چکیده
با تکیه بر نتایج نظری معتبر که بر اساس آن عدم قطعیت دارای مؤلفه های خاص و مشترکی می باشد، به طرح ارزیابی های جدید از عدم قطعیت در پیش بینی سود پرداخته، به صورتی که مجموع پراکندگی در میان تحلیل گران و واریانس پیش بینی میانگین، توسط مدل GARCH برآورد می گردد. ارزیابی های جدید بر مبنای اطلاعات خصوصی و مشترک در دسترس تحلیلگران در زمانی که پیش بینی را انجام می دهند، می باشد. از این رو، این ارزیابی بعضی از محدودیت های عوامل مورد استفاده مشترک عدم قطعیت در پیش بینی را در تحقیقات قبلی کاهش می دهد. با استفاده از پیش بینی سود توسط تحلیلگران، ما شواهد مستقیمی را از عملکرد برتر ارزیابی های جدید بدست می آوریم. پیش بینی تحلیلگران در سطح گسترده ای در تحقیقات مربوط به مالی و حسابداری برای بررسی پیش بینی متقاضیان بازاری مورد استفاده قرار می گیرد. پژوهشگران و سرمایه گذاران مشخصا علاقمند به براورد عدم قطعیت در ارتباط با درامدهای آینده می باشند، زیرا مشخصه های مهم محیط اطلاعاتی شرکت را پیش از انتشار نتایج حسابداری آشکار می کند. از آنجایی که عدم قطعیت ذاتا غیر قابل حل می باشد، ارزیابی براورد آن مسائل روش شناختی چالش انگیزی را مطرح می کند. در نتیجه، محققان دارای تجاربی با توجه به پروکسی های (عوامل) دیگر برای عدم قطعیت پیش بینی سود دارند.
پایان نامه دوره کارشناسی کامپیوتر : گرایش نرم افزار
چکیده
فصل اول: مقدمه ای بر داده کاوی
1-1-مقدمه
1-2-عامل مسبب پیدایش داده کاوی
1-3-داده کاوی و مفهوم اکتشاف دانش (KDD)
1-3-1-تعریف داده کاوی
1-3-2- فرآیند داده کاوی
1-3-3-قابلیت های داده کاوی
1-3-4-چه نوع داده هایی مورد کاوش قرار می گیرند؟
1-4- وظایف داده کاوی
1-1-4-کلاس بندی
1-4-2- مراحل یک الگوریتم کلاس بندی
1-4-3-انواع روش های کلاس بندی
1-4-3-1- درخت تصمیم 1-4-3-1-1- کشف تقسیمات
1-4-3-1-2- دسته بندی با درخت تصمیم
1-4-3-1-3-انواع درخت های تصمیم
1-4-3-1-4- نحوۀ هرس کردن درخت
1-4-3-2- نزدیکترین همسایگی K
1-4-3-3-بیزی 1-4-3-3-1 تئوری بیز
1-4-3-3-2 -دسته بندی ساده بیزی
1-4-3-4- الگوریتم های ژنتیک در فصل دو با آن آشنا می شویم
1-4-3-5-شبکه های عصبی
1-4-4- ارزیابی روش های کلاس بندی
-2-4-1پیش بینی
1-4-3-انواع روش های پیش بینی
1-4-3-1- رگرسیون
1-4-3-1 -1- رگرسیون خطی
1-4-3-1-2-رگرسیون منطقی
1-4-3- خوشه بندی
1-4-3-1- تعریف فرآیند خوشه بندی
1-4-3-2-کیفیت خوشه بندی
1-4-3-3-روش ها و الگوریتم های خوشه بندی
1-4-3-3-1-روش های سلسله مراتبی
1-4-3-3-1-1- الگوریتم های سلسله مراتبی
1-4-3-3-1-1-1-الگوریتم خوشه بندی single-linkage
1-4-3-3-2-الگوریتم های تفکیک
1-4-3-3-3-روش های متکی برچگالی
1-4-3-3-4-روش های متکی بر گرید
1-4-3-3-5-روش های متکی بر مدل
1-4-4- تخمین
1-4-4-1- درخت تصمیم
1-4-4-2- شبکه عصبی
1-4-5-سری های زمانی
1-5-کاربردهای داده کاوی
1-6-قوانین انجمنی
1-6-1-کاوش قوانین انجمنی
1-6-2-اصول کاوش قوانین انجمنی
1-6-3-اصول استقرا در کاوش قوانین انجمنی
1-6-4-الگوریتم Apriori
1-7-متن کاوی
1-7-1- مقدمه
1-7-2- فرآیند متن کاوی
1-7-3- کاربردهای متن کاوی
1-7-3-1- جستجو و بازیابی
1-7-3-2-گروه بندی و طبقه بندی داده
1-7-3-3-خلاصه سازی
1-7-3-4- روابط میان مفاهیم
1-7-3-5- یافتن و تحلیل ترند ها
1-7-3-5- برچسب زدن نحوی (POS)
1-6-2-7-ایجاد تزاروس و آنتولوژی به صورت اتوماتیک
1-8-تصویر کاوی
1-9- وب کاوی
فصل دوم: الگوریتم ژنتیک
1-2-مقدمه
2-2-اصول الگوریتم ژنتیک
2-2-1-کد گذاری
2-2-1-1-روش های کد گذاری
2-2-1-1-1-کدگذاری دودویی
2-2-1-1-2-کدگذاری مقادیر
2-2-1-1-3-کدگذاری درختی
2-2-2- ارزیابی
2-2-3-انتخاب
2-2-3-1-انتخاب گردونه دوار
2-2-3-2-انتخاب رتبه ای
2-2-3-3-انتخاب حالت استوار
2-2-3-4-نخبه گزینی
2-2-4-عملگرهای تغییر
2-2-4-1-عملگر Crossover
2-2-4-2-عملگر جهش ژنتیکی
2-2-4-3-احتمالCrossover و جهش
2-2-5-کدبرداری
2-2-6-دیگر پارامترها
2-4-مزایای الگوریتم های ژنتیک
2-5- محدودیت های الگوریتم های ژنتیک
2-6-چند نمونه از کاربرد های الگوریتم های ژنتیک
2-6-1-یک مثال ساده
فصل سوم: شبکه های عصبی
3-1-چرا از شبکه های عصبی استفاده می کنیم؟
3-2-سلول عصبی
3-3-نحوه عملکرد مغز
3-4-مدل ریاضی نرون
3-5-آموزش شبکه های عصبی
3-6-کاربرد های شبکه های عصبی
فصل چهارم: محاسبات نرم
4-1-مقدمه
4-2-محاسبات نرمچیست؟
4-2-1-رابطه
4-2-2-مجموعه های فازی
4-2-2-1-توابع عضویت
4-2-2-2- عملیات اصلی
4-2-3-نقش مجموعه های فازی در داده کاوی
4-2-3-1- خوشه بندی
4-2-3-2- خلاصه سازی دادهها
4-2-3-3- تصویر کاوی
4-2-4- الگوریتم ژنتیک
4-2-5-نقش الگوریتم ژنتیک در داده کاوی
4-2-5-1- رگرسیون
4-2-5-2-قوانین انجمنی
4-3-بحث و نتیجه گیری
فصل پنجم: ابزارهای داده کاوی
5-1- نحوه انتخاب ابزارداده کاوی
5-2-1-ابزار SPSS-Clemantine
5-2-3-ابزار KXEN
5-2-4-مدل Insightful
5-2-5-مدل Affinium
5-3- چگونه می توان بهترین ابزار را انتخاب کرد؟
5-4-ابزار های داده کاوی که در 2007 استفاده شده است
5-5-داده کاوی با sqlserver 2005
5-5-1-اتصال به سرورازمنوی
5-5-2- ایجاد Data source
5-5-3- ایجاد Data source view
5-5-4- ایجاد Mining structures
5-5-5- Microsoft association rule
5-5-6- Algorithm cluster
5-5-7- Neural network
5-5-8-Modle naive-bayes
5-5-9-Microsoft Tree Viewer
5-5-10-Microsoft-Loistic-Regression
5-5-11-Microsoft-Linear-Regression
فصل ششم: نتایج داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
•1-6-نتایج Data Mining With Sql Server 2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
1-6-1-Microsoft association rule
1-6-2- Algorithm cluster
1-6-3- Neural network
1-6-4- Modle naive-bayes
1-6-5-Microsoft Tree Viewer
7-1-نتیجه گیری
منابع و ماخذ
مقدمه
متخصص ژنتیک پزشکی فردی است که در مکانیزم های وراثتی، تشخیص و درمان اختلالات ژنتیکی تخصص دارد. ژنتیک پزشکی، مثل دیگر تخصص های پزشکی، نظیر جراحی یا مامایی و زنان، پس از دانشکده پزشکی، یک دوره آموزشی خاص هم دارد. بسیاری از متخصصان ژنتیک پزشکی، در یکی از رشته های پزشکی مانند اطفال، داخلی یا مامایی و پزشکی زنان تخصص دارند و فوق تخصص آنان ژنتیک پزشکی است. هیئت ژنتیک پزشکی آمریکا (ABMG) با برگزاری امتحان در چند زمینه، یعنی ژنتیک بالینی، ژنتیک یاخته ای بالینی، ژنتیک زیست شناسی بالینی، ژنتیک مولکولی، به پزشکان و متخصصان دارای درجه دکترای غیرپزشکی (p. h. D) ، گواهی نامه اعطا می کند. ژنتیک بالینی به تشخیص و درمان بیماران، ژنتیکیاخته ای (سیتوژنیک) به تشخیص آزمایشگاهی نابهنجاری های کروموزومی و ژنتیک زیست شیمیایی به تشخیص آزمایشگاهی و درمان اختلالات آنزیمی و اختلالات شیمیایی ناشی از آنها می پردازد. مشاوره ژنتیک هم، در گذشته مورد تأیید ABMG قرار می گرفت و هم اکنون، هیئت جدید اعطای گواهی نامه، به نام هیئت مشاوره ژنتیک آمریکا (ABGC) وظیفه اعطای گواهی نامه را به مشاوران ژنتیک بر عهده گرفته است. بیشترین متخصصان ژنتیک پزشکی و مشاوران ژنتیک، با مراکز بزرگ پزشکی یا آزمایشگاه های مرجع برای آزمایشهای ژنتیکی همکاری دارند.
چه انتظاری می توان داشت؟
کار متخصصان ژنتیک پزشکی مشابه کار پزشکان عمومی است: ابتدا اطلاعات کسب می کنند و سپس با استفاده از این اطلاعات به کار تشخیص می پردازند و سرانجام اقدامات عملی را به فرد یا افرادی که مشاوره شده اند ارائه می دهند. در برخی موارد، شجره نامه خانوادگی، مهمترین بخش کسب اطلاعات است. بنابراین، فردی که برای مشاوره به متخصص ژنتیک مراجعه میکند لازم است تا آنجا که امکان دارد اطلاعات خانوادگی خود را برای تهیه شجره نامه در اختیار متخصص قرار دهد. اغلب، استفاده از اطلاعات یکی از اعضای مسن خانواده، مناسب ترین روش کسب اطلاعات است.
دسته: برق
حجم فایل: 353 کیلوبایت
تعداد صفحه: 9
جایابی بهینه جبرانساز استاتیک Var (SVC) برای افزایش پایداری ولتاژ تحت شرایط وقوع حادثه از طریق الگوریتم بهینهسازی ازدحام ذرات (PSO) + نسخه انگلیسی2011
Optimal Location of SVC for Voltage Stability Enhancement under Contingency Condition through PSO Algorithm
چکیده
سیستم قدرت تحت شرایط بارگذاری سنگین در معرض ریسک بالای احتمال قطعی خط و متعاقبا مساله ناپایداری ولتاژ قرار دارد. کمینهسازی تلفات توان حقیقی و انحراف ولتاژ، شاخصهای قابل اعتمادِ امنیت ولتاژ در شبکههای قدرت میباشند. این مقاله برای بهبود پایداری ولتاژ تحت بحرانیترین حادثه قطع خط در یک شبکه سیستم قدرت، جایابی و یافتن اندازه بهینه جبرانساز استاتیک Var (SVC) مبتنی بر بهینهسازی ازدحام ذرات (PSO) را ارائه میدهد. قطعیهای خط بر اساس تولید توان راکتیو تلفات خط رتبهبندی میشوند. تکنیک بهینهسازی ازدحام ذرات، محل و اندازه SVC را بهینه میکند. کارائی روش ارائه شده بر روی یک سیستم تست 30 باس IEEE مورد آزمون قرار میگیرد. همچنین ملاحظه میشود که الگوریتم ارائه شده را میتوان به سیستمهای بزرگ اعمال کرد بدون آنکه از دشواریهای بار محاسباتی رنج برد.
عبارات عمومی
افزایش پایداری ولتاژ، حادثه قطع خط، بهینهسازی ازدحام ذرات.
عبارات کلیدی
ادوات FACTS، شرایط وقوع حادثه، الگوریتم بهینهسازی ازدحام ذرات، بهبود پایداری ولتاژ.
1. مقدمه
به دلیل افزایش تقاضای بار، شرایط زیست محیطی در توسعه شبکههای انتقال و دسترسی آزاد به بخش انتقال در یک بازار برق تجدیدساختارشده، شبکههای نوین سیستم قدرت بالاجبار باید نزدیک به حدود پایداری خود کار کنند. در چنین شرایط استرسزا، ممکن است سیستم وارد مساله ناپایداری ولتاژ شود و این همان موضوعی است که منجر به چندین خاموشی سراسری در دنیا شده است. یک سیستم قدرت نیازمند داشتن قابلیت توان راکتیو کافی برای حفظ امنیت ولتاژ تحت شرایط به شدت استرسزا است.
خلاصه
منابع تولید پراکنده (DG) به علت تقاضای روبروی رشد انرژی دارای اهمیت زیادی در سیستم های توزیع می گردند. مکان ها و توانمندی های منابع تولید پراکنده تاثیر عمیقی در تلفات سیستم در شبکه توزیع داشته اند. در این مقاله، یک ترکیب نوینی از الگوریتم ژنتیک (GA) / بهینه سازی ازدحام ذرات (PSO) برای جایابی و یافتن اندازه بهینه تولید پراکنده در سیستم های توزیع معرفی می شود. هدف این است که تلفات توان شبکه کمینه شده، تنظیم ولتاژ بهتری صورت گرفته و پایداری ولتاژ در چارچوب قیود عملکردی و امنیتی سیستم در سیستم های توزیع شعاعی حاصل شود. یک تحلیل تشریحی روی سیستم های 33 و 39 باس انجام شده است تا کارائی روش ارائه شده نشان داده شود.
کلمات کلیدی: منابع تولید پراکنده، الگوریتم ژنتیک، گمارش، بهینه سازی ازدحام ذرات، اتلاف
مقدمه
سیستم های توزیع معمولا جهت تسهیل کارکرد به صورت طبیعی شعاعی هستند. سیستم های توزیع شعاعی (RDSs) تنها در یک نقطه که همان پست باشد تغذیه می شوند. این پست، توان (برق) را مراکز تولید مرکزی و از طریق شبکه انتقال دریافت می کند. کاربران نهائی برق نیز توان الکتریکی را از پست و از طریق سیستم توزیع شعاعی که یک شبکه پسیو است دریافت می کنند. لذا، عبور توان در سیستم توزیع شعاعی به صورت یک طرفه است. نسبت R/X بالا در خطوط توزیع منجر به افت ولتاژ بزرگ، پایداری ولتاژ کوچک و افزایش تلفات توان می شود. در شرایط بارگذاری بحرانی در برخی نواحی صنعتی خاص، سیستم توزیع شعاعی به علت مقدار کم شاخص پایداری ولتاژ، در بیشتر گره های خود یک فروپاشی ناگهانی ولتاژ را تجربه می کند.