در این پروژه به بررسی توانایی پیش‌بینی روش‌های یادگیری ماشین در مواد پادفرومغناطیسپرداخته شده است. هدف از انجامپروژه پیش‌بینی دمای گذار مغناطیسی این مواد با استفاده از رهیافت یادگیری ماشین است. در این کار با استفاده از توصیفگرهای ساختاری مانند ماتریس جمع ایوالد، ماتریس سینوس و هم‌پوشانی نرم موقعیت‌های اتمی دمای گذار را با استفاده از الگوریتم‌هایSVR   و xGBoost و   RF و   KRR بررسی کردیم. در مجموع عملکرد توصیفگر هم‌پوشانی نرمموقعیت‌های اتمی نسبت به دو توصیفگر دیگر ماتریس جمع ایوالد و ماتریس سینوس بهتراست.

راحتی مکانیکی در کنارراحتی حرارتی و رطوبتی از ویژگی­های مهم لباس­های ورزشی است. در این لباس­ها، بازگشت‌پذیری و ثبات ابعادی به دلیل تحرک زیاد مصرف‌کننده، ازاهمیت ویژه‌ای برخوردار است. در این تحقیق به بحث و بررسی پیرامون تأثیر شکل سطحمقطع الیاف بر برخی از خواص مکانیکی پارچه‌های ورزشی و یا راحتی مکانیکی آن­ها پرداخته‌شدهاست. در ساختار نخ، ایجاد کانال­هایی برای عبور رطوبت، منجر به انتقال هر چه سریع‌تررطوبت به سطح لباس و تبخیر آن می‌شود. در این حالت عرق بدن بر روی سطح پوست تجمعننموده و شخص استفاده‌کننده احساس راحتی بیشتری دارد.

کلید واژه های فارسی: بلوتوث مش، بلوتوث کم مصرف، اینترنت اشیا، کارایی، گره های بازپخش کننده، مجموعه غالب همبند

در سال‌های اخیر شبکه‌هایحسگر بی‌سیم رشد قابل توجهی را تجربه کرده و در زمینه‌های مختلفی مانند نظارت برمحیط زیست، صنعت، حمل و نقل و حوزه‌ی سلامت مورد استفاده قرار گرفته‌اند. در این شبکه‌ها، حسگرهایقرار گرفته در محیط به طور پیوسته به نمونه‌برداری داده‌های مربوط به پارامترهایمورد نظر از محیط می‌پردازند تا در ادامه این داده‌ها را برای تحلیل و بررسی به یکسرور مرکزی منتقل کند. تجمیع بهینه‌ی داده‌های نمونه‌برداری شده یکی از مسائل مهمدر شبکه‌های حسگر بی‌سیم به منظور اطمینان از استفاده‌ی درست از منابع و بهبودعملکرد شبکه می‌باشد.

چکیده

چکیده

در چند سال اخیر تحقیقات در زمینه شبکه‌های مولد متخاصمرشد چشم‌گیری داشته است. این شبکه‌ها کاربردهای مختلفی مانند بینایی ماشین وپردازش زبان دارند که عملکرد خیره‌کننده‌ای داشته است. در میان بسیاری از اینکاربردها، سنتز تصاویر به خوبی مورد مطالعه و تحقیق قرار گرفته است. تحقیقاتی کهدر زمینه سنتز تصاویر انجام شده ظرفیت بالای این شبکه‌ها را نشان داده است. مدلمولد توانایی تولید داده‌های جدید را دارد و آموزش این مدل‌ها عمدتاً به دسته‌هاینظارت‌شده، نظارت‌نشده و نیمه‌نظارتی دسته‌بندی می‌شود.