داکز دی ال
دانلود مقالات و جزوات آموزشی - دانشگاهیداکز دی ال
دانلود مقالات و جزوات آموزشی - دانشگاهیپایان نامه مقایسه روش SVM و شبکه عصبی در طبقه بندی تصاویر ماهواره ای چند طیفی
تهیه نقشه های زمین شناسی توسط
تصاویر چندطیفی، با توجه به نزدیکی رفتار طیفی بسیاری از سنگها
می تواند امری دشوار باشد. لذا در این پژوهش روش ماشین
بردار پشتیبان (SVM)، بعنوان یکی از رو شهای طبقه بندی تصویر که قابلیت انعطاف مناسبی برای حالات مختلف دارد مورد استفاده قرار گرفت و کرنلهای مختلف آن با روش شبکه های عصبی
(NNC) بمنظور تولید نقشه زمین شناسی و با مقادیر مختلف نمونه های تعلیمی و با توجه به برداشتهای زمینی
و
مطالعات آزمایشگاهی، مورد تحلیل و ارزیابی قرار گرفت. نتایج
به دست آمده نشان داد روش SVM در هر سه کرنل خود توانسته است بیشترین دقت (83.42%) را نسبت به دو روش دیگر ارائه کند. همچنین روش
SVM با % 50 از داده
های
تعلیمی نیز می تواند به دقتی معادل استفاده از % 100 نمونه های تعلیمی برسد در حالیکه روش NNC چنین قابلیتی را از خود نشان نداد. از طرفی ارزیابی نتایج حاصل از شاخص تفکیک پذیری جفریس- ماتوسیتا با نتایج دقت طبقه بندی به روش SVM گویای این حقیقت است که این روش در داده های با تفکیک پذیری پایین تر بسیار کارآمد
تر از روش NNC مورد بحث بوده و بنابراین به نظر می رسد این روش برای تهیه نقشه زمین شناسی مناسب تر از روشNNC خواهد بود.
برق 69. یک مدل داده‌کاوی برای حفاظت خط انتقال مبتنی بر ادوات FACTS
یک مدل داده‌کاوی برای حفاظت خط انتقال مبتنی بر ادوات FACTS
چکیده- این مقاله یک مدل داده‌کاوی برای شناسائی ناحیه خطای یک خط انتقال مبتنی بر سیستم‌های انتقال ac انعطاف‌پذیر (FACTS) ارائه می‌کند که شامل جبرانساز سری کنترل‌شده با تریستور (TCSC) و کنترلر یکپارچه عبور توان (UPFC) است، و از مجموعه درختان تصمیم استفاده می‌کند. با تصادفی بودن مجموعه درختان تصمیم در مدل جنگل‌های تصادفی، تصمیم موثر برای شناسائی ناحیه خطا حاصل می‌شود. نمونه‌های جریان و ولتاژ نیم سیکل پس از لحظه وقوع خطا به عنوان بردار ورودی در برابر خروجی هدف "1" برای خطای پس از TCSC/UPFC و "1-" برای خطای قبل از TCSC/UPFC ، برای شناسائی ناحیه خطا به کار می‌رود. این الگوریتم روی داده‌‌های خطای شبیه‌سازی شده با تغییرات وسیع در پارامترهای عملکردی شبکه قدرت منجمله شرایط نویزی تست شده است و معیار قابلیت اطمینان 99% با پاسخ زمانی سریع بدست آمده است (سه چهارم سیکل پس از لحظه خطا). نتایج روش ارائه شده به کمک مدل جنگل‌های تصادفی نشان دهنده تخیص قابل اعتماد ناحیه خطا در خطوط انتقال مبنی بر FACTS است.
عبارات کلیدی- رله دیستانس، تشخیص ناحیه خطا، جنگل‌های تصادفی (RF ها)، ماشین بردار پایه (SVM)، جبرانسازی سری کنترل‌شده با تریستور (TCSC)، کنترلر یکپارچه عبور توان (UPFC).