دانلود ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر

ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر

تاکنون برای حذف نویزهای آکوستیکی از روش های فعال1 و غیر فعال2استفاده شده است برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر 500 هرتز)، حذف و یا کاهش داد

دسته بندی	برق
فرمت فایل	doc
حجم فایل	7415 کیلو بایت
تعداد صفحات فایل	110

دریافت فایل

فروشنده فایل

کد کاربری 1024

تمام فایل ها

ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر

چکیده

تاکنون برای حذف نویزهای آکوستیکی از روش های فعال[1] و غیر فعال[2]استفاده شده است. برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر 500 هرتز)، حذف و یا کاهش داد. در روش فعال از سیستمی استفاده می شود که شامل یک فیلتر وفقی است. به دلیل ردیابی خوب فیلتر [3]LMS در محیط نویزی، الگوریتم FXLMS[4] بعنوان روشی پایه ارائه شده است. اشکال الگوریتم مذکور این است که در مسائل کنترل خطی استفاده می شود. یعنی اگر فرکانس نویز متغیر باشد و یا سیستم کنترلی بصورت غیرخطی کار کند، الگوریتم فوق به خوبی کار نکرده و یا واگرا می شود.

بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم که قابلیت حذف نویز، با فرکانس متغیر، در یک مجرا و در کوتاه‌ترین زمان ممکن را دارد. برای دستیابی به آن می توان از یک گام حرکت وفقی بهینه () در الگوریتم FXLMS استفاده کرد. به این منظور محدوده ی گام حرکت بهینه در فرکانس های 200 تا 500 هرتز را در داخل یک مجرا محاسبه کرده تا گام حرکت بهینه بر حسب فرکانس ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی بوسیله ی الگوریتم MUSIC[5] ، را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در کوتاه‌ترین زمان، ممکن شود. در نهایت خواهیم دید که الگوریتم FXLMS معمولی با گام ثابت با تغییر فرکانس واگرا شده حال آنکه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فرکانس متغیر را فراهم می آورد.

همچنین‌به دلیل‌ماهیت غیرخطی سیستم‌های‌ANC ، به ارائه‌ی نوعی شبکه‌ی عصبی‌ RBF TDNGRBF ) [6] ( می‌پردازیم که توانایی مدل کردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریک فرکانس متغیر در یک مجرا استفاده کرده و نتایج آن را با الگوریتم FXLMS مقایسه می کنیم. خواهیم دید که روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (3 برابر) و خطای کمتری (30% کاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یک شبکه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبکه ی GRBF (با ترکیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امکان پذیر می شود. ضرایب بکار رفته در ترکیب خطی با استفاده از الگوریتم [7]NLMS بهینه می شوند.

---

[1] -Active

[2] -passive

[3] -Least mean square

4- Filter- x LMS

5 -Multiple signal classification

6 -Time Delay N- Generalized Radial Basis Function

[7] -Normalized LMS

فهرست مطالب

عنوان	صفحه
چکیده فصل صفر: مقدمه	1 2
فصل اول: مقدمه ای بر کنترل نویز آکوستیکی	7
1-1) مقدمه	8
1-2) علل نیاز به کنترل نویزهای صوتی (فعال و غیر فعال)	9
1-2-1) بیماری های جسمی	9
1-2-2) بیماری های روانی	9
1-2-3) راندمان و کارایی افراد	9
1-2-4) فرسودگی	9
1-2-5) آسایش و راحتی	9
1-2-6 جنبه های اقتصادی	10
1-3) نقاط ضعف کنترل نویز به روش غیرفعال	10
1-3-1) کارایی کم در فرکانس های پایین	10
1-3-2) حجم زیاد عایق های صوتی	10
1-3-3) گران بودن عایق های صوتی	10
1-3-4) محدودیت های اجرایی	10
1-3-5) محدودیت های مکانیکی	10
1-4) نقاط قوت کنترل نویز به روش فعال	11
1-4-1) قابلیت حذف نویز در یک گسترده ی فرکانسی وسیع	11
1-4-2) قابلیت خود تنظیمی سیستم	11
1-5) کاربرد ANC در گوشی فعال	11
1-5-1) تضعیف صدا به روش غیر فعال در هدفون	12
1-5-2) تضعیف صدا به روش آنالوگ در هدفون	13
1-5-3) تضعیف صوت به روش دیجیتال در هدفون	15
1-5-4) تضعیف صوت به وسیله ی ترکیب سیستم های آنالوگ و دیجیتال در هدفون	16
1-6) نتیجه گیری	17
فصل دوم: اصول فیلترهای وفقی	18
2-1) مقدمه	19
2-2) فیلتر وفقی	20
2-2-1) محیط های کاربردی فیلترهای وفقی	22
2-3) الگوریتم های وفقی	25
2-4) روش تحلیلی	25
2-4-1) تابع عملکرد سیستم وفقی	26
2-4-2) گرادیان یا مقادیر بهینه بردار وزن	28
2-4-3) مفهوم بردارها و مقادیر مشخصه R روی سطح عملکرد خطا	30
2-4-4) شرط همگرا شدن به٭ W	32
2-5) روش جستجو	32
2-5-1) الگوریتم جستجوی گردایان	32
2-5-2) پایداری و نرخ همگرایی الگوریتم	35
2-5-3) منحنی یادگیری	36
2-6) MSE اضافی	36
2-7) عدم تنظیم	37
2-8) ثابت زمانی	37
2-9) الگوریتم LMS	38
2-9-1) همگرایی الگوریتم LMS	39
2-10) الگوریتم های LMS اصلاح شده	40
2-10-1) الگوریتم LMS نرمالیزه شده (NLMS)	41
2-10-2) الگوریتم های وو LMS علامتدار وو (SLMS)	41
2-11) نتیجه گیری	43
فصل سوم: اصول کنترل فعال نویز	44
3-1) مقدمه	45
3-2) انواع سیستم های کنترل نویز آکوستیکی	45
3-3) معرفی سیستم حذف فعال نویز تک کاناله	47
3-4) کنترل فعال نویز به روش پیشخور	48
3-4-1) سیستم ANC پیشخور باند پهن تک کاناله	49
3-4-2) سیستم ANC پیشخور باند باریک تک کاناله	50
3-5) سیستم های ANC پسخوردار تک کاناله	51
3-6) سیستم های ANC چند کاناله	52
3-7) الگوریتم هایی برای سیستم های ANC پسخوردار باند پهن	53
3-7-1) اثرات مسیر ثانویه	54
3-7-2) الگوریتم FXLMS	57
3-7-3) اثرات فیدبک آکوستیکی	61
3-7-4) الگوریتم Filtered- URLMS	66
3-8) الگوریتم های سیستم ANC پسخوردار تک کاناله	69
3-9) نکاتی درباره ی طراحی سیستم های ANC تک کاناله	70
3-9-1) نرخ نمونه برداری و درجه ی فیلتر	72
3-9-2) علیت سیستم	73
3-10) نتیجه گیری	74
فصل چهارم: شبیه سازی سیستم ANC تک کاناله	75
4-1) مقدمه	76
4-2) اجرای الگوریتم FXLMS	76
4-2-1) حذف نویز باند باریک فرکانس ثابت	76
4-2-2) حذف نویز باند باریک فرکانس متغیر	81
4-3) اجرای الگوریتم FBFXLMS	83
4-4) نتیجه گیری	85
فصل پنجم: کنترل غیرخطی نویز آکوستیکی در یک ماجرا	86
5-1) مقدمه	87
5-2) شبکه عصبی RBF	88
5-2-1) الگوریتم آموزشی در شبکه ی عصبی RBF	90
5-2-2) شبکه عصبی GRBF	93
5-3) شبکه ی TDNGRBF	94
5-4) استفاده از شبکه ی TDNGRBF در حذف فعال نویز	95
5-5) نتیجه گیری	98
فصل ششم: نتیجه گیری و پیشنهادات	99
6-1) نتیجه گیری	100
6-2) پیشنهادات	101
مراجع	I

ارائه روش جدیدحذف نویزنویز آکوستیکیمجرااستفاده هم زمانفیلترهای وفقیشبکه های عصبیفرکانس متغیرپروژهتحقیقمقالهپژوهشپایان نامهدانلود پروژهدانلود تحقیقدانلود مقالهدانلود پژوهشدانلود پایان نامه

دانلود و خرید شبکه های عصبی

شبکه های عصبی

این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است

دسته بندی	کامپیوتر و IT
بازدید ها	69
فرمت فایل	doc
حجم فایل	701 کیلو بایت
تعداد صفحات فایل	79

فروشنده فایل

کد کاربری 15

تمام فایل ها

این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت می پردازیم.

فهرست مطالب

فهرست	صفحه
مقدمه	1
فصل اول:	2
سابقه تاریخی	2
استفاده های شبکه عصبی	3
مزیتهای شبکه عصبی	3
شبکه های عصبی در مقابل کامپیوتر های معمولی	4
شباهت های انسان و سلول های عصبی مصنوعی	5
چگونه مغز انسان می آموزد	5
انواع یادگیری برای شبکه های عصبی	6
هوش جمعی	12
فصل دوم:	15
معرفی	15
نورون با خاصیت آشوبگونه	16
شکل شبکه	17
قانون آموزش شبکه	18
مدلسازی ژنراتور سنکرون دریایی	21
نتایج فصل	26
فصل سوم :	27
معرفی	27
منحنی طول - کشش	28
فهرست	صفحه
شبکه های عصبی	29
نتایج تجربی	29
نتیجه فصل	33
فصل چهارم:	34
معرفی	34
نمادها و مقدمات	35
نتایج مهم	40
شرح مثال	47
نتیجه فصل	51
فصل پنجم:	53
معرفی	53
شبکه های feedforward رگولاریزاسیون	54
طراحی شبیه سازی	55
شبیه سازی ها	57
نتیجه فصل	59
فصل ششم :	60
فناوری شبکه عصبی	62
فناوری الگوریتم ژنتیک	65
بازاریابی	66
بانکداری و حوزه های مالی	68
منابع	73

شبکه های عصبیهوش جمعیشبکهالگوریتم ژنتیک