هادي ويسي. دانشگاه تهران - دانشکده علوم و فنون نوين

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "هادي ويسي. دانشگاه تهران - دانشکده علوم و فنون نوين"

Transcript

1 هادي ويسي دانشگاه تهران - دانشکده علوم و فنون نوين

2 مقدمه: تبديل تشابهيابي بازیابی اطالعات سرقت علمی متن به بردار ويژگي بردار دودویی )Binary( بردار فراوانی عبارت )TF: Term-Frequency( معکوس فراوانی سند )IDF: Inverse Document Frequency( فراوانی عبارت-معکوس فراوانی سند )TF-IDF: Term Freq-Inverse Document Freq( تحلیل معنایی پنهان )LSA: Latent Semantic Analysis( مثال معیارهاي محاسبه شباهت 2

3 محاسبه میزان شباهت دو متن Retrieval( )Information متنی کاربردها بازیابی اطالعات موتورهای جستجو Engines( )Search سیستم های پرسش و پاسخ Systems( )Question-Answer بازیابی اطالعات غیرمتنی Audio Retrieval Spoken document Retrieval Music Retrieval Image Retrieval تشخیص سرقت علمی Detection( )Plagiarism 3

4 ساختار کلي واحد نمایهگذاری )Indexing( جمعآوری اطالعات از وب و ساختار دادن به آن واحد پردازش پرسش و جستجو بررسی پرسش و مقایسه با متون نمایهگذاری شده 4

5 واحد )Indexing( نمايهگذاري 5

6 واحد پردازش پرسش و جستجو بازیابی مستندات مشابه و مرتبط با پرسش 6

7 رتبهبندي بر اساس شباهت استفاده از شباهت محاسبه شده برای رتبهبندی خروجیها 7

8 سرقت علمي در متون علمی )مقاله پایان نامه اختراع و...( کدهای کامپیوتری سیستم تشخیص سرقت 8

9 انواع بازنویسی مطلب توسط نویسنده متقلب بدون ارجاع تغییر برخی از کلمات برای پوشاندن ظاهری تقلب cross-language plagiarism detection مبتنی بر N-gram استفاده از سبک نگارش استفاده از مراجع برای بررسی الگوهای مشابه 9

10 مساله: دو متن داده شده میزان شباهت آنها چقدر است مثال: سه متن زير چقدر به هم شبیه هستند d1: ant ant bee d2: dog bee dog hog dog ant dog d3: cat gnu dog eel fox ويژگيهاي احتمالي براي محاسبه شباهت طول دو متن تعداد کلمات مشترک دو متن تعداد تکرار کلمات )مشترک( نوع کلمات: عمومی یا خاص دو متن 10

11 روش کیسه لغات )Bag of Words( نمایش یک متن )جمله یا سند( تنها بر اساس کلمات آن عدم توجه به ترتیب کلمات و گرامر در بازیابی اطالعات معموال این فرض به کار می رود کاربرد تشابه یابی دسته بندی مشکل: دو جمله زیر یکی هستند John is quicker than Mary Mary is quicker than John 11

12 تبديل متن )سند( به يک بردار»عددي«از ويژگيها گام اول: استخراج کلیه کلمات از کلیه متون مورد مطالعه در کاربردهای واقعی: یک بردار از کلمات )چندهزار بعدی( گام دوم: انتساب مقادير عددي به بردار بر اساس حضور کلمات در متن 12

13 بردار دودويي )Binary(... برای هر کلمه اگر آن کلمه در متن باشد مقدار یک و در غیر این صورت مقدار صفر مثال ant bee cat dog eel fox gnu hog کلمات بردار دودیی برای d وزن )مقدار ) بردار دودیی برای d وزن )مقدار ) 13

14 بردار دودويي )Binary( برای هر کلمه اگر آن کلمه در متن باشد مقدار یک و در غیر این صورت مقدار صفر مثال ماتریس وقوع Matrix( )Incidence ماتریس Term-document اگر مستند i حاوی کلمه j باشد = 1 ij w است در غیراینصورت = 0 ij w 14

15 يافتن تشابه بین دو متن بر اساس شباهت دو بردار وجود معیارهای مختلف معیار شباهت: فاصله کسینوسي محاسبه زاویه بین دو بردار هرکدام از بردارها: n بعدی ضرب داخلی )نقطهای( اندازه بردار زاویه بین دو بردار 15

16 معیار شباهت فاصله کسینوسي در فاصله هندسي زاویه بین دو بردار d1 و d2 بردار مربوط به متن اول کلمه سوم بردار مربوط به متن دوم کلمه دوم کلمه اول زاویه بین دو بردار 16

17 معیار شباهت فاصله مقدار بین صفر و یک کسینوسي اگر دو بردار )متن( یکسان باشد مقدار فاصله کسینوسی برابر است با 1 اگر دو بردار )متن( کامال متفاوت باشد مقدار فاصله کسینوسی برابر است با 0 مثال: فاصله بین دو بردار d1 و d2 بردار =d1 0) (1, 1, 0, 0, 0, 0, 0, بردار =d2 1) (1, 1, 0, 1, 0, 0, 0, cos θ = d 1. d 2 d 1 d 2 = = 2 8 =

18 معیار شباهت فاصله کسینوسي- مثال 18

19 بردار فراواني عبارت... )TF: Term-Frequency( منظور از Frequency در پردازش متن»تعداد«است. برای هر کلمه تعداد وقوع آن کلمه در متن به عنوان ویژگی استفاده میشود تعداد تکرار کلمه j در مستند w ij = i 19

20 بردار فراواني عبارت Term-Frequency( )TF:... فاصله بین دو متن d1 و d2 )با فاصله کسینوسی( بردار =d1 0) (2, 1, 0, 0, 0, 0, 0, بردار =d2 1) (1, 1, 0, 4 0, 0, 0, مثال: cos θ = d 1. d 2 d 1 d 2 = = = 0.31 فاصله همه مستندات با همدیگر نتایج متفاوت با بردار دودویی 20

21 عبارت فراواني بردار )TF: Term-Frequency( طوالنی متن سمت به بردار دیگری( به )نسبت متن یک بودن طوالنی صورت در مشکل: میشود. بایاس کلمه هر تعداد کردن نرمال حل: راه )Monogram( احتمال بردار = متن یک در کلمات کل تعداد به i دنتسم تاملک لک دادعت =N تکرار تعداد i مستند در j کلمه TF i,j = n i,j k=1 N n i,k کلمات تعداد بیشینه به همه تکرار جمع i مستند در ها کلمه TF i,j = n i,j max (n i,k) k TF i,j = log(1+n i,j ) لگاریتم مقیاس در نرمالسازی TF i,j = n i,j max (n i,k) k

22 معکوس فراواني سند Frequency( )IDF: Inverse Document... اگر یک کلمه در تعداد کمی از سندها حضور داشته باشد تفکیک بیشتری بین سندها ایجاد میکند )در مقایسه با کلماتی که در همه سندها وجود دارند(. برای کلمه j ما )tj( = نسبت تعداد کل مستندات بر تعداد مستنداتی که حاوی tj است کلمه N IDF j = log( {i: t j d i } ) تعداد سندهایی که حاوی کلمه تعداد کل سندها هستند tj بیانگر کمیاب بودن یک کلمه در مجموعه سندهاست. اگر یک کلمه در همه سندها حضور داشته باشد مقدار IDF آن صفر است 22

23 معکوس فراواني سند Frequency( )IDF: Inverse Document... یک پیکره با سند داریم مثال بنابراین IDF sunday = log = 3 23

24 معکوس فراواني سند Frequency( )IDF: Inverse Document اگر کلمه jام در هیچ سندی موجود نباشد مخرج صفر میشود رفع مشکل با اضافه کردن عدد 1 به مخرج IDF j = log( N i: t j d i + 1 ) IDF j = log( N i: t j d i نرمالسازی هموار 1) + IDF j = log(1 + max (N k) k ) N j نرمالسازی بیشینه j بیانگر تعداد سندهای حاوی کلمه N j = i: t j d i که 24

25 ... )TF-IDF: Term Freq-Inverse Document Freq( فراواني عبارت-معکوس فراواني سند برای هر کلمه تعداد وقوع آن کلمه در متن در معکوس فراوانی سند ضرب میشود برای کلمه j در مستند i TFIDF i,j = TF i,j IDF j = n i,j k=1 N n i,k log( N i: t j d i + 1 ) TFIDF i,j = TF i,j IDF j = n i,j max (n i,k) log( k نوعی دیگر )نرمال شده( N i: t j d i + 1 ) از روشهای بسیار رایج در پردازش متن 25

26 )TF-IDF: Term Freq-Inverse Document Freq( فراواني عبارت-معکوس فراواني سند TFIDF i,j = TF i,j IDF j = n i,j k=1 N log( n i,k Term Doc1 Doc2 Doc3 Insurance # all Terms N i: t j d i ) 806,791 سند مثال مجموعه متن )انگلیسی( Reuters با کلمه Insurance در 3,997 سند تکرار شده است تعداد تکرار کلمه Insurance در چند نمونه سند TFIDF("Insurance", Doc1) هدف: محاسبه TF Insurance, Doc1 = = 0.03 IDF Insurance, D = log e 806,791 3,997 = 5.31 TFIDF Insurance, Doc1 = = 0.16 بدوننرمالسازي بدوننرمالسازي TF TF Insurance, Doc1 = 3 TFIDF Insurance, Doc1 = = 16 26

27 w ij = (1 α i ) آنتروپي نرمال شده نوعی از TF با نرمالسازی بر اساس آنتروپی در نظر گرفتن اهمیت هر کلمه در سندها بیانگر اهمیت کلمه i ما در پیکره از نظر میزان رخداد در سندها تعداد کل همه کلمه ها در سند d j تعداد تکرار کلمه iام در سند d j آنتروپی نرمال شده کلمه iام در پیکره n i,j k=1 N n k,j N α i = 1 log(n) j=1 n i,j N i log n i,j N i تعداد کل کلمه i ما در پیکره عددی بین صفر و یک نزدیک = 1 رخداد کلمه در همه سندهای پیکره = کم اهمیت نزدیک = 0 رخداد در تعداد کمی از سندها= اهمیت زیاد 27

28 d 1 d 2 d 1 d 2 d 1. d 2 d 1 d 2 کسینوسي )Cosine( و )رشته( ضرب داخلی )نقطهای( اندازه اقلیدسی بردار d 2 d 1 برای دو بردار d 1 d 2 d 1 d 2 d 1 d 2 d 1 + d 2 d 1 d 2 d 1. d 2 d 1 + d 2 d 1. d 2 )Jaccard( جاکارد )Sørensen Dice( سورنسن-دايس 2 d 1 d 2 2 (d 1. d 2 ) d 1 + d 2 d 1 + d 2 d 1 d 2 min( d 1, d 2 ) d 1. d 2 min( d 1, d 2 ) )Overlap( همپوشاني 28

29 نیاز به استفاده از معیارهاي شباهت مختلف در کاربردهاي مختلف چون هنوز هیچکدام از معیارها در همه کاربردها بهینه نیستند استفاده از معیارهاي شباهت براي محاسبه شباهت بین دو رشته متنی یا دو بردار دو سند )سرقت علمی( یک سند و یک پرسش )سیستمهای بازیابی اطالعات پرسش و پاسخ( استفاده از مقدار شباهت بدست آمده براي صرفنظر کردن از برخی پاسخها )آنهایی که مقدار شباهتشان از مقدار آستانه کمتر است( رتبه دادن به سندهای پاسخ )بر اساس مقدار شباهت( Distance=1-Similarity محاسبه فاصله بر اساس مقدار شباهت: 29

30 در بازيابي اطالعات برای پرسش Q تشابه آن با همه مستندات محاسبه میشود پاسخ = مستنداتی که میزان شباهت آنها با پرسش از مقداری مشخص مانند 0.7 بیشتر باشد رتبهبندی پاسخها: بر اساس مقدار شباهت در تشخیص سرقت علمي محاسبه شباهت مستند مشکوک به سرقت با همه مستندات موجود پاسخ = مستنداتی که میزان شباهت آنها با مستند مشکوک از مقداری مشخص مانند 0.8 بیشتر باشد 30

31 مثال )در بازيابي اطالعات( و ویژگی TF شباهت کسینوسی رتبهبندی: d2, d1, d3 31

32 وابسته به کاربرد است برای استخراج کلمات کلیدی از متن: روش TF معیار خوبی است برای تشخیص عنوان )موضوع( متن: معیار TFIDF معیار مناسبی است برای تشخیص جنسیت نویسنده متن شمارش تعداد: رنگها کل کلمات یکتا کلمات یک/دو تکراره کلمات رکیک صفات مثبت/منفی ضمایر برای عقیده کاوی شمارش تعداد صفات مثبت/منفی در کاربردهای دیگر تعداد نویسهها تعداد اعداد تعداد عالئم سجاوندی میانگین طول کلمه )برحسب نویسه( طول جمله )برحسب کلمه( تعداد حروف ربط/اضافه تعداد اسم/صفت/فعل... 32

33 بودند بردار يک به سند يک تبديل براي شده بیان روشهاي بردار به کلمات تبديل شود تبدیل بردار یک به واژه هر است نیاز کاربردها برخی در قبلی( کلمات و کلمه )خود کلمات بردار از استفاده :POS Tagging در دودیی: بردار دودیی بردار یک به کلمه هر تبدیل است 2 N حالت این در موردنظر کلمات کل است: بعدی N بردار یک معادل کلمه هر )يدعب بيتکافيست)هرکلمهیکبردار 10 کلمه 10 برايکدکردن 1024 کلمه شماره کلمه کلمه بردار 1 آب آبرو ویروس معنی: حاوی بردارهای عصبی شبکه بر مبتنی روشهای دادهها روی از کلمات معنایی و نحوی ارتباط یادگیری 33

34 میزان خوب بودن پاسخ سیستم :Precision درصدی از پاسخهای بازگردانده شده توسط سیستم که مرتبط با پرسش کاربر است :Recall درصدی از سندهای مرتبط در پایگاه داده که توسط سیستم به عنوان پایخ بازگردانده شدهاند 34

35 ريشهيابي میتوان ریشه )Stem( مربوط به کلمات )Term( را استخراج کرد و شکلهای مختلف صرفی یک کلمه را با هم یکی درنظر گرفت. مزیت: سندهایی که شامل صورتهای مختلف صرفی یک کلمه هستند بازیابی می شوند. عیب: در نظر نگرفتن وجه تمایز صورتهای مختلف صرفی یک کلمه دقت بازیابی را پایین می آورد. ايست واژهها )stop word( از مجموعة کلمات حذف میشوند مزیت: ایست واژگان تعداد رخداد باال و بار معنایی کمی دارند و حذف آنها حجم محاسبات را کاهش می دهد و کارایی را بهبود میدهد. عیب: جستجوی پرسشهایی که شامل ایست واژگان هستند دقت پایین دارد. 35

36 در نظر نگرفتن وابستگي آماري کلمات در متن بررسی مستقل واژهها عدم توجه به معني و مفهوم مترادف :)Synonym( کلمات مجزایی که معانی یکسانی دارند فارسی: خودرو و اتومبیل انگلیسی: big و large باعث کاهش Recall میشود چندمعنایی :)Polysemy( کلماتی با یک صورت نوشتاری و معانی مجزا فارسی: شیر )حیوان خوراکی وسیله مکانیکی( یا روان )جاری روح( انگلیسی: Bank )موسسه مالی ساحل( یا Book )کتاب رزرو کردن( باعث کاهش Precision میشود 36

37 محاسبات باال در کاربردهای واقعی پیکرهها بزرگ هستند یک میلیارد کلمه یکميليونمستندهرکدامحدود 1000 کلمه تعداد واژههای یکتا = 500 هزار کلمه ماتریس وقوع )Term-Document( ماتریسي 500/000 در 1/000/000 ماتریسبهشدتتنکاست)بيشترعناصرصفرهستند( 37

38 تحلیل معنايي پنهان... )LSA: Latent Semantic Analysis( یکی از روشهای جبری-آماری در تبدیل سندها/کلمات به بردار ویژگی سعی در یافتن معنی پنهان کلمات در سندها در یک سند کلمات قابل مشاهده هستند ولی عنوان آن پنهان )Latent( است فرضیات کلماتی که بهطور همزمان در یک سند )با موضوع مشخص( میآیند از نظر معنایی به هم مرتبط هستند سندهایی که دارای موضوع مشابهی هستند حاوی کلمات مشابهی هستند یک روش کاهش ابعاد بردارهای و یژگی متون و کلمات را به یک فضای معنایی مشترک تصویر میکند مبتنی بر تجزیه مقادیر تکین )SVD( استفاده از ایده روش تحلیل اجزای اصلی )PCA( اسم دیگر (LSI) Latent Semantic Indexing 38

39 ... )LSA: Latent Semantic Analysis( پنهان معنايي تحلیل داریم: متنی پیکره در کنید فرض W={w 1,w 2,,w M } کلمه M تعداد D={d 1,d 2,.,d N } سند N تعداد X( )ماتریس سندها در کلمات رخداد ماتریس ساخت 1: گام x ij یا TFIDF عنصر که است M N ماتریسی عناصرماتریسميتوانند TF کلمه وزندار شمارش بیانگر آن از یاویژگيهايمشابهباشند iا م سند در jا م است (d j ) (w i ) سندهاست همه در کلمه یک بردار بیانگر X ماتریس ردیف هر است سند یک بردار بیانگر ستون هر 39

40 ... )LSA: Latent Semantic Analysis( پنهان معنايي تحلیل :2 گام... SVD با X تنک ماتریس تجزیه است سندها در کلمات شده( )نرمال فراوانی حاوی که است»کلمه-سند«M N ماتریس = X است»کلمه-کلمه«M M ماتریس B=XX T بيانگر TFباشند( )اگرمحتواي X سندمشترکآمدهباشند آنگاه B(i,j)=b باهمدر b وکلمه j اگرکلمه i است»سند-سند«N N ماتریس C=X T X بيانگر TFباشند( )اگرمحتواي X کلمهمشترکباشند آنگاه C(i,j)=c داراي c وسند j اگرسند i هستند متفارن و مربعی C و B ماتریسهای SVD روش با را X ماتریس میتوان کرد تجزیه زیر صورت به U تسا =ماتریسياستکهحاوي»بردارهايویژه«ماتریس B X = UΣV T تسا =ماتریسياستکهحاوي»بردارهايویژه«ماتریس C V تسا )C و( =ماتریسيقطرياستکهعناصرقطراصليآنجذر»مقادیرویژه«ماتریس B Σ است( صفر ویژه مقدار M-N )تعداد برابرند هم با C و B های ماتریس ویژه مقادیر 40

41 تحلیل معنايي پنهان Analysis( )LSA: Latent Semantic... گام :2 تجزیه ماتریس تنک X با SVD X = UΣV T مقادیر ویژه ماتریس Σ بیانگر اهمیت هر کدام از بردارهای ویژه است گام 3: کاهش بعد تعداد محدودی از مقادیر ویژه اعداد بزرگ و مابقی اعداد کوچک )نزدیک صفر( هستند از میان مقادیر ویژه فقط k مقدار بزرگتر و بردارهای ویژه معادل را حفظ میکنیم مرتب کردن بر اساس بزرگی مقدار ویژه X M N U M k Σ k k V k N t A k = U k Σ k V k t کاهش بعد به k بعد )k خیلی کوچک تر از M و N( تعداد k معادلتعداد»مفاهيمپنهان«موجوددرکلماتوسندهاست 41

42 ... )LSA: Latent Semantic Analysis( پنهان معنايي تحلیل :4 گام کلمه بردار یا سند بردار محاسبه U M k Σ k k ماتریس ردیفهای کلمه: هر بردار بعدياست هربردار k هب يیانعم کلماتيکهبردارهايآنهادرزیرفضايکاهشبعدیافتهبههمنزدیکميباشندهمانکلماتيهستندکهازنظر هممرتبطهستند t Σ k k V k N ماتریس ستونهای سند: هر بردارهای بعدياست هربردار k سندهایيبابردارمشابهدارايموضوعمشابههستند دستهبندی مانند مختلف کاربردهای در میتوان سندها( یا کلمات )برای آمده بدست بردارها از کرد استفاده متون و کلمات 42

43 تحلیل معنايي پنهان Analysis( )LSA: Latent Semantic... )خارج از مجموعه آموزش X( M N محاسبه بردار سند برای اسناد جدید d new = سند جدید گام :1 محاسبه شمارش وزندار کلمه iا م ) i (w در سند ) new (d با همان واژگان } M W={w 1,w 2,,w بردارحاصل یکبردارستوني M بعدياست استفادهازهمانروشيکهماتریس X M N براساسآنساختهشدهاست) TF TFIDF یاآنتروپينرمالشده( d new = Σ k 1 V k t d new گام :2 سند تبدیل شده برابر است با معکوسماتریسقطري Σ k بامعکوسکردنعناصررويقطراصليقابلمحاسبهاست دربازیابياطالعات باآمدنپرسش q بایداینتبدیلبررويپرسش)بهعنوانیکسندجدید(اعمالشود 43

44 ... تحلیل معنايي پنهان :)LSA( مثال 5 سند و 8 کلمه مقادیر ماتریس کلمه-سند بیانگر TF هستند گام 1: ماتریس کلمه-سند X گام :2 تجزیه X = UΣV T 44

45 تحلیل معنايي پنهان :)LSA( کاهش بعد مثال... A k = U k Σ k V k t از 5 مقدار ویژه 2 مقدار بزرگتر را نگه میداریم یعنی 2=k گام :3 U 2 V 2 t گام 4: محاسبه بردار سند یا بردار کلمه بردار هر کلمه: ردیفهای ماتریس U M k Σ k k t بردارهای هر سند: ستونهای ماتریس Σ k k V k N 45

46 تحلیل معنايي پنهان :)LSA( گام :4 مثال... محاسبه بردار سند یا بردار کلمه U M k Σ k k بردار هر کلمه: ردیفهای ماتریس t Σ k k V k N بردارهای هر سند: ستونهای ماتریس 46

47 »die, dagger«پنهان معنايي تحلیل :)LSA( )استفاده(: گام پرسش بردار محاسبه مثال پرسش شباهت محاسبه اسناد به سندها همه با کسینوسی شباهت محاسبه محاسبهبينهمهبردارسندهابابردارپرسش است به q d 5 نزدیکتراز d 1 سند شدهاند کشته dagger با Juliet و Romeo تسا به q d 2 مقدارکمينزدیکتراز d 1 سند و Romeo مرتبط کلمات حاوی d 1 سند حاوی d 2 هرچند است همدیگر با Juliet شبیه )پاسخ است پرسش کلمات از یکی است( انسان احتمالی پاسخ 47

48 ساير روشها تحلیل معنایی پنهان احتماالتی )PLSA: Probabilistic LSA( نسخه بهبود یافته PLSA مرتبط کردن متغیرهای پنهان )عنوان( با متغیرهای قابلمشاهده )سندها و کلمات( مبتنی بر شبکه عصبی قابل استفاده هم برای استخراج بردار سند و هم برای بردار کلمه f 1 f 2 f 3 f 4 الیه bottleneck ویژگیهای فشرده شده 48

محاسبه ی برآیند بردارها به روش تحلیلی

محاسبه ی برآیند بردارها به روش تحلیلی محاسبه ی برآیند بردارها به روش تحلیلی برای محاسبه ی برآیند بردارها به روش تحلیلی باید توانایی تجزیه ی یک بردار در دو راستا ( محور x ها و محور y ها ) را داشته باشیم. به بردارهای تجزیه شده در راستای محور

Διαβάστε περισσότερα

تصاویر استریوگرافی.

تصاویر استریوگرافی. هب انم خدا تصاویر استریوگرافی تصویر استریوگرافی یک روش ترسیمی است که به وسیله آن ارتباط زاویه ای بین جهات و صفحات بلوری یک کریستال را در یک فضای دو بعدی )صفحه کاغذ( تعیین میکنند. کاربردها بررسی ناهمسانگردی

Διαβάστε περισσότερα

روش محاسبه ی توان منابع جریان و منابع ولتاژ

روش محاسبه ی توان منابع جریان و منابع ولتاژ روش محاسبه ی توان منابع جریان و منابع ولتاژ ابتدا شرح کامل محاسبه ی توان منابع جریان: برای محاسبه ی توان منابع جریان نخست باید ولتاژ این عناصر را بدست آوریم و سپس با استفاده از رابطه ی p = v. i توان این

Διαβάστε περισσότερα

هادي ويسي. دانشگاه تهران - دانشکده علوم و فنون نوين نیم سال اول

هادي ويسي. دانشگاه تهران - دانشکده علوم و فنون نوين نیم سال اول هادي ويسي h.veisi@ut.ac.ir دانشگاه تهران - دانشکده علوم و فنون نوين نیم سال اول 1392-1393 مقدمه انتخاب ويژگي ها روش پوشه )Wrapper( روش فیلتر )Filter( معیارهای انتخاب ویژگی )میزان اهمیت ویژگی( آزمون آماری

Διαβάστε περισσότερα

شاخصهای پراکندگی دامنهی تغییرات:

شاخصهای پراکندگی دامنهی تغییرات: شاخصهای پراکندگی شاخصهای پراکندگی بیانگر میزان پراکندگی دادههای آماری میباشند. مهمترین شاخصهای پراکندگی عبارتند از: دامنهی تغییرات واریانس انحراف معیار و ضریب تغییرات. دامنهی تغییرات: اختالف بزرگترین و

Διαβάστε περισσότερα

جلسه 3 ابتدا نکته اي در مورد عمل توابع بر روي ماتریس ها گفته می شود و در ادامه ي این جلسه اصول مکانیک کوانتمی بیان. d 1. i=0. i=0. λ 2 i v i v i.

جلسه 3 ابتدا نکته اي در مورد عمل توابع بر روي ماتریس ها گفته می شود و در ادامه ي این جلسه اصول مکانیک کوانتمی بیان. d 1. i=0. i=0. λ 2 i v i v i. محاسبات کوانتمی (671) ترم بهار 1390-1391 مدرس: سلمان ابوالفتح بیگی نویسنده: محمد جواد داوري جلسه 3 می شود. ابتدا نکته اي در مورد عمل توابع بر روي ماتریس ها گفته می شود و در ادامه ي این جلسه اصول مکانیک

Διαβάστε περισσότερα

آزمایش 8: تقویت کننده عملیاتی 2

آزمایش 8: تقویت کننده عملیاتی 2 آزمایش 8: تقویت کننده عملیاتی 2 1-8 -مقدمه 1 تقویت کننده عملیاتی (OpAmp) داراي دو یا چند طبقه تقویت کننده تفاضلی است که خروجی- هاي هر طبقه به وروديهاي طبقه دیگر متصل شده است. در انتهاي این تقویت کننده

Διαβάστε περισσότερα

آزمایش 1: پاسخ فرکانسی تقویتکننده امیتر مشترك

آزمایش 1: پاسخ فرکانسی تقویتکننده امیتر مشترك آزمایش : پاسخ فرکانسی تقویتکننده امیتر مشترك -- مقدمه هدف از این آزمایش بدست آوردن فرکانس قطع بالاي تقویتکننده امیتر مشترك بررسی عوامل تاثیرگذار و محدودکننده این پارامتر است. شکل - : مفهوم پهناي باند تقویت

Διαβάστε περισσότερα

مفاهیم ولتاژ افت ولتاژ و اختالف پتانسیل

مفاهیم ولتاژ افت ولتاژ و اختالف پتانسیل مفاهیم ولتاژ افت ولتاژ و اختالف پتانسیل شما باید بعد از مطالعه ی این جزوه با مفاهیم ولتاژ افت ولتاژ و اختالف پتانسیل کامال آشنا شوید. VA R VB به نظر شما افت ولتاژ مقاومت R چیست جواب: به مقدار عددی V A

Διαβάστε περισσότερα

آزمون مقایسه میانگین های دو جامعه )نمونه های بزرگ(

آزمون مقایسه میانگین های دو جامعه )نمونه های بزرگ( آزمون مقایسه میانگین های دو جامعه )نمونه های بزرگ( فرض کنید جمعیت یک دارای میانگین و انحراف معیار اندازه µ و انحراف معیار σ باشد و جمعیت 2 دارای میانگین µ2 σ2 باشند نمونه های تصادفی مستقل از این دو جامعه

Διαβάστε περισσότερα

مدار معادل تونن و نورتن

مدار معادل تونن و نورتن مدار معادل تونن و نورتن در تمامی دستگاه های صوتی و تصویری اگرچه قطعات الکتریکی زیادی استفاده می شود ( مانند مقاومت سلف خازن دیود ترانزیستور IC ترانس و دهها قطعه ی دیگر...( اما هدف از طراحی چنین مداراتی

Διαβάστε περισσότερα

مثال( مساله الپالس در ناحیه داده شده را حل کنید. u(x,0)=f(x) f(x) حل: به کمک جداسازی متغیرها: ثابت = k. u(x,y)=x(x)y(y) X"Y=-XY" X" X" kx = 0

مثال( مساله الپالس در ناحیه داده شده را حل کنید. u(x,0)=f(x) f(x) حل: به کمک جداسازی متغیرها: ثابت = k. u(x,y)=x(x)y(y) XY=-XY X X kx = 0 مثال( مساله الپالس در ناحیه داده شده را حل کنید. (,)=() > > < π () حل: به کمک جداسازی متغیرها: + = (,)=X()Y() X"Y=-XY" X" = Y" ثابت = k X Y X" kx = { Y" + ky = X() =, X(π) = X" kx = { X() = X(π) = معادله

Διαβάστε περισσότερα

تمرین اول درس کامپایلر

تمرین اول درس کامپایلر 1 تمرین اول درس 1. در زبان مربوط به عبارت منظم زیر چند رشته یکتا وجود دارد (0+1+ϵ)(0+1+ϵ)(0+1+ϵ)(0+1+ϵ) جواب 11 رشته کنند abbbaacc را در نظر بگیرید. کدامیک از عبارتهای منظم زیر توکنهای ab bb a acc را ایجاد

Διαβάστε περισσότερα

1) { } 6) {, } {{, }} 2) {{ }} 7 ) { } 3) { } { } 8) { } 4) {{, }} 9) { } { }

1) { } 6) {, } {{, }} 2) {{ }} 7 ) { } 3) { } { } 8) { } 4) {{, }} 9) { } { } هرگاه دسته اي از اشیاء حروف و اعداد و... که کاملا"مشخص هستند با هم در نظر گرفته شوند یک مجموعه را به وجود می آورند. عناصر تشکیل دهنده ي یک مجموعه باید دو شرط اساسی را داشته باشند. نام گذاري مجموعه : الف

Διαβάστε περισσότερα

دانشکده ی علوم ریاضی جلسه ی ۵: چند مثال

دانشکده ی علوم ریاضی جلسه ی ۵: چند مثال دانشکده ی علوم ریاضی احتمال و کاربردا ن ۴ اسفند ۹۲ جلسه ی : چند مثال مدر س: دکتر شهرام خزاي ی نگارنده: مهدی پاک طینت (تصحیح: قره داغی گیوه چی تفاق در این جلسه به بررسی و حل چند مثال از مطالب جلسات گذشته

Διαβάστε περισσότερα

سايت ويژه رياضيات درسنامه ها و جزوه هاي دروس رياضيات

سايت ويژه رياضيات   درسنامه ها و جزوه هاي دروس رياضيات سايت ويژه رياضيات درسنامه ها و جزوه هاي دروس رياضيات دانلود نمونه سوالات امتحانات رياضي نمونه سوالات و پاسخنامه كنكور دانلود نرم افزارهاي رياضيات و... کانال سایت ریاضی سرا در تلگرام: https://telegram.me/riazisara

Διαβάστε περισσότερα

تخمین با معیار مربع خطا: حالت صفر: X: مکان هواپیما بدون مشاهده X را تخمین بزنیم. بهترین تخمین مقداری است که متوسط مربع خطا مینیمم باشد:

تخمین با معیار مربع خطا: حالت صفر: X: مکان هواپیما بدون مشاهده X را تخمین بزنیم. بهترین تخمین مقداری است که متوسط مربع خطا مینیمم باشد: تخمین با معیار مربع خطا: هدف: با مشاهده X Y را حدس بزنیم. :y X: مکان هواپیما مثال: مشاهده نقطه ( مجموعه نقاط کنارهم ) روی رادار - فرض کنیم می دانیم توزیع احتمال X به چه صورت است. حالت صفر: بدون مشاهده

Διαβάστε περισσότερα

بسم اهلل الرحمن الرحیم آزمایشگاه فیزیک )2( shimiomd

بسم اهلل الرحمن الرحیم آزمایشگاه فیزیک )2( shimiomd بسم اهلل الرحمن الرحیم آزمایشگاه فیزیک )( shimiomd خواندن مقاومت ها. بررسی قانون اهم برای مدارهای متوالی. 3. بررسی قانون اهم برای مدارهای موازی بدست آوردن مقاومت مجهول توسط پل وتسون 4. بدست آوردن مقاومت

Διαβάστε περισσότερα

2/13/2015 حمیدرضا پوررضا H.R. POURREZA 2 آخرین گام در ساخت یک سیستم ارزیابی آن است

2/13/2015 حمیدرضا پوررضا H.R. POURREZA 2 آخرین گام در ساخت یک سیستم ارزیابی آن است 1 ارزیا ی م حمیدرضا پوررضا قد 2 آخرین گام در ساخت یک سیستم ارزیابی آن است 1 ف ی ا ط لاحات 3 :Degrees of Freedom (DOF) این اصطلاح در سیستمهاي ردیاب استفاده میشود و بنابه تعریف عبارتست از آزادي حرکت انتقالی

Διαβάστε περισσότερα

جلسه 2 1 فضاي برداري محاسبات کوانتمی (22671) ترم بهار

جلسه 2 1 فضاي برداري محاسبات کوانتمی (22671) ترم بهار محاسبات کوانتمی (22671) ترم بهار 1390-1391 مدرس: سلمان ابوالفتح بیگی نویسنده: نادر قاسمی جلسه 2 در این درسنامه به مروري کلی از جبر خطی می پردازیم که هدف اصلی آن آشنایی با نماد گذاري دیراك 1 و مباحثی از

Διαβάστε περισσότερα

پروژه یازدهم: ماشین هاي بردار پشتیبان

پروژه یازدهم: ماشین هاي بردار پشتیبان پروژه یازدهم: ماشین هاي بردار پشتیبان 1 عموما براي مسایلی که در آنها دو دسته وجود دارد استفاده میشوند اما ماشین هاي بردار پشتیبان روشهاي متفاوتی براي ترکیب چند SVM و ایجاد یک الگوریتم دستهبندي چند کلاس

Διαβάστε περισσότερα

همبستگی و رگرسیون در این مبحث هدف بررسی وجود یک رابطه بین دو یا چند متغیر می باشد لذا هدف اصلی این است که آیا بین

همبستگی و رگرسیون در این مبحث هدف بررسی وجود یک رابطه بین دو یا چند متغیر می باشد لذا هدف اصلی این است که آیا بین همبستگی و رگرسیون در این مبحث هدف بررسی وجود یک رابطه بین دو یا چند متغیر می باشد لذا هدف اصلی این است که آیا بین دو صفت متغیر x و y رابطه و همبستگی وجود دارد یا خیر و آیا می توان یک مدل ریاضی و یک رابطه

Διαβάστε περισσότερα

مسائل. 2 = (20)2 (1.96) 2 (5) 2 = 61.5 بنابراین اندازه ی نمونه الزم باید حداقل 62=n باشد.

مسائل. 2 = (20)2 (1.96) 2 (5) 2 = 61.5 بنابراین اندازه ی نمونه الزم باید حداقل 62=n باشد. ) مسائل مدیریت کارخانه پوشاک تصمیم دارد مطالعه ای به منظور تعیین میانگین پیشرفت کارگران کارخانه انجام دهد. اگر او در این مطالعه دقت برآورد را 5 نمره در نظر بگیرد و فرض کند مقدار انحراف معیار پیشرفت کاری

Διαβάστε περισσότερα

جلسه ی ۱۰: الگوریتم مرتب سازی سریع

جلسه ی ۱۰: الگوریتم مرتب سازی سریع دانشکده ی علوم ریاضی داده ساختارها و الگوریتم ها ۸ مهر ۹ جلسه ی ۱۰: الگوریتم مرتب سازی سریع مدر س: دکتر شهرام خزاي ی نگارنده: محمد امین ادر یسی و سینا منصور لکورج ۱ شرح الگور یتم الگوریتم مرتب سازی سریع

Διαβάστε περισσότερα

تحلیل مدار به روش جریان حلقه

تحلیل مدار به روش جریان حلقه تحلیل مدار به روش جریان حلقه برای حل مدار به روش جریان حلقه باید مراحل زیر را طی کنیم: مرحله ی 1: مدار را تا حد امکان ساده می کنیم)مراقب باشید شاخه هایی را که ترکیب می کنید مورد سوال مسئله نباشد که در

Διαβάστε περισσότερα

تلفات خط انتقال ابررسی یک شبکة قدرت با 2 به شبکة شکل زیر توجه کنید. ژنراتور فرضیات شبکه: میباشد. تلفات خط انتقال با مربع توان انتقالی متناسب

تلفات خط انتقال ابررسی یک شبکة قدرت با 2 به شبکة شکل زیر توجه کنید. ژنراتور فرضیات شبکه: میباشد. تلفات خط انتقال با مربع توان انتقالی متناسب تلفات خط انتقال ابررسی یک شبکة قدرت با 2 به شبکة شکل زیر توجه کنید. ژنراتور فرضیات شبکه: این شبکه دارای دو واحد کامال یکسان آنها 400 MW میباشد. است تلفات خط انتقال با مربع توان انتقالی متناسب و حداکثر

Διαβάστε περισσότερα

جلسه 12 به صورت دنباله اي از,0 1 نمایش داده شده اند در حین محاسبه ممکن است با خطا مواجه شده و یکی از بیت هاي آن. p 1

جلسه 12 به صورت دنباله اي از,0 1 نمایش داده شده اند در حین محاسبه ممکن است با خطا مواجه شده و یکی از بیت هاي آن. p 1 محاسبات کوانتمی (67) ترم بهار 390-39 مدرس: سلمان ابوالفتح بیگی نویسنده: سلمان ابوالفتح بیگی جلسه ذخیره پردازش و انتقال اطلاعات در دنیاي واقعی همواره در حضور خطا انجام می شود. مثلا اطلاعات کلاسیکی که به

Διαβάστε περισσότερα

ﯽﺳﻮﻃ ﺮﯿﺼﻧ ﻪﺟاﻮﺧ ﯽﺘﻌﻨﺻ هﺎﮕﺸﻧاد

ﯽﺳﻮﻃ ﺮﯿﺼﻧ ﻪﺟاﻮﺧ ﯽﺘﻌﻨﺻ هﺎﮕﺸﻧاد دانشگاه صنعتی خواجه نصیر طوسی دانشکده برق - گروه کنترل آزمایشگاه کنترل سیستمهای خطی گزارش کار نمونه تابستان 383 به نام خدا گزارش کار آزمایش اول عنوان آزمایش: آشنایی با نحوه پیاده سازی الکترونیکی فرایندها

Διαβάστε περισσότερα

Delaunay Triangulations محیا بهلولی پاییز 93

Delaunay Triangulations محیا بهلولی پاییز 93 محیا بهلولی پاییز 93 1 Introduction در فصل های قبلی نقشه های زمین را به طور ضمنی بدون برجستگی در نظر گرفتیم. واقعیت این گونه نیست. 2 Introduction :Terrain یک سطح دوبعدی در فضای سه بعدی با یک ویژگی خاص

Διαβάστε περισσότερα

جلسه 9 1 مدل جعبه-سیاه یا جستاري. 2 الگوریتم جستجوي Grover 1.2 مسا له 2.2 مقدمات محاسبات کوانتمی (22671) ترم بهار

جلسه 9 1 مدل جعبه-سیاه یا جستاري. 2 الگوریتم جستجوي Grover 1.2 مسا له 2.2 مقدمات محاسبات کوانتمی (22671) ترم بهار محاسبات کوانتمی (22671) ترم بهار 1390-1391 مدرس: سلمان ابوالفتح بیگی نویسنده: هیربد کمالی نیا جلسه 9 1 مدل جعبه-سیاه یا جستاري مدل هایی که در جلسه ي پیش براي استفاده از توابع در الگوریتم هاي کوانتمی بیان

Διαβάστε περισσότερα

معادلهی مشخصه(کمکی) آن است. در اینجا سه وضعیت متفاوت برای ریشههای معادله مشخصه رخ میدهد:

معادلهی مشخصه(کمکی) آن است. در اینجا سه وضعیت متفاوت برای ریشههای معادله مشخصه رخ میدهد: شکل کلی معادلات همگن خطی مرتبه دوم با ضرایب ثابت = ٠ cy ay + by + و معادله درجه دوم = ٠ c + br + ar را معادلهی مشخصه(کمکی) آن است. در اینجا سه وضعیت متفاوت برای ریشههای معادله مشخصه رخ میدهد: c ١ e r١x

Διαβάστε περισσότερα

جلسه 2 جهت تعریف یک فضاي برداري نیازمند یک میدان 2 هستیم. یک میدان مجموعه اي از اعداد یا اسکالر ها به همراه اعمال

جلسه 2 جهت تعریف یک فضاي برداري نیازمند یک میدان 2 هستیم. یک میدان مجموعه اي از اعداد یا اسکالر ها به همراه اعمال نظریه اطلاعات کوانتمی 1 ترم پاییز 1391-1392 مدرسین: ابوالفتح بیگی و امین زاده گوهري جلسه 2 فراگیري نظریه ي اطلاعات کوانتمی نیازمند داشتن پیش زمینه در جبرخطی می باشد این نظریه ترکیب زیبایی از جبرخطی و نظریه

Διαβάστε περισσότερα

آشنایی با پدیده ماره (moiré)

آشنایی با پدیده ماره (moiré) فلا) ب) آشنایی با پدیده ماره (moiré) توری جذبی- هرگاه روی ورقه شفافی چون طلق تعداد زیادی نوارهای خطی کدر هم پهنا به موازات یکدیگر و به فاصله های مساوی از هم رسم کنیم یک توری خطی جذبی به وجود می آید شکل

Διαβάστε περισσότερα

جلسه ی ۴: تحلیل مجانبی الگوریتم ها

جلسه ی ۴: تحلیل مجانبی الگوریتم ها دانشکده ی علوم ریاضی ساختمان داده ها ۲ مهر ۱۳۹۲ جلسه ی ۴: تحلیل مجانبی الگوریتم ها مدر س: دکتر شهرام خزاي ی نگارنده: شراره عز ت نژاد ا رمیتا ثابتی اشرف ۱ مقدمه الگوریتم ابزاری است که از ا ن برای حل مسا

Διαβάστε περισσότερα

جلسه دوم سوم چهارم: مقدمه اي بر نظریه میدان

جلسه دوم سوم چهارم: مقدمه اي بر نظریه میدان هو الحق دانشکده ي مهندسی کامپیوتر کدگذاري شبکه Coding) (Network سه شنبه 21 اسفند 1393 جلسه دوم سوم چهارم: مقدمه اي بر نظریه میدان استاد: مهدي جعفري نگارنده: علیرضا حیدري خزاي ی در این نوشته مقدمه اي بر

Διαβάστε περισσότερα

فصل دهم: همبستگی و رگرسیون

فصل دهم: همبستگی و رگرسیون فصل دهم: همبستگی و رگرسیون مطالب این فصل: )r ( کوواریانس ضریب همبستگی رگرسیون ضریب تعیین یا ضریب تشخیص خطای معیار برآور ( )S XY انواع ضرایب همبستگی برای بررسی رابطه بین متغیرهای کمی و کیفی 8 در بسیاری

Διαβάστε περισσότερα

هندسه تحلیلی بردارها در فضای R

هندسه تحلیلی بردارها در فضای R هندسه تحلیلی بردارها در فضای R فصل اول-بردارها دستگاه مختصات سه بعدی از سه محور ozوoyوox عمود بر هم تشکیل شده که در نقطه ای به نام o یکدیگر را قطع می کنند. قرارداد: دستگاه مختصات سه بعدی راستگرد می باشد

Διαβάστε περισσότερα

Angle Resolved Photoemission Spectroscopy (ARPES)

Angle Resolved Photoemission Spectroscopy (ARPES) Angle Resolved Photoemission Spectroscopy (ARPES) روش ARPES روشی است تجربی که برای تعیین ساختار الکترونی مواد به کار می رود. این روش بر پایه اثر فوتوالکتریک است که توسط هرتز کشف شد: الکترونها می توانند

Διαβάστε περισσότερα

یدنب هشوخ یاه متیروگلا

یدنب هشوخ یاه متیروگلا تحلیل خوشه ای مقدمه در این قسمت ابتدا چند تعریف بیان می کنیم و در ادامه به جزئیات این تعاریف و کاربردهای تحلیل خوشه ای در علوم مختلف می پردازیم و نیز با مشکالتی که در تحلیل خوشه ای مواجه هستیم اشاره ای

Διαβάστε περισσότερα

جلسه 14 را نیز تعریف کرد. عملگري که به دنبال آن هستیم باید ماتریس چگالی مربوط به یک توزیع را به ماتریس چگالی مربوط به توزیع حاشیه اي آن ببرد.

جلسه 14 را نیز تعریف کرد. عملگري که به دنبال آن هستیم باید ماتریس چگالی مربوط به یک توزیع را به ماتریس چگالی مربوط به توزیع حاشیه اي آن ببرد. تي وري اطلاعات کوانتمی ترم پاییز 39-39 مدرس: ابوالفتح بیگی و امین زاده گوهري نویسنده: کامران کیخسروي جلسه فرض کنید حالت سیستم ترکیبی AB را داشته باشیم. حالت سیستم B به تنهایی چیست در ابتداي درس که حالات

Διαβάστε περισσότερα

جلسه ی ۳: نزدیک ترین زوج نقاط

جلسه ی ۳: نزدیک ترین زوج نقاط دانشکده ی علوم ریاضی ا نالیز الگوریتم ها ۴ بهمن ۱۳۹۱ جلسه ی ۳: نزدیک ترین زوج نقاط مدر س: دکتر شهرام خزاي ی نگارنده: امیر سیوانی اصل ۱ پیدا کردن نزدیک ترین زوج نقطه فرض می کنیم n نقطه داریم و می خواهیم

Διαβάστε περισσότερα

ویرایشسال 95 شیمیمعدنی تقارن رضافالحتی

ویرایشسال 95 شیمیمعدنی تقارن رضافالحتی ویرایشسال 95 شیمیمعدنی تقارن رضافالحتی از ابتدای مبحث تقارن تا ابتدای مبحث جداول کاراکتر مربوط به کنکور ارشد می باشد افرادی که این قسمت ها را تسلط دارند می توانند از ابتدای مبحث جداول کاراکتر به مطالعه

Διαβάστε περισσότερα

Nonparametric Shewhart-Type Signed-Rank Control Chart with Variable Sampling Interval

Nonparametric Shewhart-Type Signed-Rank Control Chart with Variable Sampling Interval International Journal of Industrial Engineering & Production Management 2013) ugust 2013, Volume 24, Number 2 pp. 183-189 http://ijiepm.iust.ac.ir/ Nonparametric Shewhart-Type Signed-Rank Control Chart

Διαβάστε περισσότερα

آموزش SPSS مقدماتی و پیشرفته مدیریت آمار و فناوری اطالعات -

آموزش SPSS مقدماتی و پیشرفته مدیریت آمار و فناوری اطالعات - آموزش SPSS مقدماتی و پیشرفته تهیه و تنظیم: فرزانه صانعی مدیریت آمار و فناوری اطالعات - مهرماه 96 بخش سوم: مراحل تحلیل آماری تحلیل داده ها به روش پارامتری بررسی نرمال بودن توزیع داده ها قضیه حد مرکزی جدول

Διαβάστε περισσότερα

قاعده زنجیره ای برای مشتقات جزي ی (حالت اول) :

قاعده زنجیره ای برای مشتقات جزي ی (حالت اول) : ۱ گرادیان تابع (y :f(x, اگر f یک تابع دومتغیره باشد ا نگاه گرادیان f برداری است که به صورت زیر تعریف می شود f(x, y) = D ۱ f(x, y), D ۲ f(x, y) اگر رویه S نمایش تابع (y Z = f(x, باشد ا نگاه f در هر نقطه

Διαβάστε περισσότερα

6- روش های گرادیان مبنا< سر فصل مطالب

6- روش های گرادیان مبنا< سر فصل مطالب 1 بنام خدا بهینه سازی شبیه سازی Simulation Optimization Lecture 6 روش های بهینه سازی شبیه سازی گرادیان مبنا Gradient-based Simulation Optimization methods 6- روش های گرادیان مبنا< سر فصل مطالب 2 شماره

Διαβάστε περισσότερα

به نام خدا. Sparse Coding ستاره فرامرزپور

به نام خدا. Sparse Coding ستاره فرامرزپور به نام خدا Sparse Coding ستاره فرامرزپور 120728399 1 فهرست مطالب مقدمه... 0 برخی کاربردها... 0 4... تنک: کدگذاری مبانی تجزیه معادله تنک:... 5 6...:α Sparse پیدا ه یا الگوریتم کردن ضریب یادگیری ه یا روش

Διαβάστε περισσότερα

فصل چهارم : مولتی ویبراتورهای ترانزیستوری مقدمه: فیدبک مثبت

فصل چهارم : مولتی ویبراتورهای ترانزیستوری مقدمه: فیدبک مثبت فصل چهارم : مولتی ویبراتورهای ترانزیستوری مقدمه: فیدبک مثبت در تقویت کننده ها از فیدبک منفی استفاده می نمودیم تا بهره خیلی باال نرفته و سیستم پایدار بماند ولی در فیدبک مثبت هدف فقط باال بردن بهره است در

Διαβάστε περισσότερα

2. β Factor. 1. Redundant

2. β Factor. 1. Redundant دوم قسمت نگارش مرتضوی محمد سید مهندس آباد نجف واحد نخبگان و جوان پژوهشگران باشگاه ایران آباد نجف اسالمی آزاد دانشگاه افزونه سامانههای اطمینان قابلیت کليدي: واژههاي فاکتور بتا روش خرابی مشترک علت علت نرخ

Διαβάστε περισσότερα

http://econometrics.blog.ir/ متغيرهای وابسته نماد متغيرهای وابسته مدت زمان وصول حساب های دريافتني rcp چرخه تبدیل وجه نقد ccc متغیرهای کنترلی نماد متغيرهای کنترلي رشد فروش اندازه شرکت عملکرد شرکت GROW SIZE

Διαβάστε περισσότερα

Spacecraft thermal control handbook. Space mission analysis and design. Cubesat, Thermal control system

Spacecraft thermal control handbook. Space mission analysis and design. Cubesat, Thermal control system سیستم زیر حرارتی ماهواره سرفصل های مهم 1- منابع مطالعاتی 2- مقدمه ای بر انتقال حرارت و مکانیزم های آن 3- موازنه انرژی 4 -سیستم های کنترل دما در فضا 5- مدل سازی عددی حرارتی ماهواره 6- تست های مورد نیاز

Διαβάστε περισσότερα

راهنمای کاربری موتور بنزینی )سیکل اتو(

راهنمای کاربری موتور بنزینی )سیکل اتو( راهنمای کاربری موتور بنزینی )سیکل اتو( هدف آزمایش : شناخت و بررسی عملکرد موتور بنزینی تئوری آزمایش: موتورهای احتراق داخلی امروزه به طور وسیع برای ایجاد قدرت بکار می روند. ژنراتورهای کوچک پمپ های مخلوط

Διαβάστε περισσότερα

تجزیهی بندرز مقدمه کشور هستند. بدین سبب این محدودیتهای مشترک را محدودیتهای پیچیده

تجزیهی بندرز مقدمه کشور هستند. بدین سبب این محدودیتهای مشترک را محدودیتهای پیچیده تجزیهی بندرز مقدمه بسیاری از مسایلی که از نطر عملی از اهمیت برخوردارند را میتوان بهصورت ترکیبی از چند مساله کوچک در نظر گرفت. در واقع بسیاری از سیستمهای دنیای واقعی دارای ساختارهایی غیر متمرکز هستند. به

Διαβάστε περισσότερα

دبیرستان غیر دولتی موحد

دبیرستان غیر دولتی موحد دبیرستان غیر دلتی محد هندسه تحلیلی فصل دم معادله های خط صفحه ابتدا باید بدانیم که از یک نقطه به مازات یک بردار تنها یک خط می گذرد. با تجه به این مطلب برای نشتن معادله یک خط احتیاج به داشتن یک نقطه از خط

Διαβάστε περισσότερα

نظریه زبان ها و ماشین ها

نظریه زبان ها و ماشین ها نظریه زبان ها و ماشین ها Theory of Languages & Automatas سید سجاد ائم ی زمستان 94 به نام خدا پیش گفتار جزوه پیش رو جهت استفاده دانشجویان عزیز در درس نظریه زبانها و ماشینها تهیه شده است. در این جزوه با

Διαβάστε περισσότερα

جلسه ی ۲۴: ماشین تورینگ

جلسه ی ۲۴: ماشین تورینگ دانشکده ی علوم ریاضی نظریه ی زبان ها و اتوماتا ۲۶ ا ذرماه ۱۳۹۱ جلسه ی ۲۴: ماشین تورینگ مدر س: دکتر شهرام خزاي ی نگارندگان: حمید ملک و امین خسر وشاهی ۱ ماشین تور ینگ تعریف ۱ (تعریف غیررسمی ماشین تورینگ)

Διαβάστε περισσότερα

Top Down Parsing LL(1) Narges S. Bathaeian

Top Down Parsing LL(1) Narges S. Bathaeian طراحی کامپایلر Top Down Parsing LL1) تعریف top down parsing Parse tree را از ریشه به سمت برگها می سازد. دو نوع LL1), LLk) Recursive descent مثال G = {S},{, ) }, P, S) S S S ) S ε ))$ مثال S S ) S ε ))$

Διαβάστε περισσότερα

فعالیت = ) ( )10 6 ( 8 = )-4( 3 * )-5( 3 = ) ( ) ( )-36( = m n m+ m n. m m m. m n mn

فعالیت = ) ( )10 6 ( 8 = )-4( 3 * )-5( 3 = ) ( ) ( )-36( = m n m+ m n. m m m. m n mn درس»ریشه ام و توان گویا«تاکنون با مفهوم توان های صحیح اعداد و چگونگی کاربرد آنها در ریشه گیری دوم و سوم اعداد آشنا شده اید. فعالیت زیر به شما کمک می کند تا ضمن مرور آنچه تاکنون در خصوص اعداد توان دار و

Διαβάστε περισσότερα

محاسبات کوانتمی 1 علم ساخت و استفاده از کامپیوتري است که بر پایه ي اصول مکانیک کوانتم قرار گرفته است.

محاسبات کوانتمی 1 علم ساخت و استفاده از کامپیوتري است که بر پایه ي اصول مکانیک کوانتم قرار گرفته است. محاسبات کوانتمی (22671) ترم بهار 1390-1391 مدرس: سلمان ابوالفتح بیگی نویسنده: سلمان ابوالفتح بیگی جلسه 1 محاسبات کوانتمی 1 علم ساخت و استفاده از کامپیوتري است که بر پایه ي اصول مکانیک کوانتم قرار گرفته

Διαβάστε περισσότερα

هو الحق دانشکده ي مهندسی کامپیوتر جلسه هفتم

هو الحق دانشکده ي مهندسی کامپیوتر جلسه هفتم هو الحق دانشکده ي مهندسی کامپیوتر کدگذاري شبکه Coding) (Network شنبه 2 اسفند 1393 جلسه هفتم استاد: مهدي جعفري نگارنده: سید محمدرضا تاجزاد تعریف 1 بهینه سازي محدب : هدف پیدا کردن مقدار بهینه یک تابع ) min

Διαβάστε περισσότερα

برابری کار نیروی برآیند و تغییرات انرژی جنبشی( را بدست آورید. ماتریس ممان اینرسی s I A

برابری کار نیروی برآیند و تغییرات انرژی جنبشی( را بدست آورید. ماتریس ممان اینرسی s I A مبحث بیست و سوم)مباحث اندازه حرکت وضربه قانون بقای اندازه حرکت انرژی جنبشی و قانون برابری کار نیروی برآیند و تغییرات انرژی جنبشی( تکلیف از مبحث ماتریس ممان اینرسی( را بدست آورید. ماتریس ممان اینرسی s I

Διαβάστε περισσότερα

تئوری جامع ماشین بخش سوم جهت سادگی بحث یک ماشین سنکرون دو قطبی از نوع قطب برجسته مطالعه میشود.

تئوری جامع ماشین بخش سوم جهت سادگی بحث یک ماشین سنکرون دو قطبی از نوع قطب برجسته مطالعه میشود. مفاهیم اصلی جهت آنالیز ماشین های الکتریکی سه فاز محاسبه اندوکتانس سیمپیچیها و معادالت ولتاژ ماشین الف ) ماشین سنکرون جهت سادگی بحث یک ماشین سنکرون دو قطبی از نوع قطب برجسته مطالعه میشود. در حال حاضر از

Διαβάστε περισσότερα

شبکه های عصبی در کنترل

شبکه های عصبی در کنترل شبکه های عصبی در کنترل دانشگاه نجف آباد درس: کنترل هوشمند در فضای سایبرنتیک مدرس: حمید محمودیان مدل ریاضی نرون مدل ریاضی یک نرون ساده به صورت روبرو است P: مقدار کمیت ورودی b: مقدار بایاس )عرض از مبدا تابع

Διαβάστε περισσότερα

هندسه تحلیلی و جبر خطی ( خط و صفحه )

هندسه تحلیلی و جبر خطی ( خط و صفحه ) هندسه تحلیلی جبر خطی ( خط صفحه ) z معادالت متقارن ) : خط ( معادله برداری - معادله پارامتری P فرض کنید e معادلهی خطی باشد که از نقطه ی P به مازات بردار ( c L ) a b رسم شده باشد اگر ( z P ) x y l L نقطهی

Διαβάστε περισσότερα

باشند و c عددی ثابت باشد آنگاه تابع های زیر نیز در a پیوسته اند. به شرطی که g(a) 0 f g

باشند و c عددی ثابت باشد آنگاه تابع های زیر نیز در a پیوسته اند. به شرطی که g(a) 0 f g تعریف : 3 فرض کنیم D دامنه تابع f زیر مجموعه ای از R باشد a D تابع f:d R در نقطه a پیوسته است هرگاه به ازای هر دنباله از نقاط D مانند { n a{ که به a همگراست دنبال ه ){ n }f(a به f(a) همگرا باشد. محتوی

Διαβάστε περισσότερα

فصل پنجم زبان های فارغ از متن

فصل پنجم زبان های فارغ از متن فصل پنجم زبان های فارغ از متن خانواده زبان های فارغ از متن: ( free )context تعریف: گرامر G=(V,T,,P) کلیه قوانین آن به فرم زیر باشد : یک گرامر فارغ از متن گفته می شود در صورتی که A x A Є V, x Є (V U T)*

Διαβάστε περισσότερα

1- مقدمه ای بر شبیه سازی< سر فصل مطالب

1- مقدمه ای بر شبیه سازی< سر فصل مطالب 1 بنام خدا بهینه سازی شبیه سازی Simulation Optimization Lecture 1 مروری بر شبیه سازی A review on Simulation 1- مقدمه ای بر شبیه سازی< سر فصل مطالب 2 شماره عنوان فصل 1-1 تعاریف 2-1 مثال هایی از شبیه سازی

Διαβάστε περισσότερα

جلسه 15 1 اثر و اثر جزي ی نظریه ي اطلاعات کوانتومی 1 ترم پاي یز جدایی پذیر باشد یعنی:

جلسه 15 1 اثر و اثر جزي ی نظریه ي اطلاعات کوانتومی 1 ترم پاي یز جدایی پذیر باشد یعنی: نظریه ي اطلاعات کوانتومی 1 ترم پاي یز 1391-1391 مدرس: دکتر ابوالفتح بیگی ودکتر امین زاده گوهري نویسنده: محمدرضا صنم زاده جلسه 15 فرض کنیم ماتریس چگالی سیستم ترکیبی شامل زیر سیستم هايB و A را داشته باشیم.

Διαβάστε περισσότερα

جلسه 28. فرض کنید که m نسخه مستقل یک حالت محض دلخواه

جلسه 28. فرض کنید که m نسخه مستقل یک حالت محض دلخواه نظریه اطلاعات کوانتمی 1 ترم پاییز 1392-1391 مدرسین: ابوالفتح بیگی و امین زاده گوهري نویسنده: مرتضی نوشاد جلسه 28 1 تقطیر و ترقیق درهم تنیدگی ψ m بین آذر و بابک به اشتراك گذاشته شده است. آذر و AB فرض کنید

Διαβάστε περισσότερα

ندرک درگ ندرک درگ شور

ندرک درگ ندرک درگ شور ٥ عددهای تقریبی درس او ل: تقریب زدن گردکردن در کالس چهارم شما با تقریب زدن آشنا شده اید. عددهای زیر را با تقریب دهگان به نزدیک ترین عدد مانند نمونه تقریب بزنید. عدد جواب را در خانه مربوطه بنویسید. 780

Διαβάστε περισσότερα

جلسه ی ۱۸: درهم سازی سرتاسری - درخت جست و جوی دودویی

جلسه ی ۱۸: درهم سازی سرتاسری - درخت جست و جوی دودویی دانشکده ی علوم ریاضی ساختمان داده ۱۰ ا ذر ۹۲ جلسه ی ۱۸: درهم سازی سرتاسری - درخت جست و جوی دودویی مدر س: دکتر شهرام خزاي ی نگارنده: معین زمانی و ا رمیتا اردشیری ۱ یادا وری همان طور که درجلسات پیش مطرح

Διαβάστε περισσότερα

1- مقدمه. 2 Action. 1 Heuristic

1- مقدمه. 2 Action. 1 Heuristic یک الگوریتم نوین جهت رنگ آمیزی گراف با استفاده از آتوماتای یادگیر حبیب مطیع قادر دانشگاه آزاد اسلامی واحد تبریز باشگاه پژوهشگران جوان Habib_moti@yahoo.com عباس میرزایی ثمرین بورسیه هیات علمی دانشگاه آزاد

Διαβάστε περισσότερα

مقدمه -1-4 تحليلولتاژگرهمدارهاييبامنابعجريان 4-4- تحليلجريانمشبامنابعولتاژنابسته

مقدمه -1-4 تحليلولتاژگرهمدارهاييبامنابعجريان 4-4- تحليلجريانمشبامنابعولتاژنابسته مقدمه -1-4 تحليلولتاژگرهمدارهاييبامنابعجريان -2-4 بامنابعجريانوولتاژ تحليلولتاژگرهمدارهايي 3-4- تحليلولتاژگرهبامنابعوابسته 4-4- تحليلجريانمشبامنابعولتاژنابسته 5-4- ژاتلو و 6-4 -تحليلجريانمشبامنابعجريان

Διαβάστε περισσότερα

جلسه 22 1 نامساویهایی در مورد اثر ماتریس ها تي وري اطلاعات کوانتومی ترم پاییز

جلسه 22 1 نامساویهایی در مورد اثر ماتریس ها تي وري اطلاعات کوانتومی ترم پاییز تي وري اطلاعات کوانتومی ترم پاییز 1391-1392 مدرس: ابوالفتح بیگی و امین زاده گوهري نویسنده: محمد مهدي مجاهدیان جلسه 22 تا اینجا خواص مربوط به آنتروپی را بیان کردیم. جهت اثبات این خواص نیاز به ابزارهایی

Διαβάστε περισσότερα

هر عملگرجبر رابطه ای روی يک يا دو رابطه به عنوان ورودی عمل کرده و يک رابطه جديد را به عنوان نتيجه توليد می کنند.

هر عملگرجبر رابطه ای روی يک يا دو رابطه به عنوان ورودی عمل کرده و يک رابطه جديد را به عنوان نتيجه توليد می کنند. 8-1 جبررابطه ای يک زبان پرس و جو است که عمليات روی پايگاه داده را توسط نمادهايی به صورت فرمولی بيان می کند. election Projection Cartesian Product et Union et Difference Cartesian Product et Intersection

Διαβάστε περισσότερα

فصل 5 :اصل گسترش و اعداد فازی

فصل 5 :اصل گسترش و اعداد فازی فصل 5 :اصل گسترش و اعداد فازی : 1-5 اصل گسترش در ریاضیات معمولی یکی از مهمترین ابزارها تابع می باشد.تابع یک نوع رابطه خاص می باشد رابطه ای که در نمایش زوج مرتبی عنصر اول تکراری نداشته باشد.معموال تابع

Διαβάστε περισσότερα

مقدمه در این فصل با مدل ارتعاشی خودرو آشنا میشویم. رفتار ارتعاشی به فرکانسهای طبیعی و مود شیپهای خودرو بستگی دارد. این مبحث به میزان افزایش راحتی

مقدمه در این فصل با مدل ارتعاشی خودرو آشنا میشویم. رفتار ارتعاشی به فرکانسهای طبیعی و مود شیپهای خودرو بستگی دارد. این مبحث به میزان افزایش راحتی مقدمه در این فصل با مدل ارتعاشی خودرو آشنا میشویم. رفتار ارتعاشی به فرکانسهای طبیعی و مود شیپهای خودرو بستگی دارد. این مبحث به میزان افزایش راحتی خودرو و کاهش سر و صداها و لرزشهای داخل اتاق موتور و...

Διαβάστε περισσότερα

فهرست جزوه ی فصل دوم مدارهای الکتریکی ( بردارها(

فهرست جزوه ی فصل دوم مدارهای الکتریکی ( بردارها( فهرست جزوه ی فصل دوم مدارهای الکتریکی ( بردارها( رفتار عناصر L, R وC در مدارات جریان متناوب......................................... بردار و کمیت برداری.............................................................

Διαβάστε περισσότερα

1 دایره فصل او ل کاربردهای بسیاری داشته است. یک قضیۀ بنیادی در هندسه موسوم با محیط ثابت دایره دارای بیشترین مساحت است. این موضوع در طراحی

1 دایره فصل او ل کاربردهای بسیاری داشته است. یک قضیۀ بنیادی در هندسه موسوم با محیط ثابت دایره دارای بیشترین مساحت است. این موضوع در طراحی فصل او ل 1 دایره هندسه در ساخت استحکامات دفاعی قلعهها و برج و باروها از دیرباز کاربردهای بسیاری داشته است. یک قضیۀ بنیادی در هندسه موسوم به»قضیۀ همپیرامونی«میگوید در بین همۀ شکلهای هندسی بسته با محیط ثابت

Διαβάστε περισσότερα

مقایسه کارایی آنالیز مولفه های اصلی و تبدیل کسینوسی گسسته در شناسایی چهره با استفاده از تبدیل موجک و ماشین بردار پشتیبان

مقایسه کارایی آنالیز مولفه های اصلی و تبدیل کسینوسی گسسته در شناسایی چهره با استفاده از تبدیل موجک و ماشین بردار پشتیبان مقایسه کارایی آنالیز مولفه های اصلی و تبدیل کسینوسی گسسته در شناسایی چهره با استفاده از تبدیل موجک و ماشین بردار پشتیبان 2 1 مژده الهی جلیل شیرازی 1- دانشجوی کارشناسی ارشد کنترل دانشگاه آزاد اسالمی واحد

Διαβάστε περισσότερα

Beta Coefficient نویسنده : محمد حق وردی

Beta Coefficient نویسنده : محمد حق وردی مفهوم ضریب سهام بتای Beta Coefficient نویسنده : محمد حق وردی مقدمه : شاید بارها در مقاالت یا گروهای های اجتماعی مربوط به بازار سرمایه نام ضریب بتا رو دیده باشیم یا جایی شنیده باشیم اما برایمان مبهم باشد

Διαβάστε περισσότερα

هدف از این آزمایش آشنایی با رفتار فرکانسی مدارهاي مرتبه اول نحوه تأثیر مقادیر عناصر در این رفتار مشاهده پاسخ دامنه

هدف از این آزمایش آشنایی با رفتار فرکانسی مدارهاي مرتبه اول نحوه تأثیر مقادیر عناصر در این رفتار مشاهده پاسخ دامنه آزما ی ش شش م: پا س خ فرکا نس ی مدا رات مرتبه اول هدف از این آزمایش آشنایی با رفتار فرکانسی مدارهاي مرتبه اول نحوه تأثیر مقادیر عناصر در این رفتار مشاهده پاسخ دامنه و پاسخ فاز بررسی رفتار فیلتري آنها بدست

Διαβάστε περισσότερα

فهرست مطالب جزوه ی فصل اول مدارهای الکتریکی مفاهیم ولتاژ افت ولتاژ و اختالف پتانسیل تحلیل مدار به روش جریان حلقه... 22

فهرست مطالب جزوه ی فصل اول مدارهای الکتریکی مفاهیم ولتاژ افت ولتاژ و اختالف پتانسیل تحلیل مدار به روش جریان حلقه... 22 فهرست مطالب جزوه ی فصل اول مدارهای الکتریکی آنچه باید پیش از شروع کتاب مدار بدانید تا مدار را آسان بیاموزید.............................. 2 مفاهیم ولتاژ افت ولتاژ و اختالف پتانسیل................................................

Διαβάστε περισσότερα

)مطالعه موردی بازار بورس تهران(

)مطالعه موردی بازار بورس تهران( برازش مدل رگرسیون خطی چند گانه با خطاهای وابسته و داراری توزیع t چند متغیره )مطالعه موردی بازار بورس تهران اعظم غمگسار*)ارائهکننده انیس ایرانمنش*)مکاتبهکننده** امیر دانشگر anisiranmanesh@yahoo.com mr.daneshgar@gmail.comazamghamgosar@yahoo.com

Διαβάστε περισσότερα

جلسه 16 نظریه اطلاعات کوانتمی 1 ترم پاییز

جلسه 16 نظریه اطلاعات کوانتمی 1 ترم پاییز نظریه اطلاعات کوانتمی ترم پاییز 39-39 مدرسین: ابوالفتح بیگی و امین زاده گوهري نویسنده: محم دحسن آرام جلسه 6 تا اینجا با دو دیدگاه مختلف و دو عامل اصلی براي تعریف و استفاده از ماتریس چگالی جهت معرفی حالت

Διαβάστε περισσότερα

فصل چهارم تعیین موقعیت و امتدادهای مبنا

فصل چهارم تعیین موقعیت و امتدادهای مبنا فصل چهارم تعیین موقعیت و امتدادهای مبنا هدف های رفتاری پس از آموزش و مطالعه این فصل از فراگیرنده انتظار می رود بتواند: 1 راهکار کلی مربوط به ترسیم یک امتداد در یک سیستم مختصات دو بعدی و اندازه گیری ژیزمان

Διαβάστε περισσότερα

سامانهه یا بازیابی تصویر

سامانهه یا بازیابی تصویر مجله ماشینبینایی و پردازشتصویر سال یکم شماره یک تابستان ۱۳۹۲ یک روش بهبود یافته یادگیریکوتاه مدت مبتنی بر گرادیان نزولی در سامانهه یا بازیابی تصویر عصمت راشدی حسین نظام آبادی پور و سعید سریزدی چکیده ه

Διαβάστε περισσότερα

سلسله مزاتب سبان مقدمه فصل : زبان های فارغ از متن زبان های منظم

سلسله مزاتب سبان مقدمه فصل : زبان های فارغ از متن زبان های منظم 1 ماشیه ای توریىگ مقدمه فصل : سلسله مزاتب سبان a n b n c n? ww? زبان های فارغ از متن n b n a ww زبان های منظم a * a*b* 2 زبان ها پذیرفته می شوند بوسیله ی : ماشین های تورینگ a n b n c n ww زبان های فارغ

Διαβάστε περισσότερα

مکانيک جامدات ارائه و تحليل روش مناسب جهت افزایش استحکام اتصاالت چسبي در حالت حجم چسب یکسان

مکانيک جامدات ارائه و تحليل روش مناسب جهت افزایش استحکام اتصاالت چسبي در حالت حجم چسب یکسان پائیز 2931/ سال ششم/ شماره ویژه دوم فصلنامه علمي پژوهشي مهندسي مکانيک جامدات فصلنامه علمي پژوهشي مهندسي مکانيک جامدات www.jsme.ir ارائه و تحليل روش مناسب جهت افزایش استحکام اتصاالت چسبي در حالت حجم چسب

Διαβάστε περισσότερα

جلسه ی ۱۱: درخت دودویی هرم

جلسه ی ۱۱: درخت دودویی هرم دانشکده ی علوم ریاضی ساختمان داده ا بان جلسه ی : درخت دودویی هرم مدر س: دکتر شهرام خزاي ی نگارنده: احمدرضا رحیمی مقدمه الگوریتم مرتب سازی هرمی یکی دیگر از الگوریتم های مرتب سازی است که دارای برخی از بهترین

Διαβάστε περισσότερα

به نام خدا. الف( توضیح دهید چرا از این تکنیک استفاده میشود چرا تحلیل را روی کل سیگنال x[n] انجام نمیدهیم

به نام خدا. الف( توضیح دهید چرا از این تکنیک استفاده میشود چرا تحلیل را روی کل سیگنال x[n] انجام نمیدهیم پردازش گفتار به نام خدا نیمسال اول 59-59 دکتر صامتی تمرین سری سوم پیشبینی خطی و کدینگ شکلموج دانشکده مهندسی کامپیوتر زمان تحویل: 32 آبان 4259 تمرینهای تئوری: سوال 1. می دانیم که قبل از انجام تحلیل پیشبینی

Διαβάστε περισσότερα

3 لصف یربج یاه ترابع و ایوگ یاه ناوت

3 لصف یربج یاه ترابع و ایوگ یاه ناوت فصل توان های گویا و عبارت های جبری 8 نگاه کلی به فصل هدفهای این فصل را میتوان به اختصار چنین بیان کرد: همانگونه که توان اعداد را در آغاز برای توانهای طبیعی عددهای ٢ و ٣ تعریف میکنیم و سپس این مفهوم را

Διαβάστε περισσότερα

جلسه ی ۵: حل روابط بازگشتی

جلسه ی ۵: حل روابط بازگشتی دانشکده ی علوم ریاضی ساختمان داده ها ۶ مهر ۲ جلسه ی ۵: حل روابط بازگشتی مدر س: دکتر شهرام خزاي ی نگارنده: ا رمیتا ثابتی اشرف و علی رضا علی ا بادیان ۱ مقدمه پیدا کردن کران مجانبی توابع معمولا با پیچیدگی

Διαβάστε περισσότερα

matlab1.ir ایران متلب می شود. مثال پیش بینی قیمت یک کاال در یک بازار بورس. 1- موارد زیر را تعریف کنید داده پرت:

matlab1.ir ایران متلب می شود. مثال پیش بینی قیمت یک کاال در یک بازار بورس. 1- موارد زیر را تعریف کنید داده پرت: موارد زیر را تعریف کنید داده پرت: دادهای که به طور قابل مالحظهای از سایر دادههای دیگر )هم رده( فاصله دارد. تحلیل توسعه: گفته کنند می عوض را رفتارشان زمان طول در که اشیایی برای هایی مدل یافتن به اغلب داده

Διαβάστε περισσότερα

هد ف های هفته ششم: 1- اجسام متحرک و ساکن را از هم تشخیص دهد. 2- اندازه مسافت و جا به جایی اجسام متحرک را محاسبه و آن ها را مقایسه کند 3- تندی متوسط

هد ف های هفته ششم: 1- اجسام متحرک و ساکن را از هم تشخیص دهد. 2- اندازه مسافت و جا به جایی اجسام متحرک را محاسبه و آن ها را مقایسه کند 3- تندی متوسط هد ف های هفته ششم: 1- اجسام متحرک و ساکن را از هم تشخیص دهد. - اندازه مسافت و جا به جایی اجسام متحرک را محاسبه و آن ها را مقایسه کند 3- تندی متوسط اجسام متحرک را محاسبه کند. 4- تندی متوسط و لحظه ای را

Διαβάστε περισσότερα

تعیین محل قرار گیری رله ها در شبکه های سلولی چندگانه تقسیم کد

تعیین محل قرار گیری رله ها در شبکه های سلولی چندگانه تقسیم کد تعیین محل قرار گیری رله ها در شبکه های سلولی چندگانه تقسیم کد مبتنی بر روش دسترسی زلیخا سپهوند دانشکده مهندسى برق واحد نجف آباد دانشگاه آزاد اسلامى نجف آباد ایر ان zolekhasepahvand@yahoo.com روح االله

Διαβάστε περισσότερα

4 آمار استنباطی 2 برآورد 1 فصل چهارم: آمار استنباطی

4 آمار استنباطی 2 برآورد 1 فصل چهارم: آمار استنباطی 4 آمار استنباطی 1 گردآوری داده ها برآورد 1 فصل چهارم: آمار استنباطی گردآوری داده ها 1 فعالیت می خواهیم برخی از ویژگی های مگس های سفید مزاحم در شهر تهران را بررسی کنیم. آیا برای انجام این کار می توانیم

Διαβάστε περισσότερα

تمرینات درس ریاض عموم ٢. r(t) = (a cos t, b sin t), ٠ t ٢π. cos ٢ t sin tdt = ka۴. x = ١ ka ۴. m ٣ = ٢a. κds باشد. حاصل x٢

تمرینات درس ریاض عموم ٢. r(t) = (a cos t, b sin t), ٠ t ٢π. cos ٢ t sin tdt = ka۴. x = ١ ka ۴. m ٣ = ٢a. κds باشد. حاصل x٢ دانش اه صنعت شریف دانش ده ی علوم ریاض تمرینات درس ریاض عموم سری دهم. ١ سیم نازک داریم که روی دایره ی a + y x و در ربع اول نقطه ی,a را به نقطه ی a, وصل م کند. اگر چ ال سیم در نقطه ی y,x برابر kxy باشد جرم

Διαβάστε περισσότερα

مینامند یا میگویند α یک صفر تابع

مینامند یا میگویند α یک صفر تابع 1 1-1 مقدمه حل بسیاری از مسائل اجتماعی اقتصادی علمی منجر به حل معادله ای به شکل ) ( می شد. منظر از حل این معادله یافتن عدد یا اعدادی است که مقدار تابع به ازای آنها صفر شد. اگر (α) آنگاه α را ریشه معادله

Διαβάστε περισσότερα

تخمین نقطه تغییر در ماتریس کواریانس فرآیند نرمال چند متغیره با استفاده از شبکه عصبی

تخمین نقطه تغییر در ماتریس کواریانس فرآیند نرمال چند متغیره با استفاده از شبکه عصبی تخمین نقطه تغییر در ماتریس کواریانس فرآیند نرمال چند متغیره با استفاده از شبکه عصبی امیرحسین امیری نویسنده مسئول( دانشیار گروه مهندسی صنایع دانشکده فنی و مهندسی دانشگاه شاهد تهران محمدرضا ملکی دانشجوی

Διαβάστε περισσότερα