کمپوننت تشخیص چهره Luxand FaceSDK v6.1.0 + Activation Key
FaceSDK enables Microsoft Visual C++, C#, Objective C, VB, Java and Delphi developers to build 32-bit and 64-bit applications for Web, Windows, Linux, MacOS X, iOS and Android with face recognition and face-based biometric identification functionality. FaceSDK is used in hundreds of applications for identifying and authenticating users with webcams, looking up matching faces in photo databases, automatically detecting facial features in graphic editors, and detecting faces on still images and video streams in real-time. FaceSDK has been used for building secure identification, surveillance, time and attendance control systems. Get a sample application implementing webcam authentication to see what FaceSDK can do for you!
What is FaceSDK?
FaceSDK is a high-performance, multi-platform face recognition, identification and facial feature detection solution. Serving software developers worldwide, FaceSDK is a perfect way to empower Web, desktop and mobile applications with face-based user authentication, automatic face detection and recognition.
Compatible with 32- and 64-bit desktop environments and mobile platforms including iOS and Android, FaceSDK is easy to integrate with new or existing projects, enabling developers to create a wide variety of applications. The system detects entire faces and individual facial features, recognizes faces in still images and in real-time video streams, and allows the creation of a wide range of applications from simple automatic red-eye removal tools to biometric login solutions.
The innovative motion-based recognition system enables seamless recognition and identification of subjects appearing in video streams, allowing building attendance control, security and surveillance systems that require no prior enrollment. FaceSDK can help building of complex face morphing and animation systems for entertainment portals.
Applications
FaceSDK can be used in many online, mobile and desktop solutions where precise and reliable face identification is required. The face identification library can be used in photo imaging and video processing solutions, Web applications and biometric login automation systems. The system is widely used in security monitoring, access control and surveillance systems. The SDK has been used by the entertainment industry to create real-time animations. Its applications include:
Real-time biometric authentication systems allowing the user to log in by simply looking into a webcam. FaceSDK enables touchless, non-intrusive biometric authentication;
Time and attendance control systems;
Video-based subject identification applications with no prior enrolment;
Video surveillance systems with automatic face identification;
Image organizers with face-based image search;
Face animation effects for the entertainment industry;
Automatic red-eye removal tools empowered with facial feature detection;
Mobile applications for iOS and Android;
Image enhancement applications and graphic editors.
پایان نامه برق - تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی
چکیده:
در این پایان نامه ابتدا عیوب الکتریکی و مکانیکی در ماشینهای الکتریکی بررسی گردیده و عوامل به وجود آورنده و روشهای رفع این عیوب بیان شده است . به دنبال آن ، به کمک روش تابع سیم پیچی ماشین شبیه سازی و خطای مورد نظر یعنی خطای سیم بندی استاتور به آن اعمال و نتایج مورد بررسی قرار داده شده است. پارامتر اصلی که برای تشخیص خطا در این پایان نامه استفاده کرده ایم ، جریان سه فاز استاتور در حالت سالم و خطادار ،تحت بارگذاری های مختلف خواهد بود.
در قسمت بعدی تئوری موجک و همچنین شبکه عصبی مورد بررسی قرار گرفته است . مادر اینجا از برای استخراج مشخصات سیگنال استفاده کرده ایم ، مهمترین دلیلی که برای استفاده از این موجک داریم خاصیت متعامد بودن و پشتیبانی متمرکز سیگنال در حوزه زمان می باشد. شبکه عصبی که برای تشخیص خطا استفاده کرده ایم ، شبکه سه لایه تغذیه شونده به سمت جلو با الگوریتم آموزش BP و تابع فعالیت سیگموئیدی می باشد . در فصل چهارم روش تشخیص خطای سیم بندی استاتور در ماشین القایی بیان شده است که به صورت ترکیبی از آنالیز موجک و شبکه عصبی لست. روند کلی تشخص خطا به این صورت می باشد که ابتدا از جریان استاتور ماشین در حالت سالم و همچنین تحت خطاهای مختلف که در فصل دوم بدست آورده ایم استفاده شده و تبدیل موجک بروی آن اعمال گردیده است.سپس با استفاده از ضرایب موجک مقادیر انرژی در هر مقیاس استخراج و به عنوان ورودی شبکه عصبی جهت آموزش دادن آن برای تشخیص خطای سیم بندی استاتور مورد استفاده قرار گرفته است. در نهایت به کمک داده های تست، صحت شبکه مذکور مورد بررسی قرار داده شده است. در نهایت نتیجه گیری و پیشنهادات لازم بیان گردیده است.
با توجه به مطالب اشاره شده نتیجه می شود که با تشخیص به موقع هر کدام از عیوب اوّلیه در ماشین القایی می توان از پدید آمدن حوادث ثانویّه که منجر به وارد آمدن خسارات سنگین می گردد ، جلوگیری نمود . در این راستا سعی شده است که با تحلیل ، بررسی و تشخیص یکی از این نمونه خطاها، خطای سیم بندی استاتور یک موتور القایی قفس سنجابی ، گامی موثر در پیاده سازی نظام تعمیراتی پیشگویی کننده برداشته شود و با بکارگیری سیستم های مراقبت وضعیت بروی چنین ماشینهایی از وارد آمدن خسارات سنگین بر صنایع و منابع ملی جلوگیری گردد.
تعداد صفحات 125 word
فهرست مطالب:
چکیده
مقدمه۲
فصل اول: بررسی انواع خطا در ماشینهای القایی و علل بروز و روشهای تشخیص آنها
۱-۱-مقدمه۳
۱-۲-بررسی انواع تنشهای وارد شونده بر ماشین القایی۴
۱-۲-۱-تنشهای موثر در خرابی استاتور۴
۱-۲-۲- تنشهای موثر در خرابی روتور۵
۱-۳- بررسی عیوب اولیه در ماشینهای القایی۸
۱-۳-۱- عیوب الکتریکی اولیه در ماشینهای القایی۱۰
۱-۳-۲- عیوب مکانیکی اولیه در ماشینهای القایی۱۷
فصل دوم: مدلسازی ماشین القایی با استفاده از تئوری تابع سیم پیچ
۲-۱-تئوری تابع سیم پیچ۲۱
۲-۱-۱-تعریف تابع سیم پیچ۲۱
۲-۱-۲-محاسبه اندوکتانسهای ماشین با استفاده از توابع سیم پیچ۲۶
۲-۲-شبیه سازی ماشین القایی۲۹
۲-۲-۱- معادلات یک ماشین الکتریکی باm سیم پیچ استاتور و n سیم پیچ روتور۳۲
۲-۲-۱-۱-معادلات ولتاژ استاتور۳۲
۲-۲-۱-۲- معادلات ولتاژ روتور۳۳
۲-۲-۱-۳- محاسبه گشتاور الکترومغناطیسی۳۵
۲-۲-۱-۴- معادلات موتور القای سه فاز قفس سنجابی در فضای حالت۳۶
۲-۳- مدلسازی خطای حلقه به حلقه و خطای کلاف به کلاف۴۴
فصل سوم: آنالیز موجک و تئوری شبکه های عصبی
۳-۱-تاریخچه موجک ها۵۴
۳-۲-مقدمه ای بر خانواده موجک ها۵۴
۳-۲-۱-موجک هار۵۵
۳-۲-۲- موجک دابیشز۵۵
۳-۲-۳- موجک کوایفلت۵۶
۳-۲-۴- موجک سیملت۵۶
۳-۲-۵- موجک مورلت۵۶
۳-۲-۶- موجک میر۵۷
۳-۳- کاربردهای موجک۵۷
۳-۴- آنالیز فوریه۵۸
۳-۴-۱- آنالیز فوریه زمان-کوتاه۵۸
۳-۵-آنالیز موجک۵۹
۳-۶- تئوری شبکه های عصبی۶۹
۳-۶-۱- مقدمه۶۹
۳-۶-۲- مزایای شبکه عصبی۶۹
۳-۶-۳-اساس شبکه عصبی۶۹
۳-۶-۴- انواع شبکه های عصبی۷۲
۳-۶-۵-آموزش پرسپترونهای چند لایه۷۶
فصل چهارم:روش تشخیص خطای سیم بندی استاتور در ماشین القایی(خطای حلقه به حلقه)
۴-۱- اعمال تبدیل موجک۷۹
۴-۲- نتایج تحلیل موجک۸۱
۴-۳- ساختار شبکه عصبی۹۴
فصل پنجم: نتیجه گیری و پیشنهادات..
نتیجه گیری۹۷
پیشنهادات۹۸
پیوست ها۹۹
منابع و ماخذ
فارسی۱۰۰
منابع لاتین۱۰۱
چکیده لاتین۱۰۵
پایان نامه کامپیوتر - تشخیص احساسات در چهره انسان
چکیده
پیشرفت علم پردازش تصویر در چند دهه اخیر تا حدی بوده است که استفاده ان را در علوم و صنایع گوناگون می توان به وضوح احساس کرد. تا جایی که عدم وجود این علم در بعضی از این موارد کاملا ان مورد را بی استفاده می کند. یکی از موارد پردازش تصویر که در این پایان نامه به ان پرداخته ایم تشخیص حالت چهره است؛ بدین صورت که تصویر بعنوان ورودی به سیستم وارد می شود و نرم افزار با استفاده از متد خاصی حالت چهره را (6 حالت) بعنوان خروجی بر می گرداند. در فصل اول به مقدمه ای درباره علم بینایی ماشین و پردازش تصویر پرداخته شده است. فصل دوم توصیف تاریخچه، تحلیل، متد استفاده شده برای پیاده سازی این نرم افزار ارائه شده است. در فصل سوم مقدمه ای در دسته بندی و متدی که استفاده شده در این پروژه پرداخته شده است. فصل چهارم به نتایج و مقایسه تخصیص داده شده است.
تعداد صفحات 128 word
فهرست مطالب
فصل اول
مقدمه............................................................................................ 1
1-1مقدمه ای بر ماشین بینایی...................................................................... 2
1-1-1 بینایی ماشین(MV)
1-1-2 کاربردهای بینایی ماشین................................................................... 2
1-1-3 متدها.................................................................................... 2
1-1-4 پردازش تصویر........................................................................... 3
1-1-4-1 استخراج ویژگی........................................................................ 3
1-1-4-2 روش های قسمت بندی تصویر......................................................... 5
1-1-4-3 دسته بندی............................................................................. 6
1-1-5 روش های پردازش تصویر در بینایی ماشین................................................. 6
1-1-6 مراحل بینایی ماشین....................................................................... 8
1-1-7 روش های فشرده‌سازی تصاویر............................................................ 9
1-1-8 تصاویر رقومی(دیجیتالی)................................................................ 11
1-1-9 مقادیر پیکسلها........................................................................... 11
1-1-10 دقت تصویر........................................................................... 11
1-2 تاریخچه پردازش تصویر.................................................................... 12
1-2-1 مراحل اصلی پروسه تشخیص تصویر..................................................... 14
فصل دوم
تحلیل.......................................................................................... 23
2-1تاریخچه الگوریتم الگوی باینری محلی..................................................... 24
2-1-1 نمونه 1: دسته بندی بافته بااستفاده ازطیف بافته......................................... 24
2-1-2 نمونه 2: مطالعه تفضیلی اندازه گیری و سنجش بافته ازطریق رده بندی برپایه توزیع خصایص........... 26
2-1-3 نمونه 3: مکانیابی واستخراج چشم درتصاویرچهره انسان.............................................. 26
2-1-4 نمونه 4: تشخیص چهره: مشکل تصحیح تغییراتی که در مسیر شدت های روشنایی در تصویر ایجاد می شود..... 28
2-1-5 نمونه 5: رده بندی بافت های مقاوم به چرخش(Rotation-invariant) با استفاده از توزیعات خصایص..... 30
2-1-6 نمونه 6: توالی هیستوگرام ..................................................................... 31
2-1-7 نمونه7: تشخیص قوی حالات چهره بااستفاده از........................................................ 34
2-1-8 نمونه 8: تشخیص احساسات با استفاده از الگوهای پیشرفته دودویی محلی(LBP)، پراکندگی(Entropies) tsallis وخصایص ظاهری و سراسری در چهره......................................................................... 36
2-1-9 نمونه 9: هیستوگرام الگوی دودویی محلی چند طیفه(Multispectral Local Binary Pattern Histogram) برای عناصر و اجزای مبتنی بر بازبینی رنگ چهره............................................. 38
2-2معرفی سیستم های مشابه.............................................................................. 39
2-2-1 الگوهای باینری محلی .................................................................... 39
2-2-2 الگوهای باینری یکنواخت محلی (local uniform binary pattern)..
2-2-3 الگوهای باینری محلی مقاوم در برابر چرخش (rotation invariant local binary pattern).
2-2-4 الگوی باینری محلی چند مقیاسه (multi-scale local binary pattern).
2-2-5 الگوی باینری Gabor محلی (local gabor binary pattern)
2-2-6 مقدار سطح شیب در الگوی باینری محلی (magnitude local binary pattern)
2-3تحلیل.............................................................................................. 42
2-3-1 واحد بافته(Texture Unit) و طیف بافته(Texture Spectrum)
2-3-1-1 دسته بندی بافته(Texture Classification).
2-3-2 مقیاس خاکستری(Gray Scal) و الگوهای باینری محلی با خصوصیت مقاوم به چرخش(Rotation Invariant LBP)
2-3-2-1 دست یافتن به تغییر ناپذیری مقیاس خاکستری در تصاویر gray scale..
2-3-2-3 بهبود ویژگی مقاوم به چرخش در تصاویر با الگوهای یکنواخت و بهتر شدن تدریجی(Quantization) زاویه های چرخش در تصویر 55
2-3-2-4 اندازه گیری واریانس(انحراف) در ویژگی مقاوم به چرخش تصاویر به واسطه ی کنتراست(تفاوت رنگ) بافت تصویر محلی 59
2-3-2-5 قاعده کلی دسته بندی غیر پارامتری..................................................... 60
2-3-2-6 انالیز چند رزولیشنه(Multiresolation Analysis)....................................
2-3-3-1 مدل یادگیری برای توصیف بافته......................................................... 63
2-3-3-2 فرمولاسیون مدل یادگیری پیشنهادی....................................................... 63
2-3-4 سطح الگوی باینری محلی (VLBP)
2-3-4-1 سطح الگوی باینری محلی پایه ای(Basic Volume Local Binary Pattern).
2-3-4-2 خاصیت مقاوم در چرخش در سطح الگوی باینری محلی(Rotation Invariant VLBP)..............
2-3-4-3 الگوهای باینری محلی از سه سطح متعامد(Local Binary Patterns From Three Orthogonal Planes)
2-3-4-4 توصیف گر محلی برای انالیز تصویر چهره...................................................... 84
فصل سوم
دسته بندی........................................................................................ 89
3-1 چکیده.................................................................................. 90
3-2 مقدمه.................................................................................... 90
3-3 مقدمه ای در دسته بندی......................................................................... 91
3-4-1 SVM.......................................................................................
3-4-2 SVM غیر خطی.................................................................................... 103
3-4-3 Svm خطی.......................................................................... 104
3-4-3-1 فرم اولیه......................................................................................... 106
3-5- 4 SVM Multiclass................................................................
3-6 استفاده از دانش قبلی در SVM..................................................................
3-7 Soft Margin(حاشیه نرم)............................................................................ 110
3-8 خصوصیات SVM.......................................................................................
3-9 رگرسیون(Regression)...........................................................................
فصل چهارم
نتایج ومقایسه.......................................................................................... 113
1-4 نتایجی برای VLBP..........................................................................
4-2 نتایجی برای LBP-TOP...............................................................................
4-4 نتیجه گیری............................................................................................... 118
پیوست ها................................................................................................. 120
پیوست الف................................................................................................................................... 121
چکیده انگلیسی.............................................................................................. 122
فهرست اشکال و نمودارها
شکل 1: 5 حالت مختلف از یک تصویر. 29
شکل 2: نرمال سازی تصویر frontal29
شکل 3: چهارچوب کلی LGBPHSبرای نمایش چهره31
شکل 4: عملگر LBPاصلی و اولیه. 34
شکل 5: تقسیم تصویر به یک بلوک 7*6. 36
شکل 6: مثالی از انتقال یک همسایگی در یک واحد بافته. 43
شکل 7: مثالی از طیف بافته که از طریق تصاویر شکل 6 محاسبه شده اند. 44
شکل 9: دسته بندی با حضور ناظر از شکل8. چهار کلاس با چهار سطح خاکستری نمایش داده شده اند.48
شکل 10: اختصاص دهی احتمال در دسته بندی برای هر عنصر از شکل 4.49
شکل 11: مجموعه همسایگی های متقارن. 50
شکل 12: مجموعه های همسایگی متقارن مدوّر برای (P,R) های مختلف... 50
شکل 13: مستقل سازی و جدا کردن پیکسل مرکزی از پیکسل های همسایگی.. 51
شکل 14: 36 دوران ثابت منحصر به فرد. 54
شکل 15: استخراج الگوها برای نمایش نقاط تیره و روشن، نواحی مسطح و لبه ها55
شکل 16: مثالی از دوران زاویه ای.. 56
شکل 17: مثالی از الگوهای یکنواخت و غیر یکنواخت.. 56
شکل 18: الگوهای یکنواخت و غیر یکنواخت.. 58
شکل 19: توزیع اتصالات.. 60
شکل 20: تصویر شماتیکی از یک مدل یادگیری.65
شکل 22: عدد خصایص در مقابل عدد کدهای LBP. 79
شکل23: سه سطح در الگوی پویا در استخراج نقاط همسایگی.. 80
شکل 25: (a) سه سطح در بافته پویا، (b) هیستوگرام LBPاز هر سطح، (c) الحاق هیستوگرام خصیصه. 82
شکل 26: شعاع وعدد نقاط همسایگی های مختلف روی سه سطح.. 83
شکل 27: جزئیات نمونه گیری برای شکل 26. با83
شکل 28: (a) بلوک های غیر همپوشانی شده (8*9)، (b) بلوک های همپوشانی شده(3*4 با سایز همپوشانی 10)86
شکل 29: خصایص در هر سطح بلوک. (a) سطوح بلوک، (b) خصایص LBPاز سه سطح متعامد، (c) خصایص برای هر سطح بلوک از طریق شکل ظاهری وحرکت با هم الحاق می شوند.87
شکل30: نمایش حالات چهره87
شکل 31. نوع اول چیدمان داده ها92
شکل 32. نوع دوم چیدمان داده ها93
شکل 33. نوع سوم چیدمان داده ها94
شکل 34. نوع چهارم چیدمان داده ها95
جدول 1. 114
جدول 2. 115
جدول 3. 116
جدول 4. 116
نمودار 1. 117
پایان نامه کامپیوتر - تشخیص احساسات در چهره انسان
چکیده
پیشرفت علم پردازش تصویر در چند دهه اخیر تا حدی بوده است که استفاده ان را در علوم و صنایع گوناگون می توان به وضوح احساس کرد. تا جایی که عدم وجود این علم در بعضی از این موارد کاملا ان مورد را بی استفاده می کند. یکی از موارد پردازش تصویر که در این پایان نامه به ان پرداخته ایم تشخیص حالت چهره است؛ بدین صورت که تصویر بعنوان ورودی به سیستم وارد می شود و نرم افزار با استفاده از متد خاصی حالت چهره را (6 حالت) بعنوان خروجی بر می گرداند. در فصل اول به مقدمه ای درباره علم بینایی ماشین و پردازش تصویر پرداخته شده است. فصل دوم توصیف تاریخچه، تحلیل، متد استفاده شده برای پیاده سازی این نرم افزار ارائه شده است. در فصل سوم مقدمه ای در دسته بندی و متدی که استفاده شده در این پروژه پرداخته شده است. فصل چهارم به نتایج و مقایسه تخصیص داده شده است.
تعداد صفحات 128 word
فهرست مطالب
فصل اول
مقدمه............................................................................................ 1
1-1مقدمه ای بر ماشین بینایی...................................................................... 2
1-1-1 بینایی ماشین(MV)
1-1-2 کاربردهای بینایی ماشین................................................................... 2
1-1-3 متدها.................................................................................... 2
1-1-4 پردازش تصویر........................................................................... 3
1-1-4-1 استخراج ویژگی........................................................................ 3
1-1-4-2 روش های قسمت بندی تصویر......................................................... 5
1-1-4-3 دسته بندی............................................................................. 6
1-1-5 روش های پردازش تصویر در بینایی ماشین................................................. 6
1-1-6 مراحل بینایی ماشین....................................................................... 8
1-1-7 روش های فشرده‌سازی تصاویر............................................................ 9
1-1-8 تصاویر رقومی(دیجیتالی)................................................................ 11
1-1-9 مقادیر پیکسلها........................................................................... 11
1-1-10 دقت تصویر........................................................................... 11
1-2 تاریخچه پردازش تصویر.................................................................... 12
1-2-1 مراحل اصلی پروسه تشخیص تصویر..................................................... 14
فصل دوم
تحلیل.......................................................................................... 23
2-1تاریخچه الگوریتم الگوی باینری محلی..................................................... 24
2-1-1 نمونه 1: دسته بندی بافته بااستفاده ازطیف بافته......................................... 24
2-1-2 نمونه 2: مطالعه تفضیلی اندازه گیری و سنجش بافته ازطریق رده بندی برپایه توزیع خصایص........... 26
2-1-3 نمونه 3: مکانیابی واستخراج چشم درتصاویرچهره انسان.............................................. 26
2-1-4 نمونه 4: تشخیص چهره: مشکل تصحیح تغییراتی که در مسیر شدت های روشنایی در تصویر ایجاد می شود..... 28
2-1-5 نمونه 5: رده بندی بافت های مقاوم به چرخش(Rotation-invariant) با استفاده از توزیعات خصایص..... 30
2-1-6 نمونه 6: توالی هیستوگرام ..................................................................... 31
2-1-7 نمونه7: تشخیص قوی حالات چهره بااستفاده از........................................................ 34
2-1-8 نمونه 8: تشخیص احساسات با استفاده از الگوهای پیشرفته دودویی محلی(LBP)، پراکندگی(Entropies) tsallis وخصایص ظاهری و سراسری در چهره......................................................................... 36
2-1-9 نمونه 9: هیستوگرام الگوی دودویی محلی چند طیفه(Multispectral Local Binary Pattern Histogram) برای عناصر و اجزای مبتنی بر بازبینی رنگ چهره............................................. 38
2-2معرفی سیستم های مشابه.............................................................................. 39
2-2-1 الگوهای باینری محلی .................................................................... 39
2-2-2 الگوهای باینری یکنواخت محلی (local uniform binary pattern)..
2-2-3 الگوهای باینری محلی مقاوم در برابر چرخش (rotation invariant local binary pattern).
2-2-4 الگوی باینری محلی چند مقیاسه (multi-scale local binary pattern).
2-2-5 الگوی باینری Gabor محلی (local gabor binary pattern)
2-2-6 مقدار سطح شیب در الگوی باینری محلی (magnitude local binary pattern)
2-3تحلیل.............................................................................................. 42
2-3-1 واحد بافته(Texture Unit) و طیف بافته(Texture Spectrum)
2-3-1-1 دسته بندی بافته(Texture Classification).
2-3-2 مقیاس خاکستری(Gray Scal) و الگوهای باینری محلی با خصوصیت مقاوم به چرخش(Rotation Invariant LBP)
2-3-2-1 دست یافتن به تغییر ناپذیری مقیاس خاکستری در تصاویر gray scale..
2-3-2-3 بهبود ویژگی مقاوم به چرخش در تصاویر با الگوهای یکنواخت و بهتر شدن تدریجی(Quantization) زاویه های چرخش در تصویر 55
2-3-2-4 اندازه گیری واریانس(انحراف) در ویژگی مقاوم به چرخش تصاویر به واسطه ی کنتراست(تفاوت رنگ) بافت تصویر محلی 59
2-3-2-5 قاعده کلی دسته بندی غیر پارامتری..................................................... 60
2-3-2-6 انالیز چند رزولیشنه(Multiresolation Analysis)....................................
2-3-3-1 مدل یادگیری برای توصیف بافته......................................................... 63
2-3-3-2 فرمولاسیون مدل یادگیری پیشنهادی....................................................... 63
2-3-4 سطح الگوی باینری محلی (VLBP)
2-3-4-1 سطح الگوی باینری محلی پایه ای(Basic Volume Local Binary Pattern).
2-3-4-2 خاصیت مقاوم در چرخش در سطح الگوی باینری محلی(Rotation Invariant VLBP)..............
2-3-4-3 الگوهای باینری محلی از سه سطح متعامد(Local Binary Patterns From Three Orthogonal Planes)
2-3-4-4 توصیف گر محلی برای انالیز تصویر چهره...................................................... 84
فصل سوم
دسته بندی........................................................................................ 89
3-1 چکیده.................................................................................. 90
3-2 مقدمه.................................................................................... 90
3-3 مقدمه ای در دسته بندی......................................................................... 91
3-4-1 SVM.......................................................................................
3-4-2 SVM غیر خطی.................................................................................... 103
3-4-3 Svm خطی.......................................................................... 104
3-4-3-1 فرم اولیه......................................................................................... 106
3-5- 4 SVM Multiclass................................................................
3-6 استفاده از دانش قبلی در SVM..................................................................
3-7 Soft Margin(حاشیه نرم)............................................................................ 110
3-8 خصوصیات SVM.......................................................................................
3-9 رگرسیون(Regression)...........................................................................
فصل چهارم
نتایج ومقایسه.......................................................................................... 113
1-4 نتایجی برای VLBP..........................................................................
4-2 نتایجی برای LBP-TOP...............................................................................
4-4 نتیجه گیری............................................................................................... 118
پیوست ها................................................................................................. 120
پیوست الف................................................................................................................................... 121
چکیده انگلیسی.............................................................................................. 122
فهرست اشکال و نمودارها
شکل 1: 5 حالت مختلف از یک تصویر. 29
شکل 2: نرمال سازی تصویر frontal29
شکل 3: چهارچوب کلی LGBPHSبرای نمایش چهره31
شکل 4: عملگر LBPاصلی و اولیه. 34
شکل 5: تقسیم تصویر به یک بلوک 7*6. 36
شکل 6: مثالی از انتقال یک همسایگی در یک واحد بافته. 43
شکل 7: مثالی از طیف بافته که از طریق تصاویر شکل 6 محاسبه شده اند. 44
شکل 9: دسته بندی با حضور ناظر از شکل8. چهار کلاس با چهار سطح خاکستری نمایش داده شده اند.48
شکل 10: اختصاص دهی احتمال در دسته بندی برای هر عنصر از شکل 4.49
شکل 11: مجموعه همسایگی های متقارن. 50
شکل 12: مجموعه های همسایگی متقارن مدوّر برای (P,R) های مختلف... 50
شکل 13: مستقل سازی و جدا کردن پیکسل مرکزی از پیکسل های همسایگی.. 51
شکل 14: 36 دوران ثابت منحصر به فرد. 54
شکل 15: استخراج الگوها برای نمایش نقاط تیره و روشن، نواحی مسطح و لبه ها55
شکل 16: مثالی از دوران زاویه ای.. 56
شکل 17: مثالی از الگوهای یکنواخت و غیر یکنواخت.. 56
شکل 18: الگوهای یکنواخت و غیر یکنواخت.. 58
شکل 19: توزیع اتصالات.. 60
شکل 20: تصویر شماتیکی از یک مدل یادگیری.65
شکل 22: عدد خصایص در مقابل عدد کدهای LBP. 79
شکل23: سه سطح در الگوی پویا در استخراج نقاط همسایگی.. 80
شکل 25: (a) سه سطح در بافته پویا، (b) هیستوگرام LBPاز هر سطح، (c) الحاق هیستوگرام خصیصه. 82
شکل 26: شعاع وعدد نقاط همسایگی های مختلف روی سه سطح.. 83
شکل 27: جزئیات نمونه گیری برای شکل 26. با83
شکل 28: (a) بلوک های غیر همپوشانی شده (8*9)، (b) بلوک های همپوشانی شده(3*4 با سایز همپوشانی 10)86
شکل 29: خصایص در هر سطح بلوک. (a) سطوح بلوک، (b) خصایص LBPاز سه سطح متعامد، (c) خصایص برای هر سطح بلوک از طریق شکل ظاهری وحرکت با هم الحاق می شوند.87
شکل30: نمایش حالات چهره87
شکل 31. نوع اول چیدمان داده ها92
شکل 32. نوع دوم چیدمان داده ها93
شکل 33. نوع سوم چیدمان داده ها94
شکل 34. نوع چهارم چیدمان داده ها95
جدول 1. 114
جدول 2. 115
جدول 3. 116
جدول 4. 116
نمودار 1. 117
پایان نامه برق - تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی
چکیده:
در این پایان نامه ابتدا عیوب الکتریکی و مکانیکی در ماشینهای الکتریکی بررسی گردیده و عوامل به وجود آورنده و روشهای رفع این عیوب بیان شده است . به دنبال آن ، به کمک روش تابع سیم پیچی ماشین شبیه سازی و خطای مورد نظر یعنی خطای سیم بندی استاتور به آن اعمال و نتایج مورد بررسی قرار داده شده است. پارامتر اصلی که برای تشخیص خطا در این پایان نامه استفاده کرده ایم ، جریان سه فاز استاتور در حالت سالم و خطادار ،تحت بارگذاری های مختلف خواهد بود.
در قسمت بعدی تئوری موجک و همچنین شبکه عصبی مورد بررسی قرار گرفته است . مادر اینجا از برای استخراج مشخصات سیگنال استفاده کرده ایم ، مهمترین دلیلی که برای استفاده از این موجک داریم خاصیت متعامد بودن و پشتیبانی متمرکز سیگنال در حوزه زمان می باشد. شبکه عصبی که برای تشخیص خطا استفاده کرده ایم ، شبکه سه لایه تغذیه شونده به سمت جلو با الگوریتم آموزش BP و تابع فعالیت سیگموئیدی می باشد . در فصل چهارم روش تشخیص خطای سیم بندی استاتور در ماشین القایی بیان شده است که به صورت ترکیبی از آنالیز موجک و شبکه عصبی لست. روند کلی تشخص خطا به این صورت می باشد که ابتدا از جریان استاتور ماشین در حالت سالم و همچنین تحت خطاهای مختلف که در فصل دوم بدست آورده ایم استفاده شده و تبدیل موجک بروی آن اعمال گردیده است.سپس با استفاده از ضرایب موجک مقادیر انرژی در هر مقیاس استخراج و به عنوان ورودی شبکه عصبی جهت آموزش دادن آن برای تشخیص خطای سیم بندی استاتور مورد استفاده قرار گرفته است. در نهایت به کمک داده های تست، صحت شبکه مذکور مورد بررسی قرار داده شده است. در نهایت نتیجه گیری و پیشنهادات لازم بیان گردیده است.
با توجه به مطالب اشاره شده نتیجه می شود که با تشخیص به موقع هر کدام از عیوب اوّلیه در ماشین القایی می توان از پدید آمدن حوادث ثانویّه که منجر به وارد آمدن خسارات سنگین می گردد ، جلوگیری نمود . در این راستا سعی شده است که با تحلیل ، بررسی و تشخیص یکی از این نمونه خطاها، خطای سیم بندی استاتور یک موتور القایی قفس سنجابی ، گامی موثر در پیاده سازی نظام تعمیراتی پیشگویی کننده برداشته شود و با بکارگیری سیستم های مراقبت وضعیت بروی چنین ماشینهایی از وارد آمدن خسارات سنگین بر صنایع و منابع ملی جلوگیری گردد.
تعداد صفحات 125 word
فهرست مطالب:
چکیده
مقدمه۲
فصل اول: بررسی انواع خطا در ماشینهای القایی و علل بروز و روشهای تشخیص آنها
۱-۱-مقدمه۳
۱-۲-بررسی انواع تنشهای وارد شونده بر ماشین القایی۴
۱-۲-۱-تنشهای موثر در خرابی استاتور۴
۱-۲-۲- تنشهای موثر در خرابی روتور۵
۱-۳- بررسی عیوب اولیه در ماشینهای القایی۸
۱-۳-۱- عیوب الکتریکی اولیه در ماشینهای القایی۱۰
۱-۳-۲- عیوب مکانیکی اولیه در ماشینهای القایی۱۷
فصل دوم: مدلسازی ماشین القایی با استفاده از تئوری تابع سیم پیچ
۲-۱-تئوری تابع سیم پیچ۲۱
۲-۱-۱-تعریف تابع سیم پیچ۲۱
۲-۱-۲-محاسبه اندوکتانسهای ماشین با استفاده از توابع سیم پیچ۲۶
۲-۲-شبیه سازی ماشین القایی۲۹
۲-۲-۱- معادلات یک ماشین الکتریکی باm سیم پیچ استاتور و n سیم پیچ روتور۳۲
۲-۲-۱-۱-معادلات ولتاژ استاتور۳۲
۲-۲-۱-۲- معادلات ولتاژ روتور۳۳
۲-۲-۱-۳- محاسبه گشتاور الکترومغناطیسی۳۵
۲-۲-۱-۴- معادلات موتور القای سه فاز قفس سنجابی در فضای حالت۳۶
۲-۳- مدلسازی خطای حلقه به حلقه و خطای کلاف به کلاف۴۴
فصل سوم: آنالیز موجک و تئوری شبکه های عصبی
۳-۱-تاریخچه موجک ها۵۴
۳-۲-مقدمه ای بر خانواده موجک ها۵۴
۳-۲-۱-موجک هار۵۵
۳-۲-۲- موجک دابیشز۵۵
۳-۲-۳- موجک کوایفلت۵۶
۳-۲-۴- موجک سیملت۵۶
۳-۲-۵- موجک مورلت۵۶
۳-۲-۶- موجک میر۵۷
۳-۳- کاربردهای موجک۵۷
۳-۴- آنالیز فوریه۵۸
۳-۴-۱- آنالیز فوریه زمان-کوتاه۵۸
۳-۵-آنالیز موجک۵۹
۳-۶- تئوری شبکه های عصبی۶۹
۳-۶-۱- مقدمه۶۹
۳-۶-۲- مزایای شبکه عصبی۶۹
۳-۶-۳-اساس شبکه عصبی۶۹
۳-۶-۴- انواع شبکه های عصبی۷۲
۳-۶-۵-آموزش پرسپترونهای چند لایه۷۶
فصل چهارم:روش تشخیص خطای سیم بندی استاتور در ماشین القایی(خطای حلقه به حلقه)
۴-۱- اعمال تبدیل موجک۷۹
۴-۲- نتایج تحلیل موجک۸۱
۴-۳- ساختار شبکه عصبی۹۴
فصل پنجم: نتیجه گیری و پیشنهادات..
نتیجه گیری۹۷
پیشنهادات۹۸
پیوست ها۹۹
منابع و ماخذ
فارسی۱۰۰
منابع لاتین۱۰۱
چکیده لاتین۱۰۵