مقاله رایگان درباره جهان خارج

– بیشینه درازای بدن: 70 سانتیمتر.
2-2-7- کوسه ماهیان Valenciennes, 1839)) Sharks
مشخصات:
– گونه ای با اندازه کوچک تا متوسط.
– پوزه نسبتا” نوکدار، سهمی شکل و دراز.
– دندانهای بالایی دارای نوکهای مضرس، باریک، مایل یا نیمه مایل و نوکچههای قوی.
– باله پشتی دوم کوتاه.
– یک برجستگی پوستی بین قاعده بالههای پشتی موجود است.
– رنگ بدن در بالا خاکستری یا خاکستری ـ قهوهای، شکم سفید؛ نوک باله سینهای، دومین باله پشتی و نوک بخش پایینی باله دمی سیاه رنگ.
– بیشینه درازای بدن: 160 سانتیمتر.
2-2-8- گربه ماهی بزرگ (Ruppel, 1837) Arius thalassinus
خانواده: گربه ماهیان دریایی
نام فارسی: گربه ماهی بزرگ
مشخصات:
– بدن کشیده.
– شکل پوزه؛ در نرها نوک تیز و آرواره پایین کوتاه تر از آرواره بالا؛ در مادهها گرد، آروارههای بالا و پایین تقریباً مساوی.
– دندانهای کامی پرز مانند و بر روی سه قطعه که مجموعاً یک سه گوش را در هر طرف تشکیل میدهند مجتمع هستند، قطعه عقبی درازتر.
– یک خار قوی در ابتدای بالههای سینهای و اولین باله پشتی.
– تعداد کل شعاعهای باله مخرجی 15 تا 18 عدد.
– رنگ بدن در نرها در قسمت پشت قهوهای (قرمز) تیره تا خاکستری متمایل به آبی که در قسمت شکمی شامل رنگدانههای متراکم است؛ مادهها بهطور یکدست خاکستری یا تیره هستند.
– بیشینه درازی بدن: 185 سانتیمتر.
2-2-9- گوازیم دم رشتهای (Bloch, 1791) Nemipterus japonicus
خانواده: گوازیم ماهیان
نام فارسی: گوازیم دم رشتهای
مشخصات:
– بدن بهطور متوسط مرتفع.
– – باله پشتی دارای 10 خار و 9 شعاع نرم، بین بخشهای خاردار و نرم (اشعهای) باله پشتی فرو رفتگی وجود ندارد.
– لبه بالایی باله دمی طویل شده و به صورت یک رشته درآمده است.
– یک لکه زین مانند متمایل به قهوهای روی سر؛ یک خال نارنجی ـ قرمز روشن نزدیک مبدا خط جانبی؛ باله پشتی در حاشیه زرد رنگ بوده و در طول قاعده دارای یک نوار زرد رنگ پهن میباشد.
– بیشینه درازای بدن: 30 سانتیمتر.
2-2-10- یال اسبی سربزرگ (Linnaeus, 1758) Trichiurus lepturus
خانواده: یال اسبی ماهیان
نام فارسی: یال اسبی سر بزرگ
مشخصات:
– بدن نوار مانند و فاقد فلس.
– چشم بزرگ بوده و قطر آن 5 تا 7 بار در طول سر میگنجد.
– بالههای شکمی و دمی موجود نیستند.
– اولین خار مخرجی کوچک و کوتاهتر از قطر مردمک میباشد.
– حاشیه پایین ـ عقب پوشش آبششها مقعر است.
– نمونههای تازه، آبی استیل با انعکاس نقرهای؛ مدتی پس از مرگ، خاکستری مایل به نقرهای میشوند.
– بیشینه درازای بدن: 120 سانتیمتر
2-3- شبکه عصبی مصنوعی
2-3-1- تاریخچه هوش مصنوعی
توانایی یادگیری منحصر به سیستمهای زنده نیست بلکه در مدلهای شبکه عصبی نیز قابل دسترس است. گرچه مفهوم یادگیری ماشینها برخلاف باورهای معمول ما از کامپیوترها است، زیرا اغلب فرض میشود که کامپیوترها تنها قادر به اعمالی هستند که برایشان برنامه ریزی شده است و خود توانایی تطبیق با محیط را ندارند. هرچند در سطح جزئی برنامهها ماشین را کنترل می کنند، ولی رفتاری که نتیجه میشود لزوماً نباید آن چنان که تصور میشود غیرقابل انعطاف و جبری باشد (راسل، 1998).
اولین کار مرتبط با AI توسط وارن مک کولوچ و والتر پیتز (1943) انجام شد. آنها از سه منبع دانش فیزیولوژیک پایه و عملکرد نرون، تحلیل رسمی منطق گزارهها متعلق به راسل و وایت هد و نظریه محاسباتی تورینگ استفاده کردند. آنها مدلی از نرون مصنوعی را پیشنهاد کردند که هر نرون دارای دو ویژگی روشن یا خاموش بود. ویژگی روشن در پاسخ به تحریک تعداد کافی از نرونهای همسایه حاصل میشد. وضعیت نرون مثل یک گزاره بود که محرک کافی برایش منظور شده است. برای مثال، آنها نشان دادند که هر تابع قابل محاسبه، از طریق شبکهای از نرونهای متصل محاسبه نمیشود و تمام متصل کنندههای منطقی (مثل not ،or،and) را میتوان با ساختارهای شبکه سادهای پیادهسازی کرد. مک کلود و پیترز نشان دادند که اگر شبکهها به خوبی تعریف شده باشند، قدرت یادگیری دارند. دونالد هبا (1949) یک قاعده بههنگام سازی ساده را برای اصلاح تقویت اتصالات بین نرونها تعریف کرد. قاعده او به نام یادگیری هبایی امروزه به عنوان یک مدل مورد استفاده قرار میگیرد (استوارت، 1995).
مغز و کامپیوتر کارهای متفاوتی انجام میدهند و خواص مختلفی دارند. تعداد نرونهای موجود در مغز، 1000 برابر گیتهایی است که در CPU کامپیوتر وجود دارد. قانون مور پیشبینی کرد که گیت CPU در سال 2002 برابر با نرونهای مغز میشود. علاوه بر این، میزان حافظه و سرعت سوئیچینگ و ظرفیت توازی کامپیوتر در مقایسه با مغز بیشتر است. تراشههای کامپیوتر میتوانند دستوری را در یک نانو ثانیه اجرا کنند، اما نرونها میلیون ها بار کندتر هستند. چون نرونها و سیناپس همزمان فعال هستند، ولی کامپیوترها CPUهای اندکی دارند، سرعت مغز فوق العاده است. لذا، گرچه سرعت سوئیچینگ مغزی نسبت به کامپیوتر کمتر است، ولی سرعت مغز 100000 بار سریع تر از کامپیوتر است (استوارت، 1995).
شکل 2-1: بخشی از سلول عصبی یا نرون
اغلب کارهایی که در دهه 1980 بر روی شبکههای عصبی انجام شد، این بود که چه اعمالی میتوان انجام داد و یاد گرفت که تفاوت شبکههای عصبی و تکنیکهای سنتی چیست. با استفاده از روشهای بهبود یافته و چارچوبهای نظری میتوان به این نتیجه رسید که شبکههای عصبی اکنون میتوانند با تکنیکهای متناظر در آمار، شناخت الگو و یادگیری ماشین مقایسه شوند و اغلب تکنیکهای متناظر میتوانند به هر کاربردی اعمال شوند (استوارت، 1995).
2-3-2- پرسپترون چند لایهای
پرسپترونها گستردهترین و شناخته شده ترین بخش شبکههای عصبی هستند. اولین بار این اصطلاح به وسیله فرانک روزنبلات (1958) برای توضیح انواع شبکههای عصبی بکار رفت. او عقیده داشت که بجای یک مدل فیزیکی از نرونها مانند آدالاین، یک تعریف عملکردی از چگونگی کارکرد تک نرون و چگونگی بکارگیری آن به صورت یک الگوریتم در نرمافزار مد نظر قرار گیرد. شکل2-2 نمونهای از پرسپترون چند لایهای را نشان میدهد. سه لایه آن به شرح ذیل است:
شکل 2-2: پرسپترون سه لایهای تک خروجی
لایه ورودی: ورودیها با دنیای خارج در ارتباط هستند. این لایه عامل ارتباط با بیرون است و نیز سه ورودی به راحتی با لایه بعدی در شبکه مرتبط میشوند. در این لایه هیچ گونه عمل پردازشی صورت نمیگیرد.
لایه پنهان: این لایه را پنهان مینامند، زیرا ورودیها و خروجیهای این دو نرون پنهان، از بیرون دیده نمیشوند. اولین لایهای که در آن پردازش صورت میگیرد، همین لایه است. در یک شبکه چهار لایهای ممکن است دو لایه پنهان وجود داشته باشد.
لایه خروجی: خروجیها با جهان خارج مرتبط هستند. این لایه شامل سه عامل پردازشی است.
نکته بعدی کامل بودن ارتباط است. بدین معنی که خروجی تمامی نرونها در لایه بعد متصل هستند.
شروع عملیات از ورودی هر لایه و خاتمه در خروجی لایهها است. البته همه پرسپترونهای چند لایهای این گونه به هم متصل نمیشوند، اما معمولترین نوع آنها این گونه هستند. x بیانگر مقداری است که به پرسپترون وارد و یا از پرسپترون خارج میشود. هر لایه شامل تعدادی ورودی است که از شماره 1 شروع میشوند. ورودیهای شبکه x0(1),x0(2),…..,x0(n)خواهند بود. خــروجیهای اولیـن لایــه کــه ورودیهای لایــه دوم هستنـد بـه قــرار زیـر مطـرح میشونــد: x1(1),x1(2),…..,x1(i) بنابراین x1(i) خروجی از i امین نرون در i امین لایه است. در لایههای میانی wیا وزنها را داریم.
برای پرسپترون چند لایهای میتوان از تابع سیگموئید (شکل 2-3) استفاده کرد که معادله آن به صورت ذیل است.
شکل 2-3: تابع سیگموئید
y= 1/(1+e-x)
برای مقادیر مثبت x، اگر x افزایش یابد yبرابر 1 خواهد بود و اگر مقادیر x منفی باشد، هر چه که x بزرگتر میشود، y به صفر نزدیکتر میشود. چنانچه x=0 باشد، آنگاه y=0.5 خواهد شد. پس پاسخ همواره بین صفر و یک خواهد بود (پیکتون، 2000)
شبکههای عصبی از دو ویژگی اساسی یادگیری یا نگاشت پذیری براساس ارائه دادههای تجربی (قدرت و توانایی تعمیم پذیری) و ساختار پذیری موازی برخوردار میباشند این شبکهها برای مسائل کنترل، بهخصوص سیستمهای پیچیدهای که مدلسازی این سیستمها میسر نیست یا به سختی انجام میشود، بسیار مناسب میباشند. یک شبکه عصبی ساده خطی آموزش میبیند آنگونه که یک پاندول معکوس را کنترل نماید (پایدار سازد). طی سالهای 1970 تا 1980 شبکههای عصبی به نام CMAC) ) Cerebellar Model Articulation Controller توسط آلبوس برای کنترل بلادرنگ بازوهای ربات معرفی و مورد استفاده قرار گرفت. طی سالهای 1980 تا 1990، بسیاری دیگر از شبکههای عصبی استاتیک، دینامیک و معماری IC آنها پیشنهاد و پیادهسازی شدند. شبکههای MLP با کاربردهای بسیار وسیع در مسائل فنی و مهندسی ارائه شدند (منهاج، 1388).
فصل سوم – مواد و روشها و روش اجرای تحقیق
3-1- ابزار و روشها
3-1-1- ابـزار و تجهیـزات
به منظور اجراء گشتهای عملیاتی از شناور تحقیقاتی فردوس1 که یک کشتی ترالـر پاشنه میباشد استفاده گردید (شکل 3-1) که مشخصات آن به شرح ذیل میباشد:
شکل 3-1: کشتی تحقیقاتی فردوس1، متعلق به موسسه تحقیقات شیلات ایران
ـ طول کل 4/45 متر
ـ پهنا 0/10 متر
ـ حداکثر آبخور 8/3 متر
ـ ظرفیت 673 تن
ـ مساحت سردخانه 300 متر مربع
ـ قدرت موتور اصلی 1600 اسب بخار
ـ حداکثر سرعت 12 گره دریایی
ـ سرعت میانگین هنگام تورکشی 4ـ3 گره دریایی
3-1-1-1- تجهیزات موجود در شناور عبارت بودند از:
ـ اکوساندر رنگی Skipper مدل CS1422 برای عمقیابی
ـ سیستم موقعیتیاب جهانی GPS (Global Positioning system) که قادر به تعیین دقیق موقعیت جغرافیایی بر روی زمین در هر زمان و مکان و شرایط آب و هوایی میباشد.
ـ پلانی متر Haff No. 317 E
ـ نقشه جغرافیایی دیجیتالی و معمولی خلیجفارس و دریای عمان
ـ دستگاه CTD (Conductivity Temperature Depth) مجهز به سنسورهای چند گانه جهت نمونهبرداری از عوامل فیزیکی و شیمیایی آب (شکل 3-2).
شکل 3-2: دو نمونه از دستگاه CTD
– به منظور نمونهبرداری از آبزیان بستر دریا از تور ترال کف (Bottom trawl) استفاده گردید که ساخت شرکت Enggel آلمان میباشد. چشمه تـور 400 میلیمتـر در قسمت دهانـه تـور و 80 میلیمتـر در قسمت سـاک تـور میباشد. در ضمن طول طناب فوقانی (Head line) نیز 72 متر بوده که جهت محاسبه مقدار عددی مساحت جاروب شده مورد نیاز میباشـد (شکل 3-3).
شکل 3-3: شکل شماتیک تور ترال (سایتAfma )
– نرمافزارهای تجزیه و تحلیل شامل: Excel, Arc GIS, Idrisi, Statistica
3-2- روش کار
3ـ2ـ1ـ منطقه مورد بررسی و تعیین ایستگاههای نمونهبرداری
منطقه مورد بررسی محدود به آبهای خلیجفارس و دریای عمان در محدوده استان]]>