پروژه مهندسی به زبان متلب

متلب تخصصی ترین زبان برنامه نویسی در دنیاست که در بین دانشجویان و استادان در زمینه شبیه سازی در تمامی گرایش و رشته های مهندسی شناخته شده است و برای ارایه در کنفرانس های داخلی و خارجی از اهمیت به سزایی برخوردار است. گروه برنامه نویسان متلب از سال 1390 تاکنون با کادری مجرب در زمینه متلب فعالیت می کند.

گروه برنامه نویسان متلب از سال 1390 تاکنون با کادری مجرب در زمینه متلب فعالیت دارد و آماده ارایه انواع خدمات شبیه سازی مقالات و شبیه سازی پروژه های درسی و پایان نامه در تمامی مقاطع است

گره برنامه نویسان متلب در زمینه های زیر فعالیت می کند:

شبیه سازی شبکه عصبی در متلب

شبکه های عصبی شبیه به مغز انسان اطلاعاتی را پردازش می کنند. شبکه از تعداد زیادی سلولهای عصبی(Neuron ها) تشکیل شده با پردازشی بسیار بزرگ و به هم پیوسته که در حل موازی مسائل ویژه مشغول به کارند.
یادگیری شبکه های عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامه ریزی نشده اند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.
شبکه های عصبی مصنوعی یک ترکیبی از مجموعه نرون هاست و البته نرونهای مصنوعی ای که بسیار شبیه به نرونهای زیستی کار می کنند. و بدین گونه است که ورودیهای زیادی با وزنهای مختلف می گیرد و یک خروجی که به ورودی وابسته است تولید می کند. نرونهای زیستی می توانند در حال برانگیزش باشند یا نباشند. ( وقتی یک نرون برانگیخته می شود ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است)
شبکه های عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را دارند که بطور عمومی به ورودی های غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها می آموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعه ای از الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو می باشد وکمترین تفاوت را با ورودی دارد انتخاب می کند. این روال عموما فراخوانی می شود.
مثال:
وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شده اند و وقتی ورودی های 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که نرونها مایلند برانگیخته شوند وقتی که ورودی ها 0111 ، 1011 ، 1101 ، 1110 یا 1111 باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به برانگیخته شدن نیستند.
شناسایی الگوهای پیچیده سطح بالا می تواند به وسیله شبکه ای از نرونها انجام شود و بدین ترتیب نام آن را شبکه های عصبی مصنوعی گذاشتند. اکنون شبکه های عصبی کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامی تواند به طور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکه های عمومی که برای شناسایی الگوها استفاده می شوند Feed-Forward نامیده می شدند زیرا آنها یک بازخورد (Feed-Back) داشتند. آنها به طور ساده ورودی ها را با خروجی ها می آمیختند. اما شناسایی الگوها به تدریج کاملتر شد به طوریکه بر روی کامپیوترهای عمومی با سیستم خاص خودشان به سختی انجام می شد پس برای شناسایی الگوها شبکه های Feed-Forward کافی نبودند.
در شبکه های عصبی خروجی هر نرون به ورودی نرونهای مجاورش متصل شده است. شبکه های عصبی نمی توانند معجزه کنند اما اگر به درستی استفاده شوند نتایج شگفت انگیزی خواهند داشت.

2-2- مشخصات مسائل در خور شبکه های عصبی مصنوعی ANN(Artificial Neural Network)
تقلید از ساختارهای محاسباتی سیستم زیستی ممکن است ایده اصلی نمونه های محاسباتی برای ساخت کلاسهایی از مسائل باشد. از جمله این مسائل می توان از مسائل مشکل NP که شامل مسائل طبقه بندی شده، زمانبندی شده، جستجو وغیره نام برد، کلاس مسائل شناسایی الگوها، افراد و موضوعات مشخص را در دیدار و تماس با آنها می شناسد و کلاس مربوط به داده های ناقص، اشتباه، متناقض، فازی و احتمالی. این مسائل توسط همه یا برخی از موارد زیر توصیف می شوند:
یک فضای مسئله با بعد بزرگ، پیچیده، ناشناخته با اثرات متقابل پیچیده ریاضی وار بین متغییرها و یک فضای راه حل که ممکن است خالی باشد(شامل یک راه حل یکتا یا بیشتر ، شامل تعدادی از راه حلهای مفید)به نظر می رسد ANN ها راه حلهایی برای مسائلی که با ورودی های حسی بیشتر درگیرند ارائه می دهد(صحبت کردن، دیدن، شناسایی دستخط و.).
2-3- کاربردهای شبکه های عصبی مصنوعی ANN
می توان موارد زیر را از کاربردهای شبکه های عصبی مصنوعی ذکر کرد:
پردازش تصویر و دید( Image processing and computer vision )
پردازش علائم( Signal processing ): شامل ریخت شناسی و تجزیه و تحلیل علائم مربوط به زمین لرزه ها و.
شناسایی الگوها( Pattern recognition ): شامل شناسایی چهره، اثر انگشت، تشخیص نوع صدا و نوع صحبت کردن، دستخط و .
پزشکی( Medicine ): شامل تجزیه و تحلیل و تشخیص علائم دستگاه ضربان نگار قلب (الکتروکاردیوگرافیک)، تشخیص امراض گوناگون و .
سیستم های نظامی( Military systems ): شامل ردیابی مین های زیردریایی، دسته بندی صداهای نابه هنجار و مخل در رادارها و شناسایی گوینده رزمی.
سیستم های تجاری( Financial systems ): شامل تجزیه و تحلیل انبار مغازه ها، ارزیابی واقعی املاک و .
برنامه ریزی، کنترل و جستجو( Planning, control, and search ): شامل اجرای موازی مسائل و کنترل رباتها.
هوش مصنوعی( Artificial intelligence ): شامل برخی سیستم های طبی و اجرای سیستم های خبره.
سیستم های قدرت( Power systems ): شامل برآورد وضعیت سیستم، ردیابی سریع و دسته بندی ردیابی، ردیابی خطا و ترمیم آن، پیش بینی و برآورد تخمین امنیت.

انجام پروژه متلب

شبیه سازی کنترل فازی در متلب

شبیه سازی الگوریتم های تکاملیدر متلب

محدوده کاري الگوريتم ژنتيک بسيار وسيع مي باشد و هر روز با پيشرفت روزافزون علوم و تکنولوژي استفاده از اين روش در بهينه سازي و حل مسائل بسيار گسترش يافته است.

الگوريتم ژنتيک يکي از زير مجموعه هاي محاسبات تکامل يافته مي باشد که رابطه مستقيمي با مبحث هوش مصنوعي دارد در واقع الگوريتم ژنتيک يکي از زير مجموعه هاي هوش مصنوعي مي باشد.

الگوريتم ژنتيک را ميshy;توان يک روش جستجوي کلي ناميد که از قوانين تکامل بيولوژيک طبيعي تقليد ميshy;کند .الگوريتم ژنتيک برروي يکسري از جوابshy;هاي مساله به اميد بدست آوردن جوابهاي بهتر قانون بقاي بهترين را اعمال مي کند. درهر نسل به کمک فرآيند انتخابي متناسب با ارزش جوابshy;ها و توليد مثل جواب-هاي انتخاب شده به کمک عملگرهايي که از ژنتيک طبيعي تقليد شدهshy;اند ,تقريبshy;هاي بهتري از جواب نهايي بدست ميshy;آيد. اين فرايند باعث ميshy;شود که نسلهاي جديد با شرايط مساله سازگارتر باشد.

حساب تکاملي ,براي اولين بار در سال 1960 توسط آقاي ريچنبرگ ارائه شد که تحقيق وي در مورد استراتژي تکامل بود.بعدها نظريه او توسط محققان زيادي مورد بررسي قرار گرفت تا اينکه الگوريتم ژنتيک (GA ) توسط جان هولند(John Holland ) و در سال 1975 در دانشگاه ميشيگان ,ارائه شد.

در سال 1992 نيز جان کوزا (John Koza ) از الگوريتم ژنتيک (GA ) براي حل و بهينه سازي مسائل مهندسي پيشرفته استفاده کرد و توانست براي اولين بار روند الگوريتم ژنتيک (GA ) را به زبان کامپيوتر در آورد و براي آن يک زبان برنامه نويسي ابداع کندکه به اين روش برنامه نويسي ,برنامه نويسي ژنتيک (GP ) گويندو نرم افزاري که توسط وي ابداع گرديد به نرم افزار LISP مشهور است که هم اکنون نيز اين نرم افزار کاربرد زيادي در حل و بهينه سازي مسائل مهندسي پيدا کرده است اصول کار و الگوريتم کلي اين نرم افزار بر اساس مسائل پايه و ابتدائي الگوريتم ژنتيک (GA ) مي باشد که در اين تحقيق مفصل به آن اشاره خواهيم کرد.

همانطور که ميدانيم منشا الگوريتم ژنتيک (GA ) از مباحث مربوط به زيست شناسي و آناتومي مربوط به يک موجود زنده ,مي باشد بنابر اين در اين قسمت به توضيح مختصري از تاريخچه بيولوژيکي اين الگوريتم مي پردازيم

آموزش متلب

شبیه سازی تولباکس قدرت در متلب

شبیه سازی تولباکس کنترل در متلب

شبیه سازی ریاضیات مهندسی در متلب

شبیه سازی مقالات مهندسی ieee و isiدر متلب

شبیه سازی مهندسی پزشکیدر متلب

شبیه سازی مهندسی کنترل در متلب

شبیه سازی پردازش تصویر در متلب

پردازش تصویر در متلب:

توجه و روی آوردن به روش های پردازش تصاویر به اوایل سال 1920 باز می گردد، زمانی که عکس های دیجیتال برای اولین بار توسط کابل های زیردریایی از نیویورک به لندن فرستاده شد. با این حال، کاربرد مفهوم پردازش تصویر تا اواسط 1960 گسترش و پیشرفت چندانی نیافت. در 1960 بود که کامپیوترهای نسل سوم دیجیتال به بازار آمد که می توانست سرعت و حافظه بالای مورد نیاز برای پیاده سازی الگوریتم های پردازش تصویر را فراهم کند.

از آن پس، تجربه در این زمینه گسترش یافت. مطالعات و تحقیقات زیادی در این موضوع در علوم مختلف از جمله مهندسی، علوم کامپیوتر، علوم اطلاعات، فیزیک، شیمی، بیولوژی و داروسازی انجام شد.

نتیجه این تلاش ها در تکنیک های پردازش تصویر در مسائل مختلف،از بهبود کیفیت و بازیابی تصاویر گرفته تا پردازش اثر انگشت در مسائل تجاری، خود رانشان داد.

تکنیک ها و روش های مختلف پردازش تصویر در ادامه معرفی و بررسی می شود. اما پیش از پرداختن به روش ها ، برخی تعاریف پایه نیز ذکر می شود.

تصویر دیجیتالی:

تصویر به عنوان ترجمه image نشانگر یک شکل دو بعدی است که توسط یک وسیله حساس به نور مانند دوربین به وجود آمده باشد. اما Picture (عکس) نشانگر هر گونه شکل دو بعدی مانند یک تابلوی نقاشی و یا یک دست نوشته است. مقصود از تصویر دیجیتال، digital image است.

یک تصویر را می توان توسط تابع دوبعدی (f(x,y نشان داد که در آن x و y را مختصات مکانی و مقدار f در هر نقطه را شدت روشنایی تصویر در آن نقطه می نامند. اصطلاح سطح خاکستری نیز به شدت روشنایی تصاویر مونوکروم (monochrome) اطلاق می شود. تصاویر رنگی نیز از تعدادی تصویر دوبعدی تشکیل می شود.

زمانی که مقادیر x و y و مقدار (f(x,y با مقادیر گسسته و محدود بیان شوند، تصویر را یک تصویر دیجیتالی می نامند. دیجیتال کردن مقادیر x و y را Sampling و دیجیتال کردن مقدار (f(x,y را quantization گویند.

برای نمایش یک تصویر M * N از یک آرایه دو بعدی (ماتریس) که M سطر و N ستون دارد استفاده می شود. مقدار هر عنصر از آرایه نشان دهنده شدت روشنایی تصویر در آن نقطه است. در تمام توابعی که پیاده سازی می شود، هر عنصر آرایه یک مقدار 8 بیتی است که می تواند مقداری بین 0 و 255 داشته باشد. مقدار صفر نشان دهنده رنگ تیره (سیاه) و مقدار 255 نشان دهنده رنگ روشن (سفید) است.

به عنوان مثال تصویر زیر که سایز آن 265*288 است از یک ماتریس که دارای 288 سطر و 265 ستون است برای نمایش تصویر استفاده می کند.

علاقه مندان برای دیدن پروژه های بیشتر می توانند به سایتموسسه متلب نویسانمراجعه کنند.

شبیه سازی موتورهای الکتریکی در متلب

شبیه سازی ادوات قدرتدر متلب

شبیه سازی ادوات شبکه های قدرت و انتقال در متلب

شبیه سازیپروژه متلبپروژه های کلاسی و درسی و تمارین در متلب

شبیه سازی مهندسی الکترونیکدر متلب

شبیه سازی ادوات الکترونیک fpgaدر متلب

شبیه سازی کنترل مدرن در متلب

شبیه سازی کنترل فازی عصبیدر متلب و.

منطق فازی یا Fuzzy Logic برای اولین بار در سال 1960 توسط دکتر لطفی زاده ، استاد علوم کامپیوتری دانشگاه برکلی کالیفرنیا (Berkeley)، ابداع شد.

مقاله کلاسیک پرفسور لطفی زاده درباره مجموعه فازی که در سال 1965 به چاپ رسید، سرآغاز جهتی نوین در علوم و مهندسی سیستم و کامپیوتر بود. پس از آن پرفسور لطفی زاده به پژوهشهای خود در زمینه مجموعه فازی ادامه داد تا آنکه در سال 1973 طی یک مقاله کلاسیک دیگر تحت عنوان "شرحی بر دیدی نو در تجزیه و تحلیل سیستمهای پیچیده و فرایندهای تصمیم گیری" مفهوم استفاده از متغیرهای زبانی را در سیستم های حافظه و کنترل مطرح کرد. این مقاله اساس تکنولوژی کنترل بر مبنای منطق فازی است که در اینده اثرات عمیق در طراحی سیستم های کنترل هوشیار خواهد داشت.گرچه منطق فازی کاربردی خیلی وسیع تر از منطق متداول دارد ولی پرفسور لطفی زاده معتقد است که منطق فازی اکسیر و نوشدارو نیست. وی میگوید "کارهای زیادی هست که انسان میتواند به آسانی انجام دهد در حالی که کامپیوترها و سیستمهای منطقی قادرت فازی یک فرا مجموعه از منطق بولی است که بر مفهوم درستی نسبی، دلالت می کند. منطق کلاسیک هر چیزی را بر اساس یک سیستم دوتائی نشان می دهد ( درست یا غلط، 0 یا 1، سیاه یا سفید) ولی منطق فازی درستی هر چیزی را با یک عدد که مقدار آن بین صفر و یک است نشان می دهد. مثلاً اگر رنگ سیاه را عدد صفر و رنگ سفید را عدد 1 نشان دهیم، آن گاه رنگ خاکستری عددی نزدیک به صفر خواهد بود. در سال 1965، دکتر لطفی زاده نظریه سیستم های فازی را معرفی کرد. در فضایی که دانشمندان علوم مهندسی به دنبال روش های ریاضی برای شکست دادن مسایل دشوارتر بودند، نظریه فازی به گونه ای دیگر از مدل سازی، اقدام کرد.

منطق فازی معتقد است که ابهام در ماهیت علم است. بر خلاف دیگران که معتقدند که باید تقریب ها را دقیق تر کرد تا بهره وری افزایش یابد، لطفی زاده معتقد است که باید به دنبال ساختن مدل هایی بود که ابهام را به عنوان بخشی از سیستم مدل کند. در منطق ارسطویی، یک دسته بندی درست و نادرست وجود دارد. تمام گزاره ها درست یا نادرست هستند. بنابراین جمله <<هوا سرد است>>، در مدل ارسطویی اساساً یک گزاره نمی باشد، چرا که مقدار سرد بودن برای افراد مختلف متفاوت است و این جمله اساساً همیشه درست یا همیشه نادرست نیست. در منطق فازی، جملاتی هستند که مقداری درست و مقداری نادرست هستند. برای مثال، جمله "هوا سرد است" یک گزاره منطقی فازی می باشد که درستی آن گاهی کم و گاهی زیاد است. گاهی همیشه درست و گاهی همیشه نادرست و گاهی تا حدودی درست است. منطق فازی می تواند پایه ریز بنیانی برای فن آوری جدیدی باشد که چیست؟

دهه1980:کاربردهای بزرگ

در اوائل دهه 1980 این زمینه از نقطه نظر تئوریک پیشرفت کندی داشت.در این مدت راه حل ها و مفاهیم جدید اندکی معرفی گردید چرا که هنوز افرادکمی داشتند روی ان کار می کردند.در واقع کاربردهای کنترل فازی بود که هنوز تئوری فازی را سر پا نگاه داشته بود.

مهندسان زاپنی(با حساسیتی که نسبی به فن اوری های جدید دارند)به سرعت دریافتند که کنترل کننده های فازی بسهولت قابل طراحی بوده و در مورد بسیاری مسائل می توان از انها استفاده کرد.بدلیل اینکه کنترل فازی به یک مدل ریاضی نیاز ندارد انرا می توان در مورد با وجودی که تئوری فازی جایگاه واقعی خود را پیدا نکرد با این حال هنوز محققینی بودند که روشهای جدید فازی نظیر الگوریتم های فازی تصمیم گیری های فازی و. مطرح گردید.

دهه 1970:تئوری فازی رشد پیدا کرد و کاربردهای عملی ظاهر گردید.

اگر بگوییم پذیرفته شدن تئوری فازی بعنوان یک زمینه مستقل بواسطه کارهای بر جسته پروفسور لطفی زاده بوده سخن به گزاف نگفته ایم.بسیاری از مفاهیم بنیادی تئوری فازی بوسیله زاده در اواخر دهه 60 و اوائل دهه 70 مطرح گردید.پس از معرفی مجموعه ای فازی در سال 1965 او مفاهیم الگوریتم های فازی در سال 1968 تصمیم گیری فازی در سال 1970 و ترتیب فازی را در سال 1971 مطرح نمود.در سال 1973او مقاله دیگری را منتشر کرد به نام :(طرح یک راه حل جدید برای تجزیه تحلیل سیستم های پیچیده و فرایندهای تصمیم گیری).این مقاله اساس کنترل فازی را بنا کرد.او در این مفهوم متغییر های زبانی و استفاده از قواعد اگر انگاه را برای فرموله کردن دانش بشری معرفی نمود.

رخداد بزرگ در دهه 1970 تولد کنترل کننده های فازی برای سیستم های واقعی بود. در سال 1975 ممدانی و اسیلیان چهارچوب اولیه ای را برای کنترل کننده فازی مشخص کردند و کنترل کننده فازی را به یک موتور بخار اعمال نمودند.نتیج در مقاله ای تحت عنوان(ازمایشی در سنتز زبانی با استفاده از یک کنترل کننده فازی)منتشر گردید.انها دریافتند که ساخت کنترل کننده فازی بسیار موضوع جدی در دستور کار خود قرار دادند.در فوریه1992 اولین کنفرانس بین المللی IEEEدر زمینه سیستمهای فازی در سان دیگو برگزار گردید.این یک اقدام سمبلیک در مورد پذیرفتن سیستم های فازی بوسیله بزرگترین سازمان مهندسی یعنی IEEEبود.در سال 1993 بخش سیستم های فازی IEEEگشایش یافت.از نقطه نظر تئوری سیستم های فازی و کنترل در اواخر دهه 80 و اوائل دهه 90 رشد چشمگیری پیدا کرد و پیشرفتهایی در زمینه برخی مشکلات اساسی سیستمهای فازی صورت گرفت. بعنوان مثال تکنیک های شبکه عصبی برای تعیین و تنظیم توابع تعلق استفاده شدند.با وجودی که تصویر سیستم های فازی شفاف تر شده با این حال کارهای زیادی هنوز باید انجام شود و بسیاری از راه حل ها و روش ها در ابتدای راه قرار دارد.ما اعتقاد داریم که تنها سرمایه گذاری مراکز تحقیقاتی معتبر بر روی افراد مستعد و خلایق می تواند باعث پیشرفتهای عمده در زمینه تئوری فازی شود.

چرا سیستم فازی؟

واژه(فازی) در فرهنگ لغت اکسفورد بصورت (مبهم گنگ نادقیق کیج مغشوش درهم و نامشخص)تعریف شده است. سیستم های فازی سیستم هایی هستند با تعریف دقیق و کنترل فازی نیز نوع خاصی از کنترل غیر خطی میباشد که ان هم تعریف می گردد . این مطلب مشابه کنترل وسیستم های خطی می باشد که واژه(خطی) یک صفت فنی بوده که حالت و وضعیت سیستم و کنترل را مشخص می کند. چنین چیزی درمورد واژه(فازی) وجود دارد.

دهه1990:چالشها کماکان باقی است

موفقیت سیستم های فازی در زاپن تعجب محققان را در امریکا و اروپا برانگیخت .عده ای هنوز به ان خرده می گرفتند ولی عده ای دیگراز عقیده خود دست بر داشته و بعنوان گرچه سیستم های فازی پدید های غیر قطعی و نا مشخص را توصیف می کنند با این حال خود تئوری فازی یک تئوری دقیق می باشد.در این متن دو نوع موجیه برای تئوری سیستم های فازی وجود دارد:

_دنیای واقعی ما بسیار پیچیده تر از ان است که بتوان یک توصیف و تعریف دقیق برای ان بدست اورد بنابراین باید یک توصیف تقریبی یا همان فازی که قابل قبول تجزیه و تحلیل باشد برای یک مدل معرفی شود.

_با حرکت ما بسوی عصر اطلاعات دانش و معرفت بشری بسیار اهمیت پیدا می کند. بنابراین ما به فرضیه ای نیاز داریم که بتوان دانش بشری را به شکل سیستماتیک فرموله کرده و انرا به همراه سایر مدلهای ریاضی در سیستم های مهندسی قرار دهد.

توجیه اول گرچه درست است با این حال طبیعت واحدی را برای تئوری سیستم های فازی شخص نمی کند. در حقیقت تمامی نظریه های علوم مهندسی دنیای واقعی را به شکلی تقریبی توصیف می کنند.بعنوان مثال در عالم واقع تمامی سیستم های خطی می باشد.یک تئوری مهندسی خوب از یکسو باید بتواند مشخصه های اصلی و کلیدی دنیای واقعی را توصیف کرده و از سویی دیگر قابل تجزیه تحلیل ریاضی باشد.بنابراین از این جنبه تئوری فازی تفاوتی با سایر تئوری های علوم مهندسی ندارند.

توجیه دوم مشخصه واحدی از سیستم های فازی را توصیف کرده و وجودی تئوری سیستم های فازی را به عنوان یک شاخصه مستقل در علوم مهندسی توجیه می کند.بعنوان یک قاعده کلی یک تئوری قاعده کلی یک تئوری مهندسی خوب باید قادر باشد از تمامی اطلاعات موجود به نحو موثری استفاده کند.

در سیستم های عملی اطلاعات مهم از دو منبع سر چشمه می گیرند.یکی از منابع افراد خبره می باشند که دانش و اگاهیشان را در مورد سیستم با زبان طبیعی تعریف می کنند.منبع دیگر اندازه گیری ها و مدل های ریاضی هستند که از قواعد فیزیکی مشتق شده اند.بنابراین یک مسئله مهم ترکیب این دو نوع اطلاعات در طراحی سیستم ها است.برای انجام این ترکیب سئوال کلیدی این است که چگونه می توان دانش بشری را به یک فرمول ریاضی تبدیل کرد. اساسا انچه که یک سیستم فازی انجام می دهد همین تبدیل است.برای اینکه بدانیم این تبدیل چگونه صورت می گیرد ابتدا باید بدانیم سیستم های فازی چگونه سیستم هایی هستند.

سیستم های فازی چگونه سیستم هایی هستند؟

سیستم های فازی سیستم ها مبتنی بردانش یا قواعد میباشد .قلب یک سیستم فازی یک پایگاه دانش بوده که از قواعد اگر-آنگاه فازی تشکیل شده است. یک قاعده اگر-آنگاه فازی یک عبارت اگر -آنگاه بوده که بعضی کلمات آن بوسیله توابع تعلق پیوسته مشخص شده اند. بعنوان مثال عبارت فازی زیر را در نظر بگیرید: اگر سرعت اتومبیل بالاست انگاه نیروی کمتری به پدال گاز وارد کنید.

بطور کلی دو راه حل برای طراحی چنین کنترل کننده ای وجود دارد یک راه حل استفاده از کنترل کننده های متعارف نظیر PID بوده وراه حل دوم شبیه سازی رفتار رانندگان است بدین معنی که قواعدی که راننده در حین حرکت استفاده می کند را به کنترل کننده خودکار تبدیل نماییم0ما راه حل دوم را در نظر میگیریم. در صحبتهای عامیانه راننده ها در شرایطdivide; طبیعی از سه قاعده زیر در حین رانندگی استفادهمی کنند:2-اگر سرعت پایین است آنگاه نیروی بیشتری به پدال گاز وارد کنید. 3-اگر سرعت متوسط است آنگاه نیروی متعادلی به پدال گاز وارد کنید4.اگر سرعت بالاست آنگاه نیروی کمتری به پدال گاز وارد کنید .با این حال ما می توانیم یک سیستم فازی را بر اساس این قواعد بسازیم.از آنجا که سیستم فازی بعنوان کنترل کننده استفاده شده ان را کنترل کننده فازی می نامند. بطور خلاصه نقطه شروع ساخت یک سیستم فازی بدست اوردن مجموعه ای از قواعد اگر - انگاه فازی از دانش افراد خبره یا دانش حوزه مورد برسی می باشد .مرحله بعدی ترکیب این قواعد در یک سیستم واحد است .

معمولااز سه نوع سیستم فازی صحبت به میان می اید :

1)سیستم های فازی خالص

2)سیستم های فازی تاکاگی -سوگنو و کانگ TSK) )

3)سیستم های با فازی ساز و غیر فازی ساز

دانشجویان می توانند پروژه های خود رابرای گروه برنامه نویسان متلب ارسال کنند تا در سریع ترین زمان ممکن پروژه را بررسی و نتیجه را دریافت کنند.در سایت گروه برنامه نویسان متلب پروژه های آماده ارایه نیز وجود دارد بنابراین تمامی افراد می توانند از این ایده ها استفاده کنند.برنامه متلب قابلیت های خاصی دارد که در ادامه به آنها اشاره می شود.

موسسه متلب نویسان با سابقه 10 سال در زمینه انجام پروژه های دانشجویی در تمامی رشته های مهندسی و مقاطع تحصیلی با کادری مجرب از اساتید برنامه نویسی کشور که همگی از فارغ التحصیلان دانشگاه های معتبر کشور می باشند آماده انجام مشاوره سمینار ،پروپوزال و. و نیز انجام پروژه های درسی و پایان نامه های رشته های مهندسی با نرم افزار مهندسی MATLAB می باشد و نیزشبیه سازی متلبمقالات IEEE را نیز انجام می دهد برای هر گونه اقدامی ابتدا به مشاوران با تجربه و متعهد ما سری بزنید.

.

.

.

.

.

این متن صرفا یک رپرتاژ آگهی است و ما مسئولیتی در قبال محتوای آن نداریم و مسئولیت بر عهده سایتی است که لینک آن داخل متن رپرتاژ آگهی قرار گرفته است.

پروژه مهندسی به زبان متلب

متلب تخصصی ترین زبان برنامه نویسی در دنیاست که در بین دانشجویان و استادان در زمینه شبیه سازی در تمامی گرایش و رشته های مهندسی شناخته شده است و برای ارایه در کنفرانس های داخلی و خارجی از اهمیت به سزایی برخوردار است. گروه برنامه نویسان متلب از سال 1390 تاکنون با کادری مجرب در زمینه متلب فعالیت می کند.

گروه برنامه نویسان متلب از سال 1390 تاکنون با کادری مجرب در زمینه متلب فعالیت دارد و آماده ارایه انواع خدمات شبیه سازی مقالات و شبیه سازی پروژه های درسی و پایان نامه در تمامی مقاطع است

گره برنامه نویسان متلب در زمینه های زیر فعالیت می کند:

شبیه سازی شبکه عصبی در متلب

شبکه های عصبی شبیه به مغز انسان اطلاعاتی را پردازش می کنند. شبکه از تعداد زیادی سلولهای عصبی(Neuron ها) تشکیل شده با پردازشی بسیار بزرگ و به هم پیوسته که در حل موازی مسائل ویژه مشغول به کارند.
یادگیری شبکه های عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامه ریزی نشده اند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.
شبکه های عصبی مصنوعی یک ترکیبی از مجموعه نرون هاست و البته نرونهای مصنوعی ای که بسیار شبیه به نرونهای زیستی کار می کنند. و بدین گونه است که ورودیهای زیادی با وزنهای مختلف می گیرد و یک خروجی که به ورودی وابسته است تولید می کند. نرونهای زیستی می توانند در حال برانگیزش باشند یا نباشند. ( وقتی یک نرون برانگیخته می شود ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است)
شبکه های عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را دارند که بطور عمومی به ورودی های غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها می آموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعه ای از الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو می باشد وکمترین تفاوت را با ورودی دارد انتخاب می کند. این روال عموما فراخوانی می شود.
مثال:
وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شده اند و وقتی ورودی های 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که نرونها مایلند برانگیخته شوند وقتی که ورودی ها 0111 ، 1011 ، 1101 ، 1110 یا 1111 باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به برانگیخته شدن نیستند.
شناسایی الگوهای پیچیده سطح بالا می تواند به وسیله شبکه ای از نرونها انجام شود و بدین ترتیب نام آن را شبکه های عصبی مصنوعی گذاشتند. اکنون شبکه های عصبی کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامی تواند به طور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکه های عمومی که برای شناسایی الگوها استفاده می شوند Feed-Forward نامیده می شدند زیرا آنها یک بازخورد (Feed-Back) داشتند. آنها به طور ساده ورودی ها را با خروجی ها می آمیختند. اما شناسایی الگوها به تدریج کاملتر شد به طوریکه بر روی کامپیوترهای عمومی با سیستم خاص خودشان به سختی انجام می شد پس برای شناسایی الگوها شبکه های Feed-Forward کافی نبودند.
در شبکه های عصبی خروجی هر نرون به ورودی نرونهای مجاورش متصل شده است. شبکه های عصبی نمی توانند معجزه کنند اما اگر به درستی استفاده شوند نتایج شگفت انگیزی خواهند داشت.

2-2- مشخصات مسائل در خور شبکه های عصبی مصنوعی ANN(Artificial Neural Network)
تقلید از ساختارهای محاسباتی سیستم زیستی ممکن است ایده اصلی نمونه های محاسباتی برای ساخت کلاسهایی از مسائل باشد. از جمله این مسائل می توان از مسائل مشکل NP که شامل مسائل طبقه بندی شده، زمانبندی شده، جستجو وغیره نام برد، کلاس مسائل شناسایی الگوها، افراد و موضوعات مشخص را در دیدار و تماس با آنها می شناسد و کلاس مربوط به داده های ناقص، اشتباه، متناقض، فازی و احتمالی. این مسائل توسط همه یا برخی از موارد زیر توصیف می شوند:
یک فضای مسئله با بعد بزرگ، پیچیده، ناشناخته با اثرات متقابل پیچیده ریاضی وار بین متغییرها و یک فضای راه حل که ممکن است خالی باشد(شامل یک راه حل یکتا یا بیشتر ، شامل تعدادی از راه حلهای مفید)به نظر می رسد ANN ها راه حلهایی برای مسائلی که با ورودی های حسی بیشتر درگیرند ارائه می دهد(صحبت کردن، دیدن، شناسایی دستخط و.).
2-3- کاربردهای شبکه های عصبی مصنوعی ANN
می توان موارد زیر را از کاربردهای شبکه های عصبی مصنوعی ذکر کرد:
پردازش تصویر و دید( Image processing and computer vision )
پردازش علائم( Signal processing ): شامل ریخت شناسی و تجزیه و تحلیل علائم مربوط به زمین لرزه ها و.
شناسایی الگوها( Pattern recognition ): شامل شناسایی چهره، اثر انگشت، تشخیص نوع صدا و نوع صحبت کردن، دستخط و .
پزشکی( Medicine ): شامل تجزیه و تحلیل و تشخیص علائم دستگاه ضربان نگار قلب (الکتروکاردیوگرافیک)، تشخیص امراض گوناگون و .
سیستم های نظامی( Military systems ): شامل ردیابی مین های زیردریایی، دسته بندی صداهای نابه هنجار و مخل در رادارها و شناسایی گوینده رزمی.
سیستم های تجاری( Financial systems ): شامل تجزیه و تحلیل انبار مغازه ها، ارزیابی واقعی املاک و .
برنامه ریزی، کنترل و جستجو( Planning, control, and search ): شامل اجرای موازی مسائل و کنترل رباتها.
هوش مصنوعی( Artificial intelligence ): شامل برخی سیستم های طبی و اجرای سیستم های خبره.
سیستم های قدرت( Power systems ): شامل برآورد وضعیت سیستم، ردیابی سریع و دسته بندی ردیابی، ردیابی خطا و ترمیم آن، پیش بینی و برآورد تخمین امنیت.

انجام پروژه متلب

شبیه سازی کنترل فازی در متلب

شبیه سازی الگوریتم های تکاملیدر متلب

محدوده کاري الگوريتم ژنتيک بسيار وسيع مي باشد و هر روز با پيشرفت روزافزون علوم و تکنولوژي استفاده از اين روش در بهينه سازي و حل مسائل بسيار گسترش يافته است.

الگوريتم ژنتيک يکي از زير مجموعه هاي محاسبات تکامل يافته مي باشد که رابطه مستقيمي با مبحث هوش مصنوعي دارد در واقع الگوريتم ژنتيک يکي از زير مجموعه هاي هوش مصنوعي مي باشد.

الگوريتم ژنتيک را ميshy;توان يک روش جستجوي کلي ناميد که از قوانين تکامل بيولوژيک طبيعي تقليد ميshy;کند .الگوريتم ژنتيک برروي يکسري از جوابshy;هاي مساله به اميد بدست آوردن جوابهاي بهتر قانون بقاي بهترين را اعمال مي کند. درهر نسل به کمک فرآيند انتخابي متناسب با ارزش جوابshy;ها و توليد مثل جواب-هاي انتخاب شده به کمک عملگرهايي که از ژنتيک طبيعي تقليد شدهshy;اند ,تقريبshy;هاي بهتري از جواب نهايي بدست ميshy;آيد. اين فرايند باعث ميshy;شود که نسلهاي جديد با شرايط مساله سازگارتر باشد.

حساب تکاملي ,براي اولين بار در سال 1960 توسط آقاي ريچنبرگ ارائه شد که تحقيق وي در مورد استراتژي تکامل بود.بعدها نظريه او توسط محققان زيادي مورد بررسي قرار گرفت تا اينکه الگوريتم ژنتيک (GA ) توسط جان هولند(John Holland ) و در سال 1975 در دانشگاه ميشيگان ,ارائه شد.

در سال 1992 نيز جان کوزا (John Koza ) از الگوريتم ژنتيک (GA ) براي حل و بهينه سازي مسائل مهندسي پيشرفته استفاده کرد و توانست براي اولين بار روند الگوريتم ژنتيک (GA ) را به زبان کامپيوتر در آورد و براي آن يک زبان برنامه نويسي ابداع کندکه به اين روش برنامه نويسي ,برنامه نويسي ژنتيک (GP ) گويندو نرم افزاري که توسط وي ابداع گرديد به نرم افزار LISP مشهور است که هم اکنون نيز اين نرم افزار کاربرد زيادي در حل و بهينه سازي مسائل مهندسي پيدا کرده است اصول کار و الگوريتم کلي اين نرم افزار بر اساس مسائل پايه و ابتدائي الگوريتم ژنتيک (GA ) مي باشد که در اين تحقيق مفصل به آن اشاره خواهيم کرد.

همانطور که ميدانيم منشا الگوريتم ژنتيک (GA ) از مباحث مربوط به زيست شناسي و آناتومي مربوط به يک موجود زنده ,مي باشد بنابر اين در اين قسمت به توضيح مختصري از تاريخچه بيولوژيکي اين الگوريتم مي پردازيم

آموزش متلب

شبیه سازی تولباکس قدرت در متلب

شبیه سازی تولباکس کنترل در متلب

شبیه سازی ریاضیات مهندسی در متلب

شبیه سازی مقالات مهندسی ieee و isiدر متلب

شبیه سازی مهندسی پزشکیدر متلب

شبیه سازی مهندسی کنترل در متلب

شبیه سازی پردازش تصویر در متلب

پردازش تصویر در متلب:

توجه و روی آوردن به روش های پردازش تصاویر به اوایل سال 1920 باز می گردد، زمانی که عکس های دیجیتال برای اولین بار توسط کابل های زیردریایی از نیویورک به لندن فرستاده شد. با این حال، کاربرد مفهوم پردازش تصویر تا اواسط 1960 گسترش و پیشرفت چندانی نیافت. در 1960 بود که کامپیوترهای نسل سوم دیجیتال به بازار آمد که می توانست سرعت و حافظه بالای مورد نیاز برای پیاده سازی الگوریتم های پردازش تصویر را فراهم کند.

از آن پس، تجربه در این زمینه گسترش یافت. مطالعات و تحقیقات زیادی در این موضوع در علوم مختلف از جمله مهندسی، علوم کامپیوتر، علوم اطلاعات، فیزیک، شیمی، بیولوژی و داروسازی انجام شد.

نتیجه این تلاش ها در تکنیک های پردازش تصویر در مسائل مختلف،از بهبود کیفیت و بازیابی تصاویر گرفته تا پردازش اثر انگشت در مسائل تجاری، خود رانشان داد.

تکنیک ها و روش های مختلف پردازش تصویر در ادامه معرفی و بررسی می شود. اما پیش از پرداختن به روش ها ، برخی تعاریف پایه نیز ذکر می شود.

تصویر دیجیتالی:

تصویر به عنوان ترجمه image نشانگر یک شکل دو بعدی است که توسط یک وسیله حساس به نور مانند دوربین به وجود آمده باشد. اما Picture (عکس) نشانگر هر گونه شکل دو بعدی مانند یک تابلوی نقاشی و یا یک دست نوشته است. مقصود از تصویر دیجیتال، digital image است.

یک تصویر را می توان توسط تابع دوبعدی (f(x,y نشان داد که در آن x و y را مختصات مکانی و مقدار f در هر نقطه را شدت روشنایی تصویر در آن نقطه می نامند. اصطلاح سطح خاکستری نیز به شدت روشنایی تصاویر مونوکروم (monochrome) اطلاق می شود. تصاویر رنگی نیز از تعدادی تصویر دوبعدی تشکیل می شود.

زمانی که مقادیر x و y و مقدار (f(x,y با مقادیر گسسته و محدود بیان شوند، تصویر را یک تصویر دیجیتالی می نامند. دیجیتال کردن مقادیر x و y را Sampling و دیجیتال کردن مقدار (f(x,y را quantization گویند.

برای نمایش یک تصویر M * N از یک آرایه دو بعدی (ماتریس) که M سطر و N ستون دارد استفاده می شود. مقدار هر عنصر از آرایه نشان دهنده شدت روشنایی تصویر در آن نقطه است. در تمام توابعی که پیاده سازی می شود، هر عنصر آرایه یک مقدار 8 بیتی است که می تواند مقداری بین 0 و 255 داشته باشد. مقدار صفر نشان دهنده رنگ تیره (سیاه) و مقدار 255 نشان دهنده رنگ روشن (سفید) است.

به عنوان مثال تصویر زیر که سایز آن 265*288 است از یک ماتریس که دارای 288 سطر و 265 ستون است برای نمایش تصویر استفاده می کند.

علاقه مندان برای دیدن پروژه های بیشتر می توانند به سایتموسسه متلب نویسانمراجعه کنند.

شبیه سازی موتورهای الکتریکی در متلب

شبیه سازی ادوات قدرتدر متلب

شبیه سازی ادوات شبکه های قدرت و انتقال در متلب

شبیه سازیپروژه متلبپروژه های کلاسی و درسی و تمارین در متلب

شبیه سازی مهندسی الکترونیکدر متلب

شبیه سازی ادوات الکترونیک fpgaدر متلب

شبیه سازی کنترل مدرن در متلب

شبیه سازی کنترل فازی عصبیدر متلب و.

منطق فازی یا Fuzzy Logic برای اولین بار در سال 1960 توسط دکتر لطفی زاده ، استاد علوم کامپیوتری دانشگاه برکلی کالیفرنیا (Berkeley)، ابداع شد.

مقاله کلاسیک پرفسور لطفی زاده درباره مجموعه فازی که در سال 1965 به چاپ رسید، سرآغاز جهتی نوین در علوم و مهندسی سیستم و کامپیوتر بود. پس از آن پرفسور لطفی زاده به پژوهشهای خود در زمینه مجموعه فازی ادامه داد تا آنکه در سال 1973 طی یک مقاله کلاسیک دیگر تحت عنوان "شرحی بر دیدی نو در تجزیه و تحلیل سیستمهای پیچیده و فرایندهای تصمیم گیری" مفهوم استفاده از متغیرهای زبانی را در سیستم های حافظه و کنترل مطرح کرد. این مقاله اساس تکنولوژی کنترل بر مبنای منطق فازی است که در اینده اثرات عمیق در طراحی سیستم های کنترل هوشیار خواهد داشت.گرچه منطق فازی کاربردی خیلی وسیع تر از منطق متداول دارد ولی پرفسور لطفی زاده معتقد است که منطق فازی اکسیر و نوشدارو نیست. وی میگوید "کارهای زیادی هست که انسان میتواند به آسانی انجام دهد در حالی که کامپیوترها و سیستمهای منطقی قادرت فازی یک فرا مجموعه از منطق بولی است که بر مفهوم درستی نسبی، دلالت می کند. منطق کلاسیک هر چیزی را بر اساس یک سیستم دوتائی نشان می دهد ( درست یا غلط، 0 یا 1، سیاه یا سفید) ولی منطق فازی درستی هر چیزی را با یک عدد که مقدار آن بین صفر و یک است نشان می دهد. مثلاً اگر رنگ سیاه را عدد صفر و رنگ سفید را عدد 1 نشان دهیم، آن گاه رنگ خاکستری عددی نزدیک به صفر خواهد بود. در سال 1965، دکتر لطفی زاده نظریه سیستم های فازی را معرفی کرد. در فضایی که دانشمندان علوم مهندسی به دنبال روش های ریاضی برای شکست دادن مسایل دشوارتر بودند، نظریه فازی به گونه ای دیگر از مدل سازی، اقدام کرد.

فروشگاه خرید کفش صندل

بهترین فروشگاه خرید سانسوریا و کاکتوس

معرفی و بررسی برند لوازم جانبی بیسوس

های ,فازی ,یک ,سیستم ,متلب ,کنترل ,سیستم های ,های فازی ,شبیه سازی ,متلب شبیه ,شبکه های ,گروه برنامه نویسان ,سازي مسائل مهندسي ,برای شناسایی الگوها ,فازی چگونه سیستم

مشخصات

تبلیغات

محل تبلیغات شما

آخرین مطالب این وبلاگ

آخرین ارسال ها

محل تبلیغات شما محل تبلیغات شما

برترین جستجو ها

آخرین جستجو ها

تبلیغات متنی
shopland radhem rainbowmov logomotive dieselgenerator14 flatmachine granit healthinformation1 simasinama nikanse1