آموزش پیش بینی بارش با شبکه عصبی مصنوعی

آموزش بدست آوردن بارش و پیش بینی سیلاب با استفاده از شبکه عصبی مصنوعی می باشد. از نرم افزار neurosolutions استفاده کردیم که به صورت یک افزونه به اکسل اضلثه می شود. (اکسل 2007).

برق 100. توسعه یک آنالیز و کنترل زمان-واقعی مبنی بر FPGA برای واسط های تولید توزیع شده

توسعه یک آنالیز و کنترل زمان-واقعی مبنی بر FPGA برای واسط های تولید توزیع شده
    چکیده__ انرژِ بدست آمده از منابع تجدید پذیر این روزها بسیار مهم شده اند، و این اساسا بدلیل سهم ناچیزشان در تولید گازهای گلخانه ای است. مساله ای که مطرح می شود این است که چطور می توان این منابع جدید را به شبکه های سنتی برق اضافه کرد، بطوری که بازده و قابلیت اطمینان این سیستم های تولید توزیع شده (DG) بیشینه شود. سخت افزار مورد نیاز برای این کار بطور کلی یک اینورتر منبع ولتاژی (VSI) است که یک بار معمولی _مانند کاربردهای تک-فاز مسکونی و تجاری_ را تامین کند. همچنین، فرآیند بهینه سازی نایزمند تجزیه تحلیل های معمولی توان می باشد. این مقاله توسعه و ارزیابی های آزمایشی یک سیستم کنترل توان برای یک VSI متصل به شبکه تک-فاز، شامل تحلیل توان را، با استفاده از یک پردازشگر برای پیاده سازی کنترل _یک مدار "آرایه کیت قابل برنامه ریزی میدان" (FPGA)_ ارایه می دهد. ساختار جدید سخت افزار شبکه عصبی خطی تطبیقی (ADALINE)، پیاده سازی الگوریتم های سیستم قدرت را ممکن ساخته، و همچنین اجازه تحلیل زمان-واقعی هارمونیک های مرتبه-بالا را بدون افزایش دادن ناحیه پیاده سازی مدار FPGA، خواهد داد. این ویژگی ها برای واسط های الکترونیک قدرتی DG جدید ایده آل می باشد، که می توان از آن نه تنها برای فرستادن توان اکتیو، بلکه برای جبران سازی هارمونیک ها و توان راکتیو نیز، استفاده کرد. شبیه سازی و نتایج تجربی طرح های پیشنهادی با فرکانس های ثابت و متغیر نیز، پیوست شده اند تا اعتبار انها مورد تاکید قرار گیرد.
    اصطلاحات مربوط__ شبکه عصبی مصنوعی (ANN)، تولید توان توزیع شده، تجزیه و تحلیل توان، آرایه های منطقی قابل برنامه ریزی، اندازه گیری توان، اعوجاج هارمونیکی کل.

محاسبه میزان دمای فتوولتائیک با استفاده از شبکه های عصبی مصنوعی

مقاله ای ISI به زبان انگلیسی 10 صفحه ای با عنوان (محاسبه میزان دمای فتوولتائیک با استفاده از شبکه های عصبی مصنوعی)
به همراه ترجمه فارسی در قالب 17 صفحه + اشکال و نمودار 

کامپیوتر 108. پیش‌بینی موفقیت ERP: یک رهیافت شبکه عصبی مصنوعی

پیش‌بینی موفقیت ERP: یک رهیافت شبکه عصبی مصنوعی
کلیدواژه‌هابرنامه‌ریزی منابع سازمان (ERP) ؛ موفقیت ERP؛ مشخصات/عامل‌های سازمانی؛ شبکه عصبی مصنوعی (ANN) ؛ سیستم خبره
چکیدهبه سیستم برنامه‌ریزی منابع سازمان (ERP) بعنوان نمونه‌ای از سیستم‌های اطلاعات جدید اشاره شده است. با اینحال، دست یافتن به سطح مناسبی از موفقیت ERP متکی به عامل‌های گوناگونی است که این عوامل به یک محیط سازمانی یا پروژه‌ای وابسته هستند. در این مقاله، درمورد ایده پیش‌بینی موفقیت پیش از پیاده‌سازی ERP براساس مشخصات سازمانی، بحث شده است. همچنانکه با نیاز به ایجاد انتظارات از سازمان‌های ERP، یک سیستم خبره با استفاده از روش شبکه عصبی مصنوعی(ANN) برای بیان روابط بین برخی از عوامل سازمانی و موفقیت ERP توسعه داده شد. نقش سیستم خبره در آماده سازی برای به دست آوردن اطلاعات از شرکت های جدید که مایل به پیاده سازیERP هستند، و برای پیش بینی سطح محتمل موفقیت سیستم، است. برای این منظور، عامل‌های مشخصات سازمانی به رسمیت شناخته شده و مدل ANN توسعه داده شده است. سپس، با 171 داده بررسی شده به دست آمده از شرکت‌های خاور میانه که ERP  را تجربه کرده‌اند اعتباردهی می‌شوند. سیستم خبره آموزش دیده، با ضریب همبستگی متوسط 0.744پیش‌بینی می‌کند که نسبتاً بالا است و این ایده وابستگی موفقیت ERP به مشخصات سازمانی را حمایت می کند. علاوه بر این، نرخ طبقه بندی صحیح مجموع 0.685 نشان می دهد قدرت پیش بینی خوب است، که می تواند به پیش بینی موفقیت ERP شرکت‌ها قبل از پیاده سازی سیستم کمک نماید. 

برق 87. پیشبینی قیمت کوتاه مدت مبتنی بر موجک-ELM ترکیبی، برای بازار برق

پیشبینی قیمت کوتاه مدت مبتنی بر موجک-ELM ترکیبی، برای بازار برق 
    چکیده ــ پیشبینی دقیق قدمت برق، چالشی بزرگ برای شرکت کنندگان و مدیران بازار می باشد، زیرا قیمت الکتریسیته دارای نوسانات بسیاری است. پیشبینی قیمت نیز، مهم ترین هدف مدیریتی برای مشارکت کنندگان در بازار است، چرا که مبانی بیشینه کردن سود را، تشکیل می دهد. این مطالعه، عملکرد یک تکنیک شبکه عصبی جدید را بنام ناشین یادگیری سریع (ELM)، در مساله پیشبینی قیمت، بررسی می کند. با در نظر داشتن خط مربوط به بازهای برق که دارای نوسانات بسیاری در قیمت هستند، تکیه به یک تکنیک، خیلی هم سودمند نمی باشد. بنابراین، ELM با تکنیک موجک همراه شده است و یک مدل پیوندی (مرکب) را به نام WELM (ELM مبتنی بر موجک) را تشکیل داده است تا دقت پیشبینی و نیز قابلیت اطمینان آن را، بهبود بخشد. در این روش، ویژگی های بی همتای هر ابزار، تکریب شده اند تا الگوهای مختلفی را در اطلاعات، بدست آورند. قدرت این تکنیک، با استفاده از روش مجموع شده، بهبود بیشتری می یابد. عملکردهای مدل های ارایه شده، با استفاده از اطلاعات موجود در بازارهای برق انتاریو، PJM، نیویورک و ایتالیا، ارزیابی شده اند. نتایج آزمایشی نشان می دهند که روش پیشنهادی، یکی از مناسب ترین تکنیک های پیشبینی قیمت می باشد.     کلیدواژه ها: شبکه عصبی مصنوعی (ANN)، تجدید ساختار، روش مجموع، ماشین یادگیری سریع (ELM)، پیشبینی قیمت، تبدیل موجک