سیستم خبره تشخیص اضافه وزن و علت آن

اختصاصی از فی بوو سیستم خبره تشخیص اضافه وزن و علت آن دانلود با لینک مستقیم و پر سرعت .

این سیستم خبره کلیپس به کاربر کمک می کند که اضافه وزن فرد را تشخیص داده و ضمن تشخیص علت بروز چاقی در فرد در خصوص درمان نیز پیشنهادات لازم را ارائه می نماید

سیستم خبره تشخیص نوع میوه

اختصاصی از فی بوو سیستم خبره تشخیص نوع میوه دانلود با لینک مستقیم و پر سرعت .

این سیستم خبره در واقع نوعی گیم بوده و حالت آموزشی دارد.

 یک نفر یک میوه را در نظر می گیرد و نفر دوم با استفاده از سیستم خبره حاضر به صورت پیوسته و مشابه مسابقات بیست سوالی سوال میپرسد و حسب پاسخ های بلی خیر تشخیص میدهد که میوه مورد نظر کدام است

این سیستم خبره به زبان کلیپس نوشته شده است

پروژه بررسی و تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی. doc

اختصاصی از فی بوو پروژه بررسی و تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 119 صفحه

چکیده:

در این پایان نامه ابتدا عیوب الکتریکی و مکانیکی در ماشینهای الکتریکی بررسی گردیده و عوامل به وجود آورنده و روشهای رفع این عیوب بیان شده است . به دنبال آن ، به کمک روش تابع سیم پیچی ماشین شبیه سازی و خطای مورد نظر یعنی خطای سیم بندی استاتور به آن اعمال و نتایج مورد بررسی قرار داده شده است. پارامتر اصلی که برای تشخیص خطا در این پایان نامه استفاده کرده ایم ، جریان سه فاز استاتور در حالت سالم و خطادار  ،تحت بارگذاری های مختلف خواهد بود.

در قسمت بعدی تئوری موجک و همچنین شبکه عصبی مورد بررسی قرار گرفته است . مادر اینجا از  برای استخراج مشخصات سیگنال استفاده کرده ایم ، مهمترین دلیلی که برای استفاده از این موجک داریم خاصیت متعامد بودن و پشتیبانی متمرکز سیگنال در حوزه زمان می باشد. شبکه عصبی که برای تشخیص خطا استفاده کرده ایم  ، شبکه سه لایه تغذیه شونده به سمت جلو با الگوریتم آموزش BP  و تابع فعالیت سیگموئیدی می باشد . در فصل چهارم روش تشخیص خطای سیم بندی استاتور در ماشین القایی بیان شده است که به صورت ترکیبی از آنالیز موجک و شبکه عصبی لست. روند کلی تشخص خطا به این صورت می باشد که ابتدا از جریان استاتور ماشین در حالت سالم و همچنین تحت خطاهای مختلف که در فصل دوم بدست آورده ایم استفاده شده و تبدیل موجک بروی آن اعمال گردیده است.سپس با استفاده از ضرایب موجک مقادیر انرژی در هر مقیاس استخراج و  به عنوان ورودی شبکه عصبی جهت آموزش دادن آن برای تشخیص خطای سیم بندی استاتور مورد استفاده قرار گرفته است. در نهایت به کمک داده های تست، صحت شبکه مذکور مورد بررسی قرار داده شده است. در نهایت نتیجه گیری و پیشنهادات لازم بیان گردیده است.

با توجه به مطالب اشاره شده نتیجه می شود که با تشخیص به موقع هر کدام از عیوب اوّلیه در ماشین القایی می توان از پدید آمدن حوادث ثانویّه که منجر به وارد آمدن خسارات سنگین می گردد ، جلوگیری نمود . در این راستا سعی شده است که با تحلیل ، بررسی و تشخیص یکی از این نمونه خطاها، خطای سیم بندی استاتور یک موتور القایی قفس سنجابی ، گامی موثر در پیاده سازی نظام تعمیراتی پیشگویی کننده برداشته شود و با بکارگیری سیستم های مراقبت وضعیت بروی چنین ماشینهایی از وارد آمدن خسارات سنگین بر صنایع و منابع ملی جلوگیری گردد.

مقدمه:

موتورهای  الکتریکی نقش مهمی را در راه اندازی موثر ماشینها و پروسه های صنعتی ایفا می کنند. بخصوص موتورهای القایی قفس سنجابی را که بعنوان اسب کاری صنعت می شناسند. بنابراین تشخیص خطاهای این موتورها می تواند فواید اقتصادی فراوانی در پی داشته باشد. از جمله مدیریت کارخانه های صنعتی را آسان می کند، سطح اطمینان سیستم را بالا می برد، هزینه تعمیر و نگهداری پایین می آید و نسبت هزینه به سود بطور قابل توجهی کاهش می یابد. Bonnett و Soukup برای خرابیهای استاتور موتورهای القایی سه فاز قفس سنجابی، پنج حالت خرابی مطرح کرده اند که عبارت اند از: حلقه به حلقه، کلاف به کلاف، قطع فاز، فاز به فاز و کلاف به زمین[1]. برای موتورهای قفس سنجابی، خرابیهای سیم پیچی استاتور و یاتاقانها  کل خرابیها به حساب می آیند و همچنین اکثر خرابیهای سیم پیچی استاتور موتور القایی از فروپاشی عایقی حلقه به حلقه ناشی می شود]2[. برخی از محققین خرابیهای موتور را چنین تقسیم بندی کرده اند: خرابی  ساچمه ها ( یاتاقانها) %40-50، خرابی عایق استاتور %30-40 و خرابی قفسه روتور %5- 10 [3] که اگر خرابی حلقه به حلقه جلوگیری نشود، منجر به خطای فاز به زمین یا فاز به فاز می گردد، که خطای فاز به زمین شدید تر است. در مقالات[4] [5] نظریه تابع سیم پیچی و کاربرد آن در آنالیز گذرای موتورهای القایی تحت خطا شرح داده شده است. از این نظریه در مدلسازی خطای حلقه به حلقه استاتور استفاده شده است. علاوه بر روشهای فوق خطای استاتور موتور القایی را می توان به کمک بردارهای فضایی مورد مطالعه قرار داد[6].

فهرست مطالب:

چکیده

مقدمه

فصل اول: بررسی انواع خطا در ماشینهای القایی و علل بروز و روشهای تشخیص آنها

1-1-مقدمه

1-2-بررسی انواع تنشهای وارد شونده بر ماشین القایی

1-2-1-تنشهای موثر در خرابی استاتور

1-2-2- تنشهای موثر در خرابی روتور

1-3- بررسی عیوب اولیه در ماشینهای القایی

1-3-1- عیوب الکتریکی اولیه در ماشینهای القایی

1-3-2- عیوب مکانیکی اولیه در ماشینهای القایی

فصل دوم: مدلسازی ماشین القایی با استفاده از تئوری تابع سیم پیچ

2-1-تئوری تابع سیم پیچ

2-1-1-تعریف تابع سیم پیچ

2-1-2-محاسبه اندوکتانسهای ماشین با استفاده از توابع سیم پیچ

2-2-شبیه سازی ماشین القایی

2-2-1- معادلات یک ماشین الکتریکی باm سیم پیچ استاتور و n سیم پیچ روتور

2-2-1-1-معادلات ولتاژ استاتور

2-2-1-2- معادلات ولتاژ روتور

2-2-1-3- محاسبه گشتاور الکترومغناطیسی

2-2-1-4- معادلات موتور القای سه فاز قفس سنجابی در فضای حالت

2-3- مدلسازی خطای حلقه به حلقه و خطای کلاف به کلاف

فصل سوم: آنالیز موجک و تئوری شبکه های عصبی

3-1-تاریخچه موجک ها

3-2-مقدمه ای بر خانواده موجک ها

3-2-1-موجک هار

3-2-2- موجک دابیشز

3-2-3- موجک کوایفلت

3-2-4- موجک سیملت

3-2-5- موجک مورلت

3-2-6- موجک میر

3-3- کاربردهای موجک

3-4- آنالیز فوریه

3-4-1- آنالیز فوریه زمان-کوتاه

3-5-آنالیز موجک

3-6- تئوری شبکه های عصبی

3-6-1- مقدمه

3-6-2- مزایای شبکه عصبی

3-6-3-اساس شبکه عصبی

3-6-4- انواع شبکه های عصبی

3-6-5-آموزش پرسپترونهای چند لایه

فصل چهارم:روش تشخیص خطای سیم بندی استاتور در ماشین القایی(خطای حلقه به حلقه)

4-1- اعمال تبدیل موجک

4-2- نتایج تحلیل موجک

4-3- ساختار شبکه عصبی

فصل پنجم: نتیجه گیری و پیشنهادات..

نتیجه گیری

پیشنهادات

پیوست ها

منابع و ماخذ

 فارسی

منابع لاتین

چکیده لاتین

فهرست اشکال:

شکل1-1 : موتور القایی با ساختار مجزا شده از هم

شکل1-2: شمای قسمتی از موتور و فرکانس عبور قطب

شکل1-3: (الف) اتصال کوتاه کلاف به کلاف بین نقاط b وa    (ب) خطای فاز به فاز

شکل2-1: برش از وسیله دو استوانه ای با قرارگیری دلخواه سیم پیچ در فاصله هوایی

شکل2-2: تابع دور کلاف متمرکز باN دور هادی مربوط به شکل2-1

شکل2-3: تابع سیم پیچی کلاف متمرکز N دوری مربوط به شکل2-1

شکل 2-4: ساختار دو سیلندری با دور سیم پیچA وB

شکل2-5: تابع دور کلاف 'BB شکل2

شکل2-6:(الف) تابع دور فازa استاتور   (ب) تابع سیم پیچی فازa استاتور

شکل2-7: تابع سیم پیچی حلقه اول روتور

شکل2-8(الف) اندوکتانس متقابل بین فازA استاتور و حلقه اول روتور  (ب) مشتق اندوکتانس متقابل بین فازa استاتور و حلقه اول روتور نسبت به زاویه 

شکل2-9:  شکل مداری در نظر گرفته شده برای روتور قفس سنجابی

شکل 2-10: نمودار جریان (الف) فازa  (ب)فازb   (ج) فازc استاتور در حالت راه اندازی بدون بار

شکل2-11: (الف) نمودار سرعت موتور در حالت راه اندازی بدون بار(ب) نمودار گشتاور الکترومغناطیسی موتور در حالت راه اندازی بدون بار

شکل2-12: نمودار جریان (الف) فازa   (ب) فازb    (ج) فازC استاتور در حالت دائمی بدون بار

شکل2-13: فرم سیم بندی استاتور وقتی که اتصال کوتاه داخلی اتفاق افتاده است      (الف) اتصال ستاره       (ب) اتصال مثلث

شکل2-14: تابع دور، فازD در حالت خطای حلقه به حلقه (الف) 35دور  (ب) 20دور  ج) 10دور

شکل2-15: تابع سیم پیچی فازD در خطای حلقه به حلقه  (الف)35دور    (ب)20دور   (ج) 10دور

شکل2-16: (الف)تابع اندوکتانس متقابل بین فازC و حلقه اول روتور   (ب) تابع مشتق اندوکتانس متقابل بین فاز C و حلقه اول روتور نسبت به زاویه

شکل2-17: (الف)تابع اندوکتانس متقابل بین فازD و حلقه اول روتور   (ب) تابع مشتق اندوکتانس متقابل بین فاز D و حلقه اول روتور نسبت به زاویه

شکل2-18:  نمودار جریان استاتور    (الف) فازa     (ب)فازb      (ج) فازC  در خطای 10 دور در حالت راه اندازی بدون بار

شکل2-19: نمودار جریان استاتور     (الف) فازa      (ب) فازb     (ج) فازC در خطای 35 دور در حالت راه اندازی بدون بار

شکل2-20: (الف) گشتاور الکترو مغناطیسی در خطای 10دور   (ب) خطای 35 دور

شکل2-21: نمودار سرعت موتور در خطای حلقه به حلقه (35دور)

شکل2-22:نمودار جریان استاتور      (الف) فازa       (ب) فازb        ( ج) فازC   درخطای (35دور) در حالت دائمی بدون بار

شکل3-1:(الف) تابع موجک هار Ψ  (ب) تابع مقیاس هار φ

شکل3-2: خانواده تابع موجک دابیشزΨ

شکل3-3: (الف) تابع موجک کوایفلت Ψ  (ب) تابع مقیاس کوایفلت φ

شکل3-4: (الف) تابع موجک سیملت Ψ     (ب) تابع مقیاس سیملت φ

شکل3-5: تابع موجک مورلت Ψ

شکل3-6: (الف) تابع موجک میر Ψ   (ب) تابع مقیاس میر  φ

شکل3-7: تبدیل سیگنال از حوزه زمان-دامنه به حوزه فرکانس-دامنه با آنالیز فوریه

شکل3-8: تبدیل سیگنال از حوزه زمان- دامنه به حوزه زمان –مقیاس با آنالیز موجک

شکل3-9: (الف) ضرایب موجک       (ب) ضرایب فوریه

شکل3-10: اعمال تبدیل فوریه بروی سیگنال و ایجاد سیگنالهای سینوسی در فرکانسهای مختلف

شکل3-11: اعمال تبدیل موجک بروی سیگنال

شکل3-12: (الف) تابع موجک Ψ       ب) تابع شیفت یافته موجک φ

شکل3-13: نمودار ضرایب موجک

شکل3-14: ضرایب موجک هنگامی که از بالا به آن نگاه شود

شکل3-15: مراحل فیلتر کردن سیگنال S 

شکل3-16: درخت آنالیز موجک

شکل 3-17:درخت تجزیه موجک

شکل3-18: باز یابی مجدد سیگنال بوسیله موجک

شکل3-19: فرایند upsampling کردن سیگنال

شکل 3-20: سیستم filters quadrature  mirror

شکل 3-21: تصویر جامعی از مرفولوژی نرون منفرد

شکل3-22: مدل سلول عصبی منفرد

شکل3-23: ANN سه لایه

شکل3-24: منحنی تابع خطی

شکل3-25: منحنی تابع آستانه ای

شکل3-26: منحنی تابع سیگموئیدی

شکل3-27: پرسپترون چند لایه

شکل3-28: شبکه عصبی هاپفیلد گسسته(ونگ و مندل،1991)

شکل 4-1: ساختار کلی تشخیص خطا

شکل4-2: ساختار کلی پردازش سیگنال در موجک

شکل4-3: تحلیل جریان استاتور درحالت خطادار (35دور) با db8   در بی باری

شکل4-4: : تحلیل جریان استاتور درحالت خطادار (20دور) با〖db〗_8  در بی باری

شکل4-5: : تحلیل جریان استاتور درحالت خطادار (10دور) با〖db〗_8  در بی باری

شکل4-6: : تحلیل جریان استاتور درحالت سالم با〖db〗_8  در بی باری

شکل4-7: : تحلیل جریان استاتور درحالت خطادار(35دور)با〖db〗_8  در بارداری

شکل4-8: : تحلیل جریان استاتور درحالت خطادار(20دور)با〖db〗_8  در بارداری

شکل4-9: : تحلیل جریان استاتور درحالت خطادار(10دور)با〖db〗_8  در بارداری

شکل4-10:تحلیل جریان استاتور در حالت سالم با〖db〗_8 در بارداری

شکل4-11: ضرایب موجک برای جریان استاتور ماشین خطادار(با خطای 35دور)در بی باری با〖db〗_8

شکل4-12: ضرایب موجک برای جریان استاتور ماشین خطادار(با خطای 20 دور)در بی باری با

شکل4-13: ضرایب موجک برای جریان استاتور ماشین خطادار(با خطای 10دور)در بی باری باdb8

شکل4-14: ضرایب موجک برای جریان استاتور ماشین سالم در بی باری با db8

شکل4-15: نمای شبکه عصبی

شکل4-16: خطای train کردن شبکه عصبی

فهرست جداول:

جدول4-1 : انرژی ذخیره شده در ماشین سالم

جدول 4-2: انرژی ذخیره شده در ماشین خطا دار (10 دور)

جدول 4-3: انرژی ذخیره شده در ماشین خطا دار (20 دور)

جدول 4-4: انرژی ذخیره شده در ماشین خطا دار (35 دور)

جدول4-5: نمونه های تست شبکه عصبی

منابع و مأخذ:

[ 1] Austin H. Bonnet ; George G . Soukup, “Cause and analysis of stator and rotor failures is 3 phase squirrel cage induction motors” IEEE trans-on Industry application vol 28, no. 7, july 1992.pp 921-237.

 [2]  Thorsen, O.V. and Dalva, M, “Condition monitoring methods, failure identification and analysis for high voltage motors in petroche mical Industry”, electrical machines and Drives, eight International conference.1997.

[3]  R.M. Mccoy, R.M., P.F. Albrecht, J.C. Appiarius, E.L. Owen, “Improved motors for utility applications,” volume 1: Industry  assessment study update and analysis”. EPRIEL – 4286  (RP – 1763 –2), 1985

4[4]  Hamid A.Tolyiat, Thomas A. Lipo, “Transient analysis of cage induction machines under stator, rotor bar and end ring faults”, IEEE trans. On energy conversion, vol 10 no. 2 june 1995.

 [5]  Gojko Joksimovic, Jim Penman, “The detection of interturn short circuits in the stator windings of operating motors.” 1998 IEEE.

[6]  G. Gentile, A. Ometto, N. Rotondale, C. Tassoni, “A.C. Machine performances in faulted operations”, 1994 IEEE.

 [7]  B.Yazici, G.B.Kliman, W.j.Premerelani, R. A. koegl, G.B.robinson and  A.Abdel-malek, “An adaptive, online, statistical method for bearing fault detection using stator current”, proceeding of the IEEE-IAS Annual meeting conference, New Orleans, LA, oct. 5-9, 1997,pp.213-22.

 [8]  Subhasis. Nandi, “Fault analysis for condition monitoring of induction motors”, Jadavpur university, Calcutta, India; (may 2000).

[9]  K. Abbaszadeh, J. Mili monfared, M. Haji, H. A. Toliyat, “Broken bar detection in induction motor via wavelet transformation”, the 27 th Annual conference of the IEEE industrial electronics society, 2001,0 -7803 – 7108 -9/01

 [10]  P.J.Tavner and J.penman, “Condition monitoring of electrical machines,” Research studies press ltd, uk,1987.

 [11] Slemon, “Modelling of  induction machines for electric drives”, IEEE Transaction on industry applications 1989.

[12] Thomson, W.T, “ Industrial application of current signature analysis to diagnose fault in 3-phase squirrel cage induction motors” pulp and paper industry thechnical conference, conference record of 2000, pp 205-211.

[13] G. Stone and j. Kapler, “Stator winding monitoring”, IEEE industry applications magazine, vol.4,no.5,pp.15-20, sept/oct,1998.

[14] G. Jok Simovic and J. Penman, “The detection of interturn short circuits and in the stator winding of operating motors” proceedings of the IEcon” 98 conference, 31 aug -4 sep, A achen, Germany.1998,pp.1974-1979.

 [15] M. E. H  Benbouzid, M. Vieira, C. Theys “Induction motors faults detection and localization using stator current advanced signal processing techniques” IEEE transactions on power electronics, vol.14,no1,pp.14-22, jan,1999.

[16] S. Nandi, H. A. Toliyat, “ Fault diagnosis of electrical machines- a reviw” , proceeding of the IEMD’99 conference, seattle, WA, May 9-12, 1999,pp.219-221.

[17] S. Williamson and  P. Mirzoian, “ Analysis of cage induction motor with stator winding faults”, IEEE transaction on power apparatus and system, vol.104,no 7, pp.1838-1842, july,1985.

[18] Wilson, R“Wavelets? ” on Application of wavelet  transform in Imag processing IEEE colloguium on published 1993.

[19] Yung-Da-wang; Paulik ,M.j“Discrete wavelet for target recognition”circuit and system , 1996,IEEE 39 th Midwest symposium on published 1996,vol 2.

 [20] Liao wei, Han pu, “ Wavelet neural network aided on-line detection and diagnosis of rotating machine fault,”2008 chinese control and decision conference .( CCDC 2008) ,978  -  1-  4244 -1734 -6/08

[[21] Xu Long- yun, Rui Zhi-yuan and Feng Rui-cheng, “Gear faults diagnosis based on wavelet neural networks,” Proceeding  of 2008 IEEE international conference on Mechatronics and Automation, 978- 1 -4244 -2632 -4/08.

 [22] Qing Yang, Lei gu, Dazhi Wang and Dong Sheng  ww, “Fault diagnosis approach on probabilistics neural network and wavelet analysis,” proceedings of the 7th world congress on intelligent control on automation’ June 2008, Chongqing, china,978 -1 -4244 -2114 -5/08.

[23] Bei- Ping Hou, Wen Zhu, Xin-Jian, xing-yao Shang, “Applied study of electromotor fault diagnosis based on wavelet packets and neural network,” Proceedings of the Fifth international conference on machine learning and cybernetics, Dalian, August 2006, 1- 4244- 0060- 0/06.

[24] F. Filippetti, G. Franceschini, C. Tassoni, “ Neural networks aided on-line diagnostics of induction motor faults” , proceeding of IEEE-IAS Annual Meeting conference,pp.316-323, vol 1, Toronto, Canada, oct.2-8,1993.

[25] Kuihe Yang, Ganlin Shan, Lingling Zhao, “Application of wavelet packet analysis and probabilistic neural  networks in fault diagnosis” proceeding of the 6th world congress on intelligent control and Automatiou, June 2006, Dalian, china.

[26] Zhen Liu, Hui Lin and Xin Luo, “Intelligent built in test fault diagnosis based on wavelet analysis and neural  network, “ proceeding of the 6th world congress on intelligent control and automation’ june 2006, Dalian china,1- 4244- 0332- 4/06.

[27] Shie Qian, “Introduction to time-frequency wavelet transform”, china  Machine  press , January 2005.

[28] Sun Fang, Wei Zijie “Rolling bearing fault diagnosis based on wavelet packet an RBF neural network”, proceeding of the 26th chinese control conference’ july 2007, Zhangj iajre, Hunan, china.

[29] Satish Kumar, “Neural network,” publishing  tsinghua  university , August 2006.

[30]  He, Y., Shen , S.,' Ying, H.,' Liu , Z. “Application of wavelet packet decomposition and its energy   spectrum on The fault diagnosis of reciprocation machinery”, zhendong Gongcheng Xuebao/ jurnal of vibration Engineering ,Vol, 14,n1,pp.12-75,March 2001.

[31] Hsin H, Lic. “Adaptive training algorithm for back-propagation neural networks” IEEE transactions on systems ' Man and cybemetics , 1995,25(3) : 512-524.

[32] Y. c. Pati, p. s. Krishna Prasad, “Analysis and synthesis of feedforward neural networks using discrete affine wavelet transformation”, IEEE Trans. Neural network , 1993,4,(1) , pp. 73-85.

 [33] Liu Qipeny, Yu Xiao Ling, Feng Quanke “Fault diagnosis using wavelet neural network” neural processing letters 18: 115 c123,2003.

 [34] Wei Xing, Shu Nat- qiu, OcuI Peng – cheng, “Power transform fault integrated diagnosis based on improved pso- Bp neural network and D-S Evidential Reasoning [j]”, automation of electric power systems , vol 30,pp.46-50,2006.

 [35] Zhen Liu, Huilin, Xin Luo, “Intelligent built-in test fault diagnosis based on wavelet analysis and neural networks”, proceeding of the 6Th world congress on intelligent  control and Automation , june 2006 , Dallion , china

[36] Bao- Jia chen, Lili, Xin-Ze Zhao, “Fault diagnosis method integrated on scale – wavlet power spectrum, rough set and neural network”, international conference on wavelet analysis and pattern  recognition, china , Nov 2007,1- 4244- 1066- 5/07.

]37] جعفر میلی منفرد، فرامرز سامانی و بابک معنوی خامنه " مدلسازی و شبیه سازی موتور القایی دو قفسه به کمک نظریه تابع سیم پیچ"، هفتمین کنفرانس مهندسی برق ایران1387.

]38]  حمید رضا اکبری رکن آبادی، " تعمیم نظریه تابع سیم پیچ به منظور در نظر گرفتن اثر اشباع در مدلسازی ماشین القایی" ، پایان نامه کارشناسی ارشد، خرداد 1384، دانشگاه صنعتی امیر کبیر.

[39]  محمد اسمعیلی فلک ،"آشنایی با ویولت و کاربردهای آن در سیستمهای قدرت" پروژه کارشناسی دانشگاه آزاد واحد اردبیل  ،بهار87.

[40]  آلفرد مرتینز،  ترجمه دکتر محمد حسن مرادی, " ویولت، فیلتر بانک، تبدیل زمان  فرکانس و کاربردهای آنها" انتشارات دانشگاه پلی تکنیک تهران  , زمستان 84.

[41]  مصطفی کیا، "شبکه های عصبی در matlab "انتشارات خدمات نشر کیان رایانه سبز  زمستان 1387.

[42]  پروفسور رابرت جی. شالکف، ترجمه دکتر محمود جورابیان، "شبکه های عصبی مصنوعی" انتشارات دانشگاه شهید چمران اهواز، سال 1382.

اختصاصی از فی بوو آموزش تشخیص الگوهای شطرنج Train Your Chess Pattern Recognition دانلود با لینک مستقیم و پر سرعت .

آموزش تشخیص الگوهای شطرنج
Train Your Chess Pattern Recognition

حرکات کلیدی و الگوهای وسط بازی
More Key Moves & Motifs in the Middlegame

by Arthur Van de Oudeweetering

با  فرمت: PDF

نسخه ارجینال

انتشارات: 2016 

آرتور ون د اودویترینگ برای هر بازیکنی در هر سطح مطالب آموزنده ای دارد که استفاده از آنها همانند قرار دادن بلوک هایی برای ساختن ساختمان (دانش) شطرنج است.

تشخیص الگو یکی از مکانیسم های مهم پیسرفت در شطرنج است. این به شما کمک می کند به سرعت در هر موقعیت حرکات و مانور ها را تشخیص داده و آز آن استفاده کنید.

در کتاب، تمرینات عملی به خوبی ارائه شده اند ، استاد بین المللی ون د اودویترینگ صدها تم وسط مهم و آموزنده وسط بازی را آموزش میدهد.

پس از مطالعه این کتاب شما حرکات درست را بیشتر و سریع تر از قبل پیدا میکنید.

برای تست یادگیری شما، ون د اودویترینگ تمرینات فراوانی در این کتاب قرار داده است.

آرتور ون د اودویترینگ استاد بین المللی و یک مربی شطرنج با تجربه از هلند است.

تشخیص حالت چهره بر اساس الگوهای باینری محلی

اختصاصی از فی بوو تشخیص حالت چهره بر اساس الگوهای باینری محلی دانلود با لینک مستقیم و پر سرعت .

تشخیص حالت چهره بر اساس الگوهای باینری محلی(2009)

Facial expression recognition based on Local Binary Patterns: A comprehensive study

31 صفحه ترجمه فارسی مقاله