لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 64 صفحه
قسمتی از متن word (..doc) :
1
روشهاى آموزش انفرادى (individual instruction)
بسیارى از روانشناسان تربیتى و مربیان آموزشى اعتقاد دارند که موقعیت یادگیرى باید چنان سازماندهى شود که هر شاگرد بر اساس توانایىهاى خود به فعالیت و یادگیرى بپردازد. براى نیل به چنین هدفی، روشهاى آموزش انفرادی، روشهاى بسیار مناسبى هستند؛ زیرا در این نوع از روشها، شاگردان بر حسب توانایىشان پیش مىروند و معلم نیز وقت کمترى صرف تدریس و زمان بیشترى صرف رسیدگى به فرد فرد شاگردان مىکند. البته اولین و اساسىترین گام در راه تحقق چنین هدفى پذیرفتن مفهوم شاگرد محوری در طراحى و آموزش است. در بسیارى از مواقع، دستیابى به هدفهاى آموزشى از طریق آموزش انفرادى بسیار آسانتر و امکانپذیرتر از روشهاى سنتى دیگر است، بویژه اگر روش آموزش انفرادى به طور صحیح بکار گرفته شود، روحیه استقلالطلبى شاگردان در اجراى طرحهاى کوچک و بزرگ تقویت مىشود. آموزش انفرادی، الزاماً به معناى آموزش یک نفر شاگرد توسط یک معلم با برنامه خاص نیست. آموزش انفرادى ممکن است به صورت گروهى نیز انجام گیرد. البته وقتى آموزش انفرادى به صورت گروهى طراحى مىشود، بهتر است گروهى از شاگردان که داراى ویژگىهاى مشترک هستند، تحت آموزش قرار گیرند. روشهاى آموزش انفرادى از نظر نحوه اجرا و مواد آموزشى عبارتند از:
- آموزش برنامهاى (PI)؛ (programmed instruction)
- آموزش به وسیلهٔ رایانه (CAI)؛ (computer assisted instruction)
- آموزش انفرادى تجویز شده (IPI)؛ (individually prescribed instruction)
- آموزش انفرادى هدایت شده (IGE)؛ (individually guided education)
تمام روشهاى فوق ریشه در آموزش برنامهای دارند. این روشها از زمانى که فنآورى تولید مواد آموزشى گسترش یافت، در نظامهاى آموزشى مطرح شدند.
هدفهاى آموزش انفرادى
همانگونه که روشهاى سخنرانى و بحث گروهى براى هدفهاى آموزشى خاصى مناسب هستند، در بسیارى از مواقع لازم است شاگردان به تنهایى کار کنند، اما این مواقع چه زمانهایى هستند؟ یا در چه مواقعى شاگرد را مىتوان در اجراى فعالیتهاى آموزشى با مجموعهاى از مطالب چاپ شده یا آموزش برنامهاى تنها گذاشت؟ پاسخ به چنین سؤالهایى
2
احتیاج به شناخت هدفهاى آموزشى و تحلیل آنها دارد، ولى اینکه آموزش انفرادى چه هدفهایى را دنبال مىکند، به شرح ذیل است:
رعایت تفاوتهاى فردى
انفرادى کردن آموزش یکى از پدیدههاى مهم سالهاى اخیر نظامهاى آموزشى است. بارها معلمان و مربیان آموزشى نسبت به میزان کارآیى روشهاى سنتى تردید کرده و عدم رضایت خود را ابراز داشتهاند. این عدم رضایت تا حدودى ناشى از تفاوتهاى فردى موجود بین شاگردان بوده است. تفاوتهاى فردی، حداقل از دهه ۱۹۲۰، مورد توجه بسیارى از صاحبنظران تربیتى واقع شده است؛ زیرا در این سالها بود که با اجراى آزمونهاى مختلف، به میزان اختلاف بهرهٔ هوشى شاگردان پى بردند. طبیعى است که تفاوتهاى فردى کار معلم و مربى را در روشهاى سنتى و معمول بسیار پیچیده و مشکل مىسازد. تفاوتهاى فردی، روش سخنرانى و حتى روش بحث گروهى را که در آن یک موضوع واحد با یک روش خاص براى همه اجرا مىشود، آشکارا زیر سؤال برده است. اگر در کلاس تفاوتهاى فردى در نظر گرفته نشود، خستگی، انزجار و تنفر از فعالیتهاى آموزشى تقویت خواهد شد. راهحل طبیعى چنین مشکلى به کارگیرى روشهاى آموزش انفرادى یا طبقهبندى شاگردان بر اساس توانایىها است. البته باید توجه داشت که تکنیکهاى آموزش انفرادى به صورت گروهبندى مىتواند مشکل ویژگىهاى ثابت شاگردان را حل کند، ولى هرگز قادر به حل مشکل ویژگىهاى متغیر آنان نیست؛ مثلاً چه بسا شاگردان در یک موضوع خاص، استعدادى یکسان، ولى قدرت درک و دریافت متفاوتى داشته باشند و ممکن است پاسخ به یک شاگرد، براى شاگرد دیگر حتى در یک گروه همسنخ ارضا کننده نباشد.
رشد استقلال در عمل و یادگیرى
گذشته از اینکه در آموزش انفرادی، شاگردان مىتوانند با توجه به استعداد خود به هدفهاى آموزشى دست یابند، روش آموختن مستقل را نیز یاد مىگیرند؛ یعنى در روش آموزش انفرادی، شاگردان یاد مىگیرند که چگونه یاد بگیرند و این خود یکى از هدفهاى مهم آموزشى است؛ زیرا شاگردان باید قادر باشند پس از ترک مدرسه یادگیرى را ادامه دهند.
عادت به مطالعه
معمولاً معلمان و شاگردان انتظار دارند که قوتى در مدرسه یا منزل به تنهایى کار مىکنند، بیشتر یاد بگیرند. این هدف معمولاً از طریق آموزش انفرادى تحقق مىیابد و شاگردان با این روش معلومات زیادترى کسب مىکنند. کسب معلومات بیشتر رضایت از فعالیتهاى
3
آموزشى را فراهم مىکند و بر اثر ادامه فعالیت، شاگرد به مطالعه عادت مىکند و استمرار این عمل، عادت به مطالعه را در او تقویت خواهد کرد.
ایجاد مهارت در مطالعه
معلم مىتواند با ارائه روشهاى صحیح، بر مهارت شاگردان به هنگام مطالعه بیفزاید. رابینسون (Robinson) در سال ۱۹۷۰ در این زمینه، روش مطالعه (SQ3R (survey، question، read، recite، review را پیشنهاد کرده است. مراحل این روش عبارت است از:
الف- مطالعهٔ اجمالی؛ یعنى مطالعهٔ عناوین و یادآورى اطلاعات گذشته.
ب- سؤال (ایجاد سؤالهایى در ذهن)؛ یعنى برگرداندن عناوین کتاب به سؤالهایى که احتمالاً پاسخ آنها باید داده شود.
ج- مطالعه (خواندن)؛ یعنى قرائت دقیق متن براى یافتن پاسخ سؤالات.
د- از بر خواندن؛ یعنى تلاش براى یافتن پاسخهاى دقیقتر سؤالات، بدون استفاده از کتاب.
هـ- بازنگری؛ یعنى مرور یادداشتها و به یاد آوردن نکات مهم.
مطالعه خود هدایتشده و مستقل
معلم ممکن است تکلیفى به فراگیر واگذار کند که انجام دادن آن روزها یا هفتهها به طور بینجامد. او ممکن است شاگرد را براى انجام دادن این کار از حضور در کلاس رسمى معاف کند. این نوع آموزش زمینه را براى مطالعه خود هدایتشده و مستقل فراهم مىسازد. محققان با توجه به مشاهدهٔ ۱۵۰ نمونه از شاگردان دریافتهاند که هرگاه هدفهاى فعالیتهاى آموزشى براى شاگردان باارزش باشد، یادگیرى بارزتر مىشود و شاگردان کار را منظمتر انجام مىدهند. به علاوه، آنان به استفاده از منابع تشویق مىشوند و در نتیجه، ماحصل یادگیرى بهتر و بیشتر از آن چیزى خواهد بود که شاگردان توانایىاش را داشتند. (.pp. 518 - 519 ؛Gage، N.L. ans David Berliner – 1979) براى مطالعه مستقل، معلمان اغلب باید چند نکته را براى شاگردان روشن کنند:
الف- موضوع آموزش.
ب- روشى که شاگردان مىتوانند اطلاعات یا مهارت لازم را به دست آورند.
4
ج- منابع مورد استفاده.
د- مراحل انجام دادن کار در اجرا.
هـ- زمان مورد نیا.
و- روش ارزشیابى کار.
طرح کلر و سطوح مختلف آن
در سال ۱۹۶۸، مقالهاى هیجانانگیز در زمینه آموزش انفرادى توسط اف.اس. کلر انتشار یافت. این مقاله براى آموزش فردى در دانشکدهها و دانشگاهها یک تجدید حیات بود. تا سال ۱۹۷۵، حدود ۲۰۰۰ واحد درسى بر اساس طرح کلر سازماندهى شد. طرح کلر یک واحد درسى را به ۱۵ الى ۳۰ بخش تقسیم مىکند. شاگرد هر بخش را مطالعه مىکند و سپس امتحانى در آن زمینه مىدهد و در صورت موفقیت در امتحان، بخش بعدى را ادامه مىدهد. اساس کار در طرح کلر عبارت است از:
پیشرفت بر اساس توان فردى
یادگیرى تا حد تسلط
تدریس خصوصى
راهنمایى
تکنیکها و روشهاى مکمل همراه با آموزش سنتى
پیشرفت بر اساس توان فردى
شاگرد مىتواند بخشها را با توجه به توان خود و زمانى که در اختیار دارد، مطالعه کند. هر وقت احساس کرد که مطالب آن بخش را یاد گرفته است، آمادگى خود را براى امتحان اعلام مىدارد. امتیاز این روش این است که پیشرفت و درجهٔ یادگیرى شاگرد هیچ ارتباطى با کار سایر همکلاس آنان ندارد و هرکس بر اساس توانایىهاى خود در مطالعه و یادگیرى پیشرفت مىکند.
یادگیرى تا حد تسلط
تا وقتى که شاگرد بخش مورد نظر را تا حد تسلط یاد نگرفته باشد، نمىتواند مطالب جدید را شروع کند. در ضمن، هیچ مجازاتى براى عدم موفقیت او وجود ندارد. لازمهٔ این روش این است که آزمونهاى همتراز ساخته شود؛ زیرا امکان تجدید امتحان وجود دارد. در این روش، شاگرد آنقدر به مطالعه و امتحان ادامه مىدهد تا در یادگیرى به سطح قابل قبولى برسد. معیار قابل قبول معمولاً ۸۰ الى ۹۰ درصد پاسخ صحیح است.
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 62 صفحه
قسمتی از متن word (..doc) :
1
تعاریف و تنظیم داده های آماری :
تعاریف و توزیعهای آماری
تعریف علم آمار :
قبل از آنکه علم آمار تعریف گردد لازم است کمی راجع به تاریخچه آن سخن به میان بیاید تاریخچه علم آماررا می توان از بدو تشکیل دولتها آغاز کرد ، زیرا کلمه آمار Statusticesاز کلمه State به معنی دولت گرفته شده است . دولتهای اولیه نیز برای پی بردن به سلطه و قلمروخود احتیاج به آن داشتند . البته در آن زمان منظور از آمار ارقام و اطلاعات مورد نیاز دولتها برای گرفتن مالیات و سربازی و سایر امور مربوطه به کشورداری و سیاست بوده است .
1
تعاریف و تنظیم داده های آماری :
تعاریف و توزیعهای آماری
تعریف علم آمار :
قبل از آنکه علم آمار تعریف گردد لازم است کمی راجع به تاریخچه آن سخن به میان بیاید تاریخچه علم آماررا می توان از بدو تشکیل دولتها آغاز کرد ، زیرا کلمه آمار Statusticesاز کلمه State به معنی دولت گرفته شده است . دولتهای اولیه نیز برای پی بردن به سلطه و قلمروخود احتیاج به آن داشتند . البته در آن زمان منظور از آمار ارقام و اطلاعات مورد نیاز دولتها برای گرفتن مالیات و سربازی و سایر امور مربوطه به کشورداری و سیاست بوده است .
4
از چند هزار سال قبل از مسیح در کشورهای مصر و چین و هندوستان قدیم سرشماری نفوس و همچنین اندازه میزان – دارائی تحت نفوذ دولتها انجام گردیده است و یا اینکه اغلب به طور ناقص انجام گردیده است ، با این حال همین شمارشهای ابتدائی پایه و اساس آمار امروزی را بنیان نهاده است ولی تقریباً در نیم قرن اخیر همراه با سایر علوم ، علم آمار نیز سیر صعودی را پیموده و گاهی پیشتاز و پیش قراول بعضی از علوم بوده است ، که با استفاده از آن بود که اغلب علوم چند برابر سرعت سیر عادی خود را گرفتند ، زیرا روشها و فنونی که برای تحقیقات علمی ضروری هستند از علم آمار بدست میآید ، بخصوص در علوم فیزیکی و زیست شناسی و اجتماعی و اقتصادی بکار برده می شود . ناگفته نماند گاه ممکن است که یک روش معین تنها به منظور استفاده در یک رشته خاص پژوهش علمی طرح ریزی شده باشد . این بدان معنی نیست که در آن رشته بخصوص آمار کاربرد زیادی دارد .
از آنجائیکه علم آمار ریشه و علایقش به کلیه علوم بشری رسیده است ، امروزه در تمامی دانشگاههای جهان در اکثر رشته های مختلف دانشگاهی اعم از رشته های پزشکی ، فنی ، کشاورزی و برنامه ریزی و… تدریس می شود . برای آنکه هدف این درس بهتر معلوم شود ، لازم است بدواً علم آمار را تعریف نمائیم .
حال چند تعریف را از بین کلیه تعاریف که جامع تر به نظر می آید بیان می کنیم . لازم به تذکر است که برای علم آمار تعاریف زیادی شده است .
آمار علمی است که خواص جامعه را مورد بررسی قرار می دهد .
4
آمار علمی است که مشخصات جامعه ها را به صورت کمی ولی بادر نظراوضاع کیفی آنها مورد بررسی قرار میدهد .
آمار علمی است که اصول وروش جمع آوری اطلاعات آماری ، نمایش دادن آنها ، تجزیه و تحلیل و استنتاج آماری را مورد بحث قرار میدهد .
4-3- واریانس 1Variance
در میانگین قدر مطلق انحرافات برای اینکه انحرافات مثبت و منفی یکدیگر را خنثی نکنند آن را به صورت قدر مطلق بیان کردیم . این منظور از راه مجذور کردن انحرافات نیز ممکن بود تا فرمول از حالت جبری خارج نشود . بدین طریق مشخص کننده جدیدی از پراکندگی که از هر حیث بر مشخص کننده های قبلی برتری دارد بدست خواهد آمد که آن را واریانس می نامند و یا
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..docx) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 16 صفحه
قسمتی از متن word (..docx) :
Dec. 28
Feature Extraction
2
1) چکیده:
در این تمرین روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی را مورد مطالعه قرار میدهیم. در ابتدا روش های مختلف استخراج ویژگی که از آن جمله PCA، LDA، روش قاب بندی و چند روش دیگر هستند را و سپس برای ویژگی های استخراج شده از روش های دسته بندی خطی بیزین و SVM خطی و سپس روش های غیرخطی RBF ، MLP و همچنین SVM غیرخطی برای دسته بندی استفاده شده است. بسته به روش شناسایی بکار گرفته شده، معمولا ویژگی های متفاوتی از دنباله نقاط استخراج می شود. در اکثر روش های موجود استخراج ویژگی، ویژگی ها از روی مختصات نقاط نمونه برداری شده ورودی استخراج می شوند. از مجموعه ی ویژگی های استخراج شده معمولاً تعدادی مفید تر و موثرترند. ما برای تشخیص و انتخاب ویژگی های تاثیرگذارتر از یک الگوریتم ژنتیک استفاده کرده ایم. اما پس از استخراج و انتخاب ویژگی ها نوبت به دسته بندی می رسد. در ابتدا از چند دسته بند خطی استفاده کرده ایم. به راحتی میتوان نشان داد که ناحیههای تصمیمگیری یک ماشین خطی محدودند و این محدودیت انعطافپذیری و دقت دستهبند را کاهش میدهد. مسایل بسیاری وجود دارد که توابع جداساز خطی برای داشتن حداقل خطا در آنها کافی نیستند. علاوه بر این مرزهای تصمیمگیری که کلاسها را از یکدیگر تفکیک میکنند ممکن است همیشه خطی نباشند و پیچیدگی مرزها گاهی اوقات نیاز به استفاده از سطحهای کاملاً غیر خطی را دارند. بنابراین در ادامه ی کار از چند دسته بند غیرخطی نیز استفاده نمودیم. در استفاده از شبکههای عصبی چندلایه، شکل غیر خطی بودن از مجموعهی آموزش فرا گرفته میشود. در روشهای RBF و SVM غیرخطی مشکل اصلی انتخاب توابع هسته غیر خطی مناسب است.
2) مقدمه
اولین الگوریتم دستهبندی در سال 1936 توسط Fisher ارایه شد و معیارهای آن برای بهینه بودن، کم کردن خطای دستهبندی کنندههای الگوهای آموزشی بود. بسیاری از استراتژیهای موجود نیز از همین روش پیروی میکنند. در سادهترین شکل ممکن، دسته بندهای خطی میتوانند دو دستهی متفاوت را تفکیک کنند. با توجه به این موضوع مسالهای را جداییپذیر خطی مینامند که با یک ابرصفحه بتوان محدودهی تصمیم را به دو گروه تقسیمبندی کرد. در عمل میتوان دسته بندهای خطیای را طراحی کرد که بیش از دو گروه را از هم تفکیک کنند. این عمل را با تنظیم محدودههای تصمیم متعدد و آزمونهای چندگانه بر اساس شرایط موجود میتوان انجام داد. ما در این مساله یک دسته بندی با 26 کلاس را داریم.
در روش بیزین احتمال شرطی تعلق بررسی میشود. به این ترتیب که الگوی مورد نظر به دستهای تخصیص داده میشود که احتمال شرطی تعلق بردار مشخصهی الگو به آن دسته ازتمام دستههای دیگر بیشتر باشد. روش بیزین به طور کلی می تواند برای کارایی بسیار مطلوب بهینه شوند. این روش مزایای دیگری نیز دارد که استفادهی از آن را توجیه میکند. این روش میتواند با چند فرض ساده در مورد دادهها کاملاً به شکل روشهای سادهی خطی عمل کند، به علاوه این کار میتواند به
Dec. 28
Feature Extraction
2
گونهای انجام شود که در پایان، مدل قطعی بدون هیچ گونه رجوع به آمار به دست آید. در روش بیزین مشکل کار تعریف احتمالات شرطی مورد نظر قاعدهی بیز است.
یک محقق روسی به نام Vladimir Vapnik در سال 1965 گام مهمی در طراحی دستهبندها برداشت [1] و نظریهی آماری یادگیری را بصورت مستحکمتری بنا نهاد و ماشین بردار پشتیبان را ارایه کرد. ماشینهای بردار پشتیبان در دو حالت جداییپذیر و جداییناپذیر برای دستهبندی الگوهای یک مسالهی چندکلاسه از چند مرز جداکنندهی خطی یا ابرصفحه استفاده میکنند و در واقع حاصلضرب داخلی بردار ورودی با هر یک از بردارهای پشتیبان در فضای d بعدی ورودی محاسبه میشود. Vapnik نشان داد که میتوان بردار ورودی را با یک تبدیل غیرخطی به یک فضای با بعد زیاد انتقال داد و در آن فضا حاصلضرب داخلی را بدست آورد که با این شرایط هستهی مفیدی را خواهیم داشت.
روش RBF یک دستهبندی و تقریبساز تابعی الگوست و شامل دو لایه میباشد که نرونهای خروجی ترکیبی خطی از توابع پایهای را به وجود میآورند که توسط نرونهای لایهی پنهان محاسبه شدهاند. زمانی که ورودی در ناحیهی تعیین شدهی کوچک از فضای ورودی قرار گیرد، توابع اساسی(غیر خطی) در لایهی پنهان، پاسخ غیر صفری به محرک ورودی میدهند. همچنین این مدل به عنوان یک شبکهی دریافتکنندهی ناحیهای شناخته شده است. ما در روش RBF از معمولترین تابع هستهی غیر خطی یعنی سیگموئید استفاده کردهایم.
به طور کلی شبکههای پرسپترون چندلایه شامل چندین پرسپترون ساده هستند که به طور ساختار سلسلهمراتبی، یک شکل پیشخورد با یک و یا چند لایهی میانی (لایههای پنهان) بین لایههای ورودی و خروجی را شکل میدهد. تعداد لایهی پنهان و تعداد نرونهای هر لایه ثابت نیستند. هر لایه ممکن است از نرونهای مختلفی تشکیل شده باشد که این موضوع به کار آنها بستگی دارد. الگوریتمهای آموزشی متفاوتی در روش چند لایه استفاده میشوند.
3) روشهای به کار رفته در این گزارش
در این قسمت روشهای استخراج ویژگی، روشهای انتخاب ویژگی ها جهت بهینه کردن آنها و کم کردن ابعاد مساله با کاهش تعداد آنها و روشهای دستهبندی (خطی و غیرخطی) به کار رفته بررسی شدهاند.
3-1) روشهای استخراج ویژگی
در این قسمت انواع روشهای استخراج ویژگی ها ذکر شده است. ذکر این نکته لازم است که برخی الگوریتم های استخراج برای انتخاب ویژگی های موثر نیز استفاده می شوند ازجمله ی آنها PCA و LDA هستند. اما در این گزارش ما برای بهینه کردن ویژگی ها و کم کردن تعداد آنها و یا به عبارت دیگر برای کاهش ابعاد (Curse of Dimensionality) از الگوریتم ژنتیک استفاده نموده ایم.
Dec. 28
Feature Extraction
4
3-1-1) روش PCA خطی
روشهای استخراج ویژگی یک زیرفضای مناسب m بعدی در فضای اصلی ویژگی ها از d بعد را تعیین می کنند(m
از آجا که PCA یک روش بدون بررسی استخراج ویژگی هاست (Unsupervised)، تحلیل جداسازی از یک اطلاعات گروهی در رابطه با هر الگو برای استخراج (خطی) ویژگی های با قابلیت جداسازی زیاد استفاده می کند. در LDA جداسازی بین کلاسی با جابجایی کل ماتریس کوواریانس در PCA با یک معیار جداسازی عمومی مانند معیار Fisher تائید می شود که در یافتن بردارهای مشخصه sw-1sb نتیجه می شود.( حاصل معکوس ماتریس پراکندگی sw و ماتریس پراکندگی بین کلاسی sb ). معیار دیگر همراه با بررسی (Supervised) برای چگالی های شرایط کلاس غیرگاوسی بر پایه ی فاصله Patrick-Fisher با استفاده از برآورد چگالی Parzen است.
3-1-2) روش Kernel PCA (PCA با هسته یا PCA غیرخطی)
چندین روش برای تعریف روش های استخراج ویژگی غیرخطی وجود دارد. یکی از این روش ها که مستقیماً به PCA مربوط است، Kernel PCA نام دارد. ایده ی اصلی KPCA نگاشتن داده های ورودی بر روی برخی از فضاهای ویژگی F جدید بطور معمولی با استفاده از تابع غیرخطی ∅ و سپس اعمال یک PCA خطی در فضای نگاشت شده است. به هر حال فضایF معمولاً ابعاد بسیار زیادی دارد. برای دوری از محاسبات نگاشت ساده ی ∅، KPCA تنها هسته های Mercel که می توانند به یک نقطه تجزیه شوند را بکار می گیرد.
kx,y=∅x.∅(y)
به عنوان یک نتیجه فضای هسته یک متریک با تعریف مناسب دارد. نمونه های هسته های Mercer شامل چندجمله ای های مرتبه P بصورت
Dec. 28
Feature Extraction
5
(x-y)p و هسته گاوسی هستند.
e-x-y2c
فرض می کنیم که X یک ماتریس الگوی n×d نرمال شده با میانگین صفر است و ∅x یک ماتریس الگو در فضای F باشد. PCA خطی در فضای F بردارهای مشخصه ی ماتریس همبستگی ∅x.∅(y)T را حل می کند که همچنین ماتریس هسته K(X,X) نیز نامیده می شود. در KPCA در ابتدا m بردار ویژگی از K(X,X) بدست می آیند تا یک ماتریس انتقال E را تعریف کنند (E یک ماتریس n×m است که m تعداد ویژگی های دلخواه است و m
3-1-3) روش مقیاس گذاری چندبعدی(MDS)
مقیاس گذاری چند بعدی (MDS)یک روش غیرخطی دیگر برای استخراج ویژگی هاست. هدف این روش بازنمایی یک مجموعه ی چندبعدی در دو یا سه بعد است مثل آنچه ماتریس فاصله در فضای اصلی ویژگی های d بعدی به طور کاملاً ثابت در فضای تصویرشده باقی مانده است. توابع تاکید فراوانی برای اندازه گیری کارایی این نگاشت استفاده شده اند. یک مشکل MDS این است که یک تابع نگاشت ساده و روشن را ارئه نمی کند بنابراین ممکن نیست که یک الگوی جدید را در یک نگاشت برای یک مجموعه ی آموزش مشخص بدون تکرار جایگذاری کند. چندین روش برای عنوان کردن این نقص که از درون یابی خطی تا آموزش شبکه عصبی محدود است مورد بررسی قرار گرفته است. همچنین امکان دارد که الگوریتم MDS مجدداً تعریف شود بنابراین مستقیماً یک نگاشت را تهیه می کند که ممکن است برای الگوهای آزمون جدید استفاده شود.
3-1-4) روش شبکه عصبی روبه جلو (Feed-Forward Neural Network)
یک شبکه ی عصبی روبه جلو یک روال جامع را برای استخراج ویژگی هاو دسته بندی پیشنهاد می کند. خروجی هر لایه ی مخفی ممکن است به عنوان یک مجموعه ی جدید و اغلب غیرخطی از ویژگی ها تعریف شود که در لایه ی مخفی برای دسته بندی ارائه می شوند. در این شرایط شبکه های استفاده شده توسط Fukushima و Lecun که اصطلاحاً آن را لایه های وزنی مشترک نامیده اند، در حقیقت فیلترهایی برای استخراج ویژگی ها در تصاویر دوبعدی هستند. در طول آموزش فیلترها با داده ها برای بیشینه کردن کارایی دسته بندی وفق داده شده اند.
شبکه های عصبی می توانند بطور مستقیم برای استخراج ویژگی ها در یک شکل بدون بررسی (
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 59 صفحه
قسمتی از متن word (..doc) :
59
مقدمه :
روش های خوراک دهی گاو شیری یکی ازموضوعات مورد بحث و جالب بین متخصصان تغذیه است گسترش و توسعه واحد های گاو شیری در اطراف شهر ها جهت تامین نیاز محصولات لبنی مصرف کنندگان ،افزایش اندازه گاو داری ها ،افزایش هزینه نیروی انسانی و افزایش ظرفیت تولیدی گاو های شیری سبب گردیده تا متخصصان تغذیه و مدیران واحد های پرورش ،روش های گوناگون خوراک دهی می توان بر سلامت بازده غذایی ودر نهایت سود آوری واحد به طور چشم گیری موثر باشد .
روشهای خوراک دهی در طی 50 سال اخیر تغیرات زیادی کرده است با یک برسی کلی روشهای و شیوه های ایجاد شده جدید را همراه با برخی عوامل را می توان را به صورت زیر بیان کرد . 1- افزایش در اندازه گله 2- نیاز به افزایش کیفیت خوراک علوفه ای 3- تا کید بر روشهای بهتر در استفاده از نیروی کاری و افزایش زمان صرف شده برای خوراک دهی 4- توجه بیشتر به نقش مدیریت خوراک روی سلامت و تولید مثل 5- کاهش هزینه خوراک و افزایش بهره وری آن 6- تاکید روی نحوه ی تغذیه و به کار گیری مواد آ لی مدفوع .
3
کلیات :
مواد خوراکی عبارت است مواد و عناصر طبیعی که حیوانات برای بقای خود از آنها مصرف می کنند . فرآورده های جانبی برخی کارخانجات می تواند به عنوان خوراک پایه احتمالی ، برای جیره گاو در نظر گرفت ، چنین فرآیندی در بر گیر ندهای پسمانده های کاغذ و دیگر فرآور دهای چوبی هستند . پسمانده های مواد جامد دامی و ذرات علوفه ای یکی از منابع پر فیبری است . به طور کلی رشد از طریق غذاهای فیبری به دست می آید و چاقی از تغذیه ی غذاهای نشاسته ای به دست می آید بنا بر این سیلوی ذرت ،تازه،گندم سایر دانه های نشاسته ای بایستی با احتیاط مصرف شود .علوفه خشک و بقولات وسیلوی گراس ،(علوفه گرامینه)همراه با جو ،یولاف و محصولات فرعی ،علوفه های انتخابی برای تلیسه ها و گاوهای شیری در حال رشد می باشد . عامل موثر در جویدن اندازه ذرات مواد غذایی است ، علوفه خشک بلند یا کاه موجب بیشترین مقدار جویدن به ازای هر ماده خشک مصرفی است . علوفه خشک خرد شده و سیلو در درجه بعدی از از نظر زمان جویدن قرار دارند . مواد دانه ای و محصولات فرعی کار خانجات به زمان کمتری برای جویدن نیاز دارند . به طور کلی می بایست حد اقل 75 درصد (ای . دی .اف )از علوفه تا مین شود و اندازه ذرات علوفه ای نیز می بایست 5% کمتر نباشد با توجه به این که فیبر فوق می بابست قابل هضم نیز باشد . لذا فقط فیبر حاصل از علوفه زود چیده شده می تواند هر دو منظور فوق ( جویدن و قابلیت هضم ) را تا مین کند . و وقتی علوفه دیر چیده شود و یا فیبر با قابلیت هضم بالا برای تولید اسید استیک استفاده شود . هدف از تولید علوفه خشک کاهش میزان رطوبت بالا محصول سبز تا حدودی است . گراس خشک تهیه شده از گیاهان جوان نیز در جیره حیوانات نشخوار کننده عمدتا" به عنوان جایگزینی برای غلات و کنسانترهای پروتیئنی همراه با سیلو و علوفه خشک مصرف می شود . اندازه ذرات مواد خوراکی موجود در جیره خوراکی مبتنی است بر تا مین عناصر غذایی مورد نیاز دام به منظور جبران آنچه را که دام در اثر تولید و حفظ سلامت خود از دست می دهد . علوفه یعنی علف سبز ،علف خشک و علف سیلو شده ، خوراک اصلی دام را تشکیل می دهد که در
3
اولین مورد همراه با سایر مواد خوراکی مصرفی دام را جیره پایه را تشکیل می دهد اما در اکثر موارد همراه با سایر مواد خوراکی مانند غلات یا کنجاله ها مصرف می شود ، خرد کردن علوفه به اندازه های کوتاه مصرف اختیاری ماده خشک سیلو حاصل از حدود 20 درصد در گاوهای شیری را افزایش می دهد که بخشی از آن را می توان بهتر محافظت شدن سیلو و قسمتی را به تسریع در خوردن خوراک توسط دام و کاهش در فاصله زمانی لازم برای یک وعده غذا و شروع نشخوار مربوط به آن مرتبط دانست . زیاد کوتاه و خرد کردن علوفه های سیلو شدنی هر چند باعث تسریع در آزاد شدن کربوهدراتهای محلول در آب ، علوفه و بهتر تخمیر شدن علوفه سیلو شده و در نهایت مصرف زیادتری توسط حیوان می شود . ولی این مساله با زیاد مصرف کردن سوخت ( در ماشین آلات برداشت )نیز همراه است بنابرین اندازه پیشنهادی فوق ( متوسط 25 میلی متر برای قطعات علوفه در هنگام سیلو شدن ) ، بیان کننده این مطلب است که همزمان با کاهش مصرف سوخت و کمتر استفاده کردن از ماشین آلات برای آماده سازی سیلو ی علوفه ای از کاهش ارزش غذایی ماده خشک نیز جلو گیری به عمل می آید.
4
(1)
حد مجاز فیبر و اندازه ذرات خوراک :
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 18 صفحه
قسمتی از متن word (..doc) :
1
1) روش نلدرمید
در سال 1965 نلدرومید کارایی روش هکس، اسپندلی، هیمسورف را با تعیین
سیمپلکس های بدون قاعده افزایش داده اند.
روش آنها یکی از روشهای کارآمد معمولی و در دسترس بود که اگر تعداد متغیرها فراتر از 5 یا 6 نبود به خوبی کار می کرد. مسئله مینیمم سازی f(x) را در نظر بگیرید. فرض کنید x1 یک تخمین اولیه از x* باشد. و فرض کنید رئوس اولیه سیمپلکس به طوری که : که بردارهایی که متناظر و اسکالرهای براساس فاصله ممکن کمیتهای انتخاب می شوند و یا می توان
(A-1)
که در آن بردارهایی که متناظر و است در سیمپلکس کنونی فرض کنید:
یک راس با بیشترین مقدار تابع باشد.
یک راس با دومین مقدار بعد از بیشترین مقدار تابع باشد.
یک راس با کمترین مقدار تابع باشد.
مرکز ثقل تمام رئوس به جز راس باشد. یعنی:
همچنین فرض کنید و ...
سپس روش پیشنهادی نلدرمید را برای min سازی f(x) به صورت زیر توصیه می کنیم:
1) راس های سیمپلکس اولیه را همانطور که در بالا شرح داده شد انتخاب کنید و مقدار f(x) را برای هر کدام از آن راس ها مشخص کنید.
2
2) بازتاب: بازتاب xh را با استفاده از عامل بازتاب تعیین کنید یعنی را طوری پیدا کنید که
یا
3) اگر پس را با جایگزین کنید و سپس به مرحله 2 بازگردید.
4) انبساط: اگر ، سیمپلکس را با استفاده از عامل بسط بسط دهید یعنی را به صورت زیر پیدا کنید. (شکل 3-3)
یا
الف) اگر باشد را با جایگزین کنید و به مرحله 2 بازگردید.
ب) اگر را با جایگزین کنید و سپس به مرحله 2 بازگردید.
5) انقباض: اگر باشد. سیمپلکس را با استفاده از عامل انقباض منقبض کنید. دو حالت در نظر بگیرید:
الف) اگر (شکل 3. 4) پیدا کنید را چنان که :
3
ب) اگر (شکل 3. 5) پیدا کنید را چنان که :
اگر (5 الف) یا (5 ب) به کار برده شود دوباره دو حالت را بررسی می کنیم:
ج) اگر و باشد را با جایگزین کنید و به مرحله (2) بازگردید.
د) اگر یا اندازه سیمپلکس را با نصف کردن فاصله از کاهش دهید و به مرحله (2) بازگردید.
نلدر و مید، را به ترتیب برای عامل های انقباض وانبساط وبازتاب پیشنهاد می کنند.
یک معیار همگرایی مناسب برای پایان محاسبه وقتی است که انحراف استاندارد از کمتر از مقدار مقرر در نظر گرفته شده باشد یعنی هنگامی که:
که در آن
باکس و دیویس و سوان معیار مطمئن تری پیشنهاد می کنند: بدین ترتیب که S را بعد از هر تعیین مقدار تابع k ، تعیین کنیم که k مقرر شده است. هنگامی که دو مقدار متوالی از s کمتر از شد و مقدارهای متناظر از با کمتر از مقدار مقرر شده تفاوت داشت توقف می کنیم.
4
No
No
No
No
No
No
Yes
Yes
Yes
Yes
Yes
Yes
پایان
آزمون همگرایی
(Xi+ Xl )/2را با Xo جایگزین کنید
Xh را با X0o جایگزین کنید
Xh را با Xo جایگزین کنید
Xh را با Xoo جایگزین کنید
انبساط: xoo+y(xc-xc) اگرxoo بیرون دامنه قرار گرفت آن را روی کرانها قرار دهید.
yh را با y0 جایگزین کنید
انقباض: xoo=xc+B(xc-xc)
بازتاب: xo+a(xc-xh) اگر xo بیرون دامنه قرار گرفت آن را روی کرانها قرار دهید.
تعیینxi وxs وxc و مقدارهای yi وyh وys
سیمپلکس اولیه