فایل پاورپوینت بازی های آموزشی دوره پیش از دبستان ..

اختصاصی از نیک فایل فایل پاورپوینت بازی های آموزشی دوره پیش از دبستان .. دانلود با لینک مستقیم و پر سرعت .

دانلود پاورپوینت بازی های آموزشی دوره پیش از دبستان

فرمت فایل: پاورپوینت

تعداد اسلاید: 27

uبازی و کودک

بازی برای کودکان بسیار مهم می باشد. به طوری که آن ها بیشترین ساعات بیداری خود را به بازی  و فعالیت می پردازند.

کود کان زمان بازی را دوست داشته و این زمان را بر هر چیز دیگری مقدم می شمارند.

بازی موجب پرورش تفکر، تخیل، سرگرمی، لذت و مهم تر از همه یادگیری در کودک می گردد واو را با مفاهیم و دنیای پیرامون آشنا می سازد.

دانلود تحقیق درباره آموزش پیش دبستانی کشور اندونزی

اختصاصی از نیک فایل دانلود تحقیق درباره آموزش پیش دبستانی کشور اندونزی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 14

آموزش پیش‌دبستانی

کشوراندونزی

ساختار آموزشی

طول دوره آموزش پیش دبستانی1/ 2سال است که ازسن 4سالگی آغاز گردیده و تا سن6سالگی به طول می انجامد. این مقطع آموزشی در زمره آموزش رسمی و رایگان بوده اما گذراندن آن برای کودکان اجباری نمی باشد. طبق آمارسال 1994،نسبت مربیان به کودکان در مراکز آموزش پیش دبستانی به نسبت 9/ 16است.این آموزش مبنایی است برای رشدو ارتقاء دانش،مهارت وقوه ابتکارکودک،ازمیان انواع آموزشهای پیش‌دبستانی،مهدکودک رایجتراست که مدت یک تادوسال برای کودکان4تا6ساله بطول می‌انجامد.کودکستان نیز برای بچه‌های 3ساله و کوچکتر است.

تعداد کل معلمان

تعداد کل ثبت نامی

تعدادمدارس

سال تحصیلی

29367

1604208

39121

199

93429

1614715

39284

1991

95585

1596283

40007

1992

96466

1636342

40506

1993

کودکستان و مهد کودک

کودکستان(KB) مؤسسه‌ای است برای رفاه اجتماعی کودکان و یکی از مدارس پیش‌دبستانی به حساب می‌آید. اساسی‌ترین اهداف این گونه مؤسسات این است که فعالیتهای آموزشی را فراهم ببینید که باعث رشد و توسعه جسم وذهن کودکان شود وهمچنین نیروی ابتکار، خلاقیت و تفکر آنان رانیزرشد دهد.مهد کودک(TPA) برای مراقبت از نوزادانی که والدین آنها مشغول به کار هستند تدارک دیده شده است. در کشور اندونزی، سازمانهای مربوطه همچون سازمان امور اجتماعی، سازمان فرهنگ و آموزش و انجمنها و مؤسسات خود اداره می‌شوند. براساس قانون مصوبة دولت درباره آموزش پیش دبستانی، تنها کودکان زیر سه سال می‌توانند در کودکستانها و مهدکودکها پذیرفته شوند. با وجود اینکه اطلاعات متناوب دقیق و کاملی از تعداد کودکستانها و مهد کودکها در دسترس نیست، اما می‌توان تعداد این نوع مؤسسه، در کشور اندونزی را نسبتاً کم تخمین زد. از اطلاعات بدست آمده در سال 1997 این طور برآورد می‌شود که از میان کودکستانهای موجود در استانها و شهرهای بزرگ اندونزی تعداد 202 کودکستان با ظرفیت 6185 نفری، از سری مؤسسات خصوصی اداره می‌شده‌اند و حدود 759 مهدکودک با ظرفیت 17048 نفری، که در ادارات، بازارها و باغها قرار داشتند از طرف دولت حمایت می‌شده است. تقریباً می‌توان گفت که تعداد کودکان 3 تا 5 سالی که در برنامه‌های ECD از طریق KB(کودکستانها) و TPA(مهدکودکهایی)که ازسوی سازمان امور اجتماعی وسازمان فرهنگ و آموزش(MOEC) اداره می‌شوند، نسبتاً کم است. این رقم درسال 1997 به 14/0 درصد در سطح مهدکودکها و 005/0 درصد درسطح کودکستانها می‌رسد. اطلاعات جمع‌آوری شده که میزان شرکت کنندگان را که بر اساس جنسیت آنها تخمین زده، قابل دسترسی نیست. بر اساس اطلاعات بدست آمده در سالهای 1997 و1998، این‌طور به نظر می‌رسد که افزایشی بالغ بر19/10درصد در تعداد کودکستاتها وجود داشته‌است. بر طبق اطلاعات جمع‌آوری شده، هنوز همه استانها دارای کودکستان نمی‌باشند. از 27 استان، فقط 13 استان کودکستان دارند.

کودکستانها به‌ عنوان مدارس پیش‌دبستانی، از طریق کانان مدرسه‌ای به اجرا در می‌آیند تا کمکی باشند برای رشد نگرش اساسی، شناخت، مهارت و خلاقیت کودکان در بیرون از محیط خانواده قبل از ورود به مقطع آموزش ابتدایی. کودکان شرکت کننده در این کودکستانها، کودکان 4 تا 6 سال می‌باشند، چرا که در این مقطع آموزشی از کودکان شرکت کننده، انتظار می‌رود که قادر به درک و جذب برنامه‌های ارائه شده در این کودکستانها(TK) باشند. در کشور اندونزی این نوع آموزش هنوز از جمعیت بالایی برخوردار نیست، بطوریکه، با وجود افزایشی که در میزان ناخالص پذیرش((GER)Gross Exrollment Rate) وجود داشته است، اما هنوز آن طور که باید و شایست نیست. در نواحی شهرنشین میزان ناخالص پذیرش(GER) کودکان در کودکستانها بالغ بر 65/36 درصد در 1990 بوده است که این رقم تا 46/43 درصد در سال 1995 افزایش داشته است. این کاهش 96/41 درصدی درسال 1996 رخ داد و پس از آن کاهش‌ها و افزایش‌های نامحسوس دیگر نیز وجود داشته،و بالاخره در سال 2000 میزان ناخالص پذیرش(GER) را تا 30/42 درصد تخمین زده‌اند.در نواحی روستا نشین درصد شرکت کنندگان کمتر از نواحی شهری است. و از لحاظ کاهش و افزایش، همان وضعیت که در شهرها می‌بینیم در مورد آنها نیز صادق است. با وجودی کمی شرکت کنندگان، اما افزایشی را از 94/8 درصد تا 23/11 درصد مابین سالها 1990 تا 1995 داشته‌ایم. در طی یک دورة 10 ساله افزایش شمار کودکان دختر و پسر در کودکستانهای خصوصی بیشتر از کودکستانها عمومی بوده است.در سال 1990 شمار دانش آموزان در کودکستانهای خصوصی 42/16درصد بوده درحالی که شمار دانش آموزان در کودکستانهای عمومی فقط 07/0 درصد بوده است.هرسال این درصد افزایش پیدا کرد تا اینکه درسال 1995درصد شرکت کنندگان کودکستانهای خصوصی به 13/20 ودرصد شرکت کنندگان کودکستانهای دولتی به 10/0 رسید. شمار شرکت کنندگان در مدارس خصوصی در سال 1996 کاهش 86/18 درصدی داشته و در سال 2000 افزایش 88/19 درصدی. درحالی که کودکستانهای دولتی تا سال 2000، با وجود نامحسوس بودن، دائماً افزایش داشته است به طوریکه این درصد در سال 2000 تا 17/0 درصد تخمین زده شده است. شمار کودکان دختر و پسر در کودکستانهای دولتی به نظر یکسان می‌رسد، اما درکودکستانهای خصوصی نه. در سال 1990 تفاوت مابین تعداد کودکان دختر و پسر نسبتاً زیاد است بطوریکه 55/13 درصد کودک پسر و 51/19 درصد کودک دختر در این کودکستانهای خصوصی شرکت داشته‌اند. این رقم در سال 1995 تقریباً متعادل

پروژه پیش بینی دما با استفاده از روش های هوشمند. doc

اختصاصی از نیک فایل پروژه پیش بینی دما با استفاده از روش های هوشمند. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 110 صفحه

چکیده:

پیش بینی دقیق دماهای هوای شبانه برای پیش بینی یخبندان می تواند به گسترش استراتژی های موثر کاهش آسیب به محصولاتی که عاملش شکل گیری یخبندان فصلی است، منتهی شود. سیستم پیش بینی ریل تایم باید قادر به اجرا شدن بر روی ماشین های محاسباتی کم قدرت باشند و باید قادر به گسترش یافتن در میدانی که مشاهدات هواشناسی پیشین خاص رویت شده، ممکن است در دسترس نباشد. این مقاله یک روش رویه ای پیش بینی دمای هوای شبانه برای پیش بینی یخبندان با استفاده از تطبیق فازی به منظور پیش بینی کردن پارامتر های ساختاری تابع رگرسیون از داده های محدود گذشته ارائه می دهد. در مقاله همچنین مطالعه ای بر شکل گیری یخبندان در شپار تون ، استرالیا، ارائه می دهیم

مقدمه:

یخبندان غیر منتظره بر روی محصولات می تواند اثرات زیان باری بر عملکرد محصولات داشته باشد. کاهش در خسارتی که توسط پدیده های طبیعی اتفاق می افتد ، مثل یخبندان، با استفاده از زمان پیش بینی یخبندان که بر اساس شاخص های کلیدی است می توان رسید. روش های پیش بینی هوشمند برگرفته از مجموعه داده های پیشین است که برای پیش بینی شرایطی که منجر به یخبندان، می شود. یکی از انواع پدیده ها در صبح 25 ام سپتامبر 2006 استرالیا اتفاق افتاد، جایی که درختان میوه در شپارتون منطقه ای از ویکتوریای مرکزی استرالیا واقعه ی یخبندان را که به میوه های در حال رشدآسیب رساند را تجربه کرد. تلفات مالی که توشط این خسارت ایجاد شد از زمان شروعش حدود 75 میلیون دلار تخمین زده شد و پیش بینی می شد که تا حدود 500 میلیون بالا برود. تلفات اقتصادی فقط محدود به تولید کننده های اولیه نمی شد بلکه به عنوان یک اثر موجی به جوامع محلی و صنایع مرتبط گسترش یافت و سر انجام به کاهش استخدام و در آمد های پایین منتهی شد.دولت همچنین تحت تاثیر درآمد های مشمول مالیاتی که کاهش یافته، قرار می گیرد و نیاز به فراهم کردن آسایش برای گروههایی که می بایست خودکفا می بودند افزایش می یابد.

قابلیت پیش بینی با برخی دقت دما های هوای شبانه به طور واضح سودمند می باشد. چنین پیش بینی هایی به طور غیر مستقیم نشانه هایی از یخبندان را خواهد داد. تحقیق در این منطقه به استفاده از مدل های آماری، شبکه های عصبی و گسترش مدل ریاضی پیجیده ای از محیط فیزیکی متمرکز شده است. همچنین تحقیقاتی در مسائل مشابهی از پیش بینی شکل گیری یخ جاده باتمرکز بر استفاده از شبکه های عصبی به منظور بهبود دقت سیستم پیش بینی یخبندان موجود وجود دارد.

این روش ها تمایل به داشتن مرتبه ی بالایی از موضعی خاص را دارند؛ آنها مقداری از داده های قدیمی را قبل از اینکه شروع به پیش بینی با هر دقتی را بکنند نیاز دارند. به عنوان یک نتیجه ، انگیزه ای وجود دارد برای بررسی یک سیستم پیش بینی که می تواند گسترش یابد در یک منطقه کشاورزی بدون نیاز به تجهیزاتی که با داده های قدیمی برای آن منطقه برنامه ریزی شده باشد. بعلاوه سیستم پیش بینی باید قادر به گسترش به نرم افزارهایی با حداقل محاسبات، میکرو کنترولر های یزرگ یا تجهیزات ITX کوچک که در مقابل کامپیوتر های شخصی در اندازه طبیعی، ماشین های محاسباتی نوشتاری باشد. در طول دوره ی این تحقیق، استفاده از شبکه های عصبی برای سیستم های پیش بینی بررسی شد همانطور که در مراجع به طور مفصل بیان شده، اما واضح است که استفاده از شبکه های عصبی به توان محاسباتی قابل توجهی نیاز خواهد داشت و زمان مورد نیاز برای آموزش شبکه بیش از حد بود و همچنین نیاز به مقادیر عظیمی از مشاهدات هواشناسی پیشین وجود داشت.همه ی اینها با تجهیزات سیستم پیش بینی تناقض دارد.

سیستم پیش بینی که اینجا ارائه شده است، روش متفاوتی را برای پیش بینی بکار می‌گیرد، آن از ترکیب رگرسیون چند جمله ای و تطبیق فازی برای دستیابی به دقت پیش بینی خوب با سربار محاسباتی اساساً کمتری استفاده می شود. ساعت به ساعت مشاهدات هواسنجی از هواشناسی بیورای استرالیا برای مدت زمان از 2000 تا نیمه و اواخر 2006 برای 14 مکان متفاوت به منظورتست فراهم شد. این مقاله راههای پیش بینی مورد قبول را توصیف می کند و پیش بینی های تولید شده توسط سیستم را تجزیه تحلیل خواهد کرد وقتی که مشاهدات هواشناسی از منطقه ی شپارتون، خصوصا آرودروم شپارتون، به شماره ایستگاه 81125 بکاربرده شد. همچنین واقعه ی یخبندان شپارتون بررسی و پیش بینی های دمای هوا طرح ریزی خواهد شد. بعلاوه این مقاله به صورت زیر سازمان دهی شده است: بخش دوم روش شناسی را ارائه می‌دهد، و پیامد ها و مباحثش در بخش سوم ارائه می شود در حالی که در انتهای مقاله نتیجه گیری را خواهیم داشت.

فهرست مطالب:

فصل یکم - منطق فازی و ریاضیات فازی

منطق فازی

تاریخچه مختصری از منطق فازی

آشنایی با منطق فازی

سیستم های فازی

نتیجه گیری

ریاضیات فازی

مجموعه های فازی

مفاهیم مجموعه های فازی

عملیات روی مجموعه های فازی

انطباق مجموعه های فازی

معیار های امکان و ضرورت

روابط فازی

1-2-6-1- رابطه ی هم ارزی فازی

1-2-6-2- ترکیب روابط فازی

منطق فازی

1-2-7-1- عملیات منطقی و مقادیر درستی فازی

1-2-7-2- کاربرد مقادیر درستی فازی

نتیجه گیری

فصل دوم- الگوریتم ژنتیک

2-1- چکیده

2-2- مقدمه

2-3- الگوریتم ژنتیک چیست؟

2-4- ایده اصلی الگوریتم ژنتیک

2-5- الگوریتم ژنتیک

2-6- سود و کد الگوریتم

2-7- روش های نمایش

2-8- روش های انتخاب

2-9- روش های تغییر

2-10- نقاط قوت الگوریتم های ژنتیک

2-11- محدودیت های GA ها

2-12- چند نمونه از کاربردهای الگوریتم های ژنتیک

2-13- نسل اول

2-14- نسل بعدی

2-14-1- انتخاب

2-14-2- تغییر از یک نسل به نسل بعدی(crossover)

2-14-3- جهش (mutation)

2-15- هایپر هیوریستیک

فصل سوم- بررسی مقالات

3-1- یک روش رویه‌‌‌ای پیش بینی دمای هوای شبانه برای پیش بینی یخبندان

3-1-1- چکیده

3-1-2- مقدمه

3-1-3- روش شناسی

3-1-3-1- مجموعه اصطلاحات

3-1-3-2-نگاه کلی

3-1-3-3- یادگیری

3-1-3-4- تولید پارامتر های ساختاری

3-1-3-5- پیش بینی

3-1-3-6- متناسب سازی ضعیف، متوسط و دقیق

3-1-4- نتایج

3-1-4-1- واقعه ی یخبندان شپارتون

3-1-4-2- بحث

3-1-5- نتیجه گیری

3-2- پیش بینی دما و پیش گویی بازار بورس بر اساس روابط منطق فازی و الگوریتم ژنتیک

3-2-1- چکیده

3-2-2- مقدمه

3-2-3- سری های زمانی فازی و روابط منطق فازی

3-2-4- مفاهیم اساسی و الگوریتم های ژنتیک

3-2-5- روش جدید پیش بینی دما و بازار بورس بر اساس روابط منطقی فازی و الگوریتم های ژنتیک

3-2-6- نتیجه گیری

3-3-پیش بینی روند دمای جهانی بر اساس فعالیت های خورشیدی پیشگویی شده در طول دهه های آینده

3-3-1- چکیده

3-3-2- مقدمه

3-3-3- داده و روش بررسی

3-3-4- نتایج

3-3-5- نتیجه گیری

فهرست جداول:

جدول1-2-1- برخی از مفاهیم پایه ی مجموعه های فازی

جدول3-1-1- تاریخ اولین پیش بینی و خطای پیش بینی مربوطه

جدول3-2-1- داده های پیشین میانگین دمای روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان

جدول3-2-2- داده های قدیمی تراکم ابر های روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان

جدول3-2-3- جمعیت ابتدایی

جدول3-2-4- میانگین دمای روزانه ی فازی شده و تراکم ابرهای روزانه فازی شده از 1 ام ژوئن تا30ام سپتامبر در تایوان بر اساس نخستین کروموزوم

جدول3-2-5- دو فاکتور مرتبه سوم روابط گروهی منطق فازی

جدول3-2-6- دمای پیش بینی شده و میانگین خطای پیش بینی بر اساس سریهای زمانی فازی مرتبه سوم

جدول3-2-7- درصد میانگین خطای پیش بینی برای مراتب مختلف بر اساس روشهای پیشنهادی

جدول3-2-8- درصد میانگین خطاهای پیش بینی برای پنجره های متفاوت بر اساس روشهای پیشنهادی

جدول3-2-9- داده های قدیمیTAIFEXو TAIEX

جدول3-2-10- خطای مربع حسابی برای مراتب مختلف روش پیشنهادی

جدول3-2-11- مقایسه مقادیر پیشبینیTAIFEXوخطاهای مربع حسابی برای روشهای مختلف پیش بینی

فهرست اشکال:

شکل 1-1-1- طرز کار سیستم فازی

شکل 1-2-1- نمودار توابع فازی s، ذوزنقهای و گاما

شکل 1-2-2- مثال هایی از اجتماع، اشتراک و متمم دو تابع عضویت

شکل 1-2-3- برخی از عملگر های پیشنهاد شده برای اشتراک

شکل1-2-4- برخی از عملگر های پیشنهاد شده برای اجتماع

شکل 1-2-5- انطباق دو مجموعه فازی

شکل 1-2-6- نمایش معیار های امکان و ضرورت

شکل 1-2-7- مقادیر درستی فازی

شکل 2-1- منحنی

شکل 2-2- تاثیر الگوریتم ژنتیک بر کروموزوم های 8 بیتی

شکل3-1-1-تفاوت های تولید شده ی بین مشاهدات مرجع و مشاهداتی که زودتر در صف می آیند

شکل 3-1-2- مشاهدات هواشناسی به صف شده

شکل 3-1-3- دیاگرام درختی

شکل 3-1-4- توابع گاوس برای متناسب سازی ضعیف، متوسط و دقیق دمای هوا

شکل 3-1-5- هیستوگرام خطا های پیش بینی

شکل3-1-6- خطای میانه ماهیانه

شکل 3-1-7-خطای درصدی میانه ماهیانه

شکل 3-1-8-تراکم پیش بینی

شکل 3-1-9- ترسیم توزیعی دمای هوای مشاهده شده در مقابل 1 ساعت پیش بینی دمای هوا

شکل3-1-10- واقعه ی شپارتون، مشاهده و پیش بینی دماهای هوا

شکل 3-2-1- یک کروموزوم

شکل 3-2-2- توابع عضویت متناظر رن هایx کروموزوم های نشان داده شده در شکل3-2-1

شکل 3-2-3- توابع عضویت متناظر ژن هایy کروموزوم های نشان داده شده در شکل3-2-1

شکل 3-2-4- عملیاتcrossover دو کروموزوم

شکل3-2-5- عملیات جهش یک کروموزوم

شکل 3-2-6- بهترین کروموزوم برای پیش بینی میانگین دمای روزانه در ژوئن 1996

شکل 3-2-7- میانگین خطای پیش بینی روشهای پیشنهادی بر اساس سری های زمانی فازی مرتبه سوم

شکل 3-2-8- خطای مربع حسابی بر اساس سری های زمانی فازی مرتبه هفتم

شکل 3-3-1-پیکر بندی شبکه های عصبی منطقی فازی

شکل 3-3-2- مقادیر مشاهده و پیش بینی شده ی ولف نو

شکل 3-3-3- مقادیر مشاهده و پیش بینی شده ی دمای غیر عادی جهان

منابع ومأخذ:

دکتر محمد مهدوی ،هیدرولوژی کاربردی، جلد1، انتشارات دانشگاه تهران[1]

دکتر هوشنگ قائمی، مبانی هواشناسی،انتشارات دانشگاه شهید بهشتی[2]

امین کوره پزان دزفولی،اصول تئوری مجموعه های فازی[3]

ترجمه ی دکتر محمد حسین فاضل زرندی،تالیف جی.ج.کلر-یو.اس.کلیر و ب.یوآن،تئوری مجموعه های فازی[4]

[5] George J. Klir Bo Yuan, Fuzzy sets and Fuzzy Logic, Theory and applications , Prentice Hall PTR , 1995.

[6] Anna Kolesárová, Monika Kováčová, Fuzzy sets and their applications STU Bratislava 2004, ISBN 8022720364

[7] Chen, G. Q, Fuzzy Logic in Data Modeling, Semantics, Constraints, and Database Design, Kluwer Academic Publisher,1999.

[8] [Zad65], Fuzzy Sets, Zadeh L.A., 1965

[9] [KYu], Fuzzy Sets and Fuzzy Logic – Theory and Applications, Klin D. George, Bo Yuan

[10] [MLAB], Fuzzy Logic Toolbox, The MathWorks, www.mathworks.com.

[11] [Zim85], Fuzzy Sets, Decision Making and Expert Systems, Zimmermam Hans J., Kluwer Academic Press.

[12] [DPR1], Readings in Fuzzy Set – Fuzzy numbers an overview, Dubois and Prade.

[13] [KZF], An InteractiveUser-Friendly Decision Support System for consensus Reaching Based on Fuzzy Logic with linguistic quantifiers, Kacprzyk, Zadrozny and Fedrizzi.

[14] [YAG88], An Ordered Weighted Averaging Aggregation Operators in Multicriteria

Decision Making , Ronald Yager.

[15] [VIL03], Introducción a la Lógica Difusa para la representación de información imprecisa, Vila Amparo, 2002-2003.

[16] V. Cross and A. Firat, “Fuzzy objects for geographical information systems,” Fuzzy Sets and Systems, Vol. 113, 2000, pp. 19-36.

[17] V. Cross, “Fuzzy extensions for relationships in a generalized object model,” International Journal of Intelligent Systems, Vol. 16, 2001, pp. 843-861.

[18] V. Cross, “Defining fuzzy relationships in object models: Abstraction and interpretation,”Fuzzy Sets and Systems, Vol. 140, 2003, pp. 5-27.

[19] V. Cross, R. Caluwe, and N. van Gyseghem, “A perspective from the fuzzy object

data management group (FODMG),” in Proceedings of the 6th IEEE International Conference on Fuzzy Systems, Vol. 2, 1997, pp. 721-728.

[20] J. C. Cubero and M. A. Vila, “A new definition of fuzzy functional dependency in

[21]fuzzy relational databases,” International Journal of Intelligent Systems, Vol. 9, 1994, pp. 441-448.

[22 ] G. de Tré and R. de Caluwe, “Level-2 fuzzy sets and their usefulness in object- oriented

[23]database modeling,” Fuzzy Sets and Systems, Vol. 140, 2003, pp. 29-49.

[24] D. Dubois, H. Prade, and J. P. Rossazza, “Vagueness, typicality, and uncertainty in

class hierarchies,” International Journal of Intelligent Systems, Vol. 6, 1991, pp. 167-183.

[25] R. George, R. Srikanth, F. E. Petry, and B. P. Buckles, “Uncertainty management issues in the object-oriented data model,” IEEE Transactions on Fuzzy Systems, Vol. 4, 1996, pp. 179-192 and Applications Symposium, 2000, pp. 47-54.

[26] D. Bottazzi, A. Corradi and R. Montanari: A Contextaware Group Management Middleware to suppor

[27]Central Weather Bureau. (1996). The historical data of the daily average temperature and daily cloud density (from January 1995 to September 1996). Taipei, Taiwan, R.O.C.

[28]Chen, S. M. (1996). Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems, 81(3), 311–319.

[29]Chen, S. M. (2002). Forecasting enrollments based on high-order fuzzy time series. Cybernetics and Systems: An International Journal, 33(1), 1–16.

[30]Chen, S. M., & Hwang, J. R. (2000). Temperature prediction using fuzzy time series. IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics, 30(2), 263–275.

[31]Gen, M., & Cheng, R. (1997). Genetic algorithms and engineering design. New York: John Wiley & Sons.

[32]Goldberg, D. E. (1989). Genetic algorithm in search, optimization, and machine learning. Massachusetts: Addison-Wesley.

[33]Goldberg, D. E., Korb, B., & Deb, K. (1989). Messy genetic algorithms: motivation, analysis, and first results. Complex Systems, 3(5), 493–530.

[34]Holland, J. H. (1975). Adaptation in natural and artificial systems. Cambridge, MA: MIT Press.

[35]Huarng, K. (2001a). Effective lengths of intervals to improve forecasting in fuzzy time series. Fuzzy Sets and Systems, 123(3), 387–394.

[36]Huarng, K. (2001b). Heuristic models of fuzzy time series for forecasting. Fuzzy Sets and Systems, 123(3), 369–386.

[37]Hwang, J. R., Chen, S. M., & Lee, C. H. (1998). Handling forecasting problems using fuzzy time series. Fuzzy Sets and Systems, 100(2), 217–228.

[38]Lee, L. W., & Chen, S. M. (2004). Temperature prediction using genetic algorithms and fuzzy time series. In Proceedings of the 2004 international conference on information management, Miaoli, Taiwan, Republic of China (pp. 299–306).

[39]Lee, L. W., Wang, L. H., Chen, S. M., & Leu, Y. H. (2004). A new method for handling forecasting problems based on two-factors high-order fuzzy time series. In Proceedings of the 2004 ninth conference on artificial intelligence and applications, Taipei, Taiwan, Republic of China.

[40]Song, Q. (2003). A note on fuzzy time series model selection with sample autocorrection functions. Cybernetics and Systems: An International Journal, 34(2), 93–107.

[41]Song, Q., & Chissom, B. S. (1993a). Fuzzy time series and its models. Fuzzy Sets and Systems, 54(3), 269–277.

[42]Song, Q., & Chissom, B. S. (1993b). Forecasting enrollments with fuzzy time series – Part I. Fuzzy Sets and Systems, 54(1), 1–9.

[43]Song, Q., & Chissom, B. S. (1994a). Some properties of defuzzification neural networks. Fuzzy Sets and Systems, 61(1), 83–89.

[44]Song, Q., & Chissom, B. S. (1994b). Forecasting enrollments with fuzzy time series – Part II. Fuzzy Sets and Systems, 62(1), 1–8.

[45]Sullivan, J., & Woodall, W. H. (1994). A comparison of fuzzy forecasting and Markov modeling. Fuzzy Sets and Systems, 64(3), 279–293.

[46]Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8, 338–353

[47] B.A. Smith, R.W McClendon, G. Hoogenboon,“Improving Air Temperature Prediction with Artificial Neural Networks”, International Journal of ComputationalIntelligence, vol. 3, (3), pp. 179-186, 2006.

[48] J. Shao, “Application of artificial neural networks to improve short-term road ice forecasts”, Expert Systems With Applications, vol. 14, pp 471-482, 1998.

[49] J. Shao, “Improving Now casts of Road Surface Temperature by a Back propagation Neural Network”, Weather and Forecasting, vol. 13, pp. 164-171, 1998.

[50] G. Emmanouli, G. Galantis & G.Kallos, “Statistical methods for the prediction of night-time cooling and minimum temperature”, Meterol. Appl, vol. 13, pp. 169- 178, 2006.

[51] J.P. Lhomme, L.Guilioni, “A simple model for minimum crop temperature forecasting during nocturnal cooling”, Agricultural and Forest Meterology, vol.123, pp. 55-68, 2004.

[52] O.Guerrera, “Frost damage bill tipped to reach $500m in north”, Sept 2006; http://www.theage.com.au/news/national/frost-damage-billtipped- to-reach-500m-innorth/

2006/09/25/1159036473098.html

[53] Wolfram Mathworld, “Least Square Fitting – Pollynomial”; http://mathworld.wolfram.com/LeastSquaresFittingPolyno mial.html

[54]Attia, A. F. 2005 in press

[55]Attia, A. F., Rabab, H., & Maha, S.Q. 2004, Solar Phys., 227, 1

[56]Briffa, K.R., & Jones, P.D. 1993, The Holocene, 3,77

[57]Dergachev,V., & Kartavykh, Y. 2002, 34th COSPAR Scientific Assembly ,the second world Space Congress, 10-19 Oct 2002 in Houston, TX,USA

[58]Folland, C.K., & Parker, D.E. 1995, Quarterly Journal of the Royal Meteorological Society, 121, 319

[59]Huang, S. 2004, Geophys Res Letters, 31, 13, CiteID, L3205

[60]Jones, P.D., Osborn, T.J., Bri_a, K.R., Folland, C.K. , Horton, E.B., Alexander, L.V., Parker, D.E., & Rayner, N.A. 2001, Journal of Geophysical Research, 106, 3371

[61]Jones, P.D., New, M., Parker, D.E., Martin, S., & Rigor, I.G. 1999, Reviews of Geophysics, 37, 173

[62]J. T. Houghton, L. G. Meira Filho, B. A. Calander, N. Harris, A. Kattenberg, and K. Maskell (Eds.) 1995, Cambridge University Press, 133

[63]Jones, P.D., & Bri_a, R. 1992, The Holocene, 2, 165

[64]Levitus, S., Antonov, J., & Boyer, T. 2005, Geophys. Res. Letters, 32, 2, Cite ID L02604

[65]Meehl, G.A. 2004, J.Climate

[66]Maha, S.Q. 2004 Cospar, 2004, Paris

[67]Nicholls, N., et al. 1996, Climate Change

[68]North,G.R. 2004: American Geophysical Union, Meeting 2004,abstract SH51E-06

[69]Pang,K.D., & Yau, K.K. 2004, American Astronomical society Meeting 205, 44.01

[70]Yousef, S. 2003, ESA SP-535, ISBN 92-9092- 845-X, 397

مجله علم و کامپیوتر [71]www.ccwmagazine.com

[72] www.wikipedia.com

[73] www.talkorigins.org

[74] www.gpwiki.org

[75] پاورپوینت Koza www.smi.stanford.edu/people/koza

[76] دانشکده کامپیوتر دانشگاه McGill کانادا www.cgm.cs.mcgill.ca

[77]www.sharifthinktank.com

[78] www.itna.com

[79] Guided operators for a hipper-heuristic Genetic Algorithm www.cs.nott.ac.ukIT university of Nottingham

تحقیق درباره سیم پیچی و تعمیر موتورهای تک فازوسه فاز پیش نویس

اختصاصی از نیک فایل تحقیق درباره سیم پیچی و تعمیر موتورهای تک فازوسه فاز پیش نویس دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 46

مقدمه

قرن حاضر را باید عصرتکنولوزی بسیارمدرن وپیچیده دانست. سرعت فراگیر تکنولوزی به حدی است که درچندین صدم ثانیه مرزها رامی پیماید وجای جای دنیا را تسخیر میکند صنعت سیم پیچی و عیب یابی موتورهای تک فاز و سه فاز درعین حا ل که خود از تکنیکی خاص برخورداراست ، بطورعام نیزدرهمه صنایع نفوذ کرده است و به تنهایی درصدی ازمراحل تولید را به عهده دارد. شغل سیم پیچی وعیب یابی دستگاه های برقی وموتورهای الکتریکی بسیارپرمنفعت بوده و میتواندبرای هرکس قانع کننده وخوشایند باشد .

کارشناس عیب یابی نگاه خاصی از درک تئوری برق الکترونیک ،رفع عیب ،تکنیک و مهارتهای مورد نیاز نظری وعملی درزمینه ترانس پیچی و موتورپیچی و آرمیچرپیچی را دارا است.

بیشتردستگاه های تولیدی برق وسیم پیچی های آنها تقریباً مشابه اند ، به طوری که دارای قطعاتی مشابه مانند مقاومت، خازن ، دیود، ترانزیستور، کنتاکت ، اتصالات ، سیم بندی ها می باشد.

درک عیوب مشترک این قطعات و چگونگی آزمایش آنها پیش نیاز یک عیب یاب است ، که برای بر طرف کردن درست و منطقی عیب دستگاه ها باید پایه واساس تجدید وتحلیل عیب ، عیوب مشترک مدار ، انواع روشهای عیب یابی ، روش آزمایش را برای قطعات مشترک برقی یا الکترونیکی دانست. درواقع شما باید عملیات خود را با روش منطقی انجام دهید درغیراین صورت اشتباه رفته اید،و نتیجه ای جز برطرف نمودن عیب بطور تصادفی واتلاف وقت و ضرر چیزی در بر نخواهد داشت .

بطورمثال ، خیلی ازعیب یاب ها تایک فیوز سوخته کشف می کنند،به جای اینکه نخست منبع عیب را بیابند، فقط اقدام به تعویض فیوز می نمایند واین کار نتیجه اش این است که یک فیوز دیگرهم بسوزد .

بنا بر این تجزیه وتحلیل اولین گام سرویس یک دستگاه است. این مرحله شامل رسیدگی دقیق وتجزیه وتحلیل وضعیت عیب می باشد وبه عیب یاب این امکان رامی دهد که فهم خوبی را از وضعیت غیر دسترسی به دست آورد و نظر عیب یاب رابرکل دستگاه وسیع نمودن عمل عیب معطوف می نماید .

از آنجا که موارد عملی مبتنی برپایه های تئوریک است، ابتدا با اصول مقدماتی سیم پیچی الکتروموتورهای سه فاز آشنا می شویم .امیدوارم این گزارش کار هرچند کوچک مورد رضای جناب عالی واقع گردد، وبا استفاده از تجربیات کسب شده درطی این دوره بتوانم برای جامع خود مفید واقع شوم …

آشنایی با ماشین های جریان متناوب

این ماشین ها به دو دسته تقسیم می شوند : 1- سنکرون 2- آسنکرون

ماشین های سنکرون در صنعت کمتر به عنوان الکترو موتور استفاده می شوند زیرا احتیاج به دو نوع جریان مختلف دارند جریان مستقیم ( DC ) برای رتور و جریان متناوب ( AC ) جهت سیم پیچی استاتور و همچنین برای شروع بکار به نیروی راه انداز و مکانیکی احتیاج دارند .

سرعت این ماشین ها دقیقاً ثابت است و به همین دلیل به آن ها ماشین های سنکرون یا برابر یا هماهنگ می گویند تعداد دور این ماشین ها از فرمول زیر بدست می آید :

( زوج قطب ) ns = 120 F ( تک قطب ) ns = 60 F

ماشین های آسنکرون

متناوب ترین نوع الکتروموتور یا ماشین های جریان متناوب می باشد که به دو صورت روتور سیم پیچی ، موتوررینگی و رتور قفسه سنجابی ( موتور رتور قفسی ) طراحی میگردد .

سیم پیچی الکترو موتور های سه فاز

به طور کلی استاتور ماشین های جریان متناوب ، سنکرون و آسنکرون ( آلترو ناتور ) ، الکترو موتور را یک طبقه یا دو طبقه سیم پیچی می کنند . در سیم پیچی یک طبقه هر ظلع بوبین ( حلقه ) در داخل یک شیار و در سیم بندی دو طبقه ، دو ضلع از دو بوبین مختلف را در داخل هر شیار ، یکی در قسمت پایین و دیگری در قسمت بالایی قرار می دهند .

در نقشه کشی نیز ضلع پایینی را با خط چین و ضلع بالایی را با خط برنمایش می دهند .

کلافها از یک یا چند بوبین تشکیل شده و معمولاً در دو صورت متمرکز ( متحدالامرکز ) و حلقوی (بوبین ها با گام سیم بندی مساوی ) پیچیده می شوند .

سیم بندی الکتروموتور سه فاز یک طبقه

موتور های سه فازه یک طبقه به دو صورت زیر سیم بندی می شوند :

الف – سیم بندی به ازاء قطب

ب- سیم بندی به ازاء زوج قطب

الف : سیم بندی به ازاء قطب

در این نوع سیم بندی مانند الکتروموتور های تک فاز تعداد کلاف برای هر فاز با تعداد قطب های ماشین (2P) برابر است و سر بندی هر فاز مانند یربندی در سیم پیچ تک فاز می باشد .( اتصال دور ، انتهای کلاف اول به انتهای کلاف دوم ) که بعنوان مثال برای یک سیم بندی الکتروموتور سه فاز یک طبقه به ازای قطب را با توجه به پارامترها طراحی می کنیم . و عنوان زیر را بدست می آوریم :

1- تعداد شیار 2- تعداد قطب 3 – تعداد فاز 4 - تعداد کلاف هر فاز 5 - تعداد شیار به ازاء هر فاز زیر قطب 6- تعداد بوبین هر کلاف 7 – گام سیم بندی 8 – زاویه الکتریکی هر شیار 9- شروع فاز دوم از شیار 10 – شروع فاز سوم از شیار .

ب : سیم بندی به ازاء زوج قطب

این نوع سیم بندی مانند سیم بندی به ازای قطب می باشد که تعداد بوبین های هر کلاف بیشتر از یک می باشد و می توان سیم بندی را به دو روش انجام داد :

سیم بندی با کلافهای بوبین با گام مساوی ( حلقوی )

سیم بندی با کلافهای بوبین متمرکز ( متحدالامرکز )

نکته : نوع سیم بندی کلافها تاثیری در محل قرار گرفتن بوبین در داخل شیارهای موتور ندارد

ج- سیم بندی با کلافهای بوبین با گام مساوی حلقوی

ابتدا بوبین اول را جاگذاری می کنیم و سپس را بوبین دوم را . باید دقت شود که جهت گردش سیم در دو بوبین با هم اختلاف نداشته باشند ، سر کلاف شیار 1 و انتهای آن در شیار 8 قرار می گیرد . سپس کلاف بعدی را جا گذاری می کنیم البته می دانیم دو شیار را خالی بگذاریم ( چون هرکلاف دو بوبین دارد ) یعنی کلاف بعدی شیار های 5 ، 6 و11 ، 12 را اشغال می کند ابتدای کلاف در شیار 5 و انتهای کلاف در شیار 12 قرار می گیرد . این عمل را ادامه می دهیم تا آخرین کلاف نیز شیارهای 20 ، 21 و 3 ، 4 را اشغال کند .

د- سیم بندی با کلاف های بوبین متمرکز

ابتدای کلاف در شیار 1 و انتهای کلاف در شیار 7 قرار گیرد وجهت گردش سیم در دو بوبین تغییر نکند . در موقع جا گذاری بوبین ها بهتر است ابتدا بوبین کوچک یعنی شیار 2 و 7 را رد داخل شیارها قرار بدهیم سپس بوبین بزرگتر یعنی 1 و 8 . بعد از جا گذاری کلاف اول 2 شیار را خالی می گذاریم یعنی شیار 3 و4 ( هر کلاف دو بوبین دارد ) آنگاه کلاف بعدی را در شیارهای 5 ،6 و 11 ،12 جا می

تحقیق درباره روشهای تکراری پیش فرض در مسائل گسسته خطی

اختصاصی از نیک فایل تحقیق درباره روشهای تکراری پیش فرض در مسائل گسسته خطی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 60

روشهای تکراری پیش فرض در مسائل گسسته خطی

از منظر معکوس« بایسیان»

دانشکده ریاضیات و مرکزی برای مدل سازی سیستم های متابولیک کامل دانشگاه کمیس غربی کلوند، OH 44106 آمریکا

دریافتی 3 فویه 2005 دریافتی صورت اصلاح شده 24 آگوست 2005

چکیده:

در این مقاله ما با مسائل گسسته خطی که با روشهای تکراری قابل حل می باشد از نظر آماری معکوس بایسیان روبرو خواهیم شد پس از بررسی اجمالی روش های تکراری عمده برای حل مسائل ناقص خطی و برخی نتایج آماری اولیه و روشهای آماری استراتژیهای ترسیمی را مورد تجزیه و تحلیل قرار خواهیم داد. نمونه های محاسبه شده رابط بین این دو را تشریح می کند.

کلمات کلیدی: حل های معکوس( امتحانی) فضای فرعی« کریلا» و روش معکوس« بایسیان»

پیش فرضها مسائل ناقص

(1) مقدمه

استفاده از روشهای تکراری برای حل سیستمهای خطی معادلات روشی انتخابی است هنگامی که ابعاد سیستم آنقدر بزرگ باشد که

فاکتورسازی ماتریس A را غیر عملی سازد یا هنگامی که ماتریس آن بطور صریح مجهول باشد و ما بآسانی بتوانیم حاصلضرب آن را با هر گونه بردار معلومی محاسبه کنیم. هنگامی که سیستم خطی در رابطه با گسستگی مسائل خطی ناقص سمت راست b اطلاعات و فرضیات را مورد بررسی قرار دهد، نقش مسائل متوالی در ماتریس A افزایش می یابد و بنابراین حل مسائل برای یافتن خطا در داده ها مهم و ضروری به نظر می رسد. بمنظور حفظ خطا در نشان دادن صورت b برخی از روشهای بدست آوردن مجهولات بایستی مشخص شود در زمینه روشهای معکوس بمنظور حل مجهولات بواسطه توقف کردن تکرار قبل از همگرایی در حل سیستم های خطی بهتر است به تکرار های ناقص رجوع شود. تجزیه و تحلیل کامل در ویژگی های معلوم کردن به روش CG در معادلات کامل هنگامی که می توان از معیارهای بازدارندگی مناسب استفاده کرد در بخش ] 10 [ قابل بحث می باشد.

در صورتیکهM ماتریس معکوس باشد، براساس ویژگی های طیفی MA همگرایی سریعترین برای روشهای حل تکراری ایجاد می کند. ماتریس M ماتریس شرطی سمت چپ برای سیستم خطی(1) نامیده می شود قابلیت امتحان ماتریس M نشان میدهد که سیستم های (1) و (2) راه حل یکسانی دارند انتخاب یک ماتریس شرطی مقدم M نشان می دهد که چنین ماتریسی نه تنها ویژگی های طیفی ماتریس A را تغییر می دهد بلکه بمنظور حل سیستم های خطی با مضروب ماتریس A بآسانی می توان آن را در کل بردار ضرب کرد. در حقیقت در هنگام حل سیستم 2 به روش تکرار لازم است ضرب ماتریس در بردار را در فرم مورد محاسبه قرار دهیم. سیستم خطی (1) با معادله زیر قابل جانشینی است.

(3)

ماتریس معکوس