دانلود گزارش کارآموزی رشته کامپیوتر با عنوان شبکه 48 ص با فرمت WORD
شبکه چیست؟
انواع شبکه
راه اندازی روتر سیسکو مفاهیم اولیه شبکه
تجهیزات شبکه
انواع راههای ارتباط کاربر به ISP
مفاهیم اولیه پروتکل TCP/IP
آشنایی با روترهای سیسکو
آشنایی با سوئیچ شبکه
تعدادصفحات:22
قیمت خریداری شده مقاله به دلار:27.95$ به پول ایران:904,742 ریال
خریداری شده ازسایت:http://www.sciencedirect.com/
چکیده
شبکه های حسگر بی سیم (WSN ها) به سرعت در حال کسب محبوبیت در حوزه انتقادی های مختلف مانند مراقبت های بهداشتی، زیرساخت های حیاتی، و نظارت بر آب و هوا، که در آن سازندگان نرم افزار نیاز به توسعه ابزارهای برنامه نویسی، تجسم، و شبیه سازی متنوع کرده اند. با این حال، این ابزار به عنوان برنامه های کاربردی مستقل جداگانه طراحی شده است. برای جلوگیری از پیچیدگی با استفاده از ابزار های مختلف، ما طراحی کرده اند کشویی، چند پلت فرم جدید، مقیاس پذیر، و چارچوب منبع باز به نام PROVIZ. PROVIZ تجسم و برنامه نویسی چارچوب یکپارچه با ویژگی های زیر است: PROVIZ شامل (1) یک ابزار تجسم است که می تواند ترافیک شبکه گیرنده بی سیم ناهمگن (با فرمت های مختلف بسته محموله) تجسم با تجزیه داده های دریافت شده یا از یک معتاد به انفیه بسته (به عنوان مثال، یک حسگر معتاد به انفیه و یا بر اساس یک TI SmartRF معتاد به انفیه 802.15.4 بسته تجاری) و یا از یک شبیه ساز (به عنوان مثال، OMNeT)؛ (2) یک زبان برنامه نویسی بر اساس TinyOS است سنسور بستر شبکه است که با هدف کاهش حجم کد و بهبود اثر بخشی برنامه نویسی؛ (3) بیش از حد هوا ابزار برنامه نویسی به صورت امن گره های حسگر برنامه؛ (4) یک ابزار برنامه نویسی بصری با سنسور پایه ماژول کشیدن و رها کردن برای تولید برنامه های WSN ساده؛ و (5) یک شبکه ابزار مقایسه بصری است که آثار بسته دو شبکه تجزیه و تحلیل برای تولید یک مقایسه تصویری قرار متضاد ویژگی های شبکه می باشد. PROVIZ همچنین شامل ساخته شده است قابلیت به کارگیری نسخه ی نمایشی بصری توسعه پذیر است که اجازه می دهد کاربران را به سرعت سناریوهای شبکه صنایع دستی و به اشتراک گذاری آنها را با دیگر کاربران. در این کار، معرفی می کنیم ویژگی های مختلف از تجسم و چارچوب برنامه نویسی PROVIZ، تجزیه و تحلیل سناریوهای تست و بحث در مورد چگونه تمام ابزار را می توان در هماهنگی با یکدیگر مورد استفاده برای ایجاد توسعه و آزمون محیط زیست همه جانبه.
کلید واژه ها
شبکه های حسگر بی سیم,تجسم,برنامه نویسی, شبیه سازی,PROVIZ
شبکه های عصبی چند لایه پیش خور1 به طور وسیعی د ر زمینه های متنوعی از قبیل طبقه بندی الگوها، پردازش تصاویر، تقریب توابع و ... مورد استفاده قرار گرفته است.
الگوریتم یادگیری پس انتشار خطا2، یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیش خور می باشد. این الگوریتم، تقریبی از الگوریتم بیشترین تنزل3 می باشد و در چارچوب یادگیری عملکردی 4 قرار می گیرد.
عمومیت یافتن الگوریتمBP ، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی می باشد.
علیرغم، موفقیت های کلی الگوریتم BP در یادگیری شبکه های عصبی چند لایه پیش خور هنوز، چندین مشکل اصلی وجود دارد:
- الگوریتم پس انتشار خطا، ممکن است به نقاط مینیمم محلی در فضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتم BP همگرا می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.
- سرعت همگرایی الگوریتم BP، خیلی آهسته است.
از این گذشته، همگرایی الگوریتم BP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است.
در این گزارش، با هدف بهبود الگوریتم BP، تکنیک های مختلفی ارائه شده است. نتایج شبیه سازیهای انجام شده نیز نشان می دهد، الگوریتم های پیشنهادی نسبت به الگوریتم استاندارد BP، از سرعت همگرایی بالاتری برخوردار هستند.
خلاصه ای از الگوریتم BP
از قانون یادگیری پس انتشار خطا (BP)، برای آموزش شبکه های عصبی چند لایه پیش خور که عموماً شبکه های چند لایه پرسپترون 5 (MLP) هم نامیده می شود، استفاده می شود، استفاده می کنند. به عبارتی توپولوژی شبکه های MLP، با قانون یادگیری پس انتشار خطا تکمیل می شود. این قانون تقریبی از الگوریتم بیشترین نزول (S.D) است و در چارچوب یادگیری عملکردی قرار می گیرد.
بطور خلاصه، فرایند پس انتشار خطا از دو مسیر اصلی تشکیل می شود. مسیر رفت6 و مسیر برگشت 7 .
در مسیر رفت، یک الگوی آموزشی به شبکه اعمال می شود و تأثیرات آن از طریق لایه های میانی به لایه خروجی انتشار می یابد تا اینکه
نهایتاً خروجی واقعی شبکه MLP، به دست می آید. در این مسیر، پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، ثابت و بدون تغییر در نظر گرفته می شوند.
در مسیر برگشت، برعکس مسیر رفت، پارامترهای شبکه MLP تغییر و تنظیم می گردند. این تنظیمات بر اساس قانون یادگیری اصلاح خطا1 انجام می گیرد. سیگنال خطا، رد لایه خروجی شبکه تشکیل می گردد. بردار خطا برابر با اختلاف بین پاسخ مطلوب و پاسخ واقعی شبکه می باشد. مقدار خطا، پس از محاسبه، در مسیر برگشت از لایه خروجی و از طریق لایه های شبکه به سمت پاسخ مطلوب حرکت کند.
در شبکه های MLP، هر نرون دارای یک تابع تحریک غیر خطی است که از ویژگی مشتق پذیری برخوردار است. در این حالت، ارتباط بین پارامترهای شبکه و سیگنال خطا، کاملاً پیچیده و و غیر خطی می باشد، بنابراین مشتقات جزئی نسبت به پارامترهای شبکه به راحتی قابل محاسبه نیستند. جهت محاسبه مشتقات از قانون زنجیره ای2 معمول در جبر استفاده می شود.
فرمول بندی الگوریتم BP
الگوریتم یادگیری BP، بر اساس الگوریتم تقریبی SD است. تنظیم پارامترهای شبکه، مطابق با سیگنالهای خطا که بر اساس ارائه هر الگو به شبکه محاسبه می شود، صورت می گیرد.
الگوریتم بیشترین تنزل با معادلات زیر توصیف می شود:
(1)
(2)
به طوری WLji و bLj، پارامترهای نرون j ام در لایه iام است. α، نرخ یادگیری2 و F، میانگین مربعات خطا می باشد.
(3)
(4)
(5)
به طوریکه SLj(k)، حساسیت رفتار شبکه در لایه L ام است.
معایب الگوریتم استاندارد پس انتشار خطا1 (SBP)
الگوریتم BP، با فراهم آوردن روشی از نظر محاسباتی کارا، رنسانسی در شبکه های عصبی ایجاد نموده زیرا شبکه های MLP، با قانون یادگیری BP، بیشترین کاربرد را در حل مسائل فنی- مهندسی دارند.
با وجود، موفقیت های کلی این الگوریتم در یادگیری شبکه های عصبی چند لایه پیش خود، هنوز مشکلات اساسی نیز وجود دارد:
- اولاً سرعت همگرایی الگوریتم BP آهسته است.
همانطور که می دانیم، تغییرات ایجاد شده در پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، پس از هر مرحله تکرار الگوریتم BP، به اندازه ، است، به طوریکه F، شاخص اجرایی، x پارامترهای شبکه و α، طول قدم یادگیری است.
از این، هر قدر طول قدم یادگیری، α، کوچکتر انتخاب گردد، تغییرات ایجاد شده در پارامترهای شبکه، پس از هر مرحله تکرار الگوریتم BP، کوچکتر خواهد بود، که این خود منجر به هموار گشتن مسیر حرت پارامترها به سمت مقادیر بهینه در فضای پارامترها می گردد. این مسئله موجب کندتر گشتن الگوریتم BP می گردد. بر عکس با افزایش طول قدم α، اگرچه نرخ یادگیری و سرعت یادگیری الگوریتم BP افزایش می یابد، لیکن تغییرات فاحشی در پارامترهای شکه از هر تکراربه تکرار بعد ایجاد می گردد، که گاهی اوقات موجب ناپایداری و نوسانی شدن شبکه می شود که به اصطلاح می گویند پارامترهای شبکه واگرا شده اند:
در شکل زیر، منحنی یادگیری شبکه برای جدا سازیالگوها در مسأله XOR، به ازای مقادیر مختلف نرخ یادگیری، نشان داده شده است. به ازای مقادیر کوچک، α، شبکه کند اما هموار، یاد نمی گیرد الگوهای XOR را از هم جدا نماید، ددر صورتی که به ازای 9/0= α شبکه واگرا می شود.
شامل 24 صفحه فایل word قابل ویرایش
آموزش اینترنت
تعداد صفحات :66
مطالب بسیار بسیار مفید
فایل بصورت پاورپوینت در 36 اسلاید می باشد
سخت افزار مورد نیاز به منظور پیکربندی یک شبکه بدون کابل به
ابعادشبکه مورد نظر بستگی دارد . علیرغم موضوع فوق ، در این
نوع شبکه ها اغلب و شاید هم قطعا" به یک access point
و یک اینترفیس کارت شبکه نیاز خواهد بود . در صورتی که قصد
ایجاد یک شبکه موقت بین دو کامپیوتر را داشته باشید ، صرفا"
به دو کارت شبکه بدون کابل نیاز خواهید داشت .