خواص الکتریکی مواد اتصال داده شده

اختصاصی از فی دوو خواص الکتریکی مواد اتصال داده شده دانلود با لینک مستقیم و پر سرعت .

توسعه بسیاری از قطعاتی که در صنعت الکترونیک به کار می روند، مدیون اتصال فلزات، نیمه هادی ها، عایق ها و ابررساناها به یک دیگر و همچنین ترکیب مناسبِ این نوع اتصالات هستند. آن چه در این جا بحث می شود مربوط به اتصالاتی است که هیچ گونه عیبی (حتی مرزدانه) در فصل مشترک آن ها وجود ندارد. لذا فارغ از عواملی که باعث پراکنده شدن ناقل های بار می شود، صرفاً بر اساس تفاوت تابع کارِ دو ماده تحت اتصال، به بررسی خواص الکتریکی پرداخته می شود. بعد از تعریف چند عبارت پرکاربرد در این موضوع، مبانی فیزیکی (تغییر ساختار نواری) انواع اتصالات بررسی می شود. پس از آن، روش های به کار رفته در ساخت و تولید این نوع اتصالات شرح داده می شود. در پایان پس از مروری بر ارتباط ریزساختار و خواص الکتریکی، چند کاربرد از این نوع قطعات ارائه می گردد.

تعداد صفحات: 26 صفحه
با رعایت اصول نگارش متون علمی
از اولین مقالات (review) فارسی کامل و جامع در این زمینه

نویسنده: دانشجوی دکتری دانشگاه صنعتی شریف

تگ: junction , diode , Semiconductor , Devices , نیمه هادی , اتصال , فلز

پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

اختصاصی از فی دوو پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان دانلود با لینک مستقیم و پر سرعت .

فایل : word

قابل ویرایش و آماده چاپ

تعداد صفحه :222

چکیده

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005

پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

   امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.

   داده کاوی یکی از مهمترین روش ها ی کشف دانش است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.داده کاوی را تحلیل گران با اهداف گوناگونی از قبیل کلاس بندی, پیش بینی, خوشه بندی ,تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است.برای پیش بینی مدل رگرسیون خطی ومنطقی و برای خوشه بندی الگوریتم های سلسله مراتبی و تفکیکی, وبرای تخمین مدل های درخت تصمیم و شبکه ی عصبی مطرح می شود. در فصل دوم و سوم با الگوریتم ژنتیک که یکی از الگوریتم های داده کاوی و با شبکه ی عصبی که یکی از مدل های داده کاوی هستند آشنا می شویم .درفصل چهارم به محاسبات نرم و برخی از اجزای اصلی ان و نقش آنها در داده کاوی می پردازیم.

   در فصل پنجم با ابزارهای داده کاوی آشنا می شویم . برای داده کاوی ابزارهای متنوعی وجود دارد. می توان ابزارداده کاوی را با تطبیق آن ابزار با داده های مسئله و با توجه به محیط داده ای که می خواهید از آن استفاده کنید، و امکاناتی که آن ابزار دارد انتخاب کنید.وسپس به داده کاوی با SQLSERVER2005 می پردازیم .ودرفصل ششم به داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان پرداختیم.

 کلمات کلیدی ،کلاس بندی ، خوشه بندی ، پیش بینی ، تخمین

دانلود مقاله با موضوع نگاهی بر داده کاوی و کشف قوانین وابستگی

اختصاصی از فی دوو دانلود مقاله با موضوع نگاهی بر داده کاوی و کشف قوانین وابستگی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word

نعداد صفحات :22

قابل ویرایش

 چکیده:

با افزایش سیستمهای کامپیوتر و گسترش تکنولوژی اطلاعات , بحث اصلی در علم کامپیوتر از چگونگی جمع آوری اطلاعات به نحوه استفاده از اطلاعات منتقل شده است . سیستمهای داده کاوی ,این امکان را به کاربر می دهند که بتواند انبوه داده های جمع آوری شده را تفسیر کنند و دانش نهفته در آن را استخراج نمایند .
داده کاوی به هر نوع کشف دانش و یا الگوی پنهان در پایگاه داده ها اطلاق می شود . امروزه داده کاوی به عنوان یکی از مهمترین مسائل هوش مصنوعی و پایگاه داده ، محققان بسیاری را به خود جذب کرده است . در این تحقیق ابتدا نگاه کلی بر داده کاوی ، استراتژیهای داده کاوی و... داریم ، سپس  مسأله کشف قوانین وابستگی در پایگاه داده را به تفضیل بررسی کردیم و نگاهی به الگوریتمهای موجود برای آن داشتیم . سپس مسأله کشف قوانین وابستگی در پایگاه داده های پویا را مورد بحث قرار دادیم و الگوریتم های ارائه شده مربوطه را مطرح کردیم .

فهرست مطالب:

چکیده
مقدمه
تعریف
کشف دانش در پایگاه داده
آیا داده کاوی برای حل مسائل ما مناسب است؟
جمع آوری داده ها
داده کاوی
تفسیر نتایج
بکارگیری نتایج
استراتژیهای داده کاوی
طبقه بندی
تخمین
پیش گویی Perdiction
Unsupervised Clustering دسته بندی  بدون کنترل  
تحلیل سبد بازاری Market Basket Analyse          
Supervised Data Mining تکنیکهای  داده کاوی تحت کنترل
شبکه عصبی
برگشت آماری1
قوانین وابستگی2
Apriori الگوریتم
الگوریتم     : Aprior TID
الگوریتم partition  
الگوریتم های MaxEclat,Eclat
الگوریتم با ساختار trie
الگوریتم fp-grow
ساخت fp- tree
الگوریتم ساخت fp- tree  
الگوی شرطی
Fp-tree شرطی
الگوریتم برداری
الگوریتم ارائه شده
یک الگوریتم جدید برای پایگاه داده های پویا
نگهداری قوانین وابستگی
الگوریتم کاهشی
نتیجه گیری
مراجع

الگوریتم فوق موازی برای مثلث بندی درون هسته و برون هسته داده بزرگ در E2 و E3

اختصاصی از فی دوو الگوریتم فوق موازی برای مثلث بندی درون هسته و برون هسته داده بزرگ در E2 و E3 دانلود با لینک مستقیم و پر سرعت .

Volume 51, 2015, Pages 2613–2622
ICCS 2015 International Conference On Computational Science

Highly Parallel Algorithm for Large Data

In–Core and Out–Core Triangulation in E² and E³

Abstract

A triangulation of points in E², or a tetrahedronization of points in E³, is used in many applications. It is not necessary to fulfill the Delaunay criteria in all cases. For large data (more then 5 · 10⁷ points),parallel methods are used for the purpose of decreasingrun–time. A new approach for fast, effective and highly parallel CPU and GPU triangulation, or tetrahedronization, of large data sets in E² or E³ suitable for in–core and out–core memory processing, is proposed. Experimental results proved that the resulting triangulation/tetrahedralization is close to the Delaunay triangulation/tetrahedralization. It also demonstrates the applicability of the methodproposed in applications.

---

Keywords

• Triangulation;
• tetrahedronization;
• parallel computing;
• GPU & CPU;
• large data processing

Procedia Computer Science

الگوریتم فوق موازی برای مثلث بندی درون هسته و برون هسته داده بزرگ در E2 و E3

چکیده

یک مثلث بندی از نقاط در E2، یا یک مستطیل بندی از نقاط در E3 در بسیاری از برنامه ها استفاده می شود. لازم نیست در همه موارد معیار دولونه تحقق یابد. برای داده های بزرگ (بیش از 107×5 نقطه)، به منظور کاهش زمان اجرا روشهای موازی استفاده می شود. رویکردی جدید برای مثلث بندی یا مستطیل بندی CPU و GPU سریع، موثر و فوق موازی از داده بزرگ تنظیم شده در E2 یا E3 برای فرآیند حافظه درون هسته یا برون هسته، پیشنهاد شده است. نتایج عملی ثابت کرده است که مثلث بندی یا مستطیل بندی حاصل نزدیک به مثلث بندی یا مستطیل بندی دولونه است. همچنین قابلیت روش پیشنهادی در برنامه ها را نشان می دهد.

واژگان کلیدی: مثلث بندی، مستطیل بندی ، پردازش موازی، GPU و CPU، پردازش داده­های بزرگ

• مقدمه

برنامه های امروزی نیاز دارند که مجموعه داده های بزرگ را با استفاده از پردازنده های مختلف با حافظه اشتراکی یعنی پردازش موازی، و یا روی سیستم ها با استفاده از پردازش توزیعی، پردازش کنند. در این مقاله ما رویکرد جدید قابل اجرایی برای مثلث بندی سریع و کارآمد در E2 و E3 (مستطیل بندی) با استفاده از سیستم موازی یا توزیعی واحد پردازش مرکزی (CPU) و یا واحد پردازش تصویر (GPU)، یعنی روی خوشه های محاسباتی، برای مجموعه داده های بزرگ را توصیف می کنیم.

الگوریتمهای زیادی برای مثلث بندی در E2 و E3 توسعه یافته اند و با معیارهای مختلف توصیف شده اند [1]، [2]، [5]، [8]؛ اغلب به سبب همزادی با دیاگرامهای وورونوی و خصوصیات ریاضیاتی، مثلث بندی دولونه در E2 استفاده می شود. مثلث بندی دولونه زاویه حداقل را حداکثر می کند؛ در سمت دیگر، زاویه حداکثر را حداقل نمی کند، که در بعضی زمینه ها لازم است، مثل سیستم های CAD و غیره. به علاوه، اگر نقاط یک مش مربع تشکیل دهند، الگوریتمها به دقت عددی محاسبات حساس هستند. به خوبی مشخص شده است که مثلث بندی دولونه (DT) شامل ساده سازی های  است که در آن d بعد دار است. پیچیدگی محاسباتی DT  است یعنی برای 2=d،  است و برای 3=d  می باشد.

تحقیق در مورد حافظة اصلی پایگاه داده ها

اختصاصی از فی دوو تحقیق در مورد حافظة اصلی پایگاه داده ها دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:53

 فهرست مطالب

مقدمه

مدلهای هزینه حافظه اصلی

Office-By-Example (OBE)

Smallbase

1. Hardware-based  
2. Application-based
3. Engine-based

ساختارهای شاخص در حافظه اصلی

ساختار T-Tree  

1. الگوریتم جستجو

2 . الگوریتم درج

1. الگوریتم حذف

کنترل همزمانی(  Concurrency Control)

Commit Processing

روشهای دستیابی(Access Methods)

نمایش داده ها (Data Representation  )  

پردازش پرس و جو (Query Processing)

Application program Interface

 Recovery 

خلاصه ای از تکنیک های Recovery

Logging

Checkpointing

Reloading 

نتیجه گیری

منابع

مقدمه

در اواسط دهه 1980، با نزول قیمت DRAM، این ایده مطرح شد که کامپیوترهای آتی با داشتن حافظه اصلی با ظرفیت بالا، می توانند بسیاری از پایگاه داده ها را درحافظه اصلی داشته باشند. در این شرایط می توان همه I/O ها (که بسیار هزینه بر می باشند) را از پردازش DBMS حذف نمود. بنابراین معماری DBMS دستخوش تغییرات جدی می شود و در یک MAIN MEMORY DBMS(MMDBMS)، مدیریت I/O دیگر نقشی نخواهد داشت.

نکته مهم در یک MMDB، چگونگی انجام تراکنشها و recovery بصورت کارا است. برخی از الگوریتمهای پیشنهادی براساس این فرض عمل می کنند که قسمت کوچکی از حافظه اصلی بصورت ماندگار وجود دارد که اطلاعاتش توسط باطری در صورت قطع برق از بین نخواهد رفت. این قسمت از حافظه اصلی برای نگهداری redo log ها استفاده می شود.

تعداد دیگری از الگوریتمهای پیشنهادی پیش فرض حافظه ماندگار را ندارند و همچنان از عملیات I/O برای نوشتن اطلاعات تراکنش در حافظه ماندگار استفاده می کنند. بنابراین در این الگوریتمها عملیات I/O بطور کامل حذف نمی شود، بلکه تعدادشان بسیار کمتر می شود زیرا  I/Oمربوط به نوشتن اطلاعات صفحات buffer ها، حذف خواهد شد.

در یک MMDBMS، ساختارداده های ساده مانند T-Tree و همچنین bucket-chained hash جایگزین ساختارداده هایی چون B-Tree و linear hash در DBMS های مبتنی بر دیسک می شوند. بنابراین سرعت اجرای پرس و جو(پرس و جو) و بهنگام سازی بسیار افزایش می یابد و هزینه index lookup و نگهداری ،فقط مربوط به  پردازنده و دسترسی به حافظه اصلی خواهد شد.

یکی از مشکلات اصلی در MMDBMS ها بهینه کردن درخواستهاست. عدم وجود I/O به عنوان فاکتور اصلی در هزینه ها به معنای پیچیدگی بیشتر مدل کردن هزینه در یک MMDBMS است زیرا در اینجا یکسری فاکتورهای فازی از قبیل هزینه اجرای  پردازنده ، باید در نظر گرفته شوند. در این حالت باید با استفاده از تعامل روش coding، عوامل سخت افزاری مانند  پردازنده و معماری حافظه و پارامترهای پرس و جو، به یک مدل قابل اطمینان از هزینه اجرا در حافظه اصلی رسید.

در دهه 1990، MMDBMS ها با افزایش سایز دیسکها و سایز مسائل همراه با افزایش ظرفیت DRAM ها، به اوج محبوبیت خود رسیدند. MMDBMS ها اغلب برای برنامه هایی که به پایگاه داده Real Time نیاز دارند (مانند سیستمهای embedded سوئیجهای تلفن) ، استفاده می شود. از آنجایط که سایز حافظه اصلی در کامپیوترها روز به روز در حال افزایش است، این امید وجود دارد که برای بسیاری از پایگاه داده هایی که امروزه امکان قرارگفتن آنها بصورت کامل در حافظه اصلی وجود ندارد، این شرایط مهیا شود.