اینترنت به عنوان بخشی از زندگی نسل جدید (نسل های امروزی) پدیدار شده است. از شبکه های اجتماعیبرای تعامل فوری با دیگران و به روز کردن خود استفاده می کنیم. انبوهی از اطلاعات درست و نادرست به سرعت از طریقشبکه های اجتماعی منتشر می شود. تشخیص صحت اطلاعات و ایجاد مکانیسمی برای کنترل شایعات ضروری است؛در غیر این صورت، ممکن است در مواقع اضطراری برای کل جهان جدی و مؤثر باشد. در اینجا، یک کنترل بهینه ازانتشار شایعات در یک جمعیت مخلوط همگن با در نظر گرفتن اثر تأخیر متفکران را معرفی می کنیم.

پیش بینی سری های زمانی مانند توان و سرعت باد و قیمت نفت خام، به دلیل غیرایستایی، نویز و جهش های ناگهانی، با دشواری جدی همراه است. بسیاری از مدل های تکی و حتی روش های ترکیبی موجود، به علت پالایش ناکافی داده، در دوره های پرتلاطم دچار افزایش خطا و کاهش تعمیم پذیری می شوند. بر این اساس، هدف این پایان نامه توسعه یک چارچوب ترکیبی مقاوم و تطبیقی است که هم پالایش چندمرحله ای انجام دهد و هم ادغام خروجی ها را متناسب با وضعیت زمانی تنظیم کند. در این پایان نامه، یک مدل ترکیبی بر پایه فیلتر کالمن چندمرحله ای-پرسپترون چندلایه-شبکه حافظه بلندمدت-کوتاه مدت ارائه شده است.

فرض کنیم
$ K $
یک میدان،
$I = \langle f_1,\ldots ,f_k \rangle $
یک ایده آل در حلقه
$ P = K[x_1,\ldots,x_n] $
و
$f \in P$
یک چندجمله ای باشد.
\textbf{اشباع سازی}
ایده آل
$ I $
نسبت به
$ f $
به صورت
$I : f^\infty = \{ g \in P \mid \exists m \ge 0,\; f^m g \in I \}$
تعریف می شود. اگر
$V(I)$
مجموعه جواب دستگاه معادلات
$f_1 = \cdots = f_k = 0$
و
$V(f)$
مجموعه جواب معادله
$f = 0$
در نظر گرفته شود، اشباع سازی فرآیندی در هندسه جبری است که مؤلفه های
$V(f)$
را از
$V(I)$

اتصال بارهای غیرخطی به شبکه که عمدتا یکسوسازها هستند، منجر به کشیده شدن جریان سوزنی قابل توجه از شبکه و تزریق هارمونیک های مختلف به شبکه می شود. به منظور هم شکل و هم فاز شدن جریان و ولتاژ، استفاده از بلوک مبدل اصلاح ضریب توان (PFC) پس از یکسو کننده ضروری است. به منظور کاهش تعداد المان های نیمه هادی در مسیر توان و افزایش بازده کلی مدار، مبدل های اصلاح ضریب توان بدون پل معرفی شده اند. از مبدل های کلید زنی پایه که به عنوان مبدل اصلاح ضریب توان استفاده می شود، مبدل باک به دلیل وجود زاویه ی مرده در جریان ورودی، کمتر کاربرد دارد.

در این رساله سه چارچوب نوین مبتنی بر شبکه های عصبی آگاه از فیزیک مسئله برای حل مسائل مستقیم
معرفی می گردد که با بهره گیری RBF-fPINN معادلات با مشتقات جزئی کسری ارائه می شود. ابتدا، مدل و معکوس
از شبکه های عصبی مبتنی بر توابع پایه شعاعی، دقت حل معادلات کسری را به طور چشمگیری بهبود می دهد. در ادامه،
dPINN برای معادلات کسری با مرتبه توزیعی که رفتارهای فراکند و حافظه چندمقیاسی را توصیف می کنند، چارچوب
توسعه می یابد؛ مدلی که قادر است در دامنه های نامنظم و حتی در حضور تکینگی های زمانی و داده های نویزی، پارامترهای

  در این پژوهش، صنعت پوشاک به عنوان یکی از قدیمی‌ترین و مهم‌ترین صنایع تولیدی مورد بررسی قرار گرفته است. با گسترش بازارهای جهانی در قرن بیست و یکم، صنعت پوشاک نقشی اساسی در اقتصاد جهانی ایفا می‌کند، به طوری که ارزش این صنعت به حدود سه تریلیون دلار رسیده است. با این حال، مشکلات عمده‌ای از جمله وابستگی شدید به منابع مواد خام و عدم توانایی بسیاری از شرکت‌ها در تأمین پایدار این منابع، باعث شده که صنعت پوشاک به یکی از بزرگ‌ترین عوامل آلایندگی محیط زیست تبدیل شود. با توجه به این چالش‌ها، پژوهش حاضر به طراحی یک شبکه زنجیره تأمین چندسطحی برای این صنعت می‌پردازد.

تولید پایدار گندم در مناطق خشك و نیمه خشك مستلزم شناخت تغییرات مكانی خاك، حاصلخیزی و عوامل مؤثر بر عملكرد محصول است. این پژوهش با هدف نقشه برداری رقومی خاك، پیش بینی مكانی عملكرد گندم و ارزیابی شاخص حاصلخیزی خاك با استفاده از تلفیق طیف سنجی مرئی-مادون قرمز نزدیك (Vis-NIR)، داده های سنجش از دور، متغیرهای توپوگرافی و الگوریتم های یادگیری ماشین در بخشی از اراضی شهرستان دهلران، استان ایلام، انجام شد. برای این منظور، 135 نمونه خاك و عملكرد گندم در پلات یك مترمربع (1×1) برداشت و ویژگی های فیزیكی و شیمیایی خاك، داده های طیفی Vis-NIR و متغیرهای محیطی برای مدل سازی مورد استفاده قرار گرفتند.

چکیده