آخرين ارسالهاي تالار

موضوع هاي بيشتر »

این وب سایت در پایگاه ستاد ساماندهی پایگاه های اینترنتی وزارت فرهنگ و ارشاد اسلامی به ثبت رسیده است مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 225 Votes )
میانگین امتیار کاربران: / 225
ضعیفعالی 

این وب سایت در پایگاه ستاد ساماندهی پایگاه های اینترنتی وزارت فرهنگ و ارشاد اسلامی به ثبت رسیده است

وب سایت فارسی متلب، در تاریخ ۱۳۹۱ در پایگاه ستاد ساماندهی پایگاه های اینترنتی وزارت فرهنگ و ارشاد اسلامی ثبت شده و مطابق با موازین اسلامی فعالیت می نماید.

برای اطلاع از صحت این موضوع می توانید به آدرس www.samandehi.ir مراجعه کنید

وبسایت فارسی متلب دارای شناسنامه در سامانه ملی تارنماهای اینترنتی تحت نظر سازمان ارشاد اسلامی میباشد.

 

لینک ما در سایت پیوندها تحت عنوان نرم افزار متلب:

http://peyvandha.ir/4-4.htm

 

توضیح بیشتر:

معیارهای عمومی ارزیابی تارنما:

ادامه مطلب...
 
ثبت سفارش خدمات مشاوره ای مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 153 Votes )
میانگین امتیار کاربران: / 153
ضعیفعالی 

پروژه های آماده و پروژه های جدید

پروژه خود را ثبت کنید

آیا به مقاله شبیه سازی شده نیاز دارید؟

مقالات معتبر همراه با پیاده سازی متلب هوش مصنوعی و پردازش تصویر مقالات معتبر همراه با پیاده سازی متلب برق - کنترل مقالات معتبر همراه با پیاده سازی متلب برق - قدرت

ارسال درخواست موضوعی مقالات دارای شبیه سازی فازی- عصبی-ژنتیک-الترونیک قدرت-کنترل مقاوم- چند متغیره- مدرن- دیجیتال-بهینه-شناسایی-قابلیت اطمینان-پردازش تصویر- سیگنال- ریاضیات  و ...

ثبت سفارش پیاده سازی مقالات جدید شما با نرم افزار متلب

ما را در صفحه فیسبوک دنبال کنید

facebook.com/mathworks.ir

 
نکاتی در مورد دستور sum مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 5 Votes )
میانگین امتیار کاربران: / 5
ضعیفعالی 

همانطور که می دانید، دستور:

sum(A)

جمع عضوهای هر ستون از ماتریس A را بر می گرداند. یعنی اگر A ماتریسی به ابعاد mxn باشد، حاصل

sum(A)

برداری است nx1 که اعضای آن، مجموع اعضای هر ستون از A است.

colsums = sum(A);

 

حال اگر بر فرض بخواهیم این دستور، مجموع اعضای هر سیر از ماتریس را بدهد، چه می کنیم؟

یک راه این است، که از ترانهاده ماتریس sum می گیریم:

rowsums = sum(A’)

که اگر بخواهیم، حاصل شکل ستونی خود را حفظ کند، باید حاصل را نیز ترانهاده کنیم.

اما برای این کار، راه ساده تری هست: پارامتر دیگری به دستور sum اضافه می کنیم:

dimsums = sum(A,n)

که در آن، n بُعدی است که می خواهیم عمل مجموع گیری روی آن صورت گیرد. اگر بخواهیم از اعضای ستونها مجموع بگیرد، n را 1 قرار می دهیم که همان پیش فرض است. اگر از اعضای ستونها مجموع بگیرد، n را 2 قرار می دهیم. اگر حتی ماتریس ما ابعاد بالاتری داشت و خواستیم از آن بُعد مجموع بگیرد، n را برابر آن بُعد قرار می‌دهیم.

 

اگر بخواهیم مجموع کل درایه های ماتریس را به دست آوریم، راهش (که خودم تا چند وقت پیش به کار می بردم) این بود

sum(sum(A))

اگر ابعاد ماتریس بالا برود، کار مجموع گیری دردسرساز می شود. برای مجموع گیری از کل درایه های ماتریس، راه ساده تری پیشنهاد می شود:

sum(A(:))

این دستور در واقع اول کل اعضای ماتریس A را به صورت یک بردار ستونی در می آورد، بعد از آن مجموع می گیرد. استفاده از

A(:)

در خیلی جاها بدرد خواهد خورد.

 
طراحی فیلترهای (لامپ المان) پایین گذر بکمک الگوریتم ژنتیک مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 1 Vote )
میانگین امتیار کاربران: / 1
ضعیفعالی 

پیشنهاد پروژه درس سیستم‌های هوشمند

موضوع پیشنهادی: طراحی فیلترهای (لامپ المان) پایین گذر بکمک الگوریتم ژنتیک

مختصری در مورد مسائل پایه ای مسئله:

دراین  پروژه الگوریتم ژنتیک و روش هوش جمعی را بعنوان روشهاي نوین بهینه سازي معرفی و از آنها در طراحی یک فیلتر

پایین گذراستفاده میکنیم .در انتها ضمن مقایسه دو روش وروش کلاسیک  ، نحوه عملکرد عملگرهاي الگوریتم ژنتیک در نتیجه طراحی بررسی میشود. برنامه هاي الگوریتم ژنتیک با نرم افزار مطلب و شبیه سازي مدار با نرم افزار مایکروویو (microwave office ) صورت میگیرد.

روش هوشمند پیشنهادی:

طراحی مدارات الکترونیکی از جمله زمینه هایی است که در آن الگوریتم ژنتیک به خوبی پاسخ داده است.اغلب در هنگام طراحی مدارهاي الکترونیکی، به خاطر وجود محدودیت هایی در روال طراحی، مجبوریم از روابط و مدل هاي تقریبی براي المانهاي مختلف استفاده کنیم و این سبب می شود که نتایج پس از شبیه سازي، با مقادیر مورد انتظار متفاوت باشد. این تفاوت ممکن است در مدارهاي ساده و کوچک قابل چشمپوشی باشد، اما در مدارهاي پیچیده، بسیار بزرگ و چند طبقه ایجاد مشکل می کند. در اینجا بکمک الگوریتم ژنتیک با قرار دادن تعداد بیت هاي بیشتر براي متغیر موثرتر سرعت همگرایی را بالا ببریم و به نتایج بهتري برسیم. روش دیگر این است که الگوریتم فقط مقادیرقطعات را تعیین می کند و توپولوژي مدار و تعداد المان ها توسط طراح تعیین می شود سپس مداري با اندازه هاي بهینه براي المان هایش تولید می شود. مزیت این روش دقت و سادگی آن بوده و اشکال آن زمانگیر بودن آن است .براي نوشتن برنامه الگوریتم ژنتیک باید کروموزومها که معرف اندازه المانها در هر مرحله هستند را تشکیل دهیم. در این مساله یک کروموزوم از 9 ژن تشکیل میشود که به علت شباهت المانها تعداد بیتهایی که براي هرکدام از ژنها در نظر گرفته ایم یکسان و برابر 10 بیت است. اندازه جمعیت اولیه و تعداد نسلها را در هر مرحله متغیر میگیریم . براي افزایش سرعت همگرایی، براي هر کدام از متغیرهایمان حدي راتعیین می کنیم. محدوده هایی که براي هر کدام از المان ها در طراحی فیلتر درنظر گرفته شده  بین 0تا 1000نانوفاراد و برای سلفها از 0 تا 500نانو هانری می باشد.

 

1-Y. Rahmat-Samii and E. Michielssen, Electromagnetic Optimization   by Genetic Algorithms, John Wiley & Sons, 1999

2-J. P. Berenger, "A perfectly matched layer for the absorption of electromagnetic waves," J. Comput. Phys., vol. 114, no. 2, pp. 185- 200, Oct. 1994.

3- G. L. Matthaei, Microwave Filters, Impedance - Matching Networks, and Coupling Structures, Artech House, 1985.

 

 
جعبه ابزار سیستم‏های کنترلی مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 6 Votes )
میانگین امتیار کاربران: / 6
ضعیفعالی 

فهرست دستورهای جعبه ابزار سیستم‏های کنترلی در نرم افزار متلب

محاسبه قدرمطلق.

abs

محاسبه ماتریس k از روی جاگذاری قطبهای A-BK در مکان مورد نظر.

Acker

تنظیم کردن مقیاس شکل یا نمودار موجود.

Axis

فرکانس پهنای باند را می‏دهد.

Bandwidth

رسم دیاگرام بود.

Bode

تبدیل سیستم‏های پیوسته به سیستم‏های گسسته با روش zoh.

c2dm

محاسبه تحقق‏های استاندارد (کانویکال) در فضای حالت.

Canon

پاک کردن نمودار موجود.

Clf

ضرب کردن چندجمله‏ای‏ در هم (دستور deconv را هم نگاه کنید).

Conv

ماتریس کنترل پذیری را محاسبه می‏کند (دستور obsv را هم نگاه کنید).

Ctrb

جدول کامل در ادامه مطلب...


ادامه مطلب...
 
َشبکه عصبی بولتزمن مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 1 Vote )
میانگین امتیار کاربران: / 1
ضعیفعالی 

شبکه عصبی بولتزمن که در اواخر صده 1900 رو به فراموشی بود پس از احیای الگوریتم همگرایی و افزایش فوق العاده سرعت آموزش، سریع به یک مدل پرمخاطب تبدیل شد، تا جایی که مدل‌های پیچیده یادگیری عمقی(عمیق) یا deep learning براساس آن ابداع شدند. شبکه عصبی بولتزمن برخلاف شبکه پس انتشار دارای یک لایه است و وزن‌های میانی دارای معنی هستند. همین ویژگی بولتزمن باعث شد که شبکه‌های عمیق به وجود آمده و بتوان بر روی وزن‌های میانی یک شبکه بولتزمن دیگر آموزش داد. اساس کار این شبکه فراگیری توزیع داده‌های ورودی و ارتباط ان با خروجی نمونه‌هاست به نحوی که نمونه‌های جدید ورودی با توزیع استخراج شده با حداقل خطا بتوانند به تولید الگوی خروجی بپردازند.

 

منابع:

کتاب اصول شبکه‌های عصبی نویستده فاوست

 
<< شروع < قبلی 1 2 بعدی > انتها >>

صفحه 1 از 2