دانلود مقاله شبیه سازی یک سیستم توزیع شده با شبکه های عصبی رقابتی با pdf دارای 5 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد دانلود مقاله شبیه سازی یک سیستم توزیع شده با شبکه های عصبی رقابتی با pdf کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی دانلود مقاله شبیه سازی یک سیستم توزیع شده با شبکه های عصبی رقابتی با pdf ،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن دانلود مقاله شبیه سازی یک سیستم توزیع شده با شبکه های عصبی رقابتی با pdf :
سال انتشار: 1393
محل انتشار: دومین کنفرانس بین المللی دستاوردهای نوین در علوم مهندسی و پایه
تعداد صفحات: 5
نویسنده(ها):
زهرا رمضانی شهرستانی – دانشجو کارشناسی ارشد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات گیلان،گروه کامپیوتر، گیلان، ایران- مسئول مکاتبات
پیمان بیات – استادیار، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات گیلان،گروه کامپیوتر، گیلان، ایران
چکیده:
در یک شبکه حسگر که یک سیستم توزیع شده فراگیر است، یکی از موارد مورد بحث همگام سازی ارتباطات است. یکی از عمده وظایف همگام سازی فرآیند ها، انحصار متقابل است. الگوریتم های جدید ارایه شده در مقایسه با الگوریتم های قدیمی با عدالت بیشتری عمل می نمایند. در این مقاله یک مدل با استفاده از شبکه های عصبی رقابتی برای انحصار متقابل توزیع شده ارایه می دهیم. نشان داده می شود که برچسب های زمانی، زمان اجرا و دیگر پارامترهای موثر بوسیله شبکه های عصبی رقابتی پیش بینی شده و مدل می تواند بصورت تحلیلی مشکلاتی که در ناحیه بحرانی اتفاق می افتد را حل نماید. مدل می تواند با استفاده از روش های همینگ و هاپلفیلد به جهت پیش بینی اثرات آن شبیه سازی شده و نمودارهای سرعت و دقت آن مورد تجزیه وتحلیل قرار گیرد. مدل شرح داده شده می تواند اطلاعات سیستم را کاهش دهد و با سیستم های یادگیری اوولویت سازگار باشد. بنابراین، این امکان وجود دارد که با استفاده از شبکه های عصبی رقابتی بعنوان یک الگوی سیستم توزیع شده موارد قابلیت اطمینان، تحمل پذیری خطا و دسترسی به انحصار متقابل و مدیریت ناحیه بحرانی را بهینه نماییم. بنابراین روش جدید ارایه شده تحمل پذیری خطا را افزایش داده و الگوریتم های متمرکز و توزیع شده می توانند از آن استفاده نمایند و بر این اساس قابلیت اطمینان بیشتر می شود.
- ۹۵/۰۷/۲۱