کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

مرداد 1404
شن یک دو سه چهار پنج جم
 << <   > >>
        1 2 3
4 5 6 7 8 9 10
11 12 13 14 15 16 17
18 19 20 21 22 23 24
25 26 27 28 29 30 31



جستجو


آخرین مطالب


 



 

 

 

 

 

 

 

 

 

 

۱۹،۲۳،۳۸،۴۴،۵۰

 

۰۱۲۵/۰

 

 

 

 

 

 

 

 

 

 

 

 

 

۵ سطر اول جدول نتایج شبیه­سازی بر روی داده­هایی است که تغییرات آن در طول فرایند بررسی شد و ۴ سطر بعد نتایج حاصل از شبیه­سازی متغیرهایی است که از نمودار میزان سهم داده ­ها به­دست آمده است.
نتایج شبیه­سازی چند مورد در زیر آمده است.
شکل ۴-۷- آماره­ی T2 برای متغیرهای ۱،۴،۱۸،۱۹،۳۴،۴۴،۴۵،۵۰
پایان نامه
شکل ۴-۸- آماره­ی Q برای متغیرهای ۱،۴،۱۸،۱۹،۳۴،۴۴،۴۵،۵۰
شکل ۴-۹- آماره­ی T2 برای متغیرهای ۱،۴،۴۴،۵۰
شکل ۴-۱۰- آماره­ی Q برای متغیرهای ۱،۴،۴۴،۵۰
شکل ۴-۱۱- آماره­ی T2 برای متغیرهای ۱،۴،۱۹،۴۴،۴۵،۵۰
شکل ۴-۱۲- آماره­ی Qبرای متغیرهای ۱،۴،۱۹،۴۴،۴۵،۵۰
شکل ۴-۱۳- آماره­ی T2 برای متغیرهای ۱،۴،۲۳،۴۴،۵۰
شکل ۴-۱۴- آماره­ی Q برای متغیرهای ۱،۴،۲۳،۴۴،۵۰
۴-۴-۴- نتایج شبیه­سازی
با مقایسه­ نتایج به­دست آمده از روش تسهیم و داده ­های بررسی شده در طول فرایند بهترین نرخ عدم تشخیص اشتباه ۰۰۹۴/۰ می­باشد که به­دنبال انتخاب مناسب متغیرهای دارای بیشترین تاثیرپذیری از وقوع عیب صورت گرفته است که با نصب سنسورهای مناسب در محل اندازه ­گیری این متغیرها می­توان فرایند عیب­یابی را سرعت و دقت بخشید با اینکه این نرخ به نظر کم می ­آید اما با توجه به افزایش پیچیدگی و پیشرفت سیستم­های کنترلی و استفاده از آن­ها در محیط­ها و کاربردهای حساس، عدم تشخیص به­موقع خطا یا خرابی به­وسیله­ کاربر در سیستم­های حساس، منجربه صدمه دیدن و از بین رفتن مقادیر قابل توجهی از امکانات و اطلاعات خواهد شد. در نتیجه باید به سرعت زمان و مکان و پارامترهای آن شناخته شود و اثر آن جبران شود. برای این منظور در ادامه برای ارتقاء سیستم عیب­یابی کار با شبکه ­های هوشمند پیشنهاد می­ شود.
فصل پنجم:
طراحی یک شبکه عصبی پویا به منظور تشخیص پارامترهای معیوب فرایند
۵-۱- مقدمه
در این فصل یک شبکه­ عصبی پویا برای تشخیص پارامترهای معیوب فرایند تنسی ایستمن طراحی و پیاده­سازی می­گردد. بدین منظور ابتدا یک شبکه عصبی به­تنهایی ارائه می­گردد و سپس با روش­های متفاوت مشخصه­های آن به­گونه ­ای استخراج می­گردد که شبکه پایین­ترین نرخ تشخیص را داشته باشد.
۵-۲- معماری شبکه عصبی پویا
شبکه عصبی پویای مورد استفاده در این فصل [۷] دارای قدرت بالای یادگیری دینامیک­های یک سیستم غیرخطی پیچیده را دارد، درحالی­که شبکه ­های عصبی استاتیک (ایستا) توانایی مدلسازی قابل قبول چنین پیچیدگی­ها را ندارند. یک نرون دینامیک با افزودن یک دینامیک درونی به نرون استاتیک و سپس وابسته کردن تابع فعالساز نرون به این حالت درونی به وجود می ­آید. به این منظور یک فیلتر IIR (فیلتر با پاسخ ضربه نامحدود) به انتهای نرون استاتیک افزوده می­ شود. این ساختار در شکل ۵-۱ نشان داده شده است.
تابع F نشان­دهنده تابع فعالسازی مشتق­پذیر می­باشد و g نشان­دهنده شیب تابع فعالسازی می­باشد.
IIR Filter
g | F(0)
شکل ۵-۱- شبکه عصبی دینامیک با فیلتر با پاسخ ضربه نامحدود
برای به­دست آوردن یک شبکه­ عصبی دینامیک با تعداد L لایه، با بهره گرفتن از نرون­های دینامیک می­توان از ساختاری که در شکل زیر نشان داده شده است استفاده کرد.

H

شکل ۵-۲- ساختار شبکه عصبی چندلایه
برای تنظیم و آموزش­های پارامترهای شبکه از مجموعه زوج­های ورودی/خروجی استفاده می­گردد و معمولا از الگوریتم پس­انتشار خطا مانند شبکه ­های استاتیک برای آموزش استفاده می­گردد.
۵-۳- تشخیص و جداسازی عیب با بهره گرفتن از شبکه عصبی دینامیک
به­منظور تشخیص و جداسازی عیب، ساختاری چندگانه مبتنی بر شبکه عصبی دینامیک به­ صورت شکل ۵-۳ پیشنهاد می­گردد.
در این شکل یک بانک (مخزن) از چندین شبکه عصبی دینامیک نشان داده است. اولین شبکه عصبی دینامیک رفتار سیستم سالم را مدلسازی می­ کند و دیگر شبکه­ ها مدل سیستم را در عیوب مختلف شبیه­سازی می­ کنند. برای انجام شبیه­سازی­های مربوط به سیستم تشخیص و شناسایی عیب، دو مرحله­ اصلی صورت می­گیرد.
۵-۳-۱- مرحله­ اول: شناسایی سیستم

موضوعات: بدون موضوع  لینک ثابت
[یکشنبه 1400-08-02] [ 04:07:00 ق.ظ ]




شکل ۴-۲ کلاس‌بندی داده‌های مربوط به Fourclass با بهره گرفتن از الگوریتم پیشنهادی ……… ۳۱
فهرست جداول
عنوان صفحه
جدول ۲-۱ مقایسه چند روش مختلف فازی ………………………………………………………………………………. ۲۰
جدول ۴-۱ مشخصات داده‌های مورد استفاده …………………………………………………………………………… ۲۸
جدول ۴-۲ پارامترهای کرنل ………………………………………………………………………………………………………. ۲۸
جدول ۴-۳ مقایسه الگوریتم پیشنهادی و SVM از نظر زمان ………………………………………………….. ۲۸
جدول ۴-۴ مقایسه الگوریتم پیشنهادی و SVMاز نظر دقت …………………………………………………. ۲۹
جدول ۴-۵ مقایسه الگوریتم پیشنهادی و SVM از نظر تعداد بردار پشتیبان ………………………… ۲۹
فصل اول: مقدمه

خوشه‌بندی
خوشه‌بندی داده یکی از رایج‌ترین تکنیک‌های داده‌کاوی[۱]است.خوشه‌بندی از جمله روش‌های پرکاربرد در تجزیه و تحلیل داده‌ها است. خوشه‌بندی فرایند خودکاری است که نمونه‌ها به دسته هایی که اعضای آنها شبیه هم باشد تقسیم می‌شود که به این دسته‌ ها، خوشه گفته می‌شود. به بیانی دیگر خوشه مجموعه‌ای از اشیا می‌باشد که در آن اشیا با یکدیگر مشابه بوده و با اشیا موجود در خوشه‌های دیگر غیر مشابه می‌باشند.
خوشه‌بندی در زمینه‌های بسیاری از جمله در شناسایی الگو[۲]، یادگیری ماشین، داده‌کاوی، بازیابی اطلاعات و انفورماتیک زیستی کاربرد دارد. هدف از انجام خوشه‌بندی ارائه چشم انداز مناسبی از اتفاقات در حال وقوع در پایگاه داده‌ها به مصرف کننده نهایی اطلاعات می‌باشد. کاربرد دیگر خوشه‌بندی را می‌توان در تعیین داده‌هایی که با سایر داده‌ها تفاوت چشمگیر دارند عنوان نمود.
در خوشه‌بندی سعی می‌شود جمعی از داده‌ها به صورت بدون ناظر به خوشه‌هایی تقسیم شوند که شباهت داده‌های درون هر خوشه حداکثر و شباهت بین داده‌های درون خوشه‌های مختلف حداقل شود [۵,۶].
الگوریتم‌های خوشه‌بندی [۷,۸] اشیای داده‌ای (طرح‌ها، نهادها، نمونه‎ها، مشاهده‌ها، واحدها) را داخل تعداد خاصی از خوشه‌ها (گروه‌ها، زیر مجموعه‌ها یا مقاله‌ها) تفکیک می‌کنند. اوریت[۳] (۲۰۰۱) در مورد خوشه‌بندی بیان می‌کند که خوشه‌بندی مجموعه‌ای از نهادهای مشابه است، ولی نهادهای خوشه‏های مختلف شبیه هم نیستند.
برای مشابه بودن می‌توان معیارهای مختلفی را در نظر گرفت مثلا می‌توان معیار فاصله را برای خوشه‌بندی مورد استفاده قرار داد و اشیایی را که به یکدیگر نزدیکتر هستند را به عنوان یک خوشه در نظر گرفت که به این نوع خوشه‌بندی خوشه‌بندی مبتنی بر فاصله نیز گفته می‌شود.
پایان نامه - مقاله - پروژه

شکل ۱-۱ : خوشه‌بندی نمونه‌های ورودی[۱]
در شکل ۱-۱ هر یک از نمونه‌های ورودی به یکی از خوشه‌ها تعلق دارد و نمونه‌ای وجود ندارد که متعلق به بیش از یک خوشه باشد. بعنوان یک مثال دیگر شکل ۱-۲ را در نظر بگیرید در این شکل هر یک از دایره های کوچک یک وسیله نقلیه (شیء) را نشان می‌دهد که با ویژگی های وزن و حداکثر سرعت مشخص شده‌اند. هر یک از بیضی‌ها یک خوشه می‌باشد و عبارت کنار هر بیضی برچسب آن خوشه را نشان می‌دهد. کل دستگاه مختصات که نمونه‌ها در آن نشان داده شده‌اند را فضای ویژگی می‌گویند.
cluster
شکل ۱-۲ : خوشه‌بندی وسایل نقلیه [۲]
همانطور که در شکل می‌بینید وسایل نقلیه به سه خوشه تقسیم شده‌اند. برای هر یک از این خوشه‌ها می‌توان یک نماینده در نظر گرفت مثلا می‌توان میانگین وسایل نقلیه باری را محاسبه کرد و بعنوان نماینده خوشه وسایل نقلیه باری معرفی نمود.در واقع الگوریتم‌های خوشه‌بندی اغلب بدین گونه‌اند که یک سری نماینده اولیه برای نمونه‌های ورودی در نظر گرفته می‌شود و سپس از روی میزان تشابه نمونه‌ها با این نماینده‌های مشخص می‌شود که نمونه به کدام خوشه تعلق دارد و بعد از این مرحله نماینده‌های جدید برای هر خوشه محاسبه می‌شود و دوباره نمونه‌ها با این نماینده‌ها مقایسه می‌شوند تا مشخص شود که به کدام خوشه تعلق دارند و این کار آنقدر تکرار می‌شود تا زمانی که نماینده‌های خوشه‌ها تغییری نکنند.
معیارشباهت در خوشه‌بندی : اگر معیار تشابه در تابع هدف بر اساس فاصله تعریف شود می‌توان از تعاریف مختلفی که در مورد فاصله وجود دارد استفاده کرد که در زیر چند نمونه از این توابع آورده شده است.
شکل ۱-۳ : معیارهای تشابه بر اساس توابع فاصله مختلف[۳]

خوشه‌بندی فازی
خوشه‌بندی فازی را می‌توان بخشی از تحلیل داده فازی دانست که دارای دو بخش است: یکی تحلیل داده‌های فازی و دیگری تحلیل داده‌های قطعی با بهره گرفتن از تکنیک‌های فازی.
خوشه‌بندی فازی به کشف مدلهای فازی از داده‌ها می‌پردازد. ایده بنیادین در خوشه‌بندی فازی به این ترتیب است که فرض کنیم هر خوشه مجموعه‌ای از عناصر است. سپس با تغییر در تعریف عضویت عناصردر این مجموعه از حالتی که یک عنصر فقط بتواند عضو یک خوشه باشد به حالتی که هر عنصر می‌تواند با درجه عضویتهای مختلف داخل چندین خوشه قرار بگیرد، دسته بندی‌هایی که انطباق بیشتری با واقعیت دارند ارائه کنیم.
در خوشه‌بندی کلاسیک هر نمونه‌ی ورودی متعلق به یک و فقط یک خوشه می‌باشد و نمی‌تواند عضو دو خوشه و یا بیشتر باشد و به زبان دیگر خوشه‌ها همپوشانی ندارند. حال حالتی را در نظر بگیرید که میزان تشابه یک نمونه با دو خوشه و یا بیشتر یکسان باشد. در خوشه‌بندی کلاسیک باید تصمیم‌گیری شود که این نمونه متعلق به کدام خوشه است. تفاوت اصلی خوشه‌بندی کلاسیک وخوشه‌بندی فازی در این است که یک نمونه می‌تواند متعلق به بیش از یک خوشه باشد[۱]
کاربردهای متعدد خوشه‌بندی فازی در تحلیل داده‌ها و تشخیص الگو و نیز زمینه های پژوهشی موجود در این زمینه از جمله استفاده از آن در حل مسائل مسیریابی، تخصیص و زمان‌بندی نیاز به مطالعه الگوریتم‌های موجود و بهبود و اصلاح آنها را آشکارتر می کند[۴].
۱-۲-۱ الگوریتم‌های پایه‌ای خوشه‌بندی فازی
یکی از اولین روش های خوشه‌بندی فازی که بر مبنای تابع هدف و استفاده از فاصله اقلیدسی بنا شده بود در سال ۱۹۷۴توسط دان ارائه و سپس توسط بزدک تعمیم داده شد. الگوریتم حاصل ابرهای کروی از نقاط را در یک فضای P بعدی شناسایی می کند این خوشه‌ها به طور مفروض تقریباً هم اندازه هستند . هر خوشه با مرکزش نمایش داده می شود. این نحوه نمایش خوشه‌ها،مدل یا نمونه نیز نامیده می شود، زیرا اغلب به عنوان نماینده همه داده‌های تخصیص داده شده به خوشه انگاشته می شو د .در انتخاب مرکز خوشه، مقدار میانگین مورد استفاده قرار می گیرد. برای محاسبه مرکز خوشه مجموع درجات عضویت هر عنصر به توان m در خودش به حاصلضرب توان m درجه عضویت ها تقسیم می‌شود. مشکلی که در ارتباط با این الگوریتم مطرح است این است که الگوریتم نمی‌تواند خوشه‌هایی با اشکال و اندازه ها و چگال ی های متفاوت شناسایی کند. برای شناسایی اشکال دیگر به جای ماتریس همانی در تعیین فاصله می توان از ماتریس های دیگر بهره جست مانند ماتریس قطری برای تشخیص خوشه‌های بیضوی . از مزایای این الگوریتم، سهولت آن است که منجر به کاهش زمان محاسباتی می شود. در عمل با تکرارهای کمی می‌توان به حلی تقریباً نهایی رسید. پس از آن یانگ یک بررسی اجمالی روی روش‌های خوشه‌بندی فازی انجام داد.
با جایگزین کردن فاصله اقلیدسی با متر دیگری (که توسط یک ماتریس متقارن و معین ایجاد شده است) می‌توان به شناسایی خوشه‌های بیضوی نیز دست یافت.این پیشنهاد توسط گوستافسون و کسل در سال ۱۹۷۹ارائه شد.که الگوریتم خوشه‌بندی فازی را با بهره گرفتن از ماتریس کوواریانس فازی ارائه نمودند.
در این روش هر خوشه علاوه بر مرکز خوشه توسط یک ماتریس متقارن، معین و مثبت مشخص می شود. این ماتریس برای هر خوشه یک نرم ایجاد می کند. باید این موضوع را هم در نظر گرفت که با انتخاب دلخواه و اختیاری ماتریس ها، فاصله ها می توانند به طور دلخواه کوچک شوند . برای اجتناب از حداقل سازی تابع هدف با ماتریس های با ورودی های تقریباً صفر، نیاز به مقداری ثابت برای خوشه‌ها با ماتریسی با دترمینان یک داریم . بنابراین حالا فقط شکل خوشه‌ها متغیر است نه اندازه هایشان. اما گوستافسون و کسل اشکال متفاوت برای خوشه‌ها را نیز مقدور ساختند بدین ترتیب که یک مقدار ثابت e برای هر ماتریس A معرفی کردند و در حالت کلی باید det(A)=e .اگرچه انتخاب ثابت ها نیز نیاز به یک دانش پیشین در مورد خوشه‌ها دارد. کیفیت نتیجه حاصل از این روش به شدت وابسته به داده‌های در دسترس است.اشکال بیضوی حاصل از GK در مورد مثال های یکسان با FCM که اشکال کروی حاصل میشد خوشه‌بندی بهتری را حاصل می کند البته موضوع تجمع نقاط در مراکز خوشه‌ها در مورد خوشه بندی امکانی باGK نیز به صورت مسئله باقی میماند. اگر داده‌ها با رویکرد امکان خوشه بندی شوند، فاکتورهای توسعه برای خوشه‌ها می‌توانند برای تشخیص اشکال در تصاویر مورد استفاده قرار گیرند موقعیت و جهت را از مرکز خوشه و ماتریس می توان بدست آورد در مقایسه با FCM هزینه های محاسباتی GK بسیار بیشتر است یک روش پیشنهادی مؤثر در کاهش گام های تکرار و افزایش سرعت همگرایی، آغاز الگوریتمGK با نتایج حاصل از یک بار اجرای FCM است .
تلفیق رویکرد امکان درخوشه‌بندی فازی نخستین بار توسط کیم و کریشناپورام در سال ۱۹۹۳ صورت گرفت. این روش بر معیار وزن η استوار است که در آن از تغییر تابع برازندگی و اضافه شدن وزن‌های ورودی برای کاهش تأثیر داده‌های دور افتاده بر مراکز خوشه‌ها استفاده شده است.
(۱-۱)
در رابطه (۱-۱)، µ تابع عضویت هر نمونه داده،d فاصله اقلیدسی،n تعداد نمونه داده،m یک عدد حقیقی بزرگتر از یک است[۱۶] . تابع برازندگی این الگوریتم به صورت رابطه (۱-۲) در نظر گرفته شده است.
(۱-۲)
(۱-۳)
در رابطه فوق، c تعداد خوشه ‌نهایی، η وزن هر خوشه طبق رابطه (۱-۲)، J تابع برازندگی (هدف) است.
در ‌الگوریتم C میانگین امکانی با در نظر گرفتن وزن η و با بهره گرفتن از رابطه (۱-۳) تعلق (تابع ‌عضویت) برای هر داده‌ای، تأثیر داده‌های دور افتاده را به مراکز خوشه‌ها به حد کمتری می‌رساند و مجموع مولفه هر داده، عددی بین ۰و ۱ خواهد شد، در صورتی که در الگوریتم C میانگین فازی مجموع مولفه هر داده یک است.
(۱-۴)
با بهره گرفتن از رابطه‌‌ (۱-۳) تابع عضویت برای هر داده و رابطه (۱-۴) مراکز خوشه محاسبه می‌شود. تابع برازندگی الگوریتم C میانگین امکانی مقدار بیشتری نسبت به الگوریتم C میانگین فازی ایجاد می‌کند. اما در الگوریتم C میانگین امکانی تعداد مراحل پیدا کردن خوشه ‌نهایی افزایش می‌یابد. اگر در این الگوریتم، خوشه اولیه تصادفی در نظر گرفته نشود و مراکز خوشه‌ها، خوشه‌های نهایی الگوریتم C میانگین فازی در نظر گرفته شود، بیشتر بودن مقدار تابع برازندگی الگوریتم C میانگین امکانی به وضوح دیده شده است.
پس از آن نیز اصلاحات و بهبودهای بسیاری روی الگوریتم‌های ارائه شده صورت گرفته‌اند طبق دسته‌بندی صورت گرفته در این مقاله، الگوریتم‌های پایه‌ای در زمینه خوشه‌بندی فازی محدود به Fuzzy C-Means و Possibilistic C-Means شد که از Hard C-Means که در ادبیات موضوع با عنوان الگوریتم K-Means معرفی شده است استخراج شده اند[۵].
الگوریتم Possibilistic C-Means مشخصه نسبی بودن درجه عضویت احتمالی را بیان می کند.

مشخصه نسبی بودن درجه عضویت احتمالی با وجود مناسب بودن در اکثر مواقع، گاه می تواند ایجاد مشکلاتی نماید[ ۷]. به عنوان نمونه ای از این دسته مشکلات می توان به مورد ذیل اشاره نمود.نقطه از هر دو خوشه به یک فاصله است لذا درجه عضویتش به هر دو خوشه ۵٫ است این منطقی است ولی مشکل وقتی پیش می آید که همان درجه تعلقات به هم داده میشود در حالیکه فاصله این دو نقطه از خوشه‌ها به یک اندازه نیست. دلیل این موضوع نرمال سازی و لزوم برابر یک بودن مجموع درجات عضویت یک نقطه در خوشه‌های مختلف است. نرمال کردن درجات عضویت می تواند منجر به اثرات نامطلوب در ارائه داده‌های پرت و دور از مرکز شود. اگر شرط نرمال سازی را در الگوریتم FCM آزاد کنیم، این اثرات نامطلوب هم کمتر خواهند شد. این رویکرد امکان نام دارد[۸,۹,۱۰] تابع هدف نیز که قبلاً فقط مربع فواصل را حداقل می‌نمود با رویکرد امکان چندان موافق به نظر نمی رسد. با حذف شرط نرمال سازی با اخذ درجات عضویت صفر برای همه نقاط در هر خوشه ای حداقل تابع هدف حاصل می شود و البته این معقول نیست که همه خوش هها خالی باشند. پس بایستی جریمه ای در نظر گرفته شود تا درجات عضویت از صفر دور شوند[۱۰]
الگوریتم k-means توسط مک کویین[۴] مطرح شد، علی‌ رغم سادگی یک روش پایه برای بسیاری از روش‌های خوشه‌بندی دیگر (مانند خوشه‌بندی فازی) محسوب می‌شود. این روش برای مجموعه داده‌های بزرگ، معمولاً سریع‌ترین راه خوشه‌بندی است برای این الگوریتم شکل‌های مختلفی بیان شده است. ولی همه آنها دارای روال تکراری هستند که برای تعدادی ثابت از خوشه‌ها سعی در تخمین موارد زیر دارند:
بدست آوردن نقاطی به عنوان مراکز خوشه‌ها، این نقاط در واقع همان میانگین نقاط متعلق به هر خوشه هستند.

موضوعات: بدون موضوع  لینک ثابت
 [ 04:07:00 ق.ظ ]




پژوهش های صورت گرفته نشان می دهد که مناطق با تراکم بالاتر نیاز به پشتیبانی از امکاناتی بیشتر و طیف وسیعتری از خدمات نسبت به مناطق با تراکم پایین (حومه شهرها) دارند.
محوطه های مسکونی شامل فضای بازی است که تنها محلی برای تفریح و سرگرمی غیر مستقیم را ارائه می دهد.
دانلود پایان نامه

 

عدالت اجتماعی

 

 

 

پایداری اجتماعی

 

 

 

مجموعه ای با طراحی خوب و فضاهای باز با معنی که دارای خدمات اجتماعی در یک فاصله ساده پیاده روی باشد.
استقرار ساختارهای اجتماعی – فیزیکی مرتبط با سلسله مراتب دسترسی.
طراحی کالبدی در راستای منحصر به فرد بودن کالبد، واضح بودن، تضاد با محیط پیرامون، مقیاس، دیده شدن از دور دست و تنوع در منظر شهری می باشد.
یانگ سه عامل ضروری برای احساس تعلق به جامعه را عنوان می کنند که عبارتند از: طول مدت اقامت؛ مکانی با شخصیت و ویژگی خاص؛ ارائه حمایت.

 

احساس تعلق به محیط های مسکونی در دو زمینه هویت اجتماع محلی (مسایل اجتماعی مناطق مسکونی) و هویت مکان (ویژگی های کالبدی محیط) پرداخته می شود. تصویر ذهنی مطلوب داشتن از محیط به انسان احساس امنیت و آرامش می دهد که با تاثیر گذاری محیط کالبدی بر انسان حاصل می شود.

 

غرور و احساس تعلق به مکان

 

 

 

گره ها یا نقاط جمع کننده باعث می شود تا برخوردهای زیادی در آن صورت بگیرد.
نقاط مکث و نشستن در مرکزیت های کارکردی و ورودی ها.
فضاهای مشترک در حوزه نیمه خصوصی محیط مسکونی.
بهره گیری از فرم u شکل برای افزایش تعاملات
شدت تعامل به میزان ارتباط بین عناصر طراحی و الگوهای طرح بستگی دارد.

 

انسان از روزی که پا به عرصه هستی نهاد تمایل به زندگی اجتماعی و با هم زیستن را با خود به همراه داشت. بنابراین برای رسیدن به سطحی از کیفیت در زندگی، نیاز به برقراری تعامل در سطح جامعه است.

 

تعاملات اجتماعی

 

 

 

فضاهای عمومی و تعاملات اجتماعی:
فضاهای باز عمومی دارای بهترین خصوصیت برای ایجاد تعاملات اجتماعی گروه های اجتماعی و نیز کنترل محیطی است.
شرایط راحت و مناسب فضای خارجی توسط سازگاری با اقلیم.
مکانی مشخص، خوانا و به لحاظ کارکردی در دسترس عابرین
ایجاد فضای مکث و مکانی برای نشستن با تنوع و کیفیت بالای تاثیرات بافت، رنگ توده ها و طرح کاشت و گیاه کاری.

 

تعاملات اجتماعی

 

 

 

مجاورت کارکردی و تعاملات اجتماعی:
رابطه اجتماعی در فضا و زمان اتفاق می افتد. مجاورت می تواند علت شروع رابطه اجتماعی باشد، اما شرط کافی نیست.
قرارگیری والدین در کنار زمین بازی کودکان
مجاورت مکانی عاملی مهم در شکل گیری الگوهای تعامل افراد مسن است.

 

 

 

 

موضوعات: بدون موضوع  لینک ثابت
 [ 04:06:00 ق.ظ ]




 

 

 

 

 

 

اتصال پرایمر ها

 

۶۰

 

۴۵ ثانیه

 

۳۵

 

 

 

 

 

 

 

گسترش

 

۷۲

 

۴۵ ثانیه

 

 

 

 

 

 

 

 

 

گسترش نهایی

 

۷۲

 

۱۰ دقیقه

 

۱

 

 

 

 

 

 

 

۳-۱۴- آنالیز آماری
برای مشخص کردن ارتباط ژنوتیپ‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌های‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌ SNP ناحیه پروموتری با خطر ابتلا به سرطان معده از نرم افزار آمارSPSS 22 آنالیز آماری ۲χ و رگرسیون لجستیک استفاده شد.
دانلود پایان نامه
فصل چهارم
نتایج
۴-۱- مشخصات جمعیت مورد مطالعه
مشخصات افراد مورد مطالعه، بر اساس پرسشنامه‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌ و پرونده پزشکی بیماران در جدول ۴-۱ مشاهده می‌شود. با توجه به اینکه گروه شاهد و بیمار از لحاظ جنس و سن (در محدوده ۵ سال) همسان سازی شده اند، اختلاف آماری معنی داری بین سن افراد سالم و بیمار در جمعیت A (102 =df ,575/0 =P , 563/0 =2χ) و B (102 =df , 923/0 =P ,736/0 =χ۲) مشاهده نمی‌‌‌‌‌‌‌‌شود. در این مطالعه مقایسه گروه‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌های‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌ سنی ۵۰-۴۰ سال، ۷۰-۵۰ سال و ۹۰- ۷۰سال در گروه بیمار نشان می‌‌‌‌‌‌‌‌دهد که بیشترین میزان ابتلا به سرطان معده در گروه سنی ۷۰-۵۰ سال می‌‌‌‌‌‌‌‌باشد.
جدول۴-۱: مشخصات نمونه‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌های جمعیت A

 

 

مشخصات

 

گروه شاهد

 

گروه بیمار

 

 

 

تعداد

 

۵۲

 

۵۲

 

 

 

مرد

موضوعات: بدون موضوع  لینک ثابت
 [ 04:06:00 ق.ظ ]




درصد وزنی

 

نوع محصول

 

 

 

Mn

 

Mn

 

 

 

۱۵/۶۵

 

۱۲/۲۳

 

۵۴

 

کنسانتره مغناطیسی

 

 

 

۸۵/۳۴

 

۵۲/۱۴

 

۴۶

 

باطله

 

 

 

۱۰۰

 

۱۶/۱۹

 

۱۰۰

 

متوسط (خوراک)

 

 

 

مطابق جدول۴-۹، عیار منگنز در کنسانتره، به ۱۲/۲۳ درصد رسیده، اما در این آزمایش هم­چنان مقدار قابل توجهی از منگنز به بخش باطله منتقل شده است به طوری که بازیابی وزنی منگنز در بخش باطله حدود ۳۵ درصد است.
این نتایج حاکی از آن است که جدایش مطلوبی بین کانی­های باارزش و گانگ نمونه رخ نداده است، می ­تواند به این دلیل باشد که حساسیت مغناطیسی کانی­های منگنزدار(منگانیت) و آهن­دار(هماتیت) به هم نزدیک است و تفاوت چندانی ندارند که توسط جداکننده­ی مغناطیسی شدت بالا از هم جدا شوند. از طرف دیگر به دلیل خردایش زیاد و رسیدن به درجه آزادی مناسب، نزدیک به ۳۰ درصد ذرات به زیر ۳۸میکرون می­رسند که این سبب می­ شود بخش زیادی از کانی­های منگنزدار به عنوان نرمه در باطله قرار بگیرند و از این رو کارایی جداکننده مغناطیسی کاهش یابد.
با مقایسه­ نتایج آزمایش­های پرعیارسازی به روش مغناطیسی، مشاهده می شود که نتایج آزمایش جداکننده­ی مغناطیسی به روش خشک مناسب­تر است. اما با توجه به این که محصولات به دست آمده از آزمایش میزلرزان، با آب همراه هستند بنابراین برای استفاده از جداکننده­ی مغناطیسی خشک به عنوان مرحله­ پرعیارسازی بعد از میزلرزان مستلزم به دستگاه خشک کن دوار است. که این امر موجب افزایش هزینه­ها و افزایش انرژی مصرفی خواهد شد.
پایان نامه - مقاله - پروژه
۴-۵ نتایج آزمایش­های پرعیارسازی به روش فلوتاسیون
بخشی از نمونه معدن که حدود ۱۸ درصد وزنی آن است دارای ابعاد ریزتر از ۱۰۰ میکرون است. این محدوده ابعادی ۲۰ درصد کل منگنز نمونه را شامل می­ شود. شرایط آزمایش­ها با توجه به مطالعات گذشته و پس از انجام تعدادی آزمایش مقدماتی درنظر گرفته شده است.
۴-۵-۱ آزمایش اول
شناورسازی سیلیس(فلوتاسیون به روش معکوس)
محدوده­ ابعاد ذرات ۱۰۰- میکرون
شرایط آزمایش
کلکتور : آرماک تی(آمین) ۲۰۰گرم بر تن
بازداشت کننده آهن و منگنز: دکسترین زرد ۵۰۰ گرم بر تن
کف ساز: روغن کاج ۳قطره
زمان آماده سازی: ۵ دقیقه
زمان فلوتاسیون:۱۰ دقیقه
pH: 3/9
دور همزن ۱۵۰۰ دور بر دقیقه
مطابق این شرایط نتایج مطلوبی از شناورسازی سیلیس به دست نیامد.
۴-۵-۲ آزمایش دوم
شناور سازی مستقیم منگنز
محدوده­ ابعاد ذرات ۱۰۰- میکرون
شرایط آزمایش
کلکتور: اسید اولئیک ۳۲۰۰ گرم بر تن
کمک کلکتور: نفت ۱۰۰۰۰گرم بر تن
متفرق کننده و بازداشت کننده سیلیس: سیلیکات سدیم ۱۱۰۰۰ گرم بر تن
کف ساز: روغن کاج ۴ قطره
زمان آماده سازی: ۳ دقیقه
زمان فلوتاسیون: ۱۰ دقیقه
pH : 5/8
در این آزمایش، مقدار قابل ملاحظه ای از منگنز شناور نشد و نتیجه مطلوبی به همراه نداشت. به دلیل ساختار کانی منگانیت و قابلیت پایین شناور شدن، انتظار شناورسازی کانی­های منگنزدار به راحتی وجود ندارد. به دلیل حصول اطمینان از این مسئله ، بار دیگر آزمایش فلوتاسیون انجام شد، با این تفاوت که مقدار کلکتور افزایش یافته و در سه مرحله اضافه شد.
۴-۵-۳ آزمایش سوم

موضوعات: بدون موضوع  لینک ثابت
 [ 04:05:00 ق.ظ ]