× دسته بندی ها

پایان نامه تغيير شدت روشنايي به روش plc

مقاله تغيير شدت روشنايي به روش plc

فهرست

چکيده ۱
بخش ۱ : ۵۷
۱-۱ ارتباط PLC , مشکلات , تکنيکهاي مدرن ۵۷
۱-۲ مصارف PLC 57
۱-۳ مشکلات ارتباط از طريق خط برق ۵۸
۱-۳-۱ امپدانس و تضعيف کانال خط برق ۵۸
۱-۴ مدلهاي کانال خط برق ۶۰
۱-۵ پهناي باند ۶۱
۱-۵-۱ استانداردها براي ارتباط از طريق خط برق ۶۲
۱-۶ نتيجه گيري ۶۲
بخش ۲ : نکات عملي ۶۴
۲-۱ خلاصه ۶۴
۲-۲ روشهاي مدولاسيون ۶۴
Frequency Shift keying 64
Phase shift keying 67
۲-۳ شبکه کوپلينگ ۷۰
۲-۴ روشهاي کنترل خطا ۷۴
۲-۴-۱ روش رديابي خطا ۷۴
۲-۴-۲ روشها اصلاح خطا ۷۵
۲-۵ توصيه هايي براي کنترل خطا در PLC 76
۲-۶ نتيجه گيري ۷۶
بخش ۳ : تحقيق عملي سيستم ۷۷
۳-۱ خلاصه ۷۷
۳-۲ اهداف ۷۷
۳-۳ از تئوري به عملي ۷۷
۳-۳-۱ سيستم مدولاسيون Spread – Spectrum 77
۳-۳-۲ شبکه کوپلينگ ۸۱
۳-۴ اجراي سيستم ۲ لايه اي ۸۲
۳-۴-۱ طرح FSK 83
۳-۴-۲ شبکه کوپلينگ ۸۵
۳-۵ تست کردن لايه اول ۸۶
۳-۶ اجراي لايه دوم و ارتقاء عملکرد لايه اول ۸۸
۳-۶-۱ طرح Spread – Spectrum 88
۳-۶-۲ اجراي پرشهاي فرکانسي ۹۰
۳-۶-۳ چک کردن خطا و اصلاح آن ۹۱
۳-۷ ۹۲
بخش ۴ : مدار طراحي شده در اين پروژه ۹۴
۴-۱ خلاصه ۹۴
۴-۲ شرحي جامع بر نحوه عملکرد سيستم ۹۴
۴-۳ شرح کاملي بر تک تک قسمتهاي مدار ۹۵

فهرست مطالب بخش PLC چکيده:
مقدمه:
فصل اول
مروري بر بازشناسي گفتار
۱-۱) پردازش بر روي گفتار به دو دسته کلي تقسيم مي شود:
۱-۲) مقدمه اي بر بازشناسي گفتار:
۱-۳) پارامترهايي که در کارايي يک سيستم بازشناسي گفتار موثرند و تعيين کننده ميزان پيچيدگي سيستم مي باشند عبارتند از:
۱-۳-۱) بازشناسي وابسته به گوينده و مستقل از گوينده:
۱-۳-۲) باز شناسي لغات مجزا و گفتار پيوسته:
۱-۳-۳) اندازه دايره لغات:
۱-۳-۴) تشخيص حدود کلام:
۱-۳-۵) نويز محيط:
۱-۳-۶) محدوديتهاي زباني:
۱-۴) روش هاي متداول بازشناسي :
۱-۵) فرايند توليد گفتار:
۱-۶) انواع نواحي پايدار:
۱-۷) Spectrogram
۱-۸) ساختار فايلهاي Wave
فصل دوم
تئوريDTW

۲-۱)مقدمه:
۲-۲) اصول روش DTW

۲-۳) محاسبه فاصله محلي
۲-۴) محاسبه فاصله عمومي(فاصله کلي)
۲-۵)ناحيه محدود شده
۳-۵)الگوريتم DTW

فصل سوم
استخراج بردار ويژگيها

۳-۱)مقدمه:
۳-۲) روشهاي استخراج بردار ويژگيها
۳-۳) LPC
۳-۳-۱) روابط تحليلLPC
۳-۴)ضرايب Cepstral:
۳-۵) وزن دهي ضرايب
فصل ۴ :

۴-۱ استخراج مشخصات و پردازش سيگنال :
۴-۲ pre – emphasis
۴-۳ Frameblocking windowing
۴-۴ autocorrelation
۴-۵ فرمول Lpc
۴-۶ Parameter weighting
فصل ۵

ايجاد الگوي اوليه :
۵-۱ کوانتيزه کردن برداري : (VQ)
۵-۲ ايجاد پايگاه اطلاعاتي
۵-۳ ايجاد پايگاه اطلاعاتي
۵-۴ ايجاد پايگاه اطلاعاتي
۵-۳ الگوريتم K – means
فلوچا

چکيده

امروزه با پيشرفت علوم کامپيوتر و استفاده از کامپيوترهاي شخصي و ذخيره کردن اطلاعات شخصي وجود سيستمي که تنها به آن شخص اجازه دسترسي به اطلاعات را بدهد لازم به نظر مي رسد. علاوه بر اين استفاده از پردازش سيگنال صوت در پزشکي و تشخيص از طريق سيگنال صوت مي تواند بسيار مفيد باشد. روش هاي بسياري براي تشخيص صوت به کار مي روند و مراحل زيادي براي تشخيص، تجزيه و تحليل صوت وجود دارد. تشخيص صوت ها معمولاً با ايجاد نمونه هاي ديجيتال از صوت انجام مي گيرد که اين روش هاي ايجاد طيف مي تواند
M FCC (MCL frequency cepstral coefficients)
LPC (linear predictive coding)
و يا روشي coch lea باشد و در مرحله بعد نمونه هاي صوت کوانتيزه مي شوند و در دسته بندي هاي مشخص قرار مي گيرند و بعد هم سيگنال هاي آماده شده مقايسه مي شوند تا کمترين فاصله بين آنها به عنوان نمونه مورد قبول انتخاب شود و سيگنال ورودي تشخيص داده شود. اين مرحله تشخيص نيز مي تواند با استفاده از روش هاي گوناگون از جمله:
DTW (Dynamic time warping )
HMM (Hidden Markov Models)
NNS (Neural Network )
به طور جداگانه يا مجموعه اي از اين روش ها انجام شود که در اين پروژه علاوه بر همه روش ها از DTW به عنوان روش مقايسه اي استفاده مي کنيم و با کمک نرم افزار C برنامه اي را براي انجام مقايسه و انجام کليه مراحل پردازش سيگنال در اختيار خوانندگان قرار مي دهيم. البته در اين پروژه هدف از تشخيص صوت دريافت دستور و پردازش و تشخيص آن صوت براي تغير شدت روشنايي ميباشد.
Plc (Power Line Carrier)

مقدمه:

گفتار راه طبيعي و مفيد براي رد و بدل کردن اطلاعات بين انسان هاست. براي ساختن يک کامپيوتر هوشمند اين مسأله مهم است که ماشين مي تواند “بفهمد” و به اطلاعات داده شده “عمل کند” و همچنين براي تکميل اطلاعات صحبت کند.
بنابراين تشخيص صوت براي يک کامپيوتر جهت دستيابي به هدف ارتباط کامپيوترها با انسان لازم است. با بيش از چهل سال تحقيق و الگوريتم هاي زيادي براي تشخيص صوت اتوماتيک ايجاد شد. روش ” مقايسه نمونه” يکي از بهترين دستاوردها مي باشد. در اين روش سيستم يک يا چند نسخه اصلي براي هر واژه ذخيره مي کند و سيگنال صوت وارد شده را با هر کدام از آنها براي پيدا کردن نزديکترين گزينه مقايسه مي کند. اين فرايند شامل دو مرحله است:
۱٫ آماده کردن نمونه هاي اوليه
۲٫ تشخيص سيگنال ورودي از طريق روش هاي مقايسه نمونه
ابتدا فرايند پردازش اين الگو را براي هر حرف در واژه ايجاد مي کند. سيگنال صوت در قسمت پردازش به فرم هايي با طول مساوي تقسيم مي شود سپس واحد acoustic front – end هرفريم را به يک نمودار مشخصه تبديل مي کند که تمام خصوصيات سيگنال آن فريم خاص را در بر دارد. اين نمودارهاي مشخصه به گروه هايي توسط بلوک طبقه بندي نمونه) تقسيم مي شوند تا مدل هايي از يک کلمه را ايجاد کنند. اين فرايند براي تمام حروف در يک واژه تکرار مي شوند. تصور کلي چنين است که اگر از يک نمونه اندازه کافي نسخه داشته باشيم مرحله پردازش بايد بتواند مشخصات صوتي نمونه را به اندازه کافي بيان کند. فرايند تشخيص ابتدا سيگنال ناشناس را به کمک همان acoustic front – end که در فرايند سيگنال اوليه استفاده شد به نمودار مشخصه تبديل مي کند. سپس اين نمودار مشخصه با هر کدام از نمونه هاي آماده شده سيگنال اوليه مقايسه مي شوند که اين مقايسه در بلوک pattern – matching انجام مي شود.
يک فرايند تشخيصي بر پايه بهترين مقايسه است که اين مقايسه بر اساس يک عملکرد فاصله بين دو نقطه از نمودار مشخصه تعريف مي شود که يکي از اين نقاط روي نمودار مشخصه سيگنال ورودي و ديگري روي نمودار سيگنال ذخيره شده است.
هدف اين پروژه اين است که با معرفي يک تصوير کلي از تشخيص صوت براي دانشجويان مهندسي که بتوانند يک برنامه تشخيص C بنويسند که از روش DTW استفاده کنند. يکي از مشکلات اساسي در پردازش سيگنال ها به عينيت در آوردن مسائل تئوري و ديدگاههاي کلي است. اين پروژه به توانايي مهم زير دست خواهد يافت:
۱٫ گزينش DTW : يک سيگنال ورودي و يک الگو را مي دهد. اين واحد بايد بتواند بهترين مسير گزينشي را پيدا کند و همچنين بايد بتواند سيگنال را تشخيص بدهد و بهترين گزينه را ارائه دهد.
به طور کلي در بخش هاي مختلف به مطالب زير مي رسيم:
۱٫ به بحث Lpc مي پردازد که يک نمودار مشخصه را براي سيگنال ها ايجاد مي کند.
روش هاي مختلف محاسبه DF:
۲٫ روش هايي را نشان مي دهد که سيگنال اوليه تا پردازش مي کند و الگو را ايجاد مي کند و اين سيگنال را ذخيره مي کند.
۳٫ معرفي الگوريتم (DP) و کاربرد آن در تشخيص صوت (DTW) که آن يک الگوريتم است براي محاسبه فاصله بين دو نمودار مشخصه.
۴٫ خلاصه و نتيجه گيري و در نهايت هم مراجع و منابع معرفي شده اند.
۱-۱) پردازش بر روي گفتار به دو دسته کلي تقسيم مي شود:
۱) تبديل متن به گفتار (Text. To. Speech): تبديل متن به گفتار به اين صورت است که ورودي، صفحه کليد است و متني را که مي خواهيم به گفتار تبديل شود تايپ مي کنيم و در خروجي که بلندگو مي باشد، متن تايپ شده را بصورت صوتي (صداي انسان) خواهيم داشت.
(Windows xp speech properties)
۲) تبديل گفتار به متن (Speech . to. Text): تبديل گفتار به متن به اين صورت است که ورودي ميکروفون مي باشد. کافي است متني را که مي خواهيم تايپ شود، بخوانيم و در خروجي که پرينتر يا مانيتور مي باشد متن مورد نظر را بصورت تايپ شده خواهيم داشت.(Windows XP speech properties)

۱-۲) مقدمه اي بر بازشناسي گفتار:

سيستمهاي بازشناسي گفتار فعلي با کارايي قابل قبول در يکي از سه دسته زير قرار مي گيرند:
۱) سيستمهاي با دايره لغات کوچک(۱۰ تا ۱۰۰ لغت). Isolated Words
۲) سيستمهايي که در آنها لغات جدا از هم ادا مي شوند(دايره لغات تا ۱۰۰۰ لغت نيز مي تواند افزايش يابد).Connected Words
۳) سيستمهايي که گفتار پيوسته را مي پذيرند اما با کاربردهاي محدود سرو کار دارند. به عنوان مثال پيامهاي مرتبط با کارهاي اداري در يک شرکت خاص(که در اين حالت دايره لغات معمولاً بين ۱۰۰۰ تا ۵۰۰۰ لغت را شامل مي شود.(Continuous Words)
در کاربردهاي عملي اکثراً سيستمهاي با دايره لغات کوچک و گفتار گسسته مورد استفاده قرار مي گيرند. اين سيستمها مي توانند در بسياري از کاربردهاي نسبتاً ساده براي تسهيل و افزايش راندمان در ورود اطلاعات به دستگاه (خصوصاً در جاهايي که استفاده از دست بطور مستقيم ساده نبوده و خطرناک باشد) به کار گرفته شوند.
تمام سيستمهاي بازشناسي، در حالتي که نياز به تشخيص گفتار يک يا چند گوينده خاص باشد، بهتر عمل مي کنند. همچنين بيانهاي واضح به بازشناسي بهتر، کمک مي کنند. در کاربردهاي واقعي بازشناسي گفتار، سيستم بايد بتواند گفتار چندين گوينده با لهجه هاي مختلف و طرق مختلف صحبت را که چندان نيز واضح نيستند، در محيط هاي نويزي تشخيص دهد. در حال حاضر هستند(HMM). سيستمهاي جديد در واقع جبران کمبود اطلاعات مدلسازي دقيق را مي نمايند. اما در ازاي آن داراي محاسبات زيادي چه در فاز يادگيري و چه در فاز تشخيص مي باشند.
۱-۳) پارامترهايي که در کارايي يک سيستم بازشناسي گفتار موثرند و تعيين کننده ميزان پيچيدگي سيستم مي باشند عبارتند از:
۱٫بازشناسي وابسته به گوينده و مستقل از گوينده.
۲٫ بازشناسي لغات مجزا و گفتار پيوسته.
۳٫ وسعت دايره لغات.
۴٫ تشخيص حدود کلام
۵٫ تشخيص گفتار در محيط نويزي و نوع نويز محيط.
۶٫ محدوديت هاي زباني گفتار(لهجه يا گويش)
در قسمت بعدي بصورت اختصار موارد بالا را مورد بررسي مي گيرد.
۱-۳-۱) بازشناسي وابسته به گوينده و مستقل از گوينده:
در سيستم وابسته به گوينده در هنگام بازشناسي از همان گوينده اي استفاده مي شود که در هنگام آموزش نيز از او استفاده شده است. در سيستمهاي مستقل از گوينده چندين نفر براي آموزش استفاده کرده ايم، استفاده کنيم.
در سيستمهاي وابسته به گوينده اين مشکل وجود دارد که هر بار که نياز به گفتار گوينده جديدي باشد، لازم است که سيستم دوباره بوسيله گوينده جديد آموزش داده شود. ولي مزيتي که اين روش دارد اين است که اين سيستم به نتايج بهتري در بازشناسي در مقايسه با يک سيستم مستقل از گوينده دست مي يابد.
۱-۳-۲) باز شناسي لغات مجزا و گفتار پيوسته
در سيستم بازشناسي لغات مجزا از بيانهاي مجزاي گفتار براي آموزش استفاده مي شود. چون بيانهاي مجزا اغلب لغات هستند، اين نوع بازشناسي گفتار معمولاً بازشناسي ” لغات مجزا” ناميده مي شود. در فاز تشخيص فرض بر اين است که گوينده جملاتي را با فواصل به اندازه کافي طولاني بين لغات ادا مي کند. معمولاً حداقل زمان چند دهم ثانيه لازم است تا سکوت با اصوات ضعيف اشتباه نشود.
در سيستم بازشناسي گفتار پيوسته که پيچيده ترين سيستم بازشناسي است، گوينده پيغام خود را به صورت يک جمله عادي بيان مي کند. در مرحله اول سيستم بايد بتواند مرزهاي متغير ناشناخته در گفتار را تشخيص دهد. در مرحله بعد اثرات هم ادايي که شامل اثرات اصوات بر يکديگر و نيز افزودن يا حذف برخي اصوات است توسط سيستم در نظر گرفته مي شود.
در اين حالت در مدلسازي ، واحدهاي زير لغوي (سيلاب، فونم، فون و … ) همبستگي هاي بين کلمه اي و داخل کلمه اي اصوات مد نظر قرار مي گيرند.
در بازشناسي گفتار پيوسته با دايره لغات کوچک ، تکنيک ديگري به نام بازشناسي گفتار متصل(connected word)مورد استفاده قرار مي گيرد. در اين روش يک جمله توسط سر هم کردن مدل هاي ساخته شده براي لغات مجزا تشخيص داده مي شود. در اين روش مدل کردن اثرات ناشي از پشت سر هم قرار گرفتن کلمات يا اثرات همبستگي بين کلمه اي و داخل کلمه اي مورد نظر نمي باشد.
۱-۳-۳) اندازه دايره لغات:
با افزايش اندازه دايره لغات، هم کارايي و هم سرعت سيستم بازشناسي گفتار کاهش يافته و ميزان حافظه لازم در سيستم افزايش مي يابد.
به طور معمول سيستمهاي با اندازه دايره لغات۱۰۰-۱ کلمه ، سيستمهاي با اندازه لغات “کوچک” ۱۰۰۰-۱۰۰ کلمه ، اندازه” متوسط” و بيشتر از ۱۰۰۰ کلمه ، اندازه ” بزرگ” خوانده مي شوند.
سيستمهاي با دايره لغات کوچک در کاربردهايي نظير تشخيص کارت اعتباري و شماره تلفن مورد استفاده قرار مي گيرند. مانند شماره گيرهاي صوتي در گوشيهاي تلفن همراه. تمرکزسيستمهاي با دايره لغات متوسط در سيستمهاي آزمايشگاهي تحقيقاتي روي تشخيص گفتار پيوسته مي باشد و سيستمهاي با دايره لغات بزرگ نيز در توليدات تجاري و در کاربردهاي گوناگون به کار گرفته شده اند. مانند فرهنگ لغات گويا و مترجمهاي جيبي.
براي کاربردهاي با دايره لغات کوچک (به عنوان مثال تشخيص رشته هاي عددي) اغلب روشهاي بازشناسي لغت مجزا استفاده ميشوند. در اين موارد مدلي براي هر کلمه از دايره لغات در سيستم موجود است و براي تشخيص هر کلمه ، کليه مدلها تست مي شوند. هر جه دايره لغات بزرگتر شود آموزش و ذخيره سازي مدل براي هر کلمه و نيز بازشناسي مشکلتر مي گردد. معمولاً در اين حالت مدلهايي با اجزاي زير لغوي در نظر گرفته مي شود و الگوريتم هاي جستجو براي تشخيص ، پيچيده تر مي شوند و در عين حال براي حذف اجزاي بي معني و نامناسب در جملات بايد از محدوديت هاي زباني ( نظير محدوديت هاي گرامي و معنايي) نيز بهره جست.

۱۰۰۰۰ تومان – خرید
موضوع :,
royalit

محصولات مرتبط
s

مقدمه مواد قانون مدنی ایران تحت ...


15000 تومان 3 ۳ اسفند ۱۳۹۵
s

چکیده با توجه به نیاز مبرم ...


10000 تومان 1 ۲۰ دی ۱۳۹۵
s

رابطه بین صفات شخصیت و ...


20000 تومان 0 ۱۹ خرداد ۱۳۹۶
s

پایان نامه تهيه گوگرد پليمري ...


15000 تومان 0 ۳۱ اردیبهشت ۱۳۹۶

دیدگاه ها