فایل ورد کامل ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی ۲۱ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی ۲۱ صفحه در word دارای ۲۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی ۲۱ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی ۲۱ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی ۲۱ صفحه در word :

دانلود ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:۲۰۰۶
تعداد صفحه ترجمه:۱۵
تعداد صفحه فایل انگلیسی:۶

موضوع انگلیسی :Fault diagnosis of rotating machinery based on a new hybrid
clustering algorithm
موضوع فارسی:دانلود ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی
چکیده انگلیسی:Abstract A new hybrid clustering algorithm based on a
three-layer feed forward neural network (FFNN), a distribution
density function, and a cluster validity index, is
presented in this paper. In this algorithm, both feature
weighting and sample weighting are considered, and an
optimal cluster number is automatically determined by the
cluster validity index. Feature weights are learnt via FFNN
based on the gradient descent technique, and sample
weights are computed by using the distribution density
function of a sample. Feature weighting and sample
weighting highlight the importance of sensitive features
and representative samples, and simultaneously weaken the
interference of insensitive features and vague samples. The
presented algorithm is described and applied to the incipient
fault diagnosis of locomotive roller bearings. The diagnosis
result demonstrates the superior effectiveness and practicability
of the algorithm, and shows that it is a promising approach
to the fault diagnosis of rotating machinery
چکیده فارسی:ترکیبات جدید الگوریتم خوشه‌بندی براساس سه لایه شبکه عصبی پیشخور (FFNN) ، تابع تراکم توزیع شده، و شاخص اعتبارسنجی خوشه‌بندی،در این مقاله نشان داده‌شده است. در این الگوریتم، هردو وزن‌دهی ویژگی و وزن‌دهی نمونه در نظر گرفته شده است، و تعداد خوشه‌بندی بهینه به صورت خودکار توسط شاخص ارزیابی خوشه‌بندی مشخص می‌شود. ویژگی وزن توسط FFNN براساس روش گرادیان نزولی آموزش داده شده است، و وزن‌دهی نمونه بااستفاده از تابع تراکم توزیع شده محاسبه شده است. ویژگی وزن‌دهی ویژگی و وزن‌دهی نمونه اهمیت ویژگی‌های حساس و نمونه‌های نمایش‌داده‌شده، وهمزمانی ضعیف واسط ویژگی‌های غیرحساس و نمونه‌های مبهم را برجسته می‌کند. الگوریتم نمایش داده شده تشریح شده و برای تشخیص اولیه یاطاقان‌های غلتکی لوکوموتیو بکار رفته‌است. در نتیجه تشخیص اثربخشی و عملی بودن الگوریتم را نشان می‌دهد، و رویکرد امیدبخشی برای تشخیص عیب ماشین‌ آلات دوار ارائه می‌دهد.