علم باینری

ارائه یک شکل جدید از الگوهای باینری محلی به منظور طبقه‌بندی بافت تصویر

طبقه‌بندی بافت‌ تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهم‌ترین مرحله در طبقه‌بندی بافت تصویر، استخراج ویژگی علم باینری از تصویر می‌باشد. تاکنون روش‌های بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده‌اند اما از میان روش‌های موجود الگوهای باینری محلی، در شکل اصلی و بهبودیافته خود، به دلیل سادگی در پیاده‌سازی و استخراج ویژگی‌های مناسب با دقت طبقه‌بندی بالا، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی هرچند از نظر پیاده‌سازی بسیار ساده است، اما زمانی که شعاع همسایگی افزایش یابد پیچیدگی محاسباتی بالایی دارد. شکل بهبودیافته الگوهای باینری محلی نیز به الگوهای همگن برچسب‌های متمایز و به تمام الگوهای غیر همگن یک برچسب یکسان انتساب می‌دهد و این امر، طبقه‌بندی تصاویری که دارای درصد بالایی از الگوهای غیر همگن می‌باشند را با مشکل مواجه می‌سازد. در این مقاله، یک شکل جدید از الگوهای باینری محلی ارائه شده است که پیچیدگی محاسباتی آن نسبت به شکل اصلی الگوهای باینری محلی کمتر و دقت طبقه‌بندی آن نیز از شکل اصلی و بهبودیافته الگوهای باینری محلی بیشتر می‌باشد. روش ارائه‌شده در این مقاله نه تنها تصاویر با الگوهای همگن را به خوبی طبقه‌بندی می‌کند، بلکه در مورد تصاویری که دارای حجم بسیار بالایی از الگوهای غیر همگن می‌باشند نیز به خوبی عمل می‌کند. همچنین می‌توان با تغییر در بازه‌های شدت روشنایی، محلی یا سراسری‌بودن ویژگی‌ها را کنترل کرد. دقت طبقه‌بندی برای تمام تصاویر بافتی موجود در پایگاه داده Brodatz و Outex، کارایی روش ارائه‌شده را نشان می‌دهد.

Texture classification is one of the main steps in image processing and computer vision applications. Feature extraction is the first step of texture classification process which plays a main role. Many approaches have proposed to classify textures since now. Among them, Local Binary Patterns and Modified Local Binary Patterns, because of simplicity and classification accuracy, have emerged as one of the most popular ones. The Local Binary Patterns have simple implementation, but with increase in the radius of neighborhood, computational complexity will be increased. Modified Local Binary Patterns assigns various labels to uniform textures and a unique label to all non-uniform ones. In this respect, the modified local binary pattern can't classify non uniform textures as well as uniform ones. In this paper a new version of Local Binary Pattern is proposed that has less computational complexity than Local Binary Patterns and more classification accuracy than Modified version. The proposed approach classifies non uniform textures as well as uniform ones. Also with change in the length of central gray level intervals, locality and globally of the features can be controlled. Classification accuracy on two standard datasets, Brodatz and Outex, indicates the efficiency of the proposed approach.

[1] M. Petrou and P. G. Sevilla, Image Processing Dealing with Texture, Ch. 2, علم باینری John Wiely and Sons Ltd, pp. 1-6, 2006.
[2] M. Tuceryan and A. K. Jain, "Texture Analysis," The Handbook of Pattern Recognition and Computer Vision, Ch. 2, pp. 207-248, World Scientific Publishing Co., 1998.
[3] R. M. Haralick, K. Shanmugam, and I. Dinestein, "Textural features for image classification," IEEE Trans. on System, Man and Cybernetic, vol. 3, no. 6, pp. 610-621, Nov. 1979.
[4] D. Popescu, R. Dobrescu, and M. Nicolae, "Texture classification and defect detection by statistical features," Int. J. of Circuit, System, and Signal Processing, vol. 1, no. 1, pp. 79-85, 2007.
[5] G. R. Cross and A. K. Jain, "Markov random field texture models," IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 5, no. 1, pp. 25-39, Jan. 1983.
[6] M. Unser, "Texture classification and segmentation using wavelet frames," IEEE Trans. on Image Processing, vol. 4, no. 11, pp. 1549-1560, Nov. 1995.
[7] F. Bianconi and A. Fernandez, "Evaluation of the effects of Gabor filter parameters on texture classification," Pattern Recognition, vol. 40, no. 12, pp. 3325-3335, 2007.
[8] M. Pakdel and F. Tajeripour, "Texture classification using optimal Gabor filters," in Proc. Int. eConf. on Computer and Knowledge Engineering, pp. 208-213, 13-14 Oct. 2011.
[9] X. Chen, X. Zeng, and D. van Alphen, "Multi-class feature selection for texture classification," Pattern Recognition Letters, vol. 27, no. 14, pp. 1685-1691, 2006.
[10] M. Pietikainen, T. Ojala, and Z. Xu, "Rotation-invariant texture classification using feature distributions," Pattern Recognition, vol. 33, pp. 43-52, 2000.
[11] T. Ojala, M. Pietikainen, and T. Maenpaa, "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns," IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 24, no. 7, pp. 971-987, Jul. 2002.
[12] S. Arivazhagan and L. Ganesan, "Texture classification using wavelet transform," Pattern Recognition Letters, vol. 24, no. 9-10, pp. 1513-1521, 1 Jun. 2003.
[13] B. V. Ramana Reddy, M. Radhika Mani, and K. V. Subbaiah, "Texture classification method using wavelet transform based on Gaussian Markov random field," International J. of Signal and Image Processing, vol. 1, no. 1, pp. 35-39, 2010.
[14] V. Vijaya Kumar, U. S. N. Raju, M. Radhika Mani, and A. L. Narasimha Rao, "Wavelet based texture segmentation methods based on combinatorial of morphological and statistical operations," International J. of Computer Science and Network Security, vol. 8, no. 8, pp. 176-181, Aug. 2008.
[15] J. S. Weszka, C. R. Dyer, and A. Rosenfeld, "A comparative study of texture measures for terrain classification," IEEE Trans. on System, Man and Cybernetic, vol. 6, no. 4, pp. 267-285, 1976.
[16] T. Randen and J. H. Husoy, "Filtering for texture classification: a comparative study," IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 21, no. 4, pp. 291-310, Apr. 1999.
[17] T. Maenpaa, M. Pietikainen, and T. Ojala, "Texture classification by multi-predicate local binary pattern operators," in Proc. 15th Int. Conf. on Pattern Recognition, 3:951 - 954., vol. 3, pp. 939-942, Barcelona, Spain, 2000.
[18] P. P. Koltsov, "Comparative study of texture detection and classification algorithms," Computational Mathematics and Mathematical Physics, vol. 51, no. 8, pp. 1460-1466, Aug. 2011.
[19] F. Tajeripour, E. Kabir, and A. Sheikhi, "Fabric defect detection using Modified Local Binary Patterns," EURASIP J. on Advances in Signal Processing, vol. 8, pp. 1-12, 2008.
[20] F. Bianconi and A. Fernandez, "On the occurrence probability of local binary patterns: a theoretical study," J. of Mathematical Imaging and Vision Manuscript, vol. 40, no. 3, pp. 259-268, 2011.
[21] ف. تاجری‌پور، ا. ا. کبیر و ع. شیخی، "آشکارسازی عیوب بافتی با استفاده از شکل بهبودیافته الگوی باینری محلی،" نشریه مهندسی برق و مهندسی کامپیوتر ایران، جلد 5، شماره 3، صص. 128-119، پاییز 1386.
[22] T. Ojala, et al., "Outex - a new framework for empirical evaluation of texture analysis algorithms," in Proc. of 16th Int. Conf. of Pattern Recognition, 2002.
[23] P. Brodatz, Textures: A Photographic Album for Artist and Designer, Dover, New York, 1966.
[24] Z. Guo, L. Zhang, and D. Zheng, "Rotation invariant texture classification using LBP variance (LBPV) using global matching," Pattern Recognition, vol. 43, no. 3, pp. 706-719, Mar. 2010.

رادیو نیک آموز: ذخیره داده های باینری در Database

همیشه یکی از بزرگترین معضلات برنامه نویسان نحوه ذخیره سازی داده های باینری در بانک اطلاعاتی می باشد در این پادکست صوتی روش های مربوط به نحوه ذخیره سازی داده های باینری و چالش های مربوط به آن بررسی شده است.

بدین منظور پادکستی آماده کرده‌ایم که شامل قسمت‌های زیر می‌باشد:
چرا نباید از فیلد Image استفاده کنیم؟
آیا ذخیره آدرس فایل در بانک اطلاعاتی جایگزین مناسبی برای ذخیره سازی داده های باینری است؟
فایل های ndf راهکار علم باینری مناسبی است؟
چالش های بانک اطلاعاتی آرشیو و سختی های مربوط به برنامه نویسی
فیلد (VarBinary(Max بهتر است با Image و فیلد (VarBinary(Max چه کاربرد و چه محدودیت هایی دارد؟
در پروژهای Enterprise راهکارهای مربوط به استفاده از داده های باینری چیست؟
FileStream چیست و چه کاربردی دارد؟
مقایسه File System – VarBinary(Max) – FileStream
بررسی تکنولوژی FileTable در SQL Server 2012

همراهان این پادکست صوتی در رادیو نیک علم باینری آموز (رادیو برنامه نویسی) :
مسعود طاهری
حامد اکبری مقدم
فرید طاهری

رادیو نیک آموز: ذخیره داده های باینری در Database

فرمت: صوت (mp3)
مدت زمان: 20 دقیقه و 53 ثاینه
حجم: 9 مگابایت
محتوا: فایل صوتی
مدرس: مسعود طاهری، فرید طاهری

آموزش الیمپ ترید

افراد بسیار زیادی به ما ایمیل میزنند و در مورد ثبت نام در سایت الیمپ ترید و همچنین روش کار با این سایت را میپرسند در این مقاله بصورت کامل به تمامی این سوالات پاسخ خواهیم داد.

در مرحله اول نیاز هست که در سایت الیمپ ترید ثبت نام کنید .

حتما بیاد داشته باشید که از سایت اصلی وارد شده و اقدام به ثبت نام علم باینری کنید . olymptrade.com آدرس اصلی این سایت هست.

ثبت نام در الیمپ ترید

زمانی که این آدرس را در مرورگر خود وارد کنید وارد همچین صفحه ای خواهید شد

Log in به معنی وارد شدن هست و تا زمانی که ثبت نامی صورت نگیره نمیتونیم به سایت وارد بشیم پس روزی گزینه Registration که به معنی ثبت نام هست کلیک میکنیم.

بعد از کلیک کردن روی این گزینه با همین تصویری مواجه خواهید شد که در هر کادر طبق توضیحاتی که داده باید مشخصات شخصی خودمان را وارد کنیم .

در کادر اول نام کامل خودمان را وارد میکنیم

در کادر دوم یک ایمیل معتبر از خودمان را وارد میکنیم. توجه داشته باشید علم باینری حتما به ایمیلی که در کادر وارد میکنید دسترسی داشته باشید چرا که در آینده برای ایمیل شما تاییدیه ارسال میشه و باید وارد ایمیل خود شوید تا وریفای ایمیل صورت بگیره.

در کادر سوم شماره همراهتان را بدون صفر وارد کنید . (شماره الکی وارد نکنید)

در کادر چهارم یک پسورد قوی برای حساب خود انتخاب کنید. از اعداد 123456 به هیچ عنوان استفاده نکنید . رمزی را انتخاب کنید که همیشه در خاطرتان باقی بماند.

در کادر پنجم که your currency نام دارد باید گزینه دلار را انتخاب کنید و در انتخاب تیک قبول قوانین را بزنید و روی گزینه Register کلیک کنید.

بعد از این مرحله مستقیم وارد حساب کاربری خودتان شده ویک نمودار آبی رنگ که به نوار قلب مشهور هست را مشاهده میکنید. در نگاه اول فکر میکنید چه کسبوکار ساده و راحتی هست. من به شما پیشنهاد میکنم این فکرو از ذهنتان بیرون کنید بقول یکی از استاد های بزرگ دز این زمینه (باینری آپشن یک علم بی انتهاست) و برای کسب درآمد از آن حتما باید آموزش ببینید.

در صفحه کاربری شما چندین بخش مختلف وجود داره که سعی میکنیم به تمامی آنها برسیم و یکی یکی کاربردشونو آموزش بدیم.

در ابتدا بهترین کار این هست که کندل های خودتونو به حالت ژاپنی تغییر بدید که در عکس زیر بعنوان (انتخاب شکل نمودار) مشخص کردیم

در عکس بالا مهمترین قسمت هایی که با آن درآینده سروکار خواهید داشت را توضیح داده ایم .

نحوه شارژ کردن حساب دمو الیمپ ترید

در الیمپ ترید دو نوع حساب داریم

1-حساب لایو: که به عبارتی حساب اصلی شما هست و شما بعد از واریز کردن حداقل 10 دلار میتوانید در آن اقدام به باز کردن معاملاتی واقعی بزنید.

لذا به هیچ عنوان در ابتدای کار حساب لایو خودتان را شارژ نکنید و برای تمرین کردن فقط از حساب دمو استفاده کنید.

2- حساب دمو: حسابی هست که بصورت پیشفرض به شما 10 هزار دلار میدهد تا در آن اقدام به تمرین کردن کنید. توجه داشته باشید که نمیتوانید از این حساب دمو پولی برداشت کنید چرا که فقط بصورت تمرینی و پیشفرض هست .

چگونه حساب دمو الیمپ ترید را شارژ کنیم؟

برای شارژ کردن حساب دمو فقط کافیه روی گزینه نارنجی رنگ که عبارت deposit نوشته کلیک کنید.

خب تا اینجا با فضای الیمپ ترید آشنا شدید اما در قسمت آپشن سایت الیمپ ترید .

این بروکر دو قسمت دارد که به قسمت های آپشن و فارکس نامگذاری شده اند که آپشن آن را در این پست بصورت کامل توضیح دادیم. قسمت فارکس از نظر ساختاری هیچ تفاوتی با آپشن ندارد صرفا از نظر تایم فریم ها با هم فرق میکنند که اگر مشتاق هستید در مورد قسمت فارکس هم اطلاعاتی کسب کنید میتوانید روی لینک زیر کلیک کنید

به هیچ عنوان به کسی اعتماد نکنید و نگذارید فرد غریبه برای شما ثبت نام را انجام دهد صرفا از طریق همان لینکی که در ابتدای مقاله به شما معرفی کردیم وارد سایت الیمپ ترید شوید.

الیمپ ترید در حال حاضر هیچ نماینده ای در ایران ندارد پس به هیچ عنوان در سایتهایی که ادعا دارند نماینده الیمپ ترید هستند ثبت نام نکنید چرا که اسکم و کلاهبردارند. ( ثبت نام فقط از طریق سایت اصلی الیمپ ترید صورت گیرد)

مبنا چیست و تبدیل مبنا چگونه انجام می شود؟

سلام خدمت اساتید محترم و دوستان عزیز ، همه ی ما با اعداد 0 و 1 آشنایی داریم و میدونیم مبنای کار با کامپیوتر و دریافت اطلاعات در کامپیوتر با این اعداد هست.اما این اعداد 0 و 1 از کجا بدست میان؟با موضوع آشنایی با مبنا همراه باشیم تا به بررسی اون بپردازیم.مبنا عبارت است ازالفبای عدد نویسی.یک مبنا تعیین میکنه که با چه رقمهایی عدد میسازیم.از دلایل استفاده از مبنای 2 در مدارهای کامپیوتری به شرح زیر هست:

• مدارهای کامپیوتر به جای 10 حالت، تنها از 2 حالت استفاده میکنند.
• طراحی مدارها ساده تر است
• هزینه ی ساخت مدار کاهش می یابد

در مبنا های بالاتر از 10، برای اینکه بتونیم بین رقم و عدد تفاوت قائل بشیم، رقمهای بالاتر از 9 رو با حروف بزرگ انگلیسی نشون میدیم.به طور مثال در مبنای هگزادسیمال اعداد به این ترتیب هستند:

به این نکته همچنین توجه داشته باشید که وقتی میگیم مبنای 2، اعداد به کار رفته در اون مبنا کمتر از خود مبنا، یعنی 2 هستند.پس در مبنای 16، اعداد تا 15 بیشتر ادامه پیدا نمی کنند.

تبدیل مبنا ها

1. مبنای 10 به 2

عدد را در مبنای 10 در نظر میگیریم.آن را به 2 تقسیم میکنیم تا باقیمانده ی آن به 0 و یا 1 برسه.سپس همین کار رو با خارج قسمت جدید انجام می دهیم و آن قدر این کار رو تکرار میکنیم تا خارج قسمت 0 یا 1 شود.(یعنی بر 2 دیگه قابل تقسیم نباشه).سپس آخرین خارج قسمت و باقیمانده ها رو به ترتیب، از آخر به اول کنار هم مینویسیم.عددی که به دست میاریم، معادل همان عدد اول است اما در مبنای 2.

برای این کار به ترتیب از راست به چپ، رقم های عدد در مبنای 2 را، در 2 به توان 0، 2 به توان 1، و. ضرب میکنیم.سپس اعداد به دست اومده رو با هم جمع میکنیم.اگر خاطرتون باشه هر عدد به توان 0 معادل 1 بود. امیدوارم که براتون مفید واقع شده باشه.

نویسنده : مهدی عسکری

هرگونه نشر و کپی برداری بدون ذکر منبع و نام نویسنده دارای اشکال اخلاقی می باشد

ترکیبات دودویی: شکل گیری ، انواع ، مثال ها ، نامگذاری

ویدیو: ترکیبات دودویی: شکل گیری ، انواع ، مثال ها ، نامگذاری

محتوا:

ترکیبات دودویی همه آنها بدون توجه به تعداد اتم ها یا فعل و انفعالات آنها توسط دو عنصر شیمیایی تشکیل شده اند. فرمول کلی این ترکیبات A است_nب_متر، جایی که A و B دو عنصر متفاوت جدول تناوبی هستند ، و n بله متر ضرایب استوکیومتری مربوطه.

به عنوان مثال ، آب ، H₂یا ، این یک ترکیب دودویی است ، شاید نماینده ترین آنها باشد. آب از هیدروژن ، H و اکسیژن ، O تشکیل شده است ، بنابراین دو عنصر شیمیایی اضافه می شود. توجه داشته باشید که ضرایب استوکیومتری آن نشان می دهد که دو اتم هیدروژن و یک اتم اکسیژن وجود دارد ، اما هنوز هم یک ترکیب دودویی است.

ترکیبات دودویی می توانند از یون ها ، مولکول ها ، شبکه های سه بعدی یا حتی اتم های فلز خنثی تشکیل شوند. نکته مهم این است که پیوند شیمیایی یا ترکیب آن از هر نوع باشد ، همیشه از دو عنصر شیمیایی مختلف تشکیل شده است. به عنوان مثال ، گاز هیدروژن ، H₂، به عنوان یک ترکیب دودویی محسوب نمی شود.

ترکیبات دودویی ممکن است در ابتدا در علم باینری مقایسه با ترکیبات سه تایی یا رباعی به نظر فراوان و پیچیده نرسند. با این حال ، آنها شامل بسیاری از مواد ضروری برای اکوسیستم های زمینی مانند نمک ها ، اکسیدها ، سولفیدها و برخی گازها با ارزش بیولوژیکی و صنعتی فوق العاده هستند.

چگونه ترکیبات باینری تشکیل می شوند؟

روش های آماده سازی یا مسیرهای مصنوعی برای تشکیل ترکیبات دودویی به هویت دو عنصر شیمیایی A و B بستگی خواهد داشت. با این حال ، به طور کلی و به طور کلی ، هر دو عنصر باید در یک راکتور ترکیب شوند تا بتوانند با یکدیگر تعامل داشته باشند. بنابراین ، اگر شرایط مساعد باشد ، یک واکنش شیمیایی اتفاق می افتد.

با داشتن یک واکنش شیمیایی ، عناصر A و B به هم پیوسته یا پیوند می خورند (به صورت یونی یا کووالانسی) و ترکیب A را تشکیل می دهند_nب_متر. بسیاری از ترکیبات دودویی را می توان با ترکیب مستقیم دو عنصر خالص آنها ، یا با روش های دیگر ، از نظر اقتصادی که مقرون به صرفه تر است ، تشکیل داد.

بازگشت به مثال آب ، هیدروژن ، H₂، و اکسیژن ، O₂، در دمای بالا ترکیب می شوند تا واکنش احتراق بین آنها وجود داشته باشد:

از طرف دیگر ، آب با واکنش های کم آبی ترکیباتی مانند الکل ها و قندها بدست علم باینری می آید.

مثال دیگر از تشکیل یک ترکیب دودویی مربوط به سولفید آهن ، FeS است:

Fe (s) + S (s) → Fe (s)

در این زمان ، آهن و گوگرد هر دو ماده جامدی هستند و گازی نیستند. و همینطور با چندین نمک دودویی ، به عنوان مثال ، کلرید سدیم ، NaCl ، ترکیب سدیم فلزی با گازهای کلر:

2Na (ها) + Cl₂(g) N 2NaCl (ها)

نامگذاری

نام کلیه ترکیبات باینری اکثراً با همان قوانین اداره می شوند.

برای ترکیب A_nب_متر، ابتدا نام عنصر B به شکل آنیونی آن ذکر شده است. یعنی با پایان دادن به -uro. با این حال ، برای موردی که B از اکسیژن تشکیل شده باشد ، به عنوان یک اکسید ، پراکسید یا سوپراکسید نامگذاری می شود.

قبل از نام B پیشوندهای عددی یونانی (مونو ، دی ، سه ، تترا و غیره) با توجه به مقدار متر.

سرانجام ، نام عنصر A ذکر شده است. در صورتی که A بیش از یک ظرفیت داشته باشد ، این با اعداد رومی و بین پرانتز نشان داده می شود. یا اگر ترجیح می دهید ، می توانید نامگذاری سنتی را انتخاب کنید و از پسوندهای –oso و –ico استفاده کنید. عنصر A همچنین با توجه به مقدار. پیشوندهای عددی یونانی نیز بعضاً پیش می آید n.

ترکیبات دودویی زیر را به همراه نام مربوطه در نظر بگیرید:

-ه₂یا: اکسید هیدروژن یا مونوکسید دی هیدروژن (نام اخیر را می خندند)

-FeS: سولفید آهن (II) یا سولفید آهن

-NaCl: کلرید سدیم یا کلرید سدیم

-MgCl₂: کلرید منیزیم ، کلرید منیزیم یا دی کلرید منیزیم

توجه داشته باشید که روی آن کلمه "مونو سدیم کلراید" یا "مونو سولفید آهن" نوشته نشده است.

انواع: طبقه بندی ترکیبات دودویی

ترکیبات دودویی بر اساس آنچه از آنها ساخته شده یا از آنها ساخته می شوند طبقه بندی می شوند: یونها ، مولکول ها ، اتمهای فلزات یا شبکه ها. حتی در این صورت ، این طبقه بندی کاملاً قاطع یا قطعی نیست و بسته به رویکرد در نظر گرفته شده ممکن است متفاوت باشد.

یونیک

در ترکیبات دوتایی یونی ، A و B از یون تشکیل شده اند. بنابراین ، برای ترکیب A_nب_متر، B معمولاً آنیون است ، B – ، در حالی که A یک کاتیون است ، A + . به عنوان مثال ، NaCl و همه نمکهای دودویی که فرمولهای کلی آن به بهترین شکل به عنوان MX نشان داده می شوند ، جایی که X آنیون است و M یک کاتیون فلزی است.

بنابراین ، فلوریدها ، کلریدها ، برمیدها ، یدیدها ، هیدریدها ، سولفیدها ، آرسنیدها ، اکسیدها ، فسفیدها ، نیتریدها و . نیز در این طبقه بندی قرار می گیرند. با این حال علم باینری ، لازم به ذکر است که برخی از آنها کووالانسی هستند ، بنابراین به طبقه بندی زیر تعلق دارند.

کووالنت

ترکیبات دوتایی کووالانسی از مولکول ها تشکیل شده اند. آب به این طبقه بندی تعلق دارد ، زیرا از مولکول های H-O-H تشکیل شده است. کلرید هیدروژن ، HCl ، همچنین یک ترکیب دوتایی کووالانسی محسوب می شود ، زیرا از مولکول های H-Cl تشکیل شده است. توجه داشته باشید که NaCl یونی است ، در حالی که HCl کووالانسی است و هر دو کلرید هستند.

شبکه های فلزی یا

ترکیبات دودویی همچنین شامل آلیاژها و جامدات در شبکه های سه بعدی هستند. با این حال ، نامگذاری مواد باینری اغلب برای آنها بهتر انجام می شود.

به عنوان مثال ، برنج به جای یک ترکیب ، یک ماده دودویی یا آلیاژ محسوب می شود ، زیرا از مس و روی ، Cu-Zn ساخته شده است. توجه داشته باشید که CuZn نوشته نشده است زیرا ضرایب استوکیومتری مشخصی ندارد.

همچنین ، دی اکسید سیلیسیم ، SiO وجود دارد₂، بوسیله سیلیسیم و اکسیژن تشکیل می شود. اتمهای آن با تعریف یک شبکه سه بعدی به هم پیوسته اند ، جایی که صحبت از مولکولها یا یونها امکان پذیر نیست. بسیاری از نیتریدها ، فسفیدها و کاربیدها ، هنگامی که یونی نباشند ، از این نوع شبکه ها نیز استفاده می شوند.

نمونه هایی از ترکیبات دودویی

برای نهایی کردن چندین ترکیب دودویی همراه با نام های مربوطه آنها لیست خواهد شد:

-LiBr: لیتیوم بروماید

-FeCl₃: کلرید آهن (III) یا کلرید فریک

-CO₂: دی اکسید کربن

-NH₃: تری هیدرید نیتروژن یا آمونیاک

-PbI₂: یدید سرب (II) یا دیودید سرب

-به₂یا₃: اکسید آلومینیوم یا دی اکسید آلومینیوم تری اکسید

-AlF₃: فلوراید آلومینیوم

-RaCl₂: کلرید رادیوم یا دی کلرید رادیوم

-BF₃: تری فلوئورید بور

-RbI: یدید روبیدیوم

-WC: کاربید تنگستن یا تنگستن

هر یک از این مثالها می توانند همزمان بیش از یک نام داشته باشند. از آنها ، CO₂ از آنجا که گیاهان در فرآیند فتوسنتز از آن استفاده می کنند ، تأثیر زیادی بر طبیعت دارد.

از طرف دیگر ، NH₃ این یکی از موادی است که دارای بیشترین ارزش صنعتی است و برای ساخت بی پایان و پلیمر و آلی لازم است. و سرانجام ، توالت فرنگی یکی از سخت ترین موادی است که تاکنون ایجاد شده است.