مقاله با عنوان آنالیز عملکرد حداقل احتمال بلوکه شدن مکالمه برای تخصیص کانال دینامیک (پویا) در شبکه های سلولی موبایل در فرمت ورد در 12 صفحه و شامل مطالب زیر می باشد:
چکیده
مقدمه
فرضیه و مدل ریاضی
فرمت فایل : word(قابل ویرایش)تعداد صفحات29
در این مقاله سعی شده به طور خلاصه موضوع حداقل دستمزد از جنبه های مختلف مورد بررسی قرار گیرد. ابتدا تعریف مختلف حداقل دستمزد روزانه و سپس به هدف از تعیین آن پرداخته شده است. در ادامه به تاریخچه حداقل دستمزد و مقوله نامه ها و توصیه نامه های تصویب شده مربوطه اشاره شده است. در قسمت بعد مقاله ضوابط و معیارهای تعیین و تعدیل و دوره تعدیل دستمزد و همچنین تجارب کشورهای مختلف مورد بررسی قرار گرفته است. در بخش دیگر، آثار مربوطه و سیاست های مکمل جهت دستیابی به هدف مورد نظر تعیین حداقل دستمزد و کاهش اثر منفی اجتماعی آورده شده است.
مقدمه:
حداقل دستمزد ازبحث انگیزترین موارد قانونی کار در کشور است که هر سال هنگام تعدیل آن در اسفند ماه موجب طرح مباحثات زیادی می شود که گاهی شکل حادی نیز به خود می گیرد. حداقل دستمزد در ایران به صورت یه جانبه بین نمایندگان کارگران، کارفرمایان و دولت تعیین می شود که به ندرت بین آنها همخوانی وجود دارد؛ به همین دلیل درباره حداقل مزد سال 1382، در روز آخر اسفند 1381 توافقی اجباری حاصل شد.
در این تحقیق سعی می شود که حداقل دستمزد از جنبه های مختلف مورد بررسی قرار گیرد و در هر قسمت تجارب سایر کشورها نیز جهت پربارتر شدن بحث ذکر شود.
1- مفاهیم و تعاریف
تعاریف مختلفی از حداقل دستمزد ارائه شده است که برخی از آن ها عبارتند از:
حداقل دستمزد عبارت است از نرخ های مزدی که از طریق قانون یا کذاکرات دسته جمعی برقرار می شود و با مزدهای پایین تر از نرخ ها نمی توان کارگران را استخدام کرد یا به عبارت دیگر مزدها نمی توانند و نباید از این حد پایین تر باشند و پرداخت آن باید به صورت نقدی باشد و پرداخت های غیر نقدی که در قراردادها پیش بینی می شود به عنوان پرداختی تلقی می شود بر حداقل مزد است.
منظور از حداقل مزد، مزدی است که بدون توجه به میزان بهره وری کار و دیگر روابط و قوانین حاکم بر مزدها نظیر عرضه و تقاضای نیروی کار، قدرت چانه زنی و مذاکرات دسته جمعی، صرفا بنابر ملاحظات زیستی و معیشتی کارگرو خانواده او تعیین می شود.
ماده 41 فصل سوم قانون کار نیز حداقل دستمزد را به این صورت تعریف می کند: حداقل مزد بدون آن که مشخصات جسمی و روحی کارگران و ویژگی های کار محول شده را مورد توجه قرار دهد باید به اندازه ای باشد تا زندگی یک خانوار را که تعداد متوسط آن مراجع رسمی اعلام می شود تامین نماید.
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه42
فهرست مطالب
مقدمه
تخصیص هزینه‌های سربار برحسب دوایر بمنظور هزینه‌یابی و کنترل هزینه
انتخاب دوایر تولیدی
انتخاب دوایر خدماتی
سربار مستقیم دوایر
منظور نمودن به حساب
مفاهیم و روشهای ارائه شده در این تحقیق غالباً در رابطه با واحدهای تولیدی، مورد بحث قرار می گیرد. اما باید توجه داشت که این مفاهیم و روشها در موارد دیگر از قبیل: (1) واحدهای تجاری کوچک (بطور اعم) (2) واحدهای غیرتولیدی مانند فروشگاه ها و مؤسسات خدماتی نظیر بانکها، شرکتهای بیمه و هتلها و (3) سازمانهای غیرانتفاعی مانند بیمارستانها، کتابخانه ها، مدارس، دانشگاه ها و مؤسسات دولتی، کاربرد دارد. عملاً هر سازمانی که مسئولیت استفاده مؤثر از منابع را بعهده دارد، می تواند و باید از مفاهیم و روشهای حسابداری صنعتی استفاده کند. حسابداری صنعتی مانند بسیاری از رشته های دیگر، در سالهای اخیر تحت تأثیر روشهای مقداری مدیریت و مدلهای تصمیم گیری قرار گرفته و روشهائی مانند با صرفه ترین مقدار سفارش، ارزش فعلی جریان وجوه، بررسی و ارزیابی برنامه ها، تحلیل سودآوری، تحلیل مخاطرات، احتمالات و تحلیل همبستگی آماری و برنامه ریزی خطی برای به حداقل رساندن هزینه و افزایش سودآوری، در آن مطرح می باشد.
در این تحقیق، علاوه بر تشریح مباحث فوق، مطالبی درباره روشهای کاملاً تازه مانند نظریه منحنی فراگیری، بودجه بندی بر مبنای صفر، بودجه بندی بر اساس احتمالات، مفاهیم جدید بازاریابی، نظریه جدید قیمت گذاری انتقالات داخلی و قیمتهای سایه به بحث گذارده شده است. ترکیب مدلهای ریاضی و تصمیم گیری همراه سیستم اطلاعاتی کامپیوتری با جنبه های بنیادی نظری و عملی حسابداری صنعتی و مفاهیم مربوط به علوم رفتاری، قابلیت استفاده این کتاب را برای تدریس در کلاسهای درسی و دوره های آموزشی افزایش می دهد.
2 مقدمه : کیفیت میکروبیال آب نوشیدنی می تواند تغییر کند همزمان با انتقال آن از گیاه مورد آزمایش به همه شبکه ی توزیعی ، حاصلخیزی میکروبیال به عوامل زیر بستگی دارد : * زمان های عبور * شرایط سیستم *مواد ترکیبی * دمای آب * باقیمانده غیر آلوده * شرایط هیدرولیک * ویژگیهای نخستین فیزیکی ، شیمیایی ومیکروبیال آب تصفیه شده .
معنادار و عملی نیست تا برای یک شبکه آب نوشیدن بایر جدا از همه میکروارگانیسم ها تلاش کرد. هدف اصلی جدا کردن ارگانیسم های پاتوژن از آب فراهم شده و جلوگیری از آلودگی در طول تقسیم است. این کار نیاز به مدیریت مؤثر عمل ، نگهداری و تمیز کردن شبکه تقسیم دارد. مرحله مدیریتی باید شامل روش اختیاری جهت به حداقل رساندن همه مواد غذایی میکروبیال و ترکیبات deposit . شکل در شبکه باشد. این کار به ما کمک می کند تا بی رنگ شدن ، مزه دار شدن و طعم دار شدن آب و ازیاد میکروارگانیسم ها جلوگیری کنیم. اهمیت سلامت میکروارگانیسم ها در حال رشد در سیستم های لوله ای فراهم شده در این فصل مورد بحث قرار می گیرند. وجود تعداد زیاد باکتری در آب انتقال یافته ، تشخیص آلودگی جدی از خارج لوله و ساختارهای مخزنی را دشوار می کند. بالاخره اینکه ، فراوانی ارگانیسم های غیر پاتوژینک ممکن است آب را نامطبوع کند و دریافت کنندگان را تشویق به مصرف منبع آبی متناوب ، و احتمام کم سلامت تر کند . این فصل به این مسئله توجه دارد که چگونه تصفیه می تواند برای کنترل رشد میکروبیال ، فساد تدریجی مواد لوله و ساخت deposit ها مثل بیوفیلم ها و رسوب ها به کار گرفته شود. این کار یک راهنمای کلی برای تصفیه آب نیست .
2-2 فاکتورهای رشد میکروبی : فعالیت بیولوژیکی در یک سیستم توزیعی به طور طبیعی ، بیشترین فعالیت در مقابل بین آب و مواد ساختاری است و در deposit ها از طریق فساد تدریجی و ماده خاص صورت می گیرد. رشد بیوفیلم ها به ماهیت ماده ، شرایط هیدرولیک و ویژگیهای فیزیکی و شیمیایی آب بستگی دارد. استمار از اولین تماس بین میکروارگانیسم های خاص و ماده جدید رخ می دهد.سپس از طریق تکامل سطوح خاص گونه ها که می تواند مواد مغذی را از طریق واکنش با شرایط خارجی تغییر کند، تکمیل می شود . وقتی یک بیوفیلم میکروبی شکل می گیرد، یا یک deposit حاوی ماده ارگانیک ایجاد می شود ، می توان آن را به عنوان یک منبع غذایی برای غارتگرانی چون protocea که ممکن است خود توسط حیوانات بزرگتر مثل Asellus quaticus مصرف شود، در نظر گرفت.
فاکتورهای کنترل رشد و توسعه میکروبی در سیستم های توزیعی در نمودار c-1 نشان داده شده است . برخی آنها در ذیل مورد بحث قرار می گیرند.
* دما : اگر مواد غذایی ( مغذی ها ) موجود باشند، فعالیت میکروبی به طور قابل توجهی در دماهای آب بالای 15c ، در غیاب یک باقیمانده غیر آلوده افزایش می یابد.
* PH – بیشتر میکروارگانیسم های زنده در مقادیر ph در آب نوشیدنی یافت می شوند.
* اکسیژن – مواد موجود در آب به طور طبیعی خوب عمل می کنند که خطر فساد تدریجی ایجاد شود . به صورت میکرولوژی ، تولید سولفید و سایر نتایج رکود آنااروبیک را کاهش می دهد.با این وجود ، اکسیژن به لایه زیرین بیوفیلم ها ، بر آمدگی های سایش و سایر قسمتهای لوله و رسوبهای مخزن آنجا آنااروبهایی مثل سولفات کاهش رونده باکتری ممکن است و زیاد شوند نفوذ نمی کند.
* مواد مغذی – اگر چه برخی ارگانیسم ها می توانند روی عناصر معدنی زنده بماند. این ارگانیسم ها در شبکه های توزیع اهمیت چندانی ندارد. با این وجود ، بیشتر میکروارگانیسم ها می توانند زیاد شوند اگر مواد ارگانیک حاوی کربن ، نیتروژن و فسفر کافی وجود داشته باشد .
2-3 اهداف کیفیت آب تصفیه شده : برای جلوگیری یا کاهش ازدیاد باکتری در سیستم های توزیعی ، راهنمایی کلی زیر را باید بکار گرفت.
* به حداقل رساندن ذراتی که کارهای تصفیه را به عقب می اندازند.
* به حداقل رساندن مقدار خاص و غیر قابل حل آهن و ترکیبات منگنز و آلومینیوم که کارهای تصفیه را به عقب می اندازند.
* محدود کردن محتوای ارگانیت قابل درجه بندی تعویق کننده کارها .
* آلودگی آب به دنبال مواد سیستم توزیعی .
* به حداقل رساندن فاکتورهای منتج به مصرف رسوب باقیمانده .
* تطبیق باقیمانده رسوب با شرایط محلی شرایط آب و هوایی .
* معرفی یک سیاست نظارتی که بتواند نقصهای در بدست آمده در بالا تشخیص دهد.
مدیریت رسوبهای باقیمانده :
همه کشورها نگرش یکسانی نسبت به نگهداری رسوبهای باقیمانده در سیستم های توزیعی ندارد. فراهم کنندگان آب در بیشتر کشورهای اروپایی ، برای مثال ، به دنبال کاهش استفاده کلر و مشتقات آن در هر جا که امکان دارد ، از طریق روش اختیاری جدا کردن مواد ارگانیت هستند.
مدلهای مشابه هیدرولیک و نتایج بررسی میکروبیولوژیکی را می توان برای مدیریت رسوبهای باقیمانده استفاده کرد.کنترل رسوبهای باقیمانده از طریق دوزهای ترقی دهنده در فصل 3 توضیح داده شده است. مدل گذاری تجمع یک باقیمانده در توزیع نیاز به دانش واکنشی آن با موارد زیر دارد:
* آب تصفیه شده (کلر به صورت در همان ابتدا مصرف می شود به دنبال یک رویه اما مرحله آهسته ای دارد )؛
* مواد و بیوفیلم های لوله در سیستم ظاهر می شوند.
شامل 13 صفحه word
برنامه ریزی خطی حوزه حداقل ، برای پوشش تنظیم های افراطی در ماشین های یادگیری
خلاصه مطا لب
در بهینه سازی جدید ماشین های یادگیری (ELM) روش های ترکیبی پیشنهاد شده ، که به وسیله آنها ماتریس با پوشش گسترده را توسط تابع صاف ،آرامش عینی ومحدود یت های کلی تر روش برنامه ریزی خطی برای تعیین حوزه حداقل ، در تدوین و شکل گیری پوشش های مشکل تعریف کردیم . ما این روش را برنامه ریزی خطی حوزه حداقل را برای پوشش تنظیم های افراطی ماشین های یادگیری (LPMSSC) نام گذاری کردیم . علاوه بر این در این مقاله ما به مطابقت LPMSSC محدود و LPMSSC گسترده با استفاده از معادله نا اقلیدسی L1 و متریک L- بی نهایت پرداخته و سپس آن برای کاربرد ،روش LPMSSC را در ELM پیشنهاد نمودیم و در نهایت یک داده مستقل در الگوریتم (DDELM) ELM را ارائه دادیم . به این وسیله ما میتوانیم ELM پیوسته را برای طبقه بندی نمونه ها به طریق LPMSSC به دست آوریم . در این مقاله ما به بررسی عملکرد روش ارائه شده از طریق مبنا قرار دادن مجموعه داده ها UCI پرداختیم .
واژه های کلیدی :
ماشین های یاد گیری افراطی ، پوشش مجموعه حوزه های حد اقل ، بر نامه ریزی خطی ، طبقه بندی الگویی
مقدمه :
اخیراً یک الگوریتم یادگیری جدید برای شبکه های کنترل کننده با لایه مخفی منفرد (SLFN) پیشنهاد شده است که ماشین یادگیری افراطی (ELM) نامیده می شود . در(ELM) پارامتر های گره مخفی (وزن های ورودی ،تمایلات پنهان یا مراکز RBF و عوامل موثر بر گره پنهان می باشد که به شکل تصادفی انتخاب شده و وزن های خروجی به صورت تحلیلی با استفاده مور-پنورس (MP) معکوس عمومی تعیین شده اند . ELM تنها به یادگیری بسیارسریع با عملکرد بالاتر کلیت اجرا نسبت به شیب قدیمی بر اساس الگوریتم های یادگیری نمی پردازد بلکه از مشکلات بسیاری که به وسیله شیب ایجاد میگردد که مبتنی بر روش های یاد گیری مانند معیار توقف ، نرخ یاد گیری ، دوره های یاد گیری ، و اقلیت های بومی می باشد جلوگیری می کند .
بنابراین پیشنهاد می شود که نسخه پویا ELM به صورت E-ELM نام گذاری شود ودراین صورت E-ELM ثبت شده می تواند معماری شبکه های فشرده بیشتری را نسبت به ELM اصلی فراهم کند. بنابراین انتخاب معیار عملکرد برای الگوریتم محاسبات تکاملی و همین طور E-ELM ها تعیین می گردد که این معیار ممکن است در ساختارهای توپولوژی های مختلف مورد استفاده قرار گیرد . همین طر برای شبکه های عصبی کنترل کننده ساختار های بسیاری از روش های اکتشافی وجود دارد که مانند ساختار داده ها برای حفظ معیار ها [K] و تعامد حداقل توان (OLS) [16] هرس و تنظیم در حال رشد و مانند آن موثر باشد . د رواقع برای اکثر این روش ها ما به یک معیار قیاسی برای مشکل انتخاب ساختار نیاز داریم که این امر کاملا ً بر تجارب ذهنی مرتبط می باشد . از آنجایی که در اغلب موارد به شکل غیر ضروری تعداد زیادی از نرونها در ELM مخفی می باشد لازم است برای استفاده کار آمد از برخی از آنها ساختار های توپولوژی شبکه های پویاتری را فراهم نمود . در این مقاله ما سعی می کنیم به تعیین مدل توپولوژی شبکه ELM-RBF به عنوان مشکل پوشش مجموعه از حوزه های حد اقل بپردازیم .
در ابتدا ما به تولید داده های حوزه های وابسته با توجه به نمونه های آموزشی و سپس به معرفی مفهوم 1-0 ماتریس پوشش می پردازیم . از آنجایی که راه حل برنامه ریزی عدد صحیح یک سیستم سخت می باشد ما پیشنهاد کنیم که از یک مبنای ساده تابع (مشابه تابع فعال سازی حساب کاربری سنتی مثل شبکه های عصبی کنترل کننده) استفاده گردد. ما دراین مقاله روش پوشش مجموعه حوزه های بر نامه ریزی خطی را(LPMSSC) می نامیم LPMSSC می تواند به صورت اتوماتیک به تولید کنترل کننده های پیوسته در ساختار شبکه های عصبی خنثی با استفاده از دادههای وابسته به تابع صاف و را ه حل برنامه ریزی خطی بپردازد که این می توان در چارچوب تئوری VC توجیه نمود . این مقاله به شکل زیر سازماندهی شده است . در بخش 2 ما به بررسی روش LP و برخی از الگوریتم های توسعه یافته حل مشکل پوشش مجموعه ای از حوزه ها می پردازیم . بخش 3 ارائه دهنده داده های مر تبط با الگوریتم ELM-RBF می باشد . آزمایش های انجام گرفته در این زمینه و بررسی آنها در بخش 4 مورد بررسی قرار می گیرد ودر نهایت اظهارات و نتیجه گیری های انجام شده در بخش 5 ارائه می شود.
2- روش برنامه ریزی خطی پوشش حداقل حوزه های مجموعه
در نمونه های آموزشی داده شده D= در اینجا و می باشد. پوشش مجموعه حوزه ها در مساله طبقه بندی دودویی برای یافتن مجموعه ای از حوزه ها با طبقه بندی ویژه می باشد که در این صورت و است در اینجا هر حوزه Si توسط مرکز C(Sj) ،شعاع r(si) و برچسب رده r(si) توصیف شده است. اگر در نمونه مفروض Xi به وسیله حوزه Sj پوشش داده شود به عنوان مثال این صورت تنها فاصله اقلیدسی میان نمونه Xi و مرکزC(Sj) کمتر از شعاع r(Sj) خواهد بود که به عنوان نمونه بنابراین با ثبت سوابق قبلی ما می توانیم داده های وابسته به حوزه si را برای xi به شکل زیر تعریف نماییم :
1)
در اینجا xi نمونه ای است که به نزدیکترین طبقه به مثال xi تعلق دارد.
1-2 پوشش مجموعه ای از حوزه های حداقل از طریق برنامه ریزی عدد صحیح
برای مجموعه ای از حوزه های داده شده S={si,i= 1,….,n} مامی توانیم در یک ماتریس پوشش 1-0را چنین تعریف نماییم.
یا
در اینجا d(xi,xj)یک فاصله اقلیدسی میان rj , xi , xj می باشد که شعاع حوزه sj بر xj تمرکز یافته است . بنابراین kij ورودی 1 می باشد که این امر در صورتی ممکن است که حوزه مورد نظر برای xj تمرکز یافته و xi را پوشش دهد . مساله پوشش مجموعه حوزه حداقل می تواند به عنوان برنامه ریزی عدد صحیح به صورت زیر فرمول بندی شود :
3)
در اینجا حاصل جمع شماری از حوزه های است که در مجموعه فرعی حوزه z قرار می گیرد. و شماری از حوزه هایی که است که نمونه xi را در برمی گیرد . حداکثر تابع هدف شمار حوزه ها در زیر مجموعه های z می باشد که دراین وقت محدودیت ها پوشش حوزه ها در حداقل یک نمونه را تضمین می کند . برای برخی از مسائل امکاناتی در هر نکته وجود دارد که می تواند حوزه را تحت پوشش قرار دهد. برای هموار کردن برخی از خطاها ما می توانیم متغییرهای کمکی را معرفی نماییم همچون ماشین بردار کمکی (svm) و این برنامه ریزی عدد صحیح را به صورت زیر بازنویسی نماییم :
4)
در اینجا c>0 یک عدد ثابت است که مبادله میان اشتباهات آموزشی و شماره حوزه را کنترل می کند برای حل مساله برنامه ریزی عدد صحیح ما میتوانیم نتیجه را با استفاده از تابع طبقه بندی به دست آوریم .
5)
علاوه بر این هر دو فرمول (3) و(4) مساله برنامه ریزی عدد صحیح می باشد که LP را برای مجموعه پوشش ماشینی بسط و گسترش می دهد .
2-2پوشش مجموعه حوزه های حداقل گسترده از طریق برنامه ریزی خطی
همان طور که در معادله (2) تعریف شد ماتریس پوشای k به صورت دودویی می باشد که این امر به خاطر عناصر مجموعه s در حوزه می باشد و این امر بیشتر به وسیله تصمیم گیری دودویی حاصل می شو د . ما می
توانیم بار دیگر ماتریس پوشا را با استفاده از تابع صاف ویژه به صورت زیر نشان دهیم :
6)
در اینجا F basis(0) یک تابع صاف همچون یک تابع RBF به صورت
می باشد که یک پارامتر کنترل با سرعت از بین میرود . چیزی که بیشتر ما میتوانیم در این زمینه انجام دهیم کم کردن قیود ومحدودیت ها که در این زمینه وجود دارد که میتواند به صورت در عوض اعداد صحیح ثابت قرار گیرد. برای بررسی طبقه بندی برچسب اطلاعات ما میتوانیم فرمول LP را به شکل زیر به دست آوریم :
7)
تابع هدف شمار حوزه ها در زیر مجموعه به حداقل می رساند در اینجا c>0 ثابت است که مبادله میان خطاهای آموزشی و شمار حوزه ها را کنترل می کند . در نهایت ما می توانیم هر حل کننده LP را به خاطر حل این مساله به کار بریم . بار دیگر ما میتوانیم تابع تصمیم را برای هر نمونه نامکشوف x به شکل زیر نشان دهیم :
8)
3-2 پوشش مجموعه حوزه های حداقل هستهای از طریق برنامه ریزی خطی
به خاطر اینکه روش پیشنهادی به خوبی در فضای ابعادی کار می کند تکنیک هسته ای می تواند مورد استفاده قرار گیرد . برای یاد آوری فوت وفن هسته ای اولا باید تابع غیر خطی استفاده کرد وسپس داده ها را در فضای ویژه F جاسازی نمود که در آنجا نمونه های غیر خطی موجود به شکل خطی نشان داده می شود. در الگوریتم اجرایی بیشتر سعی بر این است که حاصلضرب میانی به شکل جفت در نقاط مختلف جاسازی شود . در نهایت بخش های هسته ای می توانند مورد استفاده قرار گیرند مثلا مضرب درونی در فضای ویژه می تئاند به شکل مستقیم از منابع وتوسط هسته های مرسر مورد محاسبه قرار گیرد . در حال حاضر ما می توانیم تعریفی از داده اهی وابسته به حوزه ها را ارائه دهیم . با استفاده از تابع نقشه کشی غیر خطی ما میتوانیم از گام های مشتق گیری در معادله (1) پیروی کنیم و به این وسیله مساله را می توانیم به این شکل توضیح دهیم :
اگر نمونه داده شده توسط حوزه بالاتر sjk پوشش داده شود در این صورت خواهد بود در اینجا k ارائه دهنده هسته مرسر می باشد . و این امر تنها در صورتی است که فاصله میان نمونه و مرکزc(sjk) از شعاع r(sjk) کمتر است . بنابراین با توجه به نشانه های قبلی ما می توانیم داده های زیر را در ارتباط با حوزه های فوق در sik تعریف نماییم برای هر نمونه در xi فضای ویژه در هسته می شود.
9)
با استفاده از خطوط هسته ای در معادله (9) ما میتوانیم آن را به صورت زیر ساده سازی نماییم :
10)
در نتیجه ما میتوانیم ماتریس پوشای هسته ای 1-0 را به شکل زیر تعریف کنیم :
11)
با استفاده از این تعریف ما میتوانیم به سادگی همان راه حل به عنوان معادل 4 را ارائه دهیم اما توجه کنید که ماتریس پوشا اکنون به صورت هسته ای می باشد
همین طور ما میتوانیم بار دیگر ماتریس پوشای هسته ای را به شکل سلیس به صورت زیر نشان دهیم .
12)
با توجه به تابع RBF ما باید آن را بار دیگر در فضای ویژه هسته به صورت زیر بنویسیم :
13)
در اینجا
این مقاله هسته به دلیل عملکرد عالی درحوزه طبقه بندی انتخاب شده است . بنابراین به دلیل قابل تنظیم و تطبیق می باشد . ما میتوانیم به سادگی آیتم را از معادله 13 پاک کنیم.
بار دیگر ما میتوانیم همان راه حل را همچون معادله 7 ارائه نماییم اما توجه داشته باشید ورودی در ماتریس پوشا در حال حاضر توسط معادله زیر جایگزین می گردد .
با توجه به این که مثال نادیده x از تابع تصمیم هسته ای به شکل زیر تبعیت می کند :
14)
باید توجه کرد که در شکل هسته ای نیازی به دانستن تعابیر واقعی در مرکز فضای ویژه نیست همانطور که پیش از این ذکر شد ما تنها به بدست آوردن حاصلضرب شکل درونی هبورتی که بتواند توسط مرسر هسته ای جایگزین گردد نمی باشیم .
4-2 گسترش فاصله نا اقلیدسی
در واقع جز برای بیان فاصله اقلیدسی یا (L2) همچنان فاصله L1 و فاصله L نامحدود نیز موجود می باشد از آنجا که تنها در زمینه اصلاح ما باید مراقب فاصله متریک باشیم ما فقط داده های وابسته به تعاریف حوزه برای در تعمیم فاصله اقلیدسی را ارائه می دهیم . برای فاصله مورد L1 ما میتوانیم داده های وابسته به حوزه زا به صورت زیر تعریف می کنیم :
15)
در اینجا 1 روش L1 را مشخص می کند
برای فاصله مورد بی نهایت L- ما می توانیم داده وابسته به حوزه را به صورت زیر تعریف نماییم :
16)
در اینجا روش L1 را مشخص می کند
با استفاده از این دو تعریف ما می توانیم به طور طبیعی ،به نتیجه گیری حوزه مربوط به تعیین حداقل پوشش عبارات از طریق LP بپردازیم . توجه داشته باشید ایجاد اصلاحات بزرگ هنوز در فاصله آیتم کذب واوی خلاف واقع می باشد . با انواع فواصل متفاوت ما میتوانیم بسط و گسترش متفتوتی را ایجاد نماییم گام بعدی تقریبا مانند عملکرد در نسخه هسته ای می باشد . به منظور اختصار ما در این مقاله به بحث و بررسی این موضوع نمی پردازیم . اما قطعا تلاش برای استفاده از دیگر فواصل متریک (به غیر از بی نهایت L1 , L2 , L0) ارزشمند است در واقع یکی کردن از دانش های قبلی در یادگیری کارهایی چون فواصل متریک ماهالانوبین از جمله این امور می باشد . بدیهی است که این امر می تواند راهی جهت پیشرفت های آینده باشد .
3- داده های وابسته به الگوریتم ELM-RBF
در این بخش ما داده های وابسته الگوریتم یاد گیری ELM-RBF را پیشنهاد می کنیم . ما نشان می دهیم که چگونه LPMSSC می تواند به اجرای داده های وابسته به توپولوژی ELM-RBF برای مساله طبقه بندی دور ده بپردازد . پیش از اینکه ما به این مبحث وارد شویم ، به طور مختصری به بررسی الگوریتم اصلی ELM-RBF که توسط هوآنک پیشنهاد شده است می پردازیم .
1-3 بررسی ELM-RBF
نمونه آموزشی داده شده D= یک REFNN با هسته های n برای دو طبقه بندی رده می باشد که می تواند به شکل زیر نمایش داده شود
17)
در اینجا رابط فشار I هسته ای و اعصاب خروجی و کاربرد i هسته ای که معمولا به شکل تابع گائوسی می باشد :
18)
در اینجا هسته مرکزی I می باشد و عرض تماس می باشد .
بنابراین الگوریتم اصلیELM-RBF در[9] عبارت است از:مجموعه داده های آموزشی مفروض وشمار هسته ای
گام اول: اختصاص بی هدف مرکز هستهای و عرض تماس
گام دوم : محاسبه لایه پنهانی (هسته) در ماتریس خارجی
گام سوم : محاسبه فشار خارجی
نکته : توجه کنید که در الگوریتم اصلی ELM-RBF هسته مرکزی و عرض فشار کاملا بی هدف و به طور مستقل مجموعه داده ها را آموزش می دهد . این امر نیازمند به شمار هسته ای برای یاد گیری کار می باشد که این روند به خوبی مشخص شده است .
2-3 داده های وابسته به الگوریتم ELM-RBF
فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد
تعداد صفحات این مقاله 14 صفحه
پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید