از این شبکه در شکل 3 نشان داده شده است.
در مدل غیر مرکزی کنترل شده، هر نود لیستی از فایلهای اشتراکی خود را برای سوپر نود مربوطه‌اش می‌فرستد (نود Y) درخواستهای جستجو به طور مستقیم به نود y اختصاص دارد که او بعداً این پیام را برای سوپر نودها می‌فرستد. هنگامی که یک فایل یافت شد، نود درخواست کننده (نودx) مستقیماً به نودی که فایل مربوطه را دارد متصل می‌شود (نود z) و آن را دانلود می‌کند.
کاربردهای شبکه نظیر به نظیر
تبادل مستقیم سرویس: شبکه‌های نظیر به نظیر می‌توانند سرویسها را با تبادل مستقیم بین نودها به اشتراک بگذارند. سرویسها شامل ذخایر نهان (cache)، ذخایر دیسک، اطلاعات و فایلها هستند. این کاربرد مخصوصاً در Napster از استقبال عمومی زیادی برخوردار شده.
کاربردهای شبکه‌ای کارهای شبکه که به نام کارهای مشترک نیز شناخته می‌شود، نوعی از کارهای نظیر به نظیری است که در آن از سیکلهای استفاده نشده پروسسور برای اهداف عمومی استفاده می‌شود. زمانیکه پروژه Seti@home در 17 می 1999شروع به کار کرد، کاربردهای شبکه جز موضوعات روز شد. Seti@homeیک برنامه Screen saver است که سیکلهای استفاده نشده پروسسور صد هزاران از کامپیوترهای داوطلب را برای تحلیل نتایج جستجوها ورای هوش زمینی را تحت کنترل درآورده و از آن استفاده می‌کند. کارهای شبکه معمولاً در محیطهای عملی، بیوتکنولوژی و محیطهای مالی استفاده می‌شود که در آنها نیاز شدید به کارهای کامپیوتری وجود دارد. بنیان اطلاعاتی توزیع شده: بنیان اطلاعاتی توزیع شده یک مند نظیر به نظیر است که تمام اطلاعات را گرانبها کرده و آنها و سازمانشان را با هم به صورت یک سازمان مجری ذخیره می‌کند. یک سازمان مجازی ممکن است شامل چندین شرکت یا چندین شاخه باشد که به صورت یک واحدبرای رسیدن به یک هدف مشترک تلاش می‌کنند.

بسیاری از شرکت‌ها در صنعت پزشکی و سلامتی، همراه با جستجوهای علمی و بخشهای توسعه یافته، این نوع از کارهای نظیر به نظیر را برای مدیریت، توسعه، و بازیابی داده‌ها و اطلاعات مهم استفاده می‌کنند. بنیان اطلاعاتی توزیع شده یک راه موثر برای محدودیتهای جغرافیایی و سازماندهی است.
شبکه نظیر به نظیر و تامین کننده‌های سرویس
1) سوددهی تامین کننده‌های سرویس: یک تامین کننده سرویس هزینه‌های متفاوتی را در بر دارد که به مشترکان فردی می‌تواند اختصاص یابد. یکی از این هزینه‌های پر اهمیت حق‌العبور اینترنت تامین کننده‌های سرویس است. هزینه حق‌العبور اینترنت یک هزینه متغیر قابل توجه است. بازارهای رقابتی دسترسی به اینترنت می‌خواهند که مشتری دسترسی نامحدودی به اینترنت داشته باشد. تامین‌کننده‌های سرویس، پهنای باند خود را از یک IXC بر پایه میزان پهنای باند مصرفی خود می‌خرند. این مسئله سوددهی سرویس دستیابی به اینترنت در یک نرخ ثابت را کاهش می‌دهد.
2) انتقال مستقیم سرویس- فاکتور همکاری : بر اساس تحلیل داده‌های اینترنت به صورت همکارانه ترافیک شبکه تامین کننده سرویس، به وسیله برنامه‌های اشتراک فایل نظیر به نظیر و پروتکل‌های WWW اشغال شده‌ است. شکل 4 یک ترافیک از ترافیک اینترنت بر شبکه تامین‌کننده سرویس در یک هفته را نشان می‌دهد.
کارهای نظیر به نظیر دو نوع ترافیک شبکه را به وجود می‌آورند. 1) ترافیک سربار شبکه (جستجوها، keep -alive) 2) ترافیک داده (انتقال فایلها )
ترافیک شبکه نظیر به نظیر بخش بزرگی از پهنای باند را مصرف می‌کند در حالیکه استفاده از کارهای نظیر به نظیر در حال افزایش است و بنابراین حق‌العبور تامین کننده سرویس افزایش می‌یابد. در اوج شهرت Napster دانشگاه ایندیانا، تمام برنامه‌های جا به جایی فایل نظیر به نظیر را پس از کشف اینکه این پروتکل مسئول پنجاه درصد از ترافیک شبکه اش است تحریم کرد. به هر حال شبکه نظیر به نظیر به توسعه برنامه‌های کاربردی جا به جایی فایل ادامه می‌دهد. شکل 5
رده‌ای از برنامه های کاربردی که در حال حاضر در دسترس کاربران است را نشان می‌دهد.
در هنگام راه‌اندازی، یک برنامه کاربردی نظیر به نظیر به تعداد دیگری نود نظیر به نظیر متصل خواهد شد که می‌توانند در هر جایی از اینترنت قرار داشته باشند. از آنجایی که هیچ ارتباطی بین ساختار IP شبکه و مدل هزینه وجود ندارد، به ندرت نزدیک‌ترین نظیر در همان شبکه قرار دارد. بنابراین، درصد کمی از نودهای نظیر به نظیر در یک شبکه تامین کننده سرویس می‌توانند به نود دیگر متصل شوند. سازماندهی یک نوع شبکه نظیر به نظیر در شکل 6 نشان داده شده است.
مولفه‌های ارتباط ترافیک نظیر به نظیر شامل تعدادی ارتباط با میزبانهای متفاوت در هر جای اینترنت می‌با‌شد. هر ارتباطی تعدادی از پیامهای داوطلب را برای زنده نگهداشتن ارتباط در یک دوره زمانی استفاده می‌کند و مطمئن است که جستجوهای فایل به سرعت انجام می‌شود. این مولفه از شبکه نظیر به نظیر معمولاً به تصادم پروتکل ارجاع دارد. شکل 7 دو نوع مهم ترافیک شبکه نظیر به نظیر را نشان می‌دهد.
یک تصور غلط در شبکه‌های نظیر به نظیر این است که انتقال فایلها مقدار زیادی از پهنای باند مصرفی را اشغال می‌کند. در واقع درصد بزرگی از پهنای باند برای تصادم پروتکل مورد نیاز است. در برخی از پروتکلها، تصادم نظیر به نظیر، پنجاه تا صد و پنجاه کیلوبایت در ثانیه از ترافیک هر نظیر را مصرف می‌کند.
این مسئله به تامین کننده‌های سرویس با اختیارات کم اجازه می‌دهد که هزینه حق‌العبور اینترنت خود را کاهش می‌دهند.راه حل‌های ممکن شامل جا‌به جایی پهنای باند به سرویسهای زنجیری یا پوشش مقداری از پهنای باندبرای برنامه های کاربردی نظیر به نظیر است. اگر چه این مسأله باعث نارضایتی شرکت در شبکه کنندگان می شود.
کاربردهای شبکه نظیر به نظیر
از شبکه‌های نظیر به نظیر می‌توان برای انجام فعالیتهای زیر استفاده کرد:
1) ارتباطات بلادرنگ (RTC)
2) همکاری
3) ارسال محتوا
4) فعالیتهای توزیع شده
5) پیشرفت تکنولوژیهای اینترنت

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله 90 صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید

پایانامه شبکه‌های عصبی

اختصاصی از هایدی پایانامه شبکه‌های عصبی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)


تعداد صفحه:53

فهرست:

فهرست

مقدمه ای بر شبکه‌های عصبی مصنوعی ----------------------------------------------- 4

تاریخچه شبکه‌های عصبی مصنوعی-------------------------------------------------- 5

شبکه عصبی چیست؟-----------------------------------------------------------  6

شبکه  عصبی چه قابلیتهائی دارد؟---------------------------------------------------  6

الهام از طبیعت---------------------------------------------------------------- 7

شبکه های عصبی در مقایسه با کامپیوترهای سنتی :--------------------------------------- 7

مسائل مناسب برای یادگیری شبکه های عصبی------------------------------------------  8

پرسپترون -------------------------------------------------------------------9

الگوریتم یادگیری پرسپترون -------------------------------------------------9

الگوریتم gradient descent---------------------------------------------------------  10

مشکلات روش gradient descent-----------------------------------------------  10

تقریب افزایشی gradient descent----------------------------------------------   10

الگوریتم  Back propagation--------------------------------------------------------  11

قدرت نمایش توابع------------------------------------------------------------- 12

انواع آموزش شبکه------------------------------------------------------------   12

برخی زمینه های شبکه های عصبی-------------------------------------------------   13

سبکهای معماری شبکه‌های عصبی -------------------------------------------------- 14

قواعد یادگیری در شبکه‌های عصبی ------------------------------------------------- 14

آموزش شبکه‌های عصبی --------------------------------------------------------  15

آموزش unsupervised یا تطبیقی (Adaptive)  --------------------------------------------   16

تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره -------------------   16

انواع یادگیری برای شبکه های عصبی-----------------------------------------------    18

یادگیری با ناظر--------------------------------------------------------- 18

یادگیری تشدیدی------------------------------------------------------    18

یادگیری بدون ناظر------------------------------------------------------   19

معایب شبکه های عصبی -------------------------------------------------------     19

مزیتهای شبکه های عصبی------------------------------------------------------     19

سیستم خبره  ---------------------------------------------------------------   21

سیستم خبره چیست؟---------------------------------------------------    21

ساختار یک سیستم خبره‌-------------------------------------------------- 22

استفاده از  منطق فازی ---------------------------------------------------  23

مزایا و محدودیت‌های سیستم‌های خبره ---------------------------------------   24

کاربرد سیستم‌های خبره‌--------------------------------------------------   24

چند سیستم خبره مشهور-------------------------------------------------  25

مروری بر کاربردهای تجاری ------------------------------------------------------  26

بازاریابی-------------------------------------------------------------  26

بانکداری و حوزه های مالی-------------------------------------------------  28

پیش بینی -----------------------------------------------------------   29

سایر حوزه های تجاری ---------------------------------------------------  29

کاربرد مدلهای شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکتهای بازار بورس---------------   30

کاربرد مدل‌ شبکه عصبی در پیش‌بینی ورشکستگی شرکتهای بازار بورس----------------------   31

تبیین مفهوم ورشکستگی------------------------------------------------------   31

متغیرهای مدل تحقیق--------------------------------------------------------   32

اطلاعات شرکتهای نمونه تحقیق--------------------------------------------------  32

تعیین ‌مدل شبکه عصبی سه لایه برای پیش‌بینی ورشکستگی شرکتها------------------------   33

sتعیین مدل بهینه شبکه عصبی چهار لایه برای پیش‌بینی ورشکستگی شرکتها-------------------  38

مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیش‌بینی ورشکستگی اقتصادی--------------- - 41

پیش‌بینی ورشکستگی اقتصادی شرکتها در سالهای 1385 و 1386---------------------------  41

روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره 1369ـ 1386------------------------  41

جمع‌بندی و نتیجه‌گیری-------------------------------------------------------- 44

منابع----------------------------------------------------------------------45

مقدمه ای بر شبکه‌های عصبی مصنوعی

شبکه‌های عصبی مصنوعی (Artificial Neural Network - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. مثلا با اعمال سوزش به سلول‎های عصبی لامسه، سلول‎ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‎ها وزن سیناپس‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند.