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
( 89 Votes )
میانگین امتیار کاربران: / 89
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
( 130 Votes )
میانگین امتیار کاربران: / 130
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

 
آموزش نرم افزار متلب - قسمت چهارم مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 4 Votes )
میانگین امتیار کاربران: / 4
ضعیفعالی 
نوشته شده توسط سیامک نادری   

مائیم نوای بی نوایی              بسمه اله اگر حریف مائی

این مجموعه در راستای مجموعه ی اول و دوم  گرد آوری آوری شده است.

در 10 قسمت ابتدایی به معرفی نرم افزار متلب ، آشنایی با محیط متلب وفضا های کاری ومحاسبات مقدماتی در متلب را یاد گرفتیم.

در 10قسمت ثانویه با توابع جدیدتر و امکانات بیشتری از قبل توابع مثلثاتی، توابع نمایی ، وارون ، لگاریتمی ،  توابع معکوس ، توابع سمبلیک  و..... آشنا می شویم.

در  10 قسمت سوم به معرفی تمامی توابع قسمت قبل در فضای اعداد مختلط خواهیم پرداخت و سپس به سراغ ضرب داخلی و خارجی می رویم .

در 10 قسمت چهارم به معرفی و کار با ماتریس ها به طو کلی می پردازیم و سپس برخی ویژگی ها و اطلاعات ماتریس ها را بررسی می کنیم

ان شاالله در 10 قسمت بعدی کاربردهای بیشتری را معرفی خواهیم کرد (البته به شرط استقبال شما عزیزان)

اگر در مورد این قمت ها نیاز به رهنمایی داشتید یا در جایی دچار مشکل شدید .حتما در قسمت نظرها آن را بیان کنید تا در صورت اطلاع به آنها پاسخ دهیم.

یاحق

 

قسمت سی یکم : استفاده از توابع ریاضی برای  عناصر یک بردار :

Applying_Math_Functions_to_Elements_of_a_Vector.mp4

قسمت سی دوم : ایجاد وکتور با عناصر تصادفی :

Creating_Vectors_with_Random_Elements.mp4

قسمت سی سوم :  محاسبه  میانه و انحراف استاندارد از داده ها را در یک بردار :

Calculating_Mean_Median_and_Standard_Deviation_of_Data_in_a_Vector.mp4

قسمت سی چهارم : کار با بردارها با استفاده از جعبه ابزار نمادین ریاضی :

Working_with_Vectors_using_the_Symbolic_Math_Toolbox.mp4

قسمت سی پنجم : وارد کردن  ماتریس و استخراج عناصر آن قسمت اول  :

Inputting_Matrices_and_Extracting_Elements_-_Part_1.mp4

قسمت سی ششم : وارد کردن  ماتریس و استخراج عناصر آن قسمت دوم  :

Inputting_Matrices_and_Extracting_Elements_-_Part_2.mp4

قسمت سی هفتم : اضافه کردن و تفریق ماتریس ها و ضرب عددی :

Adding_and_Subtracting_Matrices_and_Multiplying_by_a_Scalar.mp4

قسمت سی هشتم : ضرب ماتریسی :

Multiplying_Matrices.mp4

قسمت سی نهم : ضرب و تقسیم  عضو به عضو ماتریس ها :

Multiplying_and_Dividing_Matrices_Element-by-Element.mp4

قسمت چهلم :  پیدا کردن طول مجموع اندازه  ماتریس و تعداد عناصر موجود در یک ماتریس :

Finding_the_Length_Size_Sum_and_Number_of_Elements_in_a_Matrix.mp4

 

 
معرفی کتاب “کاملترین مرجع کاربردی Simulink” مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 17 Votes )
میانگین امتیار کاربران: / 17
ضعیفعالی 

کاملترین مرجع کاربردی Simulink

کتاب ارزشمند “کاملترین مرجع کاربردی Simulink” به قلم مهندس علی اکبر علمداری و مهندس رابعه کریمی مهابادی تالیف گردیده است.
کتاب توسط ناشر نگارنده دانش انتشار یافته و شامل هجده فصل در ۴۶۴ صفحه و شامل مباحث زیر می باشد.

فصل اول: آشنایی با سیمولینک
ایجاد مدل در سیمولینک
آشنایی با بلوک های اشباع و انتگرال گیر و منبع موج سینوسی
آشنایی با زیرسیستم و ایجاد ماسک
مثال های کاربردی

فصل دوم: کتابخانه عملیات ریاضی
بلوک های Sum, Add, Subtract, Sum of Elements
بلوک Bias
بلوک Weighted Sample Time
بلوک های Gain و Slider Gain
بلوک های Product ، Dot Product ، Divide و Product of Elements
بلوک های Sign، Abs
بلوک Math Function
بلوک Rounding Function
بلوک Polynominal
بلوک های MinMax و MinMax Resettable
بلوک Find Nonzero Elements
بلوک Trigonometric Function
بلوک Sine Wave Function
بلوک Algebraic Constraint
بلوک های مرتبط با تبدیلات اعداد مختلط
بلوک Assignment
بلوک Reshape
بلوک Matrix Concatenate و Vector Concatenate

فصل سوم: کتابخانه Sinks

 

 

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

خوشه بندی[1] چیست؟

خوشه بندی یکی از شاخه های یادگیری بدون نظارت می باشد و فرآیند خودکاری است که در طی آن، نمونه ها به دسته هایی که اعضای آن مشابه یکدیگر می با­شند تقسیم می شوند که به این دسته ها خوشه[2] گفته می­شود. بنابراین خوشه مجموعه ای از اشیاء می باشد که در آن اشیاء با یکدیگر مشابه بوده و با اشیاء موجود در خوشه های دیگر غیر مشابه می باشند. برای مشابه بودن می توان معیارهای مختلفی را در نظر گرفت مثلا می توان معیار فاصله را برای خوشه بندی مورد استفاده قرار داد و اشیائی را که به یکدیگر نزدیکتر هستند را بعنوان یک خوشه در نظر گرفت که به این نوع خوشه بندی، خوشه بندی مبتنی بر فاصله[3] نیز گفته می شود.

خوشه بندی با طبقه بندی[4] متفاوت است. در طبقه بندی نمونه های ورودی برچسب گذاری شده اند ولی در خوشه بندی نمونه های ورودی دارای بر چسب اولیه نمی باشند و در واقع با استفاده از روشهای خوشه بندی است که داده های مشابه مشخص و بطور ضمنی برچسب گذاری می شوند. در واقع می توان قبل از عملیات طبقه بندی داده ها یک خوشه بندی روی نمونه ها انجام داد و سپس مراکز خوشه های حاصل را محاسبه کرد و یک بر چسب به مراکز خوشه ها نسبت داد و سپس عملیات طبقه بندی را برای نمونه های ورودی جدید انجام داد.

هدف از خوشه بندی چیست؟

هدف خوشه بندی یافتن خوشه های مشابه از اشیاء در بین نمونه های ورودی می باشد اما چگونه می توان گفت که یک خوشه بندی مناسب است و دیگری مناسب نیست؟ می توان نشان داد که هیچ معیار مطلقی برای بهترین خوشه بندی وجود ندارد بلکه این بستگی به مساله و نظر کاربر دارد که باید تصمیم بگیرد که آیا نمونه ها بدرستی خوشه بندی شده اند یا خیر. با این حال معیار های مختلفی برای خوب بودن یک خوشه بندی ارائه شده است که می تواند کاربر را برای رسیدن به یک خوشه بندی مناسب راهنمایی کند که در بخشهای بعدی چند نمونه از این معیارها آورده شده است. یکی از مسایل مهم در خوشه بندی انتخاب تعداد خوشه ها می باشد. در بعضی از الگوریتم ها تعداد خوشه ها از قبل مشخص شده است و در بعضی دیگر خود الگوریتم تصمیم می گیرد که داده ها به چند خوشه تقسیم شوند.

 

خوشه بندی فازی چیست؟

برای درک بهترخوشه بندی فازی و الگوریتمهای مختلف آن لازم است تا ابتدا با مفهوم مجموعه های فازی و تفاوت آنها با مجموعه های کلاسیک آشنا شویم. در مجموعه های کلاسیک یک عضو از مجموعه مرجع یا عضوی از مجموعه A است یا عضو مجموعه A نیست. مثلا مجموعه مرجع اعداد حقیقی را در نظر بگیرید. عدد 2.5 عضو مجموعه اعداد صحیح نمی باشد حال آنکه عدد 2 عضو این مجموعه است. به زبان دیگر تعلق عدد 2.5 به مجموعه اعداد صحیح 0 است و تعلق عدد 2 به این مجموعه 1 است. در واقع می توان برای هر مجموعه یک تابع تعلق تعریف کرد که مقدار این تابع تعلق برای اعضای مجموعه  1 می باشد و برای بقیه 0. در مجموعه های کلاسیک مقدار این تابع تعلق یا 0 است یا 1. حال مجموعه انسان های جوان و پیر را در نظر بگیرید. سوالی که در اینجا مطرح می شود این است که آیا فردی با سن 25 جزء این مجموعه است یا خیر؟ سن 30 چطور؟ 35؟ همانطور که حدس زدید نمی توان بطور قطع و یقین مرزی برای انسان های جوان و پیر در نظر گرفت. دلیل آن هم این است که اگر فرضا 35 جوان محسوب شود 36 نیز می تواند جوان باشد و همینطور 37 و 38 و غیره . در واقع در اینجا با مفهوم عدم قطعیت[5] مواجه هستیم. ما خودمان نیز از عدم قطعیت در زندگی روزمره بارها استفاده کرده ایم مثلا هوای سرد، آب داغ و غیره. در واقع تمامی مثالهای بالا مثالهایی از مجموعه های فازی می باشند. تفاوت اصلی مجموعه های فازی و مجموعه های کلاسیک در این است که تابع تعلق مجموعه های فازی دو مقداری نیست (0 یا 1) بلکه می تواند هر مقداری بین 0 تا 1 را اختیار کند. حال مجموعه انسانهای جوان و پیر را در نظر بگیرید اگر 25 سال را سن جوانی در نظر بگیریم می توانیم به 25 تعلق 1 بدهیم و مثلا به 30 تعلق 0.8 و به 35 تعلق 0.75 و به 90 تعلق 0.1 را بدهیم. اگر اعضای یک مجموعه فازی تنها دارای تابع تعلق 0 و 1 باشند این مجموعه فازی یک مجموعه کلاسیک خواهد بود. نکته جالب توجه این است که مثلا سن 50 می تواند با تعلق 0.5 عضو مجموعه جوان باشد و با تعلق 0.5 عضو مجموعه پیر یعنی یک عضو مجموعه مرجع می تواند با درجه های تعلق مختلف عضو مجموعه های فازی تعریف شده روی مجموعه مرجع باشد.

 


[1] Clustering

[2] Cluster

[3] Distance-based Clustering

[4] Classification

[5] Uncertainty

 
محاسبه مقادیر ویژه مشاهده در قالب PDF چاپ فرستادن به ایمیل
( 0 Votes )

فرض کنید A یک ماتریس مربعی باشد، برای محاسبه مقادیر ویژه (eigenvalue) و بردارهای ویژه (eigenvector) ماتریس A ، می توانید از دستور eig(A) استفاده کنید. برای این منظور، می توانید این دستور را به صورت[U,R]=eig(A) بنویسید. عناصر قطری از ماتریس قطری R ، برابر مقادیر ویژه (eigenvalue) خواهند بود. همچنین ستون های ماتریس U ، برابر بردارهای ویژه (eigenvector) خواهند بود. به مثال زیر توجه کنید :

مثال :

A=[1 2 3;4 5 6;7 8 9]
[U,R]=eig(A)

نتیجه :

A =

1     2     3
4     5     6
7     8     9

U =

-0.2320   -0.7858    0.4082
-0.5253   -0.0868   -0.8165
-0.8187    0.6123    0.4082

R =

16.1168         0         0
0   -1.1168         0
0         0   -0.0000

 

ادامه مطلب...
 
مطالب بیشتر...
<< شروع < قبلی 1 2 بعدی > انتها >>

صفحه 1 از 2

آمار کلی

بازدیدکنندگان : 3780990

از سایت راضی هستید؟

نظرسنجی

کیفیت خدمات سایت را چگونه می دانید؟
 

RSS Feed

     

Who's Online

ما 134 مهمان و 1 عضو آنلاین داریم