کارایی محاسبه بردار های ویژه و مقادیر ویژه مسئله مهم در مهندسی است.در این پایان نامه رویکردی براساس شبکه عصبی برای محاسبه بردار های ویژه متناظر به بزرگترین وکوچکترین مقادیر ویژه هر ماتریس متقارن حقیقی پیشنهاد میشود.
در بسیاری از کاربردهای عملی که نیاز به محاسبه ی مقادیر ویژه ی یک ماتریس متقارن حقیقی می باشد، تنها محاسبه ی تعداد کمی از مقادیر ویژه، شامل کوچکترین یا بزرگترین مقدار ویژه مورد نیاز است. در این پایان نامه مسئله ی محاسبه ی مقادیر ویژه ی یک ماتریس متقارن حقیقی، به مسئله ی بهینه سازی
تئوری گراف شاخه ای از ریاضیات گسسته است که در چند دهه اخیر بخاطر حضور کامپیوتر، کاربرد فراوانی در علوم مهندسی پیدا نموده است. مهندسین، با استفاده از خواصهای یک گراف می توانند سیستم های فیزیکی و مهندسی را تعریف کنند و با استعانت از این خواص مورد بررسی قرار دهند. اکثر ویژگیهای مهم
حل بسیاری از مسایل در علوم ومهندسی منجر به حل دستگاه معادلات خطی می شود. دستگاه های خطی نیز عموما با روش های تکراری حل می گردند. وضعیت همگرایی یا واگرایی روش های تکراری نیز با شناخت وضعیت مقادیر ویژه ماتریس ضرایب دستگاه ارتباط مستقیم دارد.از بین مقادیر ویژه، کوچکترین و بزرگترین م
شبکه های عصبی مصنوعی، یکی از روش های جدید و کاربردی در آمار ریاضی بوده و در مدل سازی، شناخت مدل، خوشه بندی و پیش بینی بکار می رود. در این تحقیق پس از معرفی شبکه های عصبی مصنوعی، عوامل مختلف ساختاری، روش های متفاوت یادگیری شبکه های عصبی و انتخاب و استفاده از داده ها در فرآیند پیش
این پایان نامه روش جدیدی را برای محاسبه همه و یا تعداد زیادی از مقادیر ویژه و بردارهای ویژه ماتریس های متقارن توپلیتس ارائه می دهد. این روش بر اساس استفاده از فن انتقال و معکوس که همراه با روش های تکراری به کار می رود،است به طوریکه سهولتی برای محاسبه مقادیر ویژه نزدیک به یک مقدار
هدف از این مقاله، تعیین فرکانس زاویه ای طبیعی ورقها با توجه به شرایط مختلف تکیه گاهی به کمک شبکه عصبی مصنوعی است. یکی از مشهورترین روشهای آموزش شبکه عصبی، استفاده از الگوریتم انتشار برگشتی است. این الگوریتم برای آموزش شبکه های چند لایه قابل کاربرد است. الگوریتم انتشار برگشتی بر
هدف از این مقاله، تعیین فرکانس زاویه‌ای طبیعی ورقها با توجه به شرایط مختلف تکیه‌گاهی به کمک شبکه عصبی مصنوعی است. یکی از مشهورترین روشهای آموزش شبکه عصبی، استفاده از الگوریتم انتشار برگشتی است. این الگوریتم برای آموزش شبکه‌های چند لایه قابل کاربرد است. الگوریتم انتشار برگشتی بر
در این مقالهی، پیش‌بینی درآمدهای مالیاتی کشور طی سالهای برنامهی پنجم توسعه، یا بهکارگیری روش شبکه‌های عصبی غیرخطی انجام شده است. این پیش‌بینی بر مبنای داده-های درآمدهای مالیاتی به تفکیک مالیاتهای کل، مستقیم، غیرمستقیم (سالهای 87-1338)، شرکتها، درآمد، ثروت و واردات (87-1342
در این مقالهی، پیش بینی درآمدهای مالیاتی کشور طی سالهای برنامهی پنجم توسعه، یا بهکارگیری روش شبکه‌های عصبی غیرخطی انجام شده است. این پیش بینی بر مبنای داده-های درآمدهای مالیاتی به تفکیک مالیاتهای کل، مستقیم، غیرمستقیم (سالهای 87-1338)، شرکتها، درآمد، ثروت و واردات (87-1342