پروژه نقش تصاویر ماهواره‌ای بعنوان یک ابزار قوی در امر اکتشاف و استخراج -همراه با عکس و نقشه

اختصاصی از فی توو پروژه نقش تصاویر ماهواره‌ای بعنوان یک ابزار قوی در امر اکتشاف و استخراج -همراه با عکس و نقشه دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:99

 فهرست مطالب:
عنوان                                     صفحه
 فصل اول: کانسارهای سرب و روی
1-1 مقدمه    1
2-1 ژئوشیمی و میزالوژی سرب    2
3-1 ژئوشیمی و میزالوژی روی    2
4-1 انواع کانسارهای سرب و روی    3
     1-4-1 اسکارن    3
     2-4-1 رگه‌ای    5
              1-2-4-1 کانسارهای هیپوترمال    5
              2-2-4-1 کانسارهای مزوترمال    6
              3-2-4-1 کانسارهای زینوترمال    6
    3-4-1 استراتاباند    8
              1-3-4-1 تیپ دره می‌سی‌سی‌پی    8
              2-3-4-1 لایه‌ای    10
              3-3-4-1 ماسیوسولفاید    11
     4-4-1 کانسارهای دگرگونی    13
5-1 کانسارهای سرب و روی مهدی آباد    15    
     1-5-1 زمین‌شناسی کانسار سرب و روی مهدی آباد    15
             1-1-5-1 سازند سنگستان    16
             2-1-5-1 سازند تانت    16
             3-1-5-1 سازند آب کوه    17
             4-1-5-1 نهشته‌های کواترنر    17
فصل دوم: کلیات بر سیستم اطلاعات جغرافیایی GIS
1-2 کلیات بر سیستم اطلاعات جغرافیایی GIS    19
2-2 سیستم اطلاعات جغرافیایی GIS    20
3-2 اهداف سیستم اطلاعات    22
4-2 عناصر و اجزای GIS    23
5-2 قابلیت های تحلیلی یک سیستم اطلاعاتی جغرافیایی    24
6-2 کاربرد‌های (GIS)    25
      1-6-2 استفاده از GIS  در برنامه ریزی شهری    62
      2-6-2 GIS در مدل‌سازی مانورهای نظامی    26
      3-6-2 GIS در برخورد با سوانح طبیعی مانند زلزله    27
      4-6-2 تکنولوژی GIS به همراه گیرنده های GPS در شرایط اضطراری نشت         
               نفت در آب دریا    27
      5-6-2 GIS در بررسی و ارزیابی فرسایش خاک    27
      6-6-2 GIS در علوم مهندسی عمران    28
7-2 GIS در اکتشاف معدن    28
      1-7-2 تعیین مکان و محدودة پی‌جویی    29
      2-7-2 تعیین مکان و محدودة اکتشاف نیمه تفضیلی    30
      3-7-2 تعیین محدودة حفاری‌های اکتشافی    38
      4-7-2 تعیین مکان و محدودة اکتشاف تفضیلی    31
      5-7-2 تعیین حمل تأسیسات و ماشین ‌آلات معدن    32
8-2 کاربرد GIS در مهندسی معدن (1)    32
9-2 کاربرد GIS در مهندسی معدن (2)    23
10-2 کاربرد GIS در مهندسی معدن (3)    34
فصل سوم: سنجش از دور
1-3 مقدمه    35
2-3 مبانی سنجش از دور    35
3-3 طیف الکترومغناطیس    37
4-3 مدارها    38
5-3 گزینش سیستم مناسب    40
فصل چهارم: نمایش داده‌ها
1-4 مقدمه    42
2-4 تعریف نقشه    42
3-4 عوارض نقشه    42
4-4 ساختار نقشه    43
5-4 مقیاس نقشه    43
6-4 سیستم تصویر نقشه‌ها    44
      1-6-4 سیستم تصویر لامیر    45
      2-6-4 سیستم تصویر UTM    45
      3-6-4 سیستم تصویر قطبی    45
7-4 نمایش داده‌های جغرافیایی    48
      1-7-4 اطلاعات مکانی    48
      2-7-4 اطلاعات توصیفی    49
8-4 رقومی کردن    49
9-4 نشان دادن عارضه‌ها بر روی یک نقشه    50
      1-9-4 عوارض فضایی    50
      2-9-4 مدل رستری یا شبکه‌ای    52
      3-9-4 مدل برداری    52
فصل پنجم: معرفی برخی نرم‌افزارها
1-5 نرم افزار Er mapper    54
2-5 نرم افزار Ilwis    55
3-5 نرم افزار Arc view    56
4-5 نرم افزارinfo Arc    57
فصل ششم: تهیه نقشه‌های پتانسیل معدن
1-6 تهیه نقشه‌های پتانسیل معدن    58
2-6 مدل مفهومی    60
     1-2-6 مرحلة 1    63
     2-2-6 مرحلة 2    64
     3-2-6 مرحلة 3    68
فصل هفتم: اکتشاف سطحی کانسار سرب و روی مهدی آباد
1-7 اکتشاف سطحی کانسار سرب و روی مهدی آباد    69
     1-1-7 مرحلة اول    70
     2-1-7 مرحلة دوم    71
     3-1-7 مرحلة سوم    75
     4-1-7 مرحلة چهارم    78
              1-4-1-7 Map list    79
              2-4-1-7 انتخاب تصویر کاذب    80
              3-4-1-7 نمونه‌گیری    80
              4-4-1-7 Classify    81
فصل هشتم: مسائل کاربردی نرم افزار ilwis
1-8  ilwis (1)  سیستم مختصات Coordineate System    91
              1-1-8 تصویرگیری نقشه    92
2-8  ilwis(2) زمینه (Domain)    93
3-8 ilwis (3) نمایش و رنگامیزی (Representation)    94
4-8 ilwis (4)  زین مرجع (Georefrence)    94
نتیجه‌گیری    96
پیشنهادات    97    
منابع    98

1-1 مقدمه

سرب در حدود 6 تا 7 هزار سال پیش در مصر و بین النهرین کشف شده است. این فلز در شمار قدیمی ترین فلزهایی است که انسان آن را بکار برده است. به این فلز در زبان انگلیسی Lead در عربی رصاص و در زبان پهلوی سرب گفته می شود. در حدود 4000 سال پیش از میلاد مصری ها و سومری ها از سفید سرب برای آرایش استفاده می کردند. در قرون وسطی از سرب به گستردگی در مصالح ساختمانی استفاده می شده است. در ایران نیز سرب از اواخر هزاره سوم شناخته شده و چون ذوب کربنات های سرب آسان بوده است، معادن کربنات سرب زودتر مورد استفاده قرار گرفته اند.

در حال حاضر مهمترین کاربردهای آن در باطری ها، کابل ها و بلبرینگ ها می باشد. روی در سال 1746 بوسیله شیمیدان آلمانی بنام مارگراف کشف شده است. این فلز برای مدت 2000 سال بعنوان یکی از اجزاء آلیاژ برنج در اروپا و آسیا مصرف می شده است. در حدود 150 سال پیش از میلاد مسیح رومی ها از این فلز و آلیاژهای آن سکه تهیه می کردند. امروزه بیشترین کاربرد روی در صنعت گالوانیزه، ترکیب آلیاژها و الکترونیک است. معمولا سرب و روی با یکدیگر و با فلزاتی چون مس، طلا و نقره همراه می باشند. همچنین کانسارهای سرب و روی با درصدهای متنوعی از این فلزات شناسایی شده اند. (4، ص 5)

2-1 ژئوشیمی و مینرالوژی سرب:

بطور کلی چهار ایزوتوپ پایدار سرب با اعداد جرمی 204،206،207 و 208 وجود دارند که از بین آنها ایزوتوپ 208 با فراوانی 1/52% بیشترین ایزوتوپ سرب است. ایزوتوپ‌های 206،207 و 208 محصولات نهائی متلاشی شدن اورانیوم و توریم می باشند. سرب بطور کلی از لحاظ فراوانی در پوسته زمین در رتبه سی و چهارم قرار دارد، سرب دارای کلارک 3-10*6/1% می باشد، در حال حاضر بطور متوسط حداقل ضریب تجمع سرب برای تشکیل کانسارهای اقتصادی در حدود 2000 می باشد. کلارک سرب از سنگهای باریک به سمت سنگهای اسیدی افزایش می یابد، بطوریکه میزان کلارک در سنگهای اوترابازیک 5-10*1% در سنگهای بازیک 4-10*8% و در سنگهای با منشأ ماگمایی اسیدی 3-10*2% می باشد. (4)

کانی های اصلی سرب و درصد سرب در هر کدام به ترتیب زیر می باشد:

گالن با 6/86% سرب، جیمسونیت با 16/40% سرب، بولانگریت با 42/55% سرب، بورنیت با 6/42% سرب، سروسیت با 6/77% سرب و آنگلزیت با 3/68% سرب.

3-1 ژئوشیمی و مینرالوژی روی:

روی دارای 5 ایزوتوپ پایدار است که اعداد جرمی آن 64، 66، 78، 80 می باشد که در این میان بیشترین ایزوتوپ آن ایزوتوپ 64 با فراوانی 9/48% می باشد. روی از لحاظ فراوانی در رتبه بیست و سوم پوسته زمین قرار دارد. کلارک روی تا حدودی بیشتر از سرب می باشد، میزان کلارک روی 3-10*3/8 و ضریب تجمع آن برای تشکیل کانسارهای اقتصادی 500 می باشد. میزان کلارک روی از سنگهای ماگمائی با منشأ بازی به سمت سنگهای ماگمایی با منشأ اسیدی افزایش پیدا می کند. میزان کلارک در سنگهای اولترابازیک 3-10*3% در سنگهای بازی 3-10*3/1% و در سنگهای اسیدی 3-10*6% می باشد. میزان کلارک در سنگهای اسیدی خیلی نزدیک به میزان کلارک در پوسته است. کانی های اصلی روی و درصد روی هر یک به صورت زیر می باشد:

اسفالریت با 67% روی، ورتزیت با 63% روی، اسمیت زونیت با 52% روی، همی مورفیت با 7/53% روی. (4)

4-1 انواع کانسارهای سرب و روی:

بطور کلی انواع کانسارهای سرب و روی عبارتند از:

3-1) اسکارن

3-2) رگه ای

3-3) استراتاباند

3-4) دگرگونی

1-4-1 کانسارهای اسکارن:

چنانچه در دگرگونی مجاورتی موادی از توده نفوذی به سنگ میزبان افزوده شود، کانسارهای اسکارن پدید می آید. بطور معمول کانی های منطقه اسکارن متنوع و فراوانند. اسمیرنف این کانسارها را با توجه به مبانی مختلف به پنج گروه تقسیم کرده که در این میان به رده بندی بر مبنای ترکیب سنگ های دربرگیرنده توده نفوذی اهمیت بیشتری داده زیرا به اسکارن آهکی، اسکارن منیزیتی و اسکارن سیلیکاته اشاره می کند.

امروزه این کانسارها را که از دیدگاه اقتصادی مورد توجه بسیاری از زمین شناسان قرار دارند بر مبنای نوع غالب و چیره و با ارزش موجود در آنها تقسیم بندی می کنند که در حقیقت دنباله رده بندی این کانسارها بر پایه نوع سنگ در بر گیرنده توده نفوذی است.

اینودیک بورت کانسارهای اسکارن آهکی را به پنج گروه اسکارن های آهن، تنگستن، مس، سرب، روی و قلع تقسیم کرده است. نکته قابل توجه این است که بر عکس کانی های موجود در اسکارن ها که ترکیبی پیچیده و متنوع دارند، کانه ها ، بطور معمول، سولفورها و اکسیدهایی با ترکیب ساده هستند. از مهمترین سولفورهای موجود در اسکارن ها اسفالریت و گالن را می‌توان نام برد. (4، ص 23)

کانسارهای اسکارن بیشتر به شکل ورقه، عدسی و یا رگه وجود دارند و دارای ضخامت چند ده متر و وسعت چندصد متر می باشند. در هر صورت مورفولوژی سولفیدهای سرب و روی بر روی ترکیب اسکارن آهکی تأثیر گذاشته و آنها را بیشتر پیچیده می کند. ماده معدنی در این موارد بیشتر به شکل عدسی، ستونی و یا پاکتی شکل دیده می شود. شکل کانسار چندین صدمتر در طول و در امتداد گسترش پیدا می کند؛ همچنین ضخامت آن نیز 1 تا 10 متر و یا بیشتر می‌تواند وجود داشته باشد.

2-4-1 کانسارهای رگه ای:

این کانسارها حاصل کانه سازی سیال های کانه دار گرم است که در زیر زمین جریان دارند. عناصر فلزی موجود در این سیال های گرمایی ممکن است خاستگاه ماگمایی داشته باشند و در چهره های گوناگون همراه آب به جای تجمع، حمل شود و یا اینکه در مسیر حرکت آب قرار گیرند و ضمن همراه شدن تدریجی با آب سیال کانه داری را پدید آورند. کانی هایی که خاستگاه گرمایی دارند ممکن است به دو صورت پدید آیند:

الف : تمرکز به روش پر کردن کاواکها و فضاهای خالی درون سنگها که خود به دو گروه همزاد و دیرزاد پخش می شود:

ب : تمرکز به روش جانشینی؛

بنابراین شکل انباشته های گرمایی تابعی از شکل کاواک های سنگ میزبان و یا چگونگی جانشینی در آن است. از همین رو در این دسته از کانسارها انواع رگه ها ، عدسی ها، کانسارهای لایه ای، استوک ورک و اشکال پیچیده دیده می شود. با توجه به رده بندی لیندگرن کانسارهای گرمایی به پنج گروه تقسیم می شوند که مهمترین آنها در ارتباط با سرب و روی عبارتند از:

1-2-4-1 کانسارهای هیپوترمال:

این کانسارها نشان دهنده دما و فشار زیاد هستند و درجه حرارت پیدایش آنها را از 300 تا 500 درجه سانتیگراد تعیین کرده اند. در این نوع کانسارها پدیده جانشینی آشکارا قابل تشخیص است و دارای بافت درشت دانه هستند. حجم آنها زیاد و شکل نامنظم دارند ولی بطور کلی به صورت رگه مانند و لایه ای هستند. در بیشتر موارد جای پیدایش آنها ستیغ چین ها و مناطق برشی است.

پارک و مک دیارمید (1975) معمول ترین کانه های این نوع کانسارها را اسفالریت، گالن، کالکوپیریت، فلوئوریت و باریتیت می دانند. برای آشنایی با کانسارهای شناخته شده هیپوترمال در دنیا به کانسار معروف سرب و روی و نقره بروکین هیل در منطقه جنوب استرالیا که نمونه ای از کانسارهای گرمایی نوع هیپوترمال است می‌توان اشاره نمود.

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:99

فهرست مطالب:
عنوان&nb ...

تحقیق روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی

اختصاصی از فی توو تحقیق روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی دانلود با لینک مستقیم و پر سرعت .

این فایل در قالب ورد و قابل ویرایش در 17 صفحه می باشد .

دانلود تحقیق روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی

مقاله مهندسی کامپیوتر

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 بکارگرفته شده، معمولا ویژگی های متفاوتی از دنباله نقاط استخراج می شود. در اکثر روش هایموجود استخراج ویژگی، ویژگی ها از روی مختصات نقاط نمونه برداری شده ورودی استخراجمی 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 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.

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<=d). تبدیل خطی مثل PCA، آنالیز فاکتور، LDA و تعقیب تصویر بطور گسترده در شناسایی الگو برای استخراج ویژگی ها و کاهش ابعاد استفاده شده اند. بهترین استخراج کننده ی ویژگی شناخته شدهPCA یا توسعه یافته ی Karhunen-loeve است که m بردار مشخصه بزرگتر را از ماتریس کوواریانس d×d از n الگوی d بعدی محاسبه می کند. تبدیل خطی به شکل Y=XH تعریف شده است که X ماتریس الگوی n×d داده شده و Y از ماتریس الگوی n×m مشتق شده است . H ماتریس d×m از تبدیل خطی است که ستون های آن بردارهای مشخصه هستند. قبل از اینکه PCA از ویژگی های پرمعنی تر استفاده کند (بردار ویژگی های با بزرگترین مقدار ویژه)، بطور کاملاً موثر داده ها را با یک زیرفضای خطی با استفاده از معیار خطای میانگین مربعات تخمین می زند. سایر روش ها مانندتعقیب تصویر و ICA برای توزیع های غیرگاوسی تا وقتی که به مشخصه ی مرتبه ی دوم داده ها مربوط نباشد مناسب ترند. ICA با موفقیت برای جداسازی منابع دیده نشده استفاده شده است. استخراج ترکیب خطی ویژگی ها منابع نابسته را تعریف می کند. این جداسازی در صورتی امکان پذیر است که حداکثر یکی از منابع دارای توزیع گاوسی باشد.

   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 نتیجه می شود.( حاصل معکوس ماتریس پراکندگی و ماتریس پراکندگی بین کلاسی ). 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.

   به عنوان یک نتیجه فضای هسته یک متریک با تعریف مناسب دارد. نمونه های هسته های Mercer شامل چندجمله ای های مرتبه P بصورت و هسته گاوسی هستند.

   فرض می کنیم که X یک ماتریس الگوی n×d نرمال شده با میانگین صفر است و یک ماتریس الگو در فضای F باشد. PCA خطی در فضای F بردارهای مشخصه ی ماتریس همبستگی را حل می کند که همچنین ماتریس هسته نیز نامیده می شود. در KPCA در ابتدا m بردار ویژگی از 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<=d است). الگوهای جدید x با نگاشت می شوند که اکنون با وابستگی به مجموعه آموزش بازنمایی می شوند و نه با مقادیر ویژگی ویژگی های اندازه گیری شده. باید توجه داشت که برای یک بازنمایی کامل تا m بردار مشخصه در E (بسته به تابع هسته) توسط KPCA ممکن است نیاز باشد در حالی که در PCA خطی یک مجموعه از d بردار مشخصه فضای اصلی ویژگی ها را ارائه می کند. انتخاب تابع هسته برای یک کاربرد مشخص هنوز یک مساله باز است.

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 (Unsupervised) استفاده شوند. شکل (a-1) معماری یک شبکه که قادر به پیدا کردن زیرفضای PCA است را نشان می دهد. به جای سیگموئیدها نرون ها توابع انتقال خطی دارند. این شبکه d ورودی و d خروجی دارد که d تعداد مشخص شده ی ویژگی هاست. ورودی ها همچنین برای رسیدن به هدف نیز با مجبور کردن لایه ی خروجی به ساخت مجدد فضای ورودی تنها با استفاده از لایه ی مخفی بکار گرفته شده اند. سه گره در لایه ی مخفی اولین سه جزء اصلی را ضبط می کنند. اگر دو لایه ی غیرخطی با واحدهای مخفی سیگموئیدی نیز وجود داشته باشند ( شکل (b-4))، آنگاه یک زیرفضای غیرخطی در لایه ی میانی یافت خواهد شد (که همچنین لایه ی گلوگاه هم نامیده می شود). غیرخطی بودن توسط اندازه ی این لایه های اضافی محدود می شود. شبکه های PCA غیر خطی یا اصطلاحاً خودشرکت پذیرها ی ابزار قوی را برای آموزش و تشریح زیرفضای غیرخطی پیشنهاد می کند. محققی به نام Oja نشان داد که چگونه شبکه های خودشرکت پذیر می توانند برای ICA استفاده شوند.

طرح توجیهی ساخت ماشین آلات و تجهیزات استخراج و فرآوری مواد معدنی

اختصاصی از فی توو طرح توجیهی ساخت ماشین آلات و تجهیزات استخراج و فرآوری مواد معدنی دانلود با لینک مستقیم و پر سرعت .

طرح توجیهی ساخت ماشین آلات و تجهیزات استخراج و فرآوری مواد معدنی در فرمت پی دی اف و شامل مطالب زیر می باشد:

* خلاصه طرح
* مقدمه
* سرمایه گذاری ثابت
* هزینه های ثابت طرح
* هزینه های جاری طرح
* سرمایه در گردش
* جدول سرمایه گذاری
* فروش و محاسبه سود و زیان

نحوه استخراج طلا از قطعات و بردهای الکترونیکی

اختصاصی از فی توو نحوه استخراج طلا از قطعات و بردهای الکترونیکی دانلود با لینک مستقیم و پر سرعت .

نحوه بازیافت و استخراج طلا از بردها و قطعات الکترونیکی را براحتی بیاموزید و از این راه کسب درآمد کنید.

دانلود پایان نامه استخراج داده ها

اختصاصی از فی توو دانلود پایان نامه استخراج داده ها دانلود با لینک مستقیم و پر سرعت .

بازار ابزار استخراج داده ها از دو راه ابتدایی خود در حال ظهور می‌باشد . بسیاری از ابزارهایی که در اینجا توضیح داده می‌شوند ، در مرحلة اول انتشار می‌باشند.
موقعیت در بازار CRM که عموماً بخشی از سیستم تجارت الکترونیکی در نظر گرفته می‌شود ، پیچیده تر می‌باشد و بنابراین با سرعت وب یا شبکه در حال حرکت می‌باشد. بازار CRM ، حتی بیشتر از بازار ابزار استخراج داده‌ها با چندین فروشنده که بر تعریف خود بازار و موقعیت خود در این بازار متمرکزند ، توصیف می‌گردد.
این اشتباه، با ماهیت بسیار دینامیک خود بازار که یک فعالیت قابل رویت تحکیم مشتری، شرکتهای ادغامی‌و تملیک ها را تحمل می‌کند، بیشتر می‌گردد. علی رغم کل این چالشها، باز رو به تکامل می‌رود و فروشندگان، پیشرفت مهمی‌در علمی‌بودن ابزار، قابلیت استفاده و قابلیت اداره‌ کسب می‌کنند.
اولین بخش این فصل ، به کاربردهای بسته بندی شده  استخراج داده ها می‌پردازد. این کاربردها ، بر اساس چندین تکنیک استخراج داده ها  ادغام شده در ابزارهای بهتر می‌باشد . همراه با بهترین عملکرد ها ، اسلوب شناسی های خوب تعریف شده و فرآیندها، راه خود را در محیط های تولید شرکتها که در آن استخراج داده ها بخشی از یک فرآیند موسسه ای شده می‌شود می‌یابند که شامل رشد و یادگیری سازمانی می‌شود .

بازار استخراج داده ها
بیائید بازار استخراج داده ها را از نقطه نظر منحنی اقتباسی تکنولوژی در نظر بگیریم ایمنی به اقتباس کنندگان اولیه ، از تکنولوژی لبة یادگیری برای دستیابی به مزیت رقابتی استفاده می‌کنند ؛ هنگامیکه تکنولوژی تکامل می‌یابد ، شرکتهای بیشتری آن را اقتباس می‌کنند ، و در یک حالت تجارت زمانی و عادی درج می‌نمایند . همچنین مناطق عملی بودن ابزاهای استخراج داده ها بزرگتر و بزرگتر می‌شوند. به عنوان مثال ، تکنولوژی وایت اوک ( یک شرکت استخراج داده ها در مریلند)  از جانب کمیسیون فدرال الکترون، مجوز فروش سیستم گچین ماینر Capain Miner را کسب کرده است که بی نظمی‌در دخالتهای سیاسی فدرال را کشف می‌کند . نورتل، یک بسته کشف کلاهبرداری را توسعه داده است به نام سوپر اسلوت فراود ادوایسور ، که از تکنولوژیهای شبکة عصبی استفاده می‌کند .
صنعت ابزار استخراج داده ها ، برخلاف تکنولوژیهای استخراج داده ها ، در مرحلة عدم تکامل قرار دارد و می‌کوشد تا بازار را تعیین نماید . و وجودش را تائید کند . به همین دلیل است که در می‌یابیم بازار ابزارهای استخراج داده ها تحت تاثیر موارد زیر قرار دارد:
qادغام پیوسته و مداوم ابزارها با اتکاء به تکنولوژیهای مکمل و به عنوان مثال OLAP
q ظهور کاربردهای بسته بندی شدة عمودی و یا اجزاء استخراج داده ها برای توسعة کاربرد .
q استراتژیهای بسیار اقتباس شده شرکت بین فروشندگان ابزار استخراج داده ها و فروشندگان تهیه کنندگان راه حل جامع و ادغام کننده های سیستم ها : فروشندگان مقیاس مؤسسه ، همانند IBM NCR ، اوراکل ، میکروسافت ) به عنوان مثال ، اوراکل چندین شریک متعدد استخراج داده ها به عنوان بخشی از او را کل ویرهاوس اینتیشیتیو از جمله آنگاسن دیتا مایند ، دیتاپکیج اینفورمیشن دیسکاوری ، SRA , SPSS اینترنشنال و تینکینگ ماشینز را انتخاب کرده است .

بخش اول : تأثیر استخراج داده‌ها بر CRM    1
فصل اول : روابط مشتری
مقدمه    2    
استخراج داده‌ها چیست    5
یک نمونه     6
ارتباط با فرآیند تجاری     8
استخراج داده‌ها و مدیریت روابط مشتری     11
استخراج داده‌ها چگونه به بازاریابی بانک اطلاعاتی کمک می‌نماید    12
امتیاز دهی     13
نقش نرم‌افزار مدیریت مبارزه    13
افزایش ارزش مشتری     14
ترکیب استخراج داده‌ها و مدیریت مبارزه     15
ارزیابی مزایای یک مدل اسخراج داده ها     15
فصل دوم: استخراج داده‌ها و ذخیره داده‌ها- یک منظره مرتبط به هم
مقدمه     17
استخراج داده‌ها و ذخیره داده‌ها ، یک ارتباط     18
بررسی ذخیره داده‌ها    21
ذخیره داده‌ها ROI    21
ذخایر داده های علمی واطلاعاتی     23
 تعریف و خصوصیات یک مخزن اطلاعاتی     30
معماری انبارداده‌ها     34
استخراج داده‌ها     38
استخراج داده‌های تعریف شده     38
قملروهای کاربرد استخراج داده‌ها    40
مقوله‌های استخراج داده‌ها و کانون تحقیق     41
فصل سوم: مدیریت رابطه با مشتری
مقدمه    48
سودمندترین مشتری     49
مدیریت رابطه مشتری    50
بانک اطلاعاتی متمرکز برمشتری     53
اداره مبارزات     54
تکامل تدریجی بازاریابی     56
بازاریابی حلقه بسته     57
معماریCRM    57
نسل بعدیCRM    58
بخش دوم: بنیاد - تکنولوژیها و ابزار     60
فصل چهارم : اجزاء ذخیره سازی داده‌ها
مقدمه     61
معماری کلی     62
بانک اطلاعاتی انبار داده‌ها     63
ابزارهای ذخیره‌سازی، تحصیل، تهذیب و انتقال     64
متادیتا    65
ابزار دسترسی     70
دسترسی و تجسم اطلاعات     71
اصول مشاهده یا تجسم داده‌ها     72
ابزار بررسی و گزارش     76
کاربردها     77
ابزار OLAP    77
ابزارها استخراج داده‌ها     78

شامل 90 صفحه فایل word