ورود

Login to your account

Username
Password *
Remember Me

ترجمه فوری آمار

در داده هایی که شامل زمان‌های حسابرسی انتهای سال می‌شود، بزرگ ترین مقدار داده 33 است و کوچک ترین مقدار داده 12 است. به این دلیل ما تصمیم گرفته ایم تا داده را با پنج کلاس خلاصه کنیم ، استفاده از معادله (2.2) به ما عرض کلاس تقریبی 4.2 = 5/(12-33) را می‌دهد. بنابرین ما تصمیم گرفتیم که از گرد کردن به بالا استفاده کنیم و در توزیع فراوانی از عرض کلاس پنج روز استفاده کنیم.
در عمل تعداد کلاس‌ها و عرض کلاس مناسب  از طریق آزمون و خطا تعیین می‌شود. وقتی یک تعداد احتمالی از کلاس‌ها انتخاب شد، معادله (2.2) برای یافتن عرض کلاس تقریبی استفاده می‌شود. می‌توان این فرایند را برای تعداد متفاوتی از کلاس‌ها تکرار کرد. در نهایت تحلیل گر برای تعیین ترکیب تعداد کلاس‌ها و عرض کلاس از قضاوت شخصیش استفاده می‌کند و بهترین توزیع فراوانی را برای خلاصه سازی داده ارائه می‌کند.
در بررسیداده زمان حسابرسی در جدول 2.4 بعد از اینکه در مورد استفاده از پنج کلاس تصمیم گرفتیم و عرض هر کلاس پنج روز شد،کار جدید ما تعیین حدهای کلاس درهر کلاس است.

هیچ توزیع فراوانی منفردی برای یک مجموعه داده بهترین توزیع محسوب نمی شود. ممکن است افراد متفاوت توزیع فراوانی‌های متفاوتی را بسازند که به یک اندازه قابل قبول باشند. هدف این است که گروه بندی طبیعی و تغییر داده را نشان دهیم.

حدهای کلاس : باید حدهای کلاس را طوری انتخاب کرد که هر آیتم داده متعلق به یک و فقط یک کلاس باشد. حد کلاس پایینی ، کوچک ترین مقدار داده احتمالی تخصیص یافته به کلاس را تعیین می‌کند. حد کلاس بالائی هم بزرگ ترین مقدار داده احتمالی تخصیص یافته به کلاس را تعیین می‌کند. در هنگام ساختن توزیع فراوانی‌ها برای داده کیفی ما نیازی به تعیین حدهای کلاس نداریم چون هر آیتم داده به طور طبیعی در یک کلاس مجزا قرار می‌گیرد. اما در داده  های کمّی مثل زمان‌های حسابرسی در جدول 2.4 ، باید حدهای کلاس در جایی که هر مقدار داده به کلاس تعلق می‌گیرد، تعیین شوند.

 

کیفیت ترجمه : ترجمه نقره ای

 

نکته: کلیه نمونه  ترجمه های سایت ترجمه فوری با کسب اجازه از مشتری در سایت درج می شود یا صرفا با هدف انتشار به عنوان نمونه ترجمه تهیه می شود.

برای سفارش ترجمه تخصصی آمار از بخش سفارش ترجمه در منوی سایت استفاده کنید . لطفا  در بخش موضوع واژه" ترجمه فوری آمار" را ذکر کنید

ترجمه فوری هوش مصنوعی

معمولا ما بعد از جمع آوری داده آن را به سه زیر مجموعه تمرین، تایید و تست تقسیم می کنیم . همانطور که در فصل پیش گفتیم، مجموعه تمرین معمولا تقریبا 70% از مجموعه داده کامل را تشکیل می دهد و تایید و تست تقریبا 15% از هر کدام از بخش های داده را تشکیل می دهد . باید هر کدام از این مجموعه ها نماینده مجموعه داده  کامل باشند ، یعنی هر کدام از آنها کار تایید و تست ناحیه مشابهی از فضای ورودی را در مجموعه تمرین انجام دهند. ساده ترین روش برای تقسیم داده ، انتخاب تصادفی همه زیرمجموعه های متعلق به یک مجموعه داده  کامل است. این روش معمولا نتیجه خوبی را خلق می کند اما روش بهتر این است که هر بخش را بررسی کنیم تا تفاوت های اصلی بین مجموعه ها را کنترل کنیم به این صورت تحلیل پس از تمرین برای شناخت مشکلات در تقسیم داده هم امکان پذیر است. ما بعدها در این مورد چیزهای بیشتری خواهیم گفت.
سوال نهایی که باید در مورد انتخاب داده از خودمان باید بپرسیم این است که « آیا ما داده کافی در اختیار داریم؟ » . این سوالی است که خصوصا قبل از اینکه شبکه را تمرین بدهیم. پاسخ دادن به آن دشوار است مقدار داده ای که نیاز داریم بستگی به پیچیدگی تابع زیربنائی دارد یعنی همان داده ای که تلاش می کنیم آن را به شکل تقریبی به دست بیاوریم .اگر تابعی که به طور تقریبی به دست می آِید،خیلی پیچیده باشد، و نقاط انحراف در آن زیاد باشد آنگاه به مقدار زیادی داده نیاز داریم. اگر آن تابع خیلی هموار باشد آنگاه میزان داده مورد به شکل معناداری کاهش پیدا می کند  ( مگر اینکه داده خیلی پر نویز باشد) . انتخاب اندازه مجموعه داده با انتخاب تعداد نورون ها در شبکه عصبی رابطه نزدیکی دارد. این موضوع در بخش « انتخب معماری شبکه» مورد بحث قرار می گیرد. البته ما معمولا قبل از اینکه تمرین شبکه را شروع کنیم، نمی دانیم که تابع زیربنائی  چقدر پیچیده است. به این دلیل همانطور که بعدا خواهیم گفت کل روند تمرین شبکه عصبی تکراری است. ما در حین کامل شدن تمرین عملکرد شبکه را تحلیل خواهیم کرد. نتیجه این تحلیل می تواند در تصمیم گیری در مورد اینکه داده کافی داریم یا خیر به ما کمک کند.

کیفیت ترجمه : ترجمه نقره ای

 

نکته: کلیه نمونه  ترجمه های سایت ترجمه فوری با کسب اجازه از مشتری در سایت درج می شود یا با هدف انتشار به عنوان نمونه ترجمه تهیه می شود.

برای سفارش ترجمه هوش مصنوعی و شبکه عصبی از بخش سفارش ترجمه در منوی سایت استفاده کنید و در بخش موضوع واژه" ترجمه هوش مصنوعی" را ذکر کنید

 

مکانیسم تغییر دنده خودروی برقی

کلیدواژه ها : مکانیک خودرو، تغییر دنده خودرو، ترجمه مکانیک، خودروی برقی، ترجمه

تحقیقات زیادی از نقطه نظر محیطی ( آلودگی هوا و نویز و ... ) بر روی جایگزین کردن وسائل نقلیه برقی با وسائل نقلیه با سوخت بنزینی در حال انجام است. مکانیسم های تغییر دنده وسیله نقله برقی اگرچه برای کاهش اندازه موتور مفید هستند ولی این مکانیسم ها باعث بدتر  شدن عملکرد هدایت وسیله نقلیه می شوند. کنترل تغییر دنده اتوماتیک باعث حل مشکلات مربوط به وسائل نقلیه برقی از طریق استفاده از یک نوع خاص دنده می شود
مکانیسم تغییر دنده هیدرولیک که به شکل وسیع برای خودروهای با سوخت بنزینی استفاده می شود برای خودرو های برقی مناسب نیست چون  بازده سیستم انتقال گشتاور آن ضعیف است.  استفاده کردن از مکانیسم تغییر دنده الکتریکی در  وسائل نقلیه برقی روش مناسب تری محسوب می شود.دنده خودرو
در این مقاله ما یک سیستم کنترل تغییر دنده اتوماتیک را پیشنهاد می کنیم که از یک کنترلر تغییر دنده از نوع کلاچ الکترومغناطیسی ، یک موتور مغناطیسی دائمی و یک چاپر تایریستور (thyristor chopper ) که برای گردش توان و ترمز بازیابی بکار می رود ، تشکیل شده است. مشخصات سیستم پیشنهاد شده در بخش های بعدی به شکل مفصل ارائه می شوند
سیستم  هدایت خودروی برقی پیشنهاد شده در شکل به طور کامل قابل مشاهده است. چاپر تایریستور بوسیله یک پدال گاز یا یک پدال ترمز کنترل می شود. کتنرلر تغییر دنده اتوماتیک حالت کنونی اجرا را اندازه گیری می کند و تعیین می کند که آیا تغییر دنده با استفاده از مدار منطقی تغییر دنده لازم است یا خیر. اگر به این نتیجه برسد که تغییر دنده لازم است، دنده به شکل خودکار از حالت درگیر خارج می شود. بعد سرعت موتور کنترل می شود تا با سرعت خودرو در آن نسبت دنده خاص تطبیق داشته باشد. این کار کنترل سرعت موتور نام دارد. به محض اینکه کنترل سرعت موتور کامل شد، دنده دوباره به شکل خودکار درگیر می شود

منبع : مجله Electrical Engineering in Japan