یکی از روش‌های مفید، اجرای قدم‌به‌قدم شبیه‌سازی با ابزار Simulation Stepper است.

با این ابزار می‌توانید شبیه‌سازی را مرحله‌به‌مرحله جلو ببرید و بعد از هر Step، وضعیت مدل و مقدار سیگنال‌ها را بررسی کنید.

چگونه از Simulation Stepper استفاده کنیم؟

مدل Simulink را باز کنید و از بخش مربوط به Debugging یا Simulation، گزینه Simulation Stepper را فعال کنید.

سپس می‌توانید شبیه‌سازی را به‌جای اجرای کامل، یک مرحله جلو ببرید.

این کار مخصوصاً زمانی مفید است که بخواهید بفهمید:

• در چه لحظه‌ای مقدار یک سیگنال غیرعادی می‌شود؛
• خروجی کدام بلوک باعث ایجاد خطا شده است؛
• یک شرط یا State دقیقاً چه زمانی تغییر می‌کند؛
• مشکل از کدام قسمت مدل شروع می‌شود.

یک مثال ساده

فرض کنید خروجی مدل بعد از چند ثانیه ناگهان مقدار بسیار بزرگی می‌گیرد.

به‌جای اجرای چندباره کل مدل، می‌توانید با Simulation Stepper شبیه‌سازی را مرحله‌به‌مرحله جلو ببرید و مقدار سیگنال‌های مهم را در هر مرحله بررسی کنید.

به این ترتیب راحت‌تر می‌توانید لحظه‌ای را پیدا کنید که رفتار مدل از حالت عادی خارج می‌شود.

نکته

Simulation Stepper بیشتر برای Debug کردن رفتار زمانی مدل کاربرد دارد. اگر فقط می‌خواهید شکل یک سیگنال را در طول زمان ببینید، ابزارهایی مانند Scope یا Simulink Data Inspector مناسب‌تر هستند.

اما وقتی سؤال شما این است که:

«دقیقاً در کدام مرحله مدل خراب می‌شود؟»

اجرای قدم‌به‌قدم Simulink می‌تواند یکی از مفیدترین ابزارهای عیب‌یابی باشد.

نوشته اجرای قدم‌به‌قدم مدل Simulink برای پیدا کردن خطا اولین بار در ايران متلب. پدیدار شد.

Simulink می‌تواند مقدار برخی سیگنال‌ها را مستقیماً روی مدل نمایش دهد.

یکی از روش‌ها این است که هنگام اجرای شبیه‌سازی، نمایش Port Values یا مقادیر پورت‌ها را فعال کنید. در این حالت مقدار سیگنال نزدیک بلوک یا پورت مربوطه نمایش داده می‌شود و می‌توانید بدون باز کردن Scope مقدار لحظه‌ای سیگنال را ببینید.

این قابلیت مخصوصاً هنگام Debug کردن مدل بسیار مفید است.

مثلاً اگر مدل ساده‌ای شامل یک ورودی، بلوک Gain و چند عمل ریاضی داشته باشید، به‌جای اضافه کردن چند Scope می‌توانید مقادیر سیگنال‌های میانی را مستقیماً روی دیاگرام بررسی کنید.

چه زمانی این روش مفید است؟

این قابلیت برای موارد زیر بسیار مناسب است:

• بررسی سریع مقدار سیگنال‌های میانی
• پیدا کردن محل ایجاد مقدار اشتباه
• Debug کردن یک مدل بزرگ
• جلوگیری از اضافه شدن تعداد زیادی Scope به مدل

البته برای بررسی تغییرات یک سیگنال در طول زمان، رسم نمودار یا مقایسه چند سیگنال، همچنان ابزارهایی مانند Scope یا Simulink Data Inspector مناسب‌تر هستند.

اما اگر فقط می‌خواهید بدانید در همین لحظه مقدار یک سیگنال چقدر است، نمایش مستقیم مقدار سیگنال روی مدل می‌تواند بسیار سریع‌تر و مرتب‌تر باشد.

نوشته بدون Scope مقدار سیگنال‌های Simulink را ببینید اولین بار در ايران متلب. پدیدار شد.

برای این کار از دستور زیر استفاده کنید:

whos -file data.mat

اگر فایل data.mat شامل چند متغیر باشد، MATLAB اطلاعاتی شبیه این نمایش می‌دهد:

  Name          Size               Bytes  Class

  A          1000x1000           8000000  double
  time          1x5000             40000  double
  image      1080x1920x3         6220800  uint8

به این ترتیب می‌توانید قبل از باز کردن فایل، نام متغیرها، اندازه آن‌ها، نوع داده و مقدار حافظه مورد نیازشان را ببینید.

این روش مخصوصاً زمانی مفید است که فایل MAT بزرگ باشد و نخواهید همه اطلاعات آن را بی‌دلیل وارد حافظه RAM کنید.

اگر فقط می‌خواهید اطلاعات یک متغیر خاص را بررسی کنید، می‌توانید نام آن را هم مشخص کنید:

whos -file data.mat image

در این حالت MATLAB فقط اطلاعات متغیر image را نمایش می‌دهد.

نکته

دستور زیر:

load data.mat

متغیرهای فایل را وارد Workspace می‌کند، اما:

whos -file data.mat

فقط محتویات فایل را بررسی می‌کند و چیزی را وارد Workspace نمی‌کند.

بنابراین قبل از باز کردن فایل‌های MAT ناشناس یا حجیم، استفاده از whos -file می‌تواند یک روش سریع و کاربردی برای فهمیدن محتویات آن‌ها باشد.

نوشته چگونه بدون باز کردن فایل MAT بفهمیم داخل آن چه متغیرهایی وجود دارد؟ اولین بار در ايران متلب. پدیدار شد.

مثلاً برای ساخت چهار نمودار در قالب 2×2 ابتدا بنویسید:

tiledlayout(2,2)

سپس قبل از رسم هر نمودار از nexttile استفاده کنید:

x = 0:0.1:10;

tiledlayout(2,2)

nexttile
plot(x,sin(x))

nexttile
plot(x,cos(x))

nexttile
plot(x,sin(2*x))

nexttile
plot(x,cos(2*x))

MATLAB به‌صورت خودکار هر نمودار را در قسمت بعدی پنجره قرار می‌دهد.

چرا tiledlayout بهتر از subplot است؟

یکی از مزیت‌های tiledlayout کنترل بهتر فاصله بین نمودارها و حاشیه‌های شکل است.

برای مثال:

tiledlayout(2,2,'TileSpacing','compact')

باعث می‌شود فاصله بین نمودارها کمتر شود.

همچنین می‌توانید حاشیه‌های اطراف مجموعه نمودارها را کاهش دهید:

tiledlayout(2,2,...
    'TileSpacing','compact',...
    'Padding','compact')

این حالت مخصوصاً برای آماده کردن شکل‌های مقاله، گزارش یا پایان‌نامه بسیار کاربردی است.

عنوان مشترک برای همه نمودارها

یکی دیگر از قابلیت‌های جالب tiledlayout امکان تعریف عنوان مشترک است:

t = tiledlayout(2,2);

nexttile
plot(x,sin(x))

nexttile
plot(x,cos(x))

title(t,'نتایج شبیه‌سازی')

بنابراین اگر هنوز برای مرتب کردن چند نمودار از subplot استفاده می‌کنید، بهتر است tiledlayout و nexttile را نیز امتحان کنید. این روش معمولاً کنترل بیشتر و خروجی مرتب‌تری در اختیار شما قرار می‌دهد.

نوشته چگونه چند نمودار را بدون subplot در یک پنجره مرتب کنیم؟ اولین بار در ايران متلب. پدیدار شد.

لازم نیست محل Legend را همیشه دستی انتخاب کنید. MATLAB می‌تواند خودش مناسب‌ترین محل را پیدا کند.

کافی است از گزینه best استفاده کنید:

x = 0:0.1:10;

plot(x,sin(x))
hold on
plot(x,cos(x))

legend('sin(x)','cos(x)','Location','best')

در این حالت MATLAB محل‌های مختلف را بررسی می‌کند و Legend را در جایی قرار می‌دهد که تا حد امکان مزاحمت کمتری برای داده‌های نمودار ایجاد کند.

تفاوت با حالت معمول

اگر فقط بنویسید:

legend('sin(x)','cos(x)')

Legend در محل پیش‌فرض قرار می‌گیرد.

اما با:

legend('sin(x)','cos(x)','Location','best')

MATLAB تلاش می‌کند محل مناسب‌تری را انتخاب کند.

اگر بخواهیم محل را خودمان مشخص کنیم

می‌توانید از گزینه‌هایی مانند این‌ها استفاده کنید:

legend('Location','northwest')
legend('Location','northeast')
legend('Location','southwest')
legend('Location','southeast')

اما اگر محل خاصی مدنظر ندارید، معمولاً گزینه زیر انتخاب ساده و مناسبی است:

legend('Location','best')

این ترفند کوچک مخصوصاً در نمودارهایی که چند منحنی دارند می‌تواند باعث شود بدون جابه‌جایی دستی Legend، شکل مرتب‌تر و خواناتری داشته باشید.

نوشته MATLAB می‌تواند خودش بهترین محل Legend را انتخاب کند اولین بار در ايران متلب. پدیدار شد.

ساده‌ترین راه استفاده از دستور class است:

class(A)

برای مثال:

A = 10;
class(A)

خروجی:

double

یعنی متغیر A از نوع عددی double است.

اگر متغیر متنی باشد:

name = "MATLAB";
class(name)

خروجی:

string

و اگر از متن قدیمی‌تر با کوتیشن تکی استفاده کنید:

name = 'MATLAB';
class(name)

خروجی:

char

چگونه بفهمیم متغیر عددی است؟

برای بررسی عددی بودن یک متغیر می‌توانید از isnumeric استفاده کنید:

isnumeric(A)

اگر متغیر عددی باشد، مقدار 1 یا true برگردانده می‌شود.

ماتریس چطور؟

در MATLAB تقریباً هر آرایه عددی، حتی یک عدد تکی، از نظر ساختار یک Array محسوب می‌شود. برای دیدن ابعاد متغیر از size استفاده کنید:

size(A)

مثلاً:

A = rand(3,5);

class(A)
size(A)

نشان می‌دهد که A یک آرایه عددی از نوع double با ابعاد 3×5 است.

چند دستور مفید دیگر

برای بررسی نوع متغیرها می‌توانید از این دستورات هم استفاده کنید:

ischar(A)
isstring(A)
iscell(A)
islogical(A)
isstruct(A)

پس اگر با یک متغیر ناشناخته روبه‌رو شدید، معمولاً اولین دستور مناسب این است:

class(A)

و اگر لازم بود، با size و توابعی مثل isnumeric اطلاعات دقیق‌تری درباره آن به دست آورید.

نوشته چگونه بفهمیم یک متغیر MATLAB عدد است، متن است یا ماتریس؟ اولین بار در ايران متلب. پدیدار شد.

clc
clear all
close all

اما استفاده همیشگی از clear all معمولاً ضروری نیست و حتی می‌تواند اجرای برنامه را کندتر کند.

clear all چه کاری انجام می‌دهد؟

دستور:

clear all

فقط متغیرهای Workspace را پاک نمی‌کند؛ بلکه اطلاعات بیشتری از حافظه MATLAB، از جمله توابع بارگذاری‌شده را نیز پاک می‌کند.

به همین دلیل MATLAB ممکن است در اجرای بعدی بعضی توابع مجبور شود آن‌ها را دوباره بارگذاری کند.

معمولاً clear کافی است

اگر فقط می‌خواهید متغیرهای Workspace پاک شوند، اغلب همین دستور کافی است:

clear

حتی بهتر است اگر فقط چند متغیر خاص مزاحم هستند، همان‌ها را پاک کنید:

clear x y result

به این ترتیب سایر داده‌های موجود در Workspace بدون دلیل حذف نمی‌شوند.

یک نکته مهم

در بسیاری از برنامه‌ها حتی استفاده از clear در ابتدای Script هم ضروری نیست. اگر کد شما درست نوشته شده باشد، بهتر است به متغیرهای قدیمی Workspace وابسته نباشد.

برای پروژه‌های بزرگ‌تر نیز استفاده از Function به جای Script کمک می‌کند هر تابع Workspace مخصوص خودش را داشته باشد و نیاز به پاک کردن دائمی متغیرها کمتر شود.

پس چه زمانی clear all استفاده کنیم؟

clear all بیشتر زمانی مفید است که واقعاً بخواهید تقریباً تمام وضعیت بارگذاری‌شده MATLAB را پاک کنید، مثلاً هنگام Debug کردن یک مشکل خاص.

اما برای استفاده روزمره معمولاً:

clear

یا حتی:

clear variableName

انتخاب مناسب‌تری است.

پس لازم نیست ابتدای هر فایل MATLAB به‌صورت عادت از clear all استفاده کنید؛ در بیشتر مواقع پاک کردن همان متغیرهایی که واقعاً به آن‌ها نیاز ندارید کافی است.

نوشته چرا نباید همیشه از clear all استفاده کنیم؟ اولین بار در ايران متلب. پدیدار شد.

برای غیرفعال کردن چند خط به‌صورت یکجا می‌توانید از Block Comment استفاده کنید:

%{
a = 10;
b = 20;
c = a + b;
disp(c)
%}

تمام کدهایی که بین %{ و %} قرار بگیرند، توسط MATLAB نادیده گرفته می‌شوند و اجرا نخواهند شد.

برای یک خط چه کنیم؟

برای غیرفعال کردن فقط یک خط، کافی است ابتدای آن علامت % قرار دهید:

% x = rand(1000);

یک روش سریع‌تر در Editor

اگر چند خط را در MATLAB Editor انتخاب کنید، می‌توانید با گزینه Comment همه آن‌ها را یکجا Comment کنید.

میانبر رایج آن نیز:

Ctrl + R

و برای خارج کردن خطوط از حالت Comment:

Ctrl + T

Block Comment چه زمانی مفید است؟

مثلاً هنگام تست برنامه می‌خواهید یک قسمت را موقتاً کنار بگذارید:

load data.mat

%{
data = filter(b,a,data);
data = normalize(data);
%}

plot(data)

در این حالت دو خط میانی اجرا نمی‌شوند، اما همچنان داخل فایل باقی می‌مانند.

بنابراین اگر می‌خواهید بخشی از برنامه MATLAB را موقتاً غیرفعال کنید، بدون اینکه آن را حذف کنید، استفاده از %{ و %} روش ساده و تمیزی است.

نوشته چگونه چند خط کد MATLAB را بدون حذف کردن موقتاً غیرفعال کنیم؟ اولین بار در ايران متلب. پدیدار شد.

در MATLAB می‌توانید کد را به چند Section تقسیم کنید. برای ساختن یک Section کافی است در ابتدای آن از دو علامت درصد استفاده کنید:

%% Load Data
A = rand(100);

%% Process Data
B = A.^2;

%% Plot Results
plot(B(:,1))

هر قسمت که با %% شروع می‌شود یک Section جداگانه محسوب می‌شود.

اجرای فقط یک Section

نشانگر موس را داخل Section موردنظر قرار دهید و از گزینه Run Section استفاده کنید.

همچنین در بسیاری از نسخه‌های MATLAB می‌توانید از میانبر زیر استفاده کنید:

Ctrl + Enter

در این حالت فقط همان Section اجرا می‌شود و قسمت‌های دیگر برنامه اجرا نخواهند شد.

چرا Sectionها کاربردی هستند؟

فرض کنید ابتدای برنامه یک فایل بزرگ را بارگذاری می‌کنید:

%% Load Data
load bigData.mat

و در بخش بعدی روی داده‌ها محاسبه انجام می‌دهید:

%% Analysis
result = mean(data);

اگر فقط بخواهید بخش تحلیل را تغییر دهید، لازم نیست هر بار فایل بزرگ دوباره Load شود. کافی است Section دوم را اجرا کنید.

نکته

Sectionها علاوه بر اجرای جداگانه کد، باعث مرتب‌تر شدن Scriptهای طولانی نیز می‌شوند.

پس اگر برنامه MATLAB شما چند مرحله دارد، آن را با %% به بخش‌های کوچک‌تر تقسیم کنید تا بتوانید هر قسمت را جداگانه اجرا و تست کنید.

نوشته چگونه یک قسمت از کد MATLAB را بدون اجرای کل برنامه اجرا کنیم؟ اولین بار در ايران متلب. پدیدار شد.

مثلاً:

rand(1,5)

اگر این دستور را چند بار اجرا کنید، هر بار خروجی جدیدی خواهید دید.

این رفتار طبیعی است، چون MATLAB برای تولید اعداد شبه‌تصادفی از یک وضعیت داخلی یا Random Number Generator State استفاده می‌کند که در طول کار تغییر می‌کند.

چگونه اعداد تصادفی را ثابت کنیم؟

اگر می‌خواهید هر بار اجرای برنامه دقیقاً همان اعداد تولید شوند، قبل از تولید اعداد تصادفی از دستور rng استفاده کنید:

rng(1)

x = rand(1,5)

حالا اگر برنامه را دوباره اجرا کنید، همان مقادیر قبلی تولید می‌شوند.

عدد داخل rng را Seed می‌نامند. مثلاً:

rng(10)

یک دنباله مشخص تولید می‌کند و:

rng(100)

دنباله دیگری می‌سازد.

اما تا زمانی که Seed ثابت باشد، خروجی نیز قابل تکرار خواهد بود.

چه زمانی این کار مفید است؟

ثابت کردن اعداد تصادفی زمانی بسیار مفید است که بخواهید:

• یک الگوریتم را چند بار با شرایط کاملاً یکسان آزمایش کنید.
• نتایج یک مقاله یا پروژه قابل تکرار باشند.
• دو روش مختلف را روی داده‌های تصادفی یکسان مقایسه کنید.
• هنگام Debug کردن برنامه، ورودی تصادفی هر بار تغییر نکند.

مثلاً:

rng(5)

A = rand(3,3);

هر بار که این کد را از ابتدا اجرا کنید، ماتریس A یکسان خواهد بود.

بازگشت به حالت تصادفی معمول

اگر بخواهید MATLAB دوباره بر اساس زمان فعلی Seed متفاوتی انتخاب کند، می‌توانید بنویسید:

rng('shuffle')

در این حالت معمولاً با هر اجرای برنامه دنباله متفاوتی از اعداد تصادفی تولید می‌شود.

پس اگر هنگام تست یا مقایسه الگوریتم‌ها به نتایج قابل تکرار نیاز دارید، کافی است در ابتدای برنامه یک Seed مشخص تعیین کنید:

rng(1)

نوشته چرا اعداد تصادفی MATLAB هر بار تغییر می‌کنند و چگونه ثابتشان کنیم؟ اولین بار در ايران متلب. پدیدار شد.

یک روش سریع استفاده از دستور which است.

مثلاً برای تابع fft بنویسید:

which fft

MATLAB مسیر فایلی را که این تابع از آن اجرا می‌شود نمایش می‌دهد. از روی این مسیر معمولاً می‌توان متوجه شد تابع مربوط به کدام بخش یا Toolbox است. دستور which در واقع محل تابع یا فایل را در MATLAB Path پیدا می‌کند.

برای مثال اگر بخواهید تمام نسخه‌های موجود از یک تابع را ببینید، از -all استفاده کنید:

which fft -all

این حالت زمانی مفید است که چند تابع با نام یکسان روی سیستم وجود داشته باشد.

روش دقیق‌تر برای پیدا کردن Toolbox

اگر می‌خواهید بدانید یک تابع یا فایل MATLAB به چه محصولات و Toolboxهایی وابسته است، می‌توانید از دستور زیر استفاده کنید:

[fList,pList] = matlab.codetools.requiredFilesAndProducts('edge.m');

سپس نام محصولات موردنیاز را نمایش دهید:

{pList.Name}'

برای مثال، تابع edge می‌تواند خروجی‌ای شامل موارد زیر داشته باشد:

MATLAB
Image Processing Toolbox

تابع matlab.codetools.requiredFilesAndProducts دقیقاً برای شناسایی فایل‌ها و محصولات MathWorks موردنیاز یک برنامه طراحی شده است.

نکته

برای یک بررسی سریع معمولاً همین دستور کافی است:

which functionName -all

اما اگر قصد دارید بفهمید یک برنامه کامل MATLAB به چه Toolboxهایی نیاز دارد، requiredFilesAndProducts انتخاب مناسب‌تری است.

نوشته چگونه بفهمیم یک دستور MATLAB متعلق به کدام Toolbox است؟ اولین بار در ايران متلب. پدیدار شد.

ساده‌ترین روش استفاده از دستور beep است:

beep

مثلاً اگر یک محاسبه طولانی دارید:

% محاسبات طولانی
pause(10)

beep

بعد از پایان اجرای کد، MATLAB یک صدای کوتاه پخش می‌کند.

می‌توانید در کنار آن یک پیام هم نمایش دهید:

% محاسبات طولانی

disp('محاسبات تمام شد!')
beep

این روش برای اجرای شبیه‌سازی‌ها، آموزش شبکه‌های عصبی، پردازش داده‌های حجیم یا هر برنامه‌ای که زمان زیادی نیاز دارد بسیار کاربردی است.

اگر صدای MATLAB غیرفعال باشد

می‌توانید وضعیت صدای هشدار را با دستور زیر بررسی کنید:

beep

و در صورت نیاز آن را فعال کنید:

beep on

برای غیرفعال کردن صدای هشدار نیز می‌توانید بنویسید:

beep off

نکته

بهتر است دستور beep را در آخر برنامه قرار دهید:

result = myLongCalculation();

beep
disp('Done!')

به این ترتیب، هر زمان MATLAB کار خود را تمام کرد، بدون اینکه مرتب صفحه را بررسی کنید متوجه خواهید شد.

نوشته چگونه MATLAB بعد از پایان محاسبات به ما خبر بدهد؟ اولین بار در ايران متلب. پدیدار شد.

برای این کار می‌توانید از دستور diary استفاده کنید.

ابتدا بنویسید:

diary matlab_output.txt

از این لحظه به بعد، دستورات و خروجی‌هایی که در Command Window نمایش داده می‌شوند داخل فایل matlab_output.txt ذخیره خواهند شد.

مثلاً:

a = 10;
b = 20;
a + b

خروجی نمایش‌داده‌شده نیز در فایل ثبت می‌شود.

برای پایان ذخیره‌سازی کافی است بنویسید:

diary off

اگر دوباره بخواهید ثبت خروجی را فعال کنید:

diary on

فایل کجا ذخیره می‌شود؟

اگر فقط نام فایل را وارد کنید، MATLAB آن را در Current Folder ذخیره می‌کند.

همچنین می‌توانید مسیر کامل فایل را مشخص کنید:

diary('C:\Results\matlab_output.txt')

نکته

دستور diary برای ذخیره متن‌های نمایش‌داده‌شده در Command Window مناسب است، اما برای ذخیره خود متغیرها باید از دستورهایی مانند save استفاده کنید.

پس اگر می‌خواهید یک نسخه متنی از فعالیت‌ها و خروجی‌های Command Window داشته باشید، diary یکی از ساده‌ترین روش‌ها در MATLAB است.

نوشته چگونه خروجی Command Window متلب را داخل یک فایل ذخیره کنیم؟ اولین بار در ايران متلب. پدیدار شد.

چگونه بفهمیم کدام متغیر در MATLAB بیشترین حافظه RAM را مصرف می‌کند؟

whos

گاهی هنگام کار با MATLAB ناگهان با کند شدن سیستم یا پر شدن حافظه RAM مواجه می‌شویم. در چنین شرایطی یکی از اولین کارهایی که می‌توان انجام داد، بررسی حجم متغیرهای موجود در Workspace است.

برای این کار کافی است دستور زیر را در Command Window وارد کنید:

whos

دستور whos اطلاعاتی مانند نام متغیر، ابعاد، نوع داده و میزان حافظه اشغال‌شده توسط هر متغیر را نمایش می‌دهد.

برای مثال ممکن است خروجی مشابه زیر ببینید:

  Name          Size                 Bytes  Class

  A          1000x1000             8000000  double
  B           100x100                80000  double
  image      4000x6000x3          72000000  uint8

ستون مهم برای ما Bytes است. هرچه مقدار این ستون بیشتر باشد، آن متغیر فضای بیشتری از حافظه RAM را اشغال کرده است.

در مثال بالا، متغیر image بیشترین حافظه را مصرف می‌کند.

اگر دیگر به یک متغیر بزرگ نیاز ندارید، می‌توانید آن را با دستور زیر از حافظه حذف کنید:

clear image

همچنین برای مشاهده اطلاعات یک متغیر خاص می‌توانید بنویسید:

whos image

نکته

اگر با ماتریس‌های بزرگ، تصاویر با رزولوشن بالا یا داده‌های حجیم کار می‌کنید، استفاده از whos یکی از سریع‌ترین روش‌ها برای پیدا کردن متغیرهایی است که حافظه زیادی مصرف می‌کنند.

پس هر وقت احساس کردید MATLAB بیش از حد RAM مصرف می‌کند، قبل از هر کار دیگری یک بار این دستور ساده را امتحان کنید:

whos

نوشته کدام متغیر MATLAB حافظه شما را پر کرده است؟ اولین بار در ايران متلب. پدیدار شد.

در طول آموزش، نحوه تبدیل توضیحات متنی به ایده‌های قابل‌پیاده‌سازی، ساخت و تکمیل مدل‌ها، دریافت پیشنهاد برای انتخاب بلوک‌ها، بررسی ساختار سیستم و رفع خطاهای رایج را به‌صورت کاربردی تمرین خواهید کرد. مثال‌های دوره به شکلی طراحی شده‌اند که بتوانید آموخته‌های خود را در پروژه‌های مهندسی، دانشگاهی و صنعتی به کار بگیرید.

در این دوره چه می‌آموزید؟

آشنایی با مفهوم و کاربردهای Simulink Copilot
استفاده از دستورات متنی برای توسعه مدل‌های Simulink
انتخاب و تنظیم بلوک‌های مناسب با کمک هوش مصنوعی
تحلیل، اصلاح و تکمیل مدل‌های موجود
شناسایی خطاها و بهبود ساختار مدل
استفاده مؤثر از Copilot در پروژه‌های کنترلی و شبیه‌سازی
نکات مهم برای نوشتن درخواست‌های دقیق و دریافت نتایج بهتر
این آموزش برای چه کسانی مناسب است؟

این دوره برای دانشجویان، پژوهشگران و مهندسان رشته‌های برق، کنترل، مکانیک، مکاترونیک، خودرو و سایر حوزه‌هایی مناسب است که با MATLAB و Simulink کار می‌کنند و می‌خواهند از هوش مصنوعی برای افزایش سرعت و کیفیت مدل‌سازی خود بهره ببرند.

با یادگیری Simulink Copilot، به‌جای صرف زمان زیاد برای جست‌وجوی بلوک‌ها و انجام مراحل تکراری، می‌توانید تمرکز خود را بر تحلیل سیستم، طراحی راه‌حل و توسعه پروژه قرار دهید.

لینک دانلود آموزش

نوشته آموزش Simulink Copilot؛ طراحی و توسعه هوشمند مدل‌های سیمولینک اولین بار در ايران متلب. پدیدار شد.

///////////////////
upperBound =  10;
lowerBound = 3;
numberOfExperiments = 5;
x=1:upperBound;
y1=zeros(1,upperBound);
y2=zeros(1,upperBound);
for i=lowerBound:upperBound
for j=1:i*numberOfExperiments
problem = Problem(i, i);
[cost , numberOfExpandedNodes] = SolveMaze(problem, false, BFSFringe);
y1(i) = y1(i) + numberOfExpandedNodes;
[cost , numberOfExpandedNodes] = SolveMazeBidirectional(problem, false, BFSFringe, BFSFringe);
y2(i) = y2(i) + numberOfExpandedNodes;
end
y1(i) = y1(i)/(i*numberOfExperiments);
y2(i) = y2(i)/(i*numberOfExperiments);
end
figure(‘name’,’Normal vs Bidirectional BFS’);
hold on
axis([lowerBound upperBound 0 max(max(y1),max(y2))]);
plot(x,y1,’r’);
plot(x,y2,’b’);
clear;

EvaluateDFS.m
upperBound = 10;
lowerBound = 3;
numberOfExperiments = 10;
x=1:upperBound;
y=zeros(1,upperBound);
for i=lowerBound:upperBound
for j=1:i*numberOfExperiments 
problem = Problem(i, i);
[cost , numberOfExpandedNodes] = SolveMaz(problem, false, DFSFringe, SLHeuristic);
y(i) = y(i) + numberOfExpandedNodes;
end

y(i) = y(i)/(i*numberOfExperiments;
end
figure(‘name’,’DFS Evaluation’)
hold on
axis([lowerBound upperBound 0 max(y)]);
plot(x,y,’r’);
clear;

EvaluateBestFirst.m
upperBound = 10;
lowerBound = 3;
numberOfExperiments = 10;
x=1:upperBound;
y=zeros(1,upperBound 
for i=lowerBound:upperBound
for j=1:i*numberOfExperiments
problem = Problem(i, i);
[cost , numberOfExpandedNodes] = SolveMaze(problem, false, BestFirstFringe, SLHeuristic);
y(i) = y(i) + numberOfExpandedNodes;
end
y(i) = y(i)/(i*numberOfExperiments);
end
figure(‘name’,’Best First Evaluation’);
hold on
axis([lowerBound upperBound 0 max(y)]);
plot(x,y,’g’);
clear;

EvaluateAStar.m
upperBound = 10;
lowerBound = 3;
numberOfExperiments = 10;
x=1:upperBound;
y=zeros(1,upperBound);
for i=lowerBound:upperBound
for j=1:i*numberOfExperiments
problem = Problem(i, i);
[cost , numberOfExpandedNodes] = SolveMaze(problem, false, AStarFringe, SLHeuristic);
y(i) = y(i) + numberOfExpandedNodes;
end
y(i) = y(i)/(i*numberOfExperiments);
end
figure(‘name’,’A* Evaluation’);
hold on
axis([lowerBound upperBound 0 max(y)]);
plot(x,y,’b’);
clear;

ExampleNormalVsBidirectional.m
function ExampleNormalVsBidirectional(numberOfRows, numberOfColumns)
problem = Problem(numberOfRows, numberOfColumns);
close all;
[cost , numberOfExpandedNodes] = SolveMaze(problem, true, BFSFringe);
disp(‘Solution cost with normal BFS:’);
disp(cost);
disp(‘Number of expanded nodes with normal BFS’);
disp(numberOfExpandedNodes);
[cost , numberOfExpandedNodes] = SolveMazeBidirectional(problem, true, BFSFringe,BFSFringe);
disp(‘Solution cost with bidirectional BFS:’);
disp(cost);
disp(‘Number of expanded nodes with bidirectional BFS:’);
disp(numberOfExpandedNodes);
end

ExampleDFS.m
function ExampleDFS(numberOfRows, numberOfColumns)
disp(‘Depth First Search’);
problem = Problem(numberOfRows, numberOfColumns);
close all;
[cost , numberOfExpandedNodes] = SolveMaze(problem, true, DFSFringe);
disp(‘Solution cost:’);
disp(cost);
disp(‘Number of expanded nodes:’);
disp(numberOfExpandedNodes);
end

ExampleBFS.m
function ExampleBFS(numberOfRows, numberOfColumns)
disp(‘Breadth First Search’);
problem = Problem(numberOfRows, numberOfColumns);
close all;
[cost , numberOfExpandedNodes] = SolveMaze(problem, true, BFSFringe);
disp(‘Solution cost:’);
disp(cost);
disp(‘Number of expanded nodes:’);
disp(numberOfExpandedNodes);
end

ExampleBestFirst.m
function ExampleBestFirst(numberOfRows, numberOfColumns)
disp(‘Best First Search, Straight Line Distance Heuristic’);
problem = Problem(numberOfRows, numberOfColumns);
close all;
[cost , numberOfExpandedNodes] = SolveMaze(problem, true, BestFirstFringe, SLHeuristic);
disp(‘Solution cost:’);
disp(cost);
disp(‘Number of expanded nodes:’);
disp(numberOfExpandedNodes);
end

ExampleAStar.m
function ExampleAStar(numberOfRows, numberOfColumns)
disp(‘A* Search, Straight Line Distance Heuristic’);
problem = Problem(numberOfRows, numberOfColumns);
close all;
[cost , numberOfExpandedNodes] = SolveMaze(problem, true, AStarFringe, SLHeuristic);
disp(‘Solution cost:’);
disp(cost);
disp(‘Number of expanded nodes:’);
disp(numberOfExpandedNodes);
end

for i=1:numberOfColumns
x=zeros(0);
y=zeros(0);
for j=1:numberOfRows
if(arrayVersion(j,i) == 1)
x = [x i];
y = [y j];
else
plot(x,y,’-ks’,’LineWidth’,3,…
‘MarkerEdgeColor’,’k’,…
‘MarkerFaceColor’,’g’,…
‘MarkerSize’,5)
x=zeros(0);
y=zeros(0);
end
end
plot(x,y,’-ks’,’LineWidth’,3,…
‘MarkerEdgeColor’,’k’,…
‘MarkerFaceColor’,’g’,…
‘MarkerSize’,5)
end
if isempty(solution) == false
[x, y] = ConvertToArray(solution);
plot(x,y,’:r’, ‘LineWidth’,2);
else
text(numberOfColumns/2,0,’FAILURE’);
end
text(problem.InitialState.Column, problem.InitialState.Row, ‘S’);
text(problem.GoalState.Column, problem.GoalState.Row, ‘G’);
hold off
end
function [x, y] = ConvertToArray(path)
x=zeros(0);
y=zeros(0);
for node = path
x = [x node.State.Column];
y = [y node.State.Row];
end
end

DrawMaze.m
function DrawMaze(problem, solution)
arrayVersion = problem.ArrayVersion;
[numberOfRows, numberOfColumns] = size(problem.States);
figure;
hold on;
axis ij
axis([0.5 numberOfColumns+0.5 0.5 numberOfRows+0.5]);
for i=1:numberOfRows
x=zeros(0);
y=zeros(0);
for j=1:numberOfColumns
if(arrayVersion(i,j) == 1)
x = [x j];
y = [y i];
else
plot(x,y,’-ks’,’LineWidth’,3,…
‘MarkerEdgeColor’,’k’,…
‘MarkerFaceColor’,’g’,…
‘MarkerSize’,5)
x=zeros(0);
y=zeros(0);
end
end
plot(x,y,’-ks’,’LineWidth’,3,…
‘MarkerEdgeColor’,’k’,…
‘MarkerFaceColor’,’g’,…
‘MarkerSize’,5)
end

SolveMazeBidirectional.m
function [cost , numberOfExpandedNodes] = SolveMazeBidirectional(problem, drawMaze, fringe1, fringe2, heuristic1, heuristic2)
if isa(fringe1,’HeuristicFringe’)
fringe1.Set(problem,heuristic1);
end
if isa(fringe2,’HeuristicFringe’)
if nargin == 5
fringe2.Set(problem,heuristic1);
else
fringe2.Set(problem,heuristic2);
end
end
[solution, cost] = BidirectionalSearch(problem, fringe1, fringe2);
numberOfExpandedNodes = fringe1.NumberOfExpandedNodes + fringe2.NumberOfExpandedNodes;
if drawMaze
DrawMaze (problem, solution);
end
end

SolveMaze.m
function [cost , numberOfExpandedNodes] = SolveMaze(problem, drawMaze, fringe, heuristic)
if isa(fringe,’HeuristicFringe’)
fringe.Set(problem,heuristic);
end
[solution, cost] = GraphSearch(problem,fringe);
numberOfExpandedNodes = fringe.NumberOfExpandedNodes;
if drawMaze
DrawMaze(problem, solution);
end
end

Problem.m
classdef Problem < handle
properties
InitialState
GoalState
States = State.empty;
ArrayVersion
end
methods
function problem = Problem(numberOfRows, numberOfColumns)
problem.States(1:numberOfRows, 1: numberOfColumns) = State;
for i = 1:numberOfRows
for j = 1:numberOfColumns
if rand < 0.4
blocked = true;
else
blocked = false;
end
problem.States(i,j) = State(i,j,blocked);
problem.ArrayVersion(i,j) = blocked;
end
end

index = round(rand*(i*j-1))+1;
problem.InitialState = problem.States(index);
problem.InitialState.Blocked = false;
problem.ArrayVersion(index) = 0;
index = round(rand*(i*j-1))+1;
problem.GoalState = problem.States(index);
problem.GoalState.Blocked = false;
problem.ArrayVersion(index) = 0;
end
function result = GoalTest(problem, state)
if state == problem.GoalState
result = true;
else
result = false;
end
end
function [actions, results] = SuccessorFunction(problem, state)
[numberOfRows, numberOfColumns] = size(problem.States);
row = state.Row;
column = state.Column;
actions = double.empty;
results = State.empty;
index = 0;
if(column>1 && problem.States(row,column-1).Blocked == false)
index = index + 1;
actions(index) = 4; % left (according to keyboard’s numeric keypad!)
results(index) = problem.States(row,column-1);
end
if(column<numberOfColumns && problem.States(row,column+1).Blocked == false)
index = index + 1;
actions(index) = 6; % right
results(index) = problem.States(row,column+1);
end
if(row>1 && problem.States(row-1,column).Blocked == false)
index = index + 1;
actions(index) = 8; % up
results(index) = problem.States(row-1,column);
end
if(row<numberOfRows && problem.States(row+1,column).Blocked == false)
index = index + 1;
actions(index) = 2; % down
results(index) = problem.States(row+1,column);
end
if(column>1 && row>1 && problem.States(row-1,column-1).Blocked == false)
index = index + 1;
actions(index) = 7; % upper left
results(index) = problem.States(row-1,column-1);
end

if(column<numberOfColumns && row>1 && problem.States(row-1,column+1).Blocked == false)
index = index + 1;
actions(index) = 9; % upperRight
results(index) = problem.States(row-1,column+1);
end
if(column>1 && row<numberOfRows && problem.States(row+1,column-1).Blocked == false)
index = index + 1;
actions(index) = 1; % bottomLeft
results(index) = problem.States(row+1,column-1);
end
if(column<numberOfColumns && row<numberOfRows && problem.States(row+1,column+1).Blocked == false)
index = index + 1;
actions(index) = 3; % bottomRight
results(index) = problem.States(row+1,column+1);
end
end
end
end

BidirectionalSearch.m
function [solution, cost] = BidirectionalSearch(problem, fringe1, fringe2)
closed = State.empty;
fringe1.Insert(MakeNode(problem.InitialState));
fringe2.Insert(MakeNode(problem.GoalState));
while(true)
if fringe1.IsEmpty || fringe2.IsEmpty
solution = Node.empty; % Failure
cost = 0;
break;
end
[intersectingNodeFromFring1, intersectingNodeFromFring2] = FindIntersection(fringe1,fringe2);
if isempty(intersectingNodeFromFring1) == false
[solution, cost] = Solution(intersectingNodeFromFring1, intersectingNodeFromFring2);
break;
end
node1 = fringe1.RemoveFront();
node2 = fringe2.RemoveFront();
if Contains(closed, node1.State) == false
closed = [node1.State closed];
fringe1.InsertAll(Expand(node1, problem));
end
if Contains(closed, node2.State) == false
closed = [node2.State closed];
fringe2.InsertAll(Expand(node2, problem));
end
end
end
function [intersectingNodeFromFring1, intersectingNodeFromFring2] = FindIntersection(fringe1,fringe2)
intersectingNodeFromFring1 = Node.empty;
intersectingNodeFromFring2 = Node.empty;
for node1 = fringe1.Nodes
for node2 = fringe2.Nodes
if node1 == node2
intersectingNodeFromFring1 = node1;
intersectingNodeFromFring2 = node2;

break;
end
end
end
end
function [solution, cost] = Solution(node1,node2)
solution = node1;
currentNode = node1;
rootReached = false;
while(rootReached == false)
currentNode = currentNode.ParentNode;
solution = [currentNode solution];
if isempty(currentNode) || isempty(currentNode.ParentNode)
rootReached = true;
end
end
currentNode = node2;
rootReached = false;
while(rootReached == false)
currentNode = currentNode.ParentNode;
solution = [solution currentNode];
if isempty(currentNode) || isempty(currentNode.ParentNode)
rootReached = true;
end
end
cost = node1.PathCost + node2.PathCost;
end
5.16. Problem.m
classdef Problem < handle
properties
InitialState
GoalState
States = State.empty;
ArrayVersion
end
methods
function problem = Problem(numberOfRows, numberOfColumns)
problem.States(1:numberOfRows, 1: numberOfColumns) = State;
for i = 1:numberOfRows
for j = 1:numberOfColumns
if rand < 0.4
blocked = true;
else
blocked = false;
end
problem.States(i,j) = State(i,j,blocked);
problem.ArrayVersion(i,j) = blocked;
end
end

index = round(rand*(i*j-1))+1;
problem.InitialState = problem.States(index);
problem.InitialState.Blocked = false;
problem.ArrayVersion(index) = 0;
index = round(rand*(i*j-1))+1;
problem.GoalState = problem.States(index);
problem.GoalState.Blocked = false;
problem.ArrayVersion(index) = 0;
end
function result = GoalTest(problem, state)
if state == problem.GoalState
result = true;
else
result = false;
end
end
function [actions, results] = SuccessorFunction(problem, state)
[numberOfRows, numberOfColumns] = size(problem.States);
row = state.Row;
column = state.Column;
actions = double.empty;
results = State.empty;
index = 0;
if(column>1 && problem.States(row,column-1).Blocked == false)
index = index + 1;
actions(index) = 4; % left (according to keyboard’s numeric keypad!)
results(index) = problem.States(row,column-1);
end
if(column<numberOfColumns && problem.States(row,column+1).Blocked == false)
index = index + 1;
actions(index) = 6; % right
results(index) = problem.States(row,column+1);
end
if(row>1 && problem.States(row-1,column).Blocked == false)
index = index + 1;
actions(index) = 8; % up
results(index) = problem.States(row-1,column);
end
if(row<numberOfRows && problem.States(row+1,column).Blocked == false)
index = index + 1;
actions(index) = 2; % down
results(index) = problem.States(row+1,column);
end
if(column>1 && row>1 && problem.States(row-1,column-1).Blocked == false)
index = index + 1;
actions(index) = 7; % upper left
results(index) = problem.States(row-1,column-1);
end

if(column<numberOfColumns && row>1 && problem.States(row-1,column+1).Blocked == false)
index = index + 1;
actions(index) = 9; % upperRight
results(index) = problem.States(row-1,column+1);
end
if(column>1 && row<numberOfRows && problem.States(row+1,column-1).Blocked == false)
index = index + 1;
actions(index) = 1; % bottomLeft
results(index) = problem.States(row+1,column-1);
end
if(column<numberOfColumns && row<numberOfRows && problem.States(row+1,column+1).Blocked == false)
index = index + 1;
actions(index) = 3; % bottomRight
results(index) = problem.States(row+1,column+1);
end
end
end
end

نوشته کد classical AI search algorithms اولین بار در ايران متلب. پدیدار شد.

• علوم ریاضیاتی: MATLAB یکی از محبوب‌ترین نرم‌افزارهای مورد استفاده در ریاضیات است و از آن به عنوان یک محیط محاسباتی و تحلیلی استفاده می‌شود. MATLAB برای حل مسائل مربوط به نظریه گراف، محاسبات عددی، آمار و احتمالات، رمزنگاری، روش‌های تفاضلی، روش‌های جبری و غیره استفاده می‌شود.
• علوم مهندسی: MATLAB یکی از مورد استفاده قرار گرفته در علوم مهندسی است و برای حل مسائل مختلف مربوط به مهندسی برق، مهندسی مکانیک، مهندسی شیمی، مهندسی عمران و غیره استفاده می‌شود. MATLAB برای تحلیل و طراحی سیستم‌های کنترل، شبیه‌سازی سیستم‌های انرژی، مدلسازی سیستم‌های تشخیص خطا و غیره مورد استفاده قرار می‌گیرد.
• علوم پزشکی: MATLAB یکی از برترین نرم‌افزارهای مورد استفاده در پزشکی است و برای تحلیل داده‌های پزشکی، تحلیل سیگنال‌های پزشکی، تحلیل تصویر پزشکی و غیره استفاده می‌شود. MATLAB به عنوان یک محیط محاسباتی و تحلیلی برای بسیاری از پژوهش‌های پزشکی مورد استفاده قرار می‌گیرد.
• علوم زمین‌شناسی: MATLAB برای تحلیل داده‌های زمین‌شناسی و مهندسی زمین، تحلیل داده‌های رادار و شبیه
• علوم اقتصادی: MATLAB برای تحلیل داده‌های مالی و اقتصادی، مدلسازی سیستم‌های مالی، طراحی و پیاده‌سازی سیستم‌های معاملاتی و غیره استفاده می‌شود.
• علوم فیزیکی: MATLAB برای مدلسازی و شبیه‌سازی سیستم‌های فیزیکی، حل مسائل مربوط به الکترودینامیک، نوری، مغناطیسی، اپتیک و غیره استفاده می‌شود.
• علوم روانشناسی: MATLAB برای تحلیل داده‌های روان‌شناختی، مدلسازی و شبیه‌سازی سیستم‌های روان‌شناختی و طراحی و پیاده‌سازی آزمایش‌های روان‌شناختی و غیره استفاده می‌شود.
• علوم بیولوژی: MATLAB برای تحلیل داده‌های بیولوژیکی، مدلسازی سیستم‌های بیولوژیکی، طراحی و پیاده‌سازی آزمایش‌های بیولوژیکی و غیره استفاده می‌شود.
• علوم کامپیوتر: MATLAB برای پردازش تصویر، شبیه‌سازی شبکه‌های عصبی، پردازش سیگنال‌های صوتی، پردازش متن و غیره استفاده می‌شود.

در کل، MATLAB یک ابزار بسیار قدرتمند است که در صنایع مختلف مورد استفاده قرار می‌گیرد. این نرم‌افزار به عنوان یک محیط محاسباتی و تحلیلی قدرتمند، به محققان و متخصصان می‌تواند در بسیاری از زمینه‌ها کمک کند و به دستیابی به نتایج بهتر و دقیق‌تر کمک کند.

نوشته کاربردهای نرم افزار متلب اولین بار در ايران متلب. پدیدار شد.

Windows cannot be installed to this disk. The selected disk is not of the GPT partition style

یا

Windows cannot be installed to this disk The selected disk is of the GPT partition style FIX

خیلی از سایت ها روش های زیادی را برای حل این مشکل ارائه می دهند

مثل    تغییر BIOS type از  UEFI به legancy

مثل   Shift+f10 و دستورات diskpart  و convert gpt

مثل نصب برنامه EaseUS Partition Master که قابلیت اجرا به صورت boot را دارا می باشد و ویژگی های زیادی دارد که تنها در نسخه پولی آن میتواند این مشکل را حل کند. (یک جایگزین خوب برای EaseUS Partition Master استفاده از Disk managment خود ویندوز هست که کاملا رایگانه )

اما

روشی که برای من جواب داد و فکر کردم شاید به درد شخص دیگری هم بخورد را در اینجا مطرح می کنم.

من برای ساخت فلش نصب ویندوز از نرم افزار Rufus استفاده کردم.

این نرم افزار چیه؟ یک نرم افزار عالی و رایگان که برای شما فلش های قابل بوت می سازد.

یک بخش تنظیمات در این نرم فزار هست که اگر به فرمت هاردی که می خواهید ویندوز بر روی آن نصب شود، دقت نکنید خطای مورد نظر را می بینید.

لذا یک بار دیگر به نرم افزار Rufus برگردید و گزینه partition scheme را تغییر دهید و دوباره فلش نصب ویندوز را بسازید.

نوشته خطای نصب ویندوز اولین بار در ايران متلب. پدیدار شد.

یکی از مشکلاتی که در برنامه نویسی ممکن است به آن برخورد کنید، برخورد با کاراکتر ascii با کد 65279 می باشد.

این مشکل بیشر در هنگام خواندن فایلها رخ می دهد.

این مشکل ربطی به زبان برنامه نویسی شما ندارد در همه زبان های برنامه نویسی ممکن است رخ دهد.

این کاراکتر به اسم

zero-width no-break space

شناخته می شود و بیشتر هنگامی رخ می دهد که فایل شما به صورت
byte-order mark (BOM)
ذخیره شده باشد.

لذا کافی است که فایل خود را بدون این ویژگی ذخیره کنید.

مثلا فرض کنید من فایل زیر را می خوانم.

fid=fopen(‘retio.sr’,’r’);

با دستور زیر هر خط آنرا به ترتیب در یک حلقه می خوانم

tline = fgetl(fid)

فرض کنید عدد 1 در اولین خط آن قرار داشته باشد.

شما این خط را می خوانید و با کمال تعجب می بینید که چیزی که خواندید دارای 2 بعد می باشد.

بعد اول چیزی که خواندید همین کاراکتر اسکی 65279 می باشد.

اگر خروجی tline را چاپ کنید تنها عدد 1 را می بینید و این کد اسکی مخفی است.

برای دیدن این کد کافی است tline را به دستور double بفرستید.

نوشته این کاراکتر چیست؟ 65279 اولین بار در ايران متلب. پدیدار شد.

High CPU

مواجه شدم. بعد از جستجوی مسیر های سایت متوجه حضور تعدادی کدهای غیرعادی در هاستم شدم.

هر چی گشتم نتوانستم همه این کدها را پیدا کنم چون بسیار حرفه ای در بین فایلهای دیگر قرار گرفه بودند.

بعد از کلی جستجو در اینترنت راههای زیر به من کمک شایانی کرد.

۱) Wordfence

این پلاگین ابزار برای اسکن سایت دارد که تمامی نفوذها را به خوبی ‍پیدا می کند.

وقتی برای شما تعدادی فایل را پیدا کرد اکنون شما یکی از این فایلها را باز کنید و متوجه نحوه نفوذ به سایت خود خواهید شد که هکر از چه کدی استفاده کرده است.

۲) سپس تم

نوشته یک روش حذف malware و spam از روی سایت وردپرس اولین بار در ايران متلب. پدیدار شد.

یکی از زمینه های بسیار جذاب و پرکاربرد در قرن اخیر هوش مصنوعی می باشد. هم اکنون کاربردهای بسیار زیادی برای هوش مصنوعی در جهان اطراف ما قابل مشاهده است مثل ماشین های بدون راننده ، دستیاران صوتی، مترجم های آنلاین، رباتهای هوشمند، نرم افزارهای تشخیص بیماری ، الگوریتم های هوشمند داده کاوی، تشخیص چهره، ربات سخن گو، پیش بینی بورس و نمودارهای مالی .

هوش مصنوعی دانش بسیار گسترده ای می باشد که بخشی از آن یادگیری عمیق می باشد. یادگیری عمیق یکی از موضوعات بسیار داغ و جذاب می باشد که علاقه مندان بسیار زیادی پیدا کرده است. یکی از دلایل این علاقه سادگی کار و نتایج حیرت کننده حاصل از آن می باشد. به عنوان مثال برای تشخیص یک شی در تصویر، اگر بخواهید از روشهای قدیمی استفاده کنید باید استخراج ویژگی انجام دهید و سپس یک مدل دسته بندی کننده انتخاب کنید. این فرایند بسیار زمان بر و تخصصی می باشد و می بایست یک فرد متخصص نوع ویژگی ها و پارامترهای آنها را تنظیم کند. اما با یادگیری عمیق شما فقط کافی است که ساختار مدل خود را طراحی کنید و نیازی به مرحله استخراج ویژگی ندارید و تمامی فرایند توسط لایه های مدل یادگیری عمیق انجام می شود.

دلیل بعدی جذابیت کار در یادگیری عمیق ، مدلهای آماده بسیار زیاد موجود می باشد که فرایند طراحی و آموزش و تست را بسیار کوتاه می کند و شما با توجه به مفهوم transfer learning یک مدل آماده را برای کاربرد خود تغییر می دهید. یعنی دیگر لازم نیست چرخ را از اول اختراع کنید و همه فرایند سخت و طاقت فرسای طراحی مدل هوشمند خود را از صفر شروع کنید. الان مدلهای آماده ای وجود دارند که با دقت بالایی می توانند 1000 کلاس مختلف تصویری را شناسایی کنند. یعنی شما مدل را import می کنید و تصویر بهش می دهید و برای شما کار شناسایی را انجام می دهد. به عبارت ساده تر هولو برو تو گلو. 🙂

لینک سفارش

قسمت اول

مبانی و مقدمات یادگیری عمیق

قسمت دوم

پیاده سازی و برنامه نویسی در متلب

مدرس :

قیصری (مدیر گروه ایران متلب با سابقه 15 ساله در متلب و زبان های مختلف برنامه نویسی)

نوشته بسته آموزشی جامع یادگیری عمیق Deep Learning اولین بار در ايران متلب. پدیدار شد.

def minimum_swaps(ratings):
cr = ratings.copy()
for i,x in enumerate(ratings):
max_x = max(ratings)
idx = ratings.index(max_x)
#print(i, idx, max_x, cr)
if 1 : #idx+i<=len(cr):
print(max_x,i,idx,cr,ratings)
cr[i]=max_x
cr[idx+i]=ratings[0]

ratings = cr[i::]
del ratings[0]
print(ratings)

print(minimum_swaps([8,3,9,1,5]))

نوشته minimum_swaps اولین بار در ايران متلب. پدیدار شد.

def bubbleSort(arr):
L = len(arr)-1
for j in range(L):
for i in range(L):
if arr[i]>=arr[i+1]:
ari = arr[i]
ari1 = arr[i+1]
arr[i]=ari1
arr[i+1]=ari
print(arr)
return arr

ar3 = [50,6,90,800,4,56,33,2100,400]
print(bubbleSort(ar3))

نوشته Bubble Sort Algorithm in Python اولین بار در ايران متلب. پدیدار شد.