سمینار کارشناسی ارشد برق افزایش ظرفیت در سیستم های MIMO

اختصاصی از فایل هلپ سمینار کارشناسی ارشد برق افزایش ظرفیت در سیستم های MIMO دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب  پی دی اف و 88 صفحه می باشد.

این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-مخابرات طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

چکیده :

سیستم های mimo که از جندین آنت در فرستنده و گیرنده بهره می گیرد ، یک تکنولوژی کلیدی جهت مواجه با افزایش تقاضا برای سستم های مخابراتی بی سیم با سرعت انتقال اطلاعات بالا می باشند هدف اصلی از این سمینار ،بررسی ظرفیت در سیستم های mimo با استفاده از مدل کانال های فضایی و هم چنیم بررسی ظرفیت در کانال های رایلی هم بسته می باشد .

ما ابتدا یم مدل برای تحقیق در سیستم های mimo بیان می کنیم . پس بحث ظرفیت در سیستم های mimo با انتشار در مدل کانال های فضایی با فرض مدل کانال و هم چنین کانال های تک حلقه ای را بررسی می کنیم . و با نتایج بدست آمده نشان می دهیم که ظرفیت در کانال های mimo فشرده مطلوب تر است ولی در عین حال پیچیدگی های مربوط به خود را دارد . یکی از پیچیدگی ها اثر کوپلینگ متقابل است .

در این سمینار تلاش می شود اثر کوپلینگ متقابل بروی ظرفیت کانال های mimo با در نظر گرفتن فاصله عناصر آنتن بررسی شود و نشان خواهیم داد که کوپلینگ متقابل ظرفیت کانال های mimo با در نظر گرفتن فاصله عناصر آنت بررسی شود و نشان خواهیم داد که کوپلینک متقابل می تواند منجر به افزایش و کاهش ظرفیت در فواصل کم عناصر داخلی انت گردد . سپس به بررسی ظرفبت در کانال های رایلی همبسته با در نظر گرفتن حالت های مختلف وجود csi در فرستنده خواهیم پرداخت و آخرین نتایج بدست امده در این زمینه را تا سال 2006 بررسی خواهیم کرد .

مقدمه :

ظرفیت سیستم های mimo موضوع اصلی تحقیقات بی سیم در دهه گذشته بوده است .

هم فوسینی و هم تلاتر ، نشان داده اند که برای کانال های i.i.d ظرفیت سیستم های mimo به صورت خطی با تعداد آنتن ، افزایش می یابد .

این نتیجه گیری می تواند به این صورت بیان گردد که سیستم های mimo با استفاده از مزایای دایوریتی فضای کانال به وسیله انتقال دیتا به صورت ماترسی در امتدا بردرا کانال های بهره برداری مناسبی کرده است یک چشم انداز مناسب از سیستم MIMO در آورده شده است .

سمینار کارشناسی ارشد برق روش های طراحی مدل خودکار مدارهای آنالوگ

اختصاصی از فایل هلپ سمینار کارشناسی ارشد برق روش های طراحی مدل خودکار مدارهای آنالوگ دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب  پی دی اف و 55 صفحه می باشد.

این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-الکترونیک طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

چکیده:

از آنجا که طراحی مدار آنالوگ هنر می باشد، پیاده سازی نرم افزاری که بتواند این امر را مشابه یک فرد خبره انجام دهد، بسیار حائز اهمیت می باشد. به طور کلی طراحی مدارهای آنالوگ شامل دو مرحله می باشد: 1- انتخاب توپولوژی. 2- بهینه سازی مقادیر پارامترهای مدار.

انتخاب توپولوژی به تجربه فرد طراح بستگی دارد. تکنیک های مختلفی از جمله هوش مصنوعی، الگوریتم ژنتیک، عصبی – فازی، آنالیز نمادین و… را می توان برای این انتخاب به کار گرفت. در حالت کلی روش های طراحی خودکار مدار آنالوگ به دو دسته مبتنی بر دانش و مبتنی بر بهینه سازی تقسیم می شوند. در این سمینار به بررسی این روش ها و ابزارهای موجود در حوزه طراحی خودکار آنالوگ پرداخته می شود و یک روش کلی طراحی خودکار آنالوگ که برای کاربردهای مختلف به کار گرفته می شود، بررسی شده است.

مقدمه:

با پیشرفت سریع تکنولوژی ساخت مدارهای مجتمع (IC)، صنعت مدار مجتمع از یک ترانزیستور در سال 1950 میلادی به مدار مجتمع هایی شامل میلیون ها ترانزیستور در آغاز قرن 21 میلادی رسیده است. این پیشرفت نمایی، مشکلات طراحی آنالوگ را نیز به همراه داشته است. از جمله افزایش تعداد طراحان برای طراحی مدار مجتمع می باشد که فراهم کردن آن به سادگی امکان پذیر نیست. تنها راه ممکن استفاده از ابزارهای طراحی به کمک کامپیوتر (CAD) می باشد.

ابزارهای CAD زیادی برای طراحی خودکار موجودند. این ابزارها توسط محققین دانشگاهی و یا توسط شرکت های معتبر به دست آمده اند. نقطه مشترک آن ها در تلاش برای دستیابی به یک روند طراحی خوب تعریف شده، می باشد. طراحی خودکار آنالوگ بیشتر روی ابزارهای ویژه با کاربردهای ویژه متمرکز شده است. برای مثال SPICE یکی از بهترین ابزارهای طراحی سطح مدار است، اما وقتی در یک روند طراحی قرار می گیرد به صورت یک سوال مطرح است. طراحی در حوزه آنالوگ به علت وجود تعداد زیاد پارامترهای آزاد و برهم کنش مبهم مابین آنها، احتیاج به خلاقیت دارد. قبلا طراحی آنالوگ توسط طراحان مجربی انجام می گرفت که فقط از SPICE برای شبیه سازی کمک می گرفتند. این طراحان قادر نبودند دانش خود را در یک چهارچوب مشخص که برای ابزارهای CAD مناسب است، توصیف کنند. بنابراین طراحی آنالوگ بیشتر یک هنر می باشد تا یک علم.

در حالت کلی یک طراح یا حتی یک شرکت نمی تواند در همه رشته های مختلف متخصص باشد. این ما را بر آن می دارد که از مفهوم خاصیت هوشمند (IP) در طراحی IC استفاده کنیم. برای استفاده از این مفهوم در حوزه آنالوگ، یک محیط طراحی خودکار آنالوگ (ADA) تعریف می شود. در این سمینار علاوه بر معرفی ابزارهای طراحی خودکار آنالوگ موجود، یک روش کلی که برای کاربردهای گوناگون زیادی می تواند به کار رود، بررسی می شود. روند طراحی به گونه ای ایجاد شده است که برای هر ابزار، وظیفه، ورودی و خروجی آن به خوبی تعریف شده است و هر ابزار به تنهایی مفید است. همچنین طراح می تواند آنها را به صورت مستقل انتخاب نماید یا در هر نقطه ای از آن دخالت نموده و از دانش خود استفاده نماید.

دانلود پاورپوینت بیوانفورماتیک

اختصاصی از فایل هلپ دانلود پاورپوینت بیوانفورماتیک دانلود با لینک مستقیم و پر سرعت .

سمینار دوره کارشناسی رشته کامپیوتر گرایش نرم افزار

• مقدمه
• تاریخچه بیوانفورماتیک
• شاخه‌های بیوانفورماتیک
• زیست فناوری
• پیشرفت علم بیوانفورماتیک
• زمینه های بیوانفورماتیک
• پژوهش بیوانفورماتیک
• سیستم نرم افزاری بیوانفورماتیک
• مدل سازی کامپیوتر و شبیه سازی

تعداد اسلاید: 24

سمینار کارشناسی ارشد برق بررسی الگوریتم بهینه سازی Simulated Annealing و انواع کاربردهای آن

اختصاصی از فایل هلپ سمینار کارشناسی ارشد برق بررسی الگوریتم بهینه سازی Simulated Annealing و انواع کاربردهای آن دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب  پی دی اف و 65 صفحه می باشد.

این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-کنترل طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

چکیده

در این سمینار الگوریتم جستجوی محلی Simulated Annealing,SA (پخت شبیه سازی شده) را معرفی کرده و جزئیات، مزایا، معایب و کاربردهای آن را مورد بررسی قرار خواهیم داد به طوری که روش های توسعه یافته این الگوریتم نیز به اجمال معرفی می شوند. سپس اهمیت تعیین مشخصات مدارات الکترونیکی (Circuit Sizing) را با انواع روش های موجود برای این کار را مورد بررسی و مقایسه قرار می دهیم. برنامه ریزی هندسی و روش های بر پایه شبیه سازی معروف ترین استراتژی هایی هستند که برای تعیین مشخصات مدار به منظور بهینه سازی آنها به کار می روند که در ادامه با توجه به ضرورت بهینه سازی بلوک های جمع کننده و ضرب کننده که عنصر اصلی در مدارات دیجیتال می باشند، روش SA را به عنوان یک الگوریتم ساده و با قابلیت یافتن نقطه بهینه در کل برای حداقل شدن توان مصرفی و تاخیر در این بلوک ها، انتخاب می کنیم.

مقدمه

جستجو برای یافتن خواسته های مطلوب و بهینه از میان گزینه های قابل انتخاب جزء مسائلی است که بشر همواره با آن مواجه بوده است. در زندگی روزمره نیز به کرات با چنین مسائلی مواجه هستیم مانند: انتخاب یک محل مناسب برای زندگی، تنظیم جدول زمانی برای امتحانات سراسری، یافتن بهترین مسیر برای مسافرت با وسیله نقلیه، حرکت مناسب در بازی شطرنج و… نه تنها در زندگی روزمره بلکه در انواع مسائل مهندسی، معماری، مالی، اقتصادی، تحقیقات اپراتوری، پزشکی، نظامی و… به نوعی با مسائل بهینه سازی مواجه هستیم.

در تمام مسائل جستجو واضح است که یافتن یک حل ممکن برای مسئله بسیار آسان تر از یافتن بهترین حل می باشد. محدودیت ها در یافتن بهترین جواب ناشی از زمان، منابع در دسترس، پیچیدگی طبیعی خواسته های بهینه سازی و کثرت گزینه های قابل انتخاب می باشد.

در بعضی از مسائل بهینه سازی باید عملیات جستجو به نحوی انجام شود که چندین تابع هزینه باهم بهینه شوند (Multi objective). همچنین محدودیت ها و قیودات مختلفی بسته به نوع مسئله وجود دارد به عنوان مثال برای تنظیم بهینه جدول زمانی امتحانات یک دانشگاه چندین موضوع باید در نظر گرفته شود مانند: تعداد دانشجویانی که امتحانات پشت سرهم دارند، تعداد دانشجویانی که بیشتر از یک امتحان در یک روز دارند، حداکثر زمان مشخص شده برای کل امتحانات، حداکثر اتاق های قابل استفاده، تعداد مراقبان امتحانات و… بدون شک پیدا کردن جوابی که تمام خواسته ها و محدودیت ها را برآورده کند کاری بسیار مشکل می باشد.

برای یافتن بهترین جواب باید بیشترین جستجو را انجام داد این خود باعث صرف شدن زمان زیاد و تلاش محاسباتی (effort) حجیم می شود. در مسائل بهینه سازی باید مصالحه ای بین کیفیت جواب و زمان و تلاش محاسباتی برقرار شود. چنانچه محدودیت کمی برای زمان و تلاش محاسباتی وجود داشته باشد می توانیم بیشترین جستجو را انجام دهیم یعنی فضاهای جستجو را به اندازه ممکن بزرگ در نظر گرفته و نقاط بیشتری را از یک فضای مشخص به عنوان حل های ممکن در نظر بگیریم. اما چنانچه محدودیت های ما بر روی زمان و تلاش محاسباتی زیاد باشد نمی توانیم همه نقاط ممکن را جستجو کنیم در نتیجه برای رسیدن به جواب مناسب باید روشی را پیدا کنیم که به سمت جواب های بهتر هدایت شویم. در واقع به جای جستجوی همه نقاط ممکن (explore) باید اطلاعات به دست آورده از جستجوهای قبلی را طوری تحلیل کنیم تا به سمت نقاط بهتر هدایت شویم (exploite). البته این عمل در بعضی از مسائل بسیار مشکل می باشد.

الگوریتم هایی که برای حل مسئله بهینه سازی و جستجو به کار می روند در صورتی که قابل اعمال به دسته وسیعی از مسائل باشند به الگوریتم های همه منظورمه (general – purpose optimization algorithm) موسوم می باشند. این الگوریتم ها نیز بسته به استراتژی جستجو در آنها به دو دسته کلی تقسیم می شوند. دسته اول که به روش محلی تک نقطه ای موسوم می باشند در هر ملحه تنها یک جواب انتخاب می شود. (SA (simulated annealing و جستجوی TABU جزء این دسته می باشند. دسته دیگر به روش های جستجوی دسته جمعی موسوم می باشند. در هر مرحله به صورت موازی چندین حل انتخاب می شود. سپس از میان آن ها حل هایی که دارای بیشترین برازش باشند برای همسایگی در مرحله بعدی در نظر گرفته می شوند و این عمل تکرار می شود.

اکثر الگوریتم های تکاملی جزء روش های جستجوی دسته جمعی می باشند. در بسیاری از مقالات میان الگوریتم های بهینه سازی مقایسه شده است. این مقایسه از چند جهت ضروری می باشد اولا آنکه مقایسه مشخص می کند که برای مسائل مختلف کدام الگوریتم بهتر عمل می کند دوما آنکه برای مسائلی که در آینده مطرح می شوند دید کافی برای حل آنها وجود خواهد داشت. البته این موضوع بستگی به دسته بندی صحیح مسائل بهینه سازی از جهت خصوصیات آنها و سازگاری الگوریتم های بهینه سازی برای هریک از این مشخصات خواهد داشت. سوم آنکه مقایسه الگوریتم ها بر روی یک فرآیند باعث فهم بهتر عملکرد آن فرآیند شده و این امکان را می دهد تا اصلاحات لازم بر روی الگوریتم ها انجام شده یا حتی آنها را با یکدیگر ترکیب کنیم تا از مزایای هرکدام بهره مند شویم.

یکی از مباحث مطرح شده در ریاضیات میزان پیچیدگی الگوریتم ها می باشد. الگوریتمی برای تعیین پیچیدگی یک مسئله وجود دارد که بسته به ساده ترین راه حل ممکن برای آن مسائل را به دو دسته سخت و آسان تقسیم بندی می کند. هرچقدر برای رسیدن به جواب مطلوب تعداد گام های بیشتری صرف شود آن الگوریتم پیچیده تر خواهد بود. مسائل بهینه سازی از جهت پیچیدگی به دو دسته “سرکش” (intractable) و “رام” (tractable) تقسیم می شوند.

مسائل سرکش مسائلی هستند که به طور معمول غیرقابل تصمیم گیری هستند یعنی پیدا کردن حل های ممکن برای آنها بسیار سخت است مانند حل معادلات دیوفانتین که اثبات شده است که هیچ روند پیاپی برای حل همه مثال های آن وجود ندارد. اما مسائل رام مسائلی هستند که راه حل های ممکن برای آن قابل استخراج می باشد اما ممکن است زمان و تلاش محاسباتی زیادی برای جستجوی همه راه حل های ممکن مورد نیاز باشد. در مسائل سرکش هیچ الگوریتمی وجود ندارد که به ازای گام های معین که تابعی چند جمله ای از اندازه مسئله می باشند بتواند آنها و همه مثال های مربوط به آن مسائل را حل کند.

سمینار کارشناسی ارشد برق بررسی حجم محاسبات الگوریتم های MPC

اختصاصی از فایل هلپ سمینار کارشناسی ارشد برق بررسی حجم محاسبات الگوریتم های MPC دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب  پی دی اف و 108 صفحه می باشد.

این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-کنترل طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

چکیده

کنترل کننده های پیش بین از پیش بینی انجام شده توسط مدل سیستم در ساختار کنترل کننده استفاده می کنند. کنترل کننده های پیش بین دارای حجم محاسباتی بالایی هستند برای استفاده از این کنترل کننده ها در سیستم های سریع، لازم است تا با استفاده از ترفندهایی از حجم محاسبات آنها کاسته شود.

در این پایان نامه سعی شده است تا حجم محاسبات الگوهای کنترل کننده های پیش بین محاسبه شود. و با استفاده از روش هایی این حجم محاسبات کاهش داده شوند.

مقدمه

کنترل پیش بین MPC شامل تعدادی از الگوریتم های کنترلی است که براساس مفهوم خاصی عمل می کند. در یک کنترل کننده MPC، تعدادی از ورودی های آینده به گونه ای تعیین می شوند که خروجی پروسه در طول فاصله زمانی معینی، براساس یک تابع معیار به ورودی نزدیک باشد. این محاسبات طی هر زمان نمونه برداری انجام می شود و معمولا اولین عنصر محاسبه شده از سیگنال کنترلی به پروسه اعمال می شود. برای این عمل نیاز به یک مدل در کنار پروسه می باشد تا ورودی های آینده را به آن داده و خروجی های آینده پروسه را طبق آن پیش بینی کرد. از مشکلات اساسی کنترل کننده های پیش بین، حجم بالای محسبات آنها در هر زمان نمونه برداری می باشد. این محاسبات، معمولا به پیچیدگی مدل و فرآیند بهینه سازی تابع معیار ربط دارد. در بهینه سازی، نیاز به ضریب ماتریس ها و معکوس سازی ماتریسی است. همین فرآیند حجم محاسبات بالایی را به خود اختصاص می دهد. شاید همین امر، عامل اساسی محدود شدن استفاده از این نوع کنترل کننده به فرآیندهای کم سرعت و از جمله به فرآیندهای شیمیایی شده است. پیاده سازی این نوع کنترل کننده ها در سرعت های خیلی زیاد از اهمیت بسزایی می تواند برخوردار باشد. در این سمینار حجم محاسبات الگوهای مختلف کنترل کننده های پیش بین مانند MAC و DMC و GPC و D-DMC و FFC و Armakov-PFC برای سیستم های SISO و MIMO بررسی می شود.

فصل دوم

مروری بر الگوریتم کنترل کننده پیش بین و پارامترهای آن

کنترل پیش بین MPC شامل تعدادی از الگوریتم های کنترلی است که براساس مفهوم خاصی عمل می کند. در یک کنترل کننده MPC، تعدادی از ورودی های آینده به گونه ای تعیین می شوند که خروجی پروسه در طول فاصله زمانی معینی، براساس یک تابع معیار به ورودی مرجع نزدیک باشد. این محاسبات طی هر زمان نمونه برداری انجام می شود و معمولا اولین عنصر محاسبه شده از سیگنال کنترلی به پروسه اعمال می شود. برای این عمل نیاز به یک مدل در کنار پروسه می باشد تا ورودی های آینده را به آن داده، و خروجی های آینده پروسه را طبق آن پیش بینی کرد.

کنترل پیش بین در حوزه زمان و به صورت گسسته طراحی می گردد. برای پیاده سازی الگوریتم کنترل کننده پیش بین، در هر زمان نمونه برداری مراحل زیر باید اجرا گردد:

1- مسیر مطلوب آینده محاسبه شود.

2- با استفاده از مدل پروسه خروجی های آینده پیش بینی گردد.

3- برای به دست آوردن سیگنال کنترلی، یک مساله بهینه سازی حل گردد. بهینه سازی به صورت حلقه باز انجام می شود در نتیجه نسبت به کنترل بهینه که در حالت حلقه بسته کار می کند از محاسبات ساده تری برخوردار است.

تفاوت الگوریتم های مختلف کنترل پیش بین را می توان در نوع مدل مورد استفاده برای پیش بینی پاسخ پروسه و در تابع هزینه ای که کمینه می گردد، دانست. در کنترل کننده DMC برای پیش بینی خروجی پروسه از مدل ضرایب پاسخ پله پروسه استفاده می شود. کنترل کننده های پیش بین معروف دیگر، MAC و GPC و DDMC و PFC هستند که به ترتیب از مدل های پاسخ ضربه، تابع تبدیل، پاسخ پله واحد و تابع تبدیل استفاده می کنند.

آنچه که باعث استقبال روزافزون از این نوع کنترل کننده ها شده است را می توان در موارد زیر برشمرد:

– قابل اعمال به سیستم های پیچیده (حلقه باز ناپایدار، نامشخص، دارای صفر سمت راست، تاخیر متغییر و…) است.

– قابل اعمال به سیستم هایی که محدودیت هایی روی ورودی و یا خروجی آنها وجود دارد.

– قابل اعمال به سیستم های خطی و غیرخطی است.

– خطای مدلسازی و اغتشاشات را می تواند جبران کند.

– در مواردی که مسیر مرجع در زمان های آینده، از قبل مشخص باشد، کنترل کننده پیش بین می تواند از این اطلاعات استفاده کند و نسبت به تغییرات مسیر مرجع عکس العمل نشان دهد. بنابراین اثرات نامطلوبی مانند اثر تاخیر زمانی را جبران کند. نتایج به دست آمده بهتر از حالت بدون پیش بینی است.