اخیراً مفهوم تخمین تطبیقی توزیع شده به عنوان روشی مناسب برای تخمین در شبکه های سنسوری فاقد fc مد نظر قرار گرفته است. در قسمت اول این رساله مساله تخمین تطبیقی توزیع شده در شبکه های افزایشی مبتنی بر lms با در نظر گرفتن کیفیت مشاهدات در دو حالت کلی (1) شبکه همگن و (2) شبکه غیر همگن مورد توجه قرار گرفت. ابتدا نشان داده شد که چنانچه از شبکه تطبیقی در یک محیط همگن استفاده شود، از نظر خطای حالت دائم، نتایج بدست آمده تفاوتی با نتایج قابل ارائه توسط شبکه غیرمشارکتی ندارد. با این حال استفاده از شبکه تطبیقی این مزیت را دارد که با نرخ همگرایی سریع تری به جواب رسیده و لذا مزیت اصلی آنها در این مورد فقط سرعت همگرایی آن هاست. در حالت دوم ابتدا نشان دادیم که وجود گره هایی با کیفیت پایین سبب کاهش شدید کارایی شبکه های تطبیقی می گردد. برای حل این مساله در این رساله الگوریتم های متفاوتی ارائه گردید. ابتدا توجه خود را معطوف به طراحی الگوریتمی نمودیم که در آن هدف دسترسی به خطای کمتر نسبت به الگوریتم dilms به شرط نرخ همگرایی برابر با آن تعیین گردید. بسته به در دسترس بودن اطلاعات مربوط به واریانس نویز مشاهدات، برای این مورد دو الگوریتم مختلف ارائه گردید. با توجه به نتایج بدست آمده نشان دادیم که الگوریتم های پیشنهادی دارای عملکرد بهتری نسبت به الگوریتم dilms در شرایط مشابه می باشند. در ادامه، توجه خود را معطوف به طراحی الگوریتمی کردیم که در آن هدف دسترسی به نرخ همگرایی بالاتر نسبت به الگوریتم dilms به شرط داشتن خطای حالت دائم برابر با آن تعیین گردید. الگوریتم طراحی شده، الگوریتم تطبیقی با ضریب گام متغیر با زمان می باشد که در آن ضریب گام با گذشت زمان (تکرار بیشتر الگوریتم) کوچک تر می شود. این امر سبب بهبود نرخ همگرایی الگوریتم تطبیقی پیشنهادی نسبت به الگوریتم dilms می گردد. برای تمام الگوریتم های پیشنهادی پس از بدست آوردن روابط لازم، شبیه سازی متفاوتی برای نشان دادن کارایی آنها ارائه گردید. در قسمت دوم رساله حاضر عملکرد الگوریتم های تخمین تطبیقی با وجود محدودیت محدودیت پهنای باند مورد بررسی قرار می گیرد. به عبارت دیگر در این حالت هدف، رفتار الگوریتم های تخمین تطبیقی توزیع شده زمانی که از مقادیر کوانتیزه شده به جای مقادیر واقعی استفاده شود مورد بررسی قرار می گیرد. اهمیت این مساله ناشی از این حقیقت ناشی می گردد برای پیاده سازی الگوریتم های تخمین تطبیقی توزیع شده بر روی پردازنده ها نیازمند کوانتیزه کردن مقادیر مورد پردازش می باشیم. لذا بررسی رفتار الگوریتم های تخمین تطبیقی توزیع شده حائز اهمیت می باشد.در این رساله ابتدا نحوه پیاده سازی آن با استفاده از تعداد بیت محدود نشان داده شد و رابطه بروز کردن تخمین محلی در هر گره با در نظر گرفتن خطای ناشی از کوانتیزه کردن مقادیر مورد استفاده استخراج گردید. در ادامه روابط مربوط به مقادیر نهایی کمیت های msd، emse و mse برای حالتی که رگرسیون ها دارای توزیع گوسی و همچنین دارای توزیع دلخواه باشند استخراج گردید.

اخیرا شبکه های تطبیقی برای حل مساله تخمین در شبکه های توزیع شده مانند شبکه های سنسوری بی سیم معرفی شده اند. یکی از کاربردهای الگوریتم تخمین تطبیقی توزیع شده استفاده از آنها جهت مدل سازی حرکت ماهی ها به سمت منبع غذا است، که در آن ماهی ها به عنوان گره های شبکه عمل کرده و منبع غذایی نیز نشان دهنده هدفی است که گره ها موقعیت مکانی آن را تخمین زده و به سمت آن حرکت می کنند. ابتدا نشان داده می شود که چگونه گره ها می توانند با استفاده از الگوریتم تخمین تطبیقی توزیع شده با مشارکت نفوذی موقعیت هدف را در فضای سه بعدی تخمین زده و سپس به سمت آن حرکت کنند. در مرحله بعدی به ارائه الگوریتمی می پردازیم که بتوان با استفاده از آن میزان ارتباطات انجام شده مابین گره ها را کم کرد به گونه ای که کارایی شبکه از لحاظ خطای حالت دائم و نرخ همگرایی حفظ شود. هدف از کاهش ارتباطات ما بین گره ها نیز کاهش توان مصرفی و پهنای باند شبکه می باشد. در این پایان نامه از منحنی msd، جهت بررسی نتایج الگوریتم ارائه شده و شبیه سازی ها استفاده می شود.

باد یک منبع مهم انرژی تجدیدپذیر با در دسترس بودن در بسیاری از نقاط جهان به شمار می رود. با استفاده از مدل های پیش بینی دقیق انرژی باد، می توان انرژی برق شبکه قدرت را تأمین نمود. چالش های جدید در قابلیت اطمینان سیستم، ناشی از ذات متغیر بودن سیگنال باد است. امروزه ابزارها و روش های قدرتمند و دقیقی برای پیش بینی قدرت باد وجود دارد زیرا بخش اساسی سیستم قدرت مبتنی بر انرژی باد است. سرعت باد به طور مستقیم وابسته به مکعب سرعت باد است، بنابراین یک بهبودی کوچک در پیش بینی سرعت باد یک پیش بینی دقیق تر از قدرت باد را فراهم می کند. دقت مدل های پیش بینی سرعت باد به ویژگی های سیگنال باد که در یک روش نمونه ترکیب شده اند بستگی دارد. جهت باد اثر قابل توجهی در پیش بینی سرعت باد و سیگنال مختلط باد ارائه می دهد. سیگنال مختلط باد متغیر است، از این رو مدل سازی به طور گسترده خطی نتایج مطلوبی از سیگنال مختلط باد به دست می آورد. سیگنال باد دارای ارتباط قوی فضائی و زمانی می باشد. بسیاری از روش های پیش بینی باد در حال حاضر همه ویژگی های سیگنال باد را در یک فرمول واحد ارائه نمی دهند. در این پایان نامه، در ابتدا ما مدل خطی پیش بینی مشترک سرعت باد را با استفاده از ماهیت متغیر سیگنال های مختلط باد و همچنین استفاده از ویژگی های ارتباط فضائی و زمانی سیگنال باد بررسی کرده ایم. برای به دست آوردن پارامترهای به روزرسانی این مدل، از الگوریتم بازگشتی حداقل مربعات استفاده شده است. مدل های پیش بینی بیشتر برای بهره برداری از منابع کار آمد، با استفاده از فرمول مجموعه عضویت بهینه سازی می شوند. در این پایان نامه یک مدل پیش بینی برای سیگنال های مختلط باد بهبود یافته، و این الگوریتم بر روی داده های باد مورد آزمایش و شبیه سازی قرار گرفته است. نتایج شبیه سازی در ابتدا نشان می دهد که روش توسعه یافته گسترده خطی عملکرد پیش بینی را بهبود می دهد. به منظور بررسی نتایج، داده های باد دنیای واقعی مورد استفاده قرار گرفته اند. همچنین در این پایان نامه روش aapa مورد بررسی و تجزیه و تحلیل قرار گرفته است و نتایج فیلتر تطبیقی aapa با مدل های خطی و گسترده خطی مقایسه گردیده است؛ و با تجزیه و تحلیل نتایج ملاحظه می شود که فیلتر aapa نتایج بهتری را نسبت به روش های خطی و گسترده خطی، و پیش بینی دقیقی در بازه های زمانی طولانی مدت ارائه می دهد.

در سال های اخیر کاهش منابع معمول هیدروکربوری، و مسئله مهم انتقال انرژی الکتریکی از منابع تولید عمده و متمرکز به محل مصرف کنندگان در فاصله جغرافیائی زیاد، محرک اصلی توسعه منابع پراکنده و اقبال به تولید در محل مصرف در ظرفیت های کوچک می باشد. نفوذ این منابع در شبکه قدرت علی رغم فواید بی نظیر آن باعث ایجاد مشکلاتی نظیر افزایش پیچیدگی مسئله حفاظت شبکه قدرت، علی الخصوص جزیره ای شدن ناخواسته قسمتی از شبکه گردیده است. بنا بر استاندارد تدوین شده (استانداردeee1547-2003 ) وضعیت جزیره ای ناخواسته بایستی در کوتاه ترین زمان تشخیص و واحد های تولید پراکنده سریعاً از شبکه جدا گردند. روش پسیو تشخیص حالت جزیره ای بر پایه آنالیز سرعت تغییرات فرکانس سیستم در نقطه اتصال منابع پراکنده به شبکه موسوم به روش rocof عمل می-نماید. برخلاف روش سنتی که مبتنی بر معادله نوسان ژنراتور سنکرون است، الگوریتم پیشنهادی بر روی انواع دیگر منابع تولید پراکنده و بر روی شبکه استاندارد تست رینگ با در نظر گرفتن شرایط متفاوت شبکه نظیر load shedding، سوئیچینگ بانک های خازنی، وقوع انواع اتصال کوتاه، قطع خطوط رینگ و... آزمایش گردید. با تفکیک حالات محتمل در شبکه در حال بهره برداری و تعریف وضعیت پیش آمده بر پایه آستانه تنظیم شده در الگوریتم، حالت جزیره ای تشخیص داده شده است. در نتیجه مقایسه کوچک ترین مقدار نرخ تغییر فرکانس بدست آمده از نتایج شبیه سازی حالت های جزیره ای و بزرگ ترین مقدار نرخ تغییر فرکانس بدست آمده از نتایج شبیه سازی حالت های غیرجزیره ای، برای منابع dg مستقر در شبکه و لحاظ نمودن حاشیه امنیت لازم، آستانه عملکرد برای رله rocof تنظیم گردیده است. مقایسه آستانه تنظیمی و نتایج شبیه سازی بر روی شبکه استاندارد مدل سازی شده، نتایج مویید صحت عملکرد الگوریتم و جداسازی زیر شبکه جزیره ای شده، در کمترین زمان ممکن می باشد.

پردازش سیگنال تطبیقی به عنوان هسته ی تحقیق پردازش سیگنال آماری در چند دهه اخیر بوده است و دارای رنج وسیعی از کاربردهایی شامل برابرسازی کانال، شکل دهی پرتو، مهندسی پزشکی و رادار است. درحالیکه فیلترهای دیجیتال با ضرایب ثابت فقط برای سناریوهای استاتیک بهینه است، فیلترهای تطبیقی نیاز به هیچ فرضی روی مکانیسم تولید سیگنال ندارند و در محیط های غیر-ایستان عمل می کنند. فیلترهای مختلط به عنوان بسط های ساده ای از فیلترهای متناظر تثبیت شده در حوزه حقیقی هستند. ایده اصلی استفاده از الگوریتم های مختلط، در واقع پردازش همزمان دو سیگنال حقیقی به عنوان یک سیگنال مختلط و استفاده از اطلاعات–متقابل بین آنها است. اگر قسمت های حقیقی و موهومی یک سیگنال مختلط دارای اطلاعات–متقابل صفر و توان یکسان باشند، سیگنال مختلط موردنظر چرخشی مرتبه دوم (مطبوع) نامیده می شود، در غیراین صورت غیر-چرخشی (غیرمطبوع) است. برای پردازش بهتر سیگنال های مختلط غیر-چرخشی، فیلترها بصورت خطی گسترده مدل سازی می شوند. الگوریتم clms معرفی شده بوسیله ویدرو در 1975، یک فیلتر fir (پاسخ ضربه طول-محدود) در حوزه مختلط است که بصورت خطی استاندارد مدل سازی شده است و فقط برای پردازش سیگنال های مختلط مطبوع مناسب است. الگوریتم aclms معرفی شده بوسیله ماندیک در 2009، یک بسط خطی گسترده از الگوریتم clms استاندارد است که پردازش سیگنال های مختلط غیرمطبوع را بهینه می کند. فیلترهای iir خطی، فیلترهای تطبیقی خطی استانداردی هستند که با فیدبک مجهز شده اند و دارای پاسخ ضربه طول-نامحدود هستند. این خصوصیت موجب می شود که فیلترهای iir برای کاربردهای فیلترینگ تطبیقی که در آنها حافظه مدنظر است مانند بیان مدل های arma، مناسب باشند. معماری های فیلترینگ تطبیقی فیدبک دار دارای امتیازهای بالقوه ای نسبت به همتاهای fir خود هستند، چون آنها بطور طبیعی برای مدل سازی سیستم های باحافظه و طول پاسخ ضربه بلند و سیگنال های با وابستگی زمانی بلند استفاده می شوند. نشان داده شده است که بنابر حضور فیدبک، یک الگوریتم آموزش بازگشتی برای آموزش این قبیل فیلترها دارای پیچیدگی محاسباتی است، با این حال نیاز به المان های تاخیری ورودی پیشرو و پسرو (فیدبک) کمتری و بنابراین وزن های کمتری برای مدل سازی فرایندهایی دارد که برای آنها فیلترهای fir نیازمند طول فیلتر بزرگ هستند. معایب فیلتر iir تطبیقی شامل مسائل پایداری احتمالی و نبود یک حل یکتا در برخی مسائل است. الگوریتم ca-iir معرفی شده بوسیله شینک در 1986، یک فیلتر پاسخ ضربه طول-نامحدود را در حوزه مختلط بصورت خطی استاندارد مدل می کند که فقط برای پردازش سیگنال های مختلط مطبوع مناسب است. برای معرفی یک الگوریتم بازگشتی برای فیلترینگ iir تطبیقی مختلط "افزوده" (aca-iir)، الگوریتم ca-iir توسط ماندیک و چونگ در 2009 به مدل خطی گسترده بسط داده شده است که برای هردو سیگنال مختلط مطبوع و غیرمطبوع مناسب است. تعدادی از کاربردهای مدرن از قبیل آنهایی که در مانیتورینگ محیطی، مکان یابی هدف و شبکه های سنسوری اتفاق می افتند، نیازمند کلاس های جدیدی از تکنیک های تخمین مبتنی بر شبکه های توزیعی از گره هایی هستند که با پردازش داده ها بصورت مشارکتی تعبیه شده اند. در این قبیل موارد ما می توانیم تکنیک های با مشارکت محدود مانند افزایشی یا پخشی تطبیقی را بکار ببریم تا مشارکت را در میان گره های تطبیقی انفرادی پیاده سازی کنیم. این گره ها با قابلیت های آموزش محلی مجهز شده اند: آنها تخمین های محلی را برای پارامتر موردنظر تولید می کنند و اطلاعات را فقط با همسایگان تعیین شده ی خود به اشتراک می گذارند. در مد مشارکتی افزایشی، گره ها برای بهره برداری از بعد مکانی فقط مجاز به ارتباط با همسایگان بی واسطه خود هستند که در یک زمان موجب محدود شدن بار مخابراتی می شود اما در برابر خرابی اتصال و گره مقاوم نیستند. هنگامی که منابع مخابراتی مقیاس بزرگ در دسترس باشند، تکنیک های توزیعی می توانند بطور بهینه از اتصال پذیری شبکه بهره برداری کنند و درجه مشارکت را در بین گره ها افزایش دهند. بنابر استقرار و عملکرد زمان-واقعی آنها، تکنیک های پخشی در برابر خرابی اتصال و گره مقاوم هستند و نیز مقیاس پذیر هستند، اما دارای بار مخابراتی بیشتری نسبت به تکنیک های افزایشی هستند. در این طرح پیشنهادی، فیلتر aca-iir بصورت توزیعی در دو مد مشارکتی افزایشی و پخشی برای پردازش سیگنال های مختلط پیشنهاد می شود.

در سال های گذشته از شبکه های تطبیقی برای حل مساله تخمین خطی در شبکه های توزیع شده مانند شبکه های سنسوری بی سیم استفاده شده است. ایده اصلی در این نوع شبکه ها حل مساله تخمین به صورت توزیع شده می باشد.در عمل وجود لینک های نویزی بین گره ها سبب کاهش کارایی شبکه های تطبیقی می گردد.با توجه به این مساله در طول پایان نامه قصد داریم که الگوریتمی ارائه دهیم که تاثیر نویز را در کارایی شبکه کاهش دهد.

شبکه های تطبیقی سیار در کاربردهای وسیعی مورد استفاده قرار می گیرند. این شبکه ها شامل گره هایی هستند که توانایی تحرک دارند. شبکه های تطبیقی سیار برای حل مسائل اطلاعاتی و بهینه سازی توزیع شده در یک روش کاملاً غیر متمرکز، ارائه شده اند. یک موضوع اصلی در شبکه های تطبیقی سیار، طراحی الگوریتمی با نرخ همگرایی سریع می باشد. هدف این پایان نامه، توسعه ی شبکه های تطبیقی سیار با نرخ همگرایی بالا و پیچیدگی محاسباتی کم می باشد.

الگوریتم های تطبیقی گوناگونی در حل مسئله تخمین خطی به صورت توزیع شده پیشنهاد شده اند، از سوی دیگر در بسیاری از کاربردهای عملی نیازمند پردازش سیگنال های غیر خطی هستیم. با کاربردهای پیچیده عملی و توان محاسباتی محدود ماشینهای یادگیری خطی، فیلترهای تطبیقی غیرخطی مطرح شدند. به منظور پیاده سازی یک فیلتر تطبیقی غیرخطی راهکارهای متفاوتی ارائه شده است اما اشکالات این روش ها شامل پیچیدگی بالا و نرخ همگرایی پایین می باشند. روش فضای هیلبرت هسته بازتولید ابزاری قدرتمند برای مدل نمودن توابع تخمین غیرخطی می باشد. یکی از مزیت های روش های مبتنی بر هسته سادگی در پیاده سازی الگوریتم های غیر خطی است. در این تحقیق شبکه های تطبیقی افزایشی را با مفهوم ترفند هسته در روش فضای هیلبرت هسته بازتولید ترکیب کرده و پس از بدست آوردن الگوریتم های جدید، عملکرد آنها را مورد بررسی قرار می دهیم و بهبود عملکرد الگوریتم ها در تخمین پارامتر مطلوب را نشان خواهیم داد. با توجه به اینکه معیار میانگین مربعات خطا (mse) همواره معیار خطای مناسب نمی باشد، مخصوصاً در شرایط غیر خطی و غیر گوسی، کاربرد حداقل سازی انتروپی خطا را در فیلترینگ تطبیقی هسته و در یک شبکه افزایشی با هدف دستیابی به الگوریتم تطبیقی با عملکرد بهتر نسبت به الگوریتم های توزیع شده پیشنهادی مطالعه می کنیم.

چکیده:در این پایان نامه آنتن های یکسوساز از آنتن های نانو دیپول که به یکسوساز خطوط انتقال موجبری پلاسمونیک فلز-عایق-فلز ختم شده برای برداشت انرژی در فرکانس 30 ترا هرتز تشکیل شده است. خطوط انتقال از دو استریپ که با یکدیگر به صورت عمودی و جانبی به یکدیگر کوپل شده اند تشکیل شده است. یک روش طراحی سیستماتیک نشان داده شده است که ترکیب اجزاء مختلف با یکدیگر به بازده ماکزیمم دریافت تشعشعی نانوآنتن، بازده ماکزیمم تطبیق بین نانوآنتن و یکسوساز و بازده ماکزیمم دیود منجر می شود. این طراحی سیستماتیک در نرم افزار hfss ترسیم شده و پترن تشعشعی، شدت میدان الکتریکی، چگالی جریان کل بین دو استریپ، چگالی جریان سطحی وجه فلز-عایق محاسبه شده است.

تکنیک های استاندارد استفاده شده در پردازش چندکاناله آماری، از اطلاعات متقابل بین کانال هابهره برداری نمی کنند. اکثر روش های عملی مبتنی بر پردازش کانال-گونه، هنگامی که مولفه های یک فرایند چندکاناله باهم همبسته باشند غالبا نامناسب هستند. بنابراین حوزه مختلط و حوزه چهارگانه ، مدل سازی سیگنال های دو، سه و چهاربعدی را آسان می کند و اطلاعات متقابل بین کانال ها را به حساب می آورد. در جامعه پردازش سیگنال، مدل سازی چهارگانه در فیلترینگ کالمن، تخمین طیف و تخمین حداقل میانگین مربع (lms) به کار رفته است. یک متغیر تصادفی چهارگانه هنگامی مدور نامیده می شود که هر چهار مولفه آن دارای توان یکسان و دوبه دو باهم غیرهمبسته باشند.الگوریتم چهارگانه استانداردqlms معرفی شده، که خروجی آنها بصورت مجموع وزن داده شده از ورودی های بیان می شود ( با بردار وزن )، فقط برای پردازش سیگنال های چهارگانه مدور مناسب می باشد. برای پردازش بهتر سیگنال های چهارگانه غیرمدور، الگوریتم qlmsخطی گسترده (aqlms) معرفی شده است که در ساده ترین حالت خروجی آن بصورت مجموع وزن داده شده ای از ورودی ها و مزدوج ورودی ها ( با بردارهای وزن و ) بیان می شود. پیشرفت های اخیر در تکنولوژی سنسور و مخابرات بی سیم، موجب افزایش بیشتر استفاده از شبکه های سنسوری در کاربردهای عملی شده است، که دارای رنج وسیعی از نظارت محیطی تا مکان یابی هدف می باشند. این شبکه ها نوعا از یک تعداد گره های به هم متصل شده تشکیل شده اند که قادر به مخابره با یکدیگر هستند تا بتوانند برخی پارامترهای موردنظر را از اندازه گیری های نویزی تخمین بزنند. در راه حل توزیع شده برای مسئله تخمین، هر گره در شبکه فقط با زیرمجموعه ای از گره ها مخابره می کندو بنابراین عمل پردازش در میان تمام گره های شبکه پخش می شود.

یکی از تکنولوژی هایی که امروزه بسیار مورد توجه قرار گرفته است تکنولوژی تشخیص دست خط انسان به وسیله ی پردازنده های دیجیتال، به ویژه تشخیص اعداد دست نوشته است. در این زمینه روش ماشین بردار پشتیبان به یکی از محبوب ترین و پرکارآمدترین روش های دسته بندی تبدیل شده است. این روش که به عنوان دسته بندی کننده با حداکثر حاشیه نیز شناخته شده یکی از روش های یادگیری ماشین است.