سیستم های فازی کاربردهای بسیار زیادی دارند و در بیشتر علوم و صنایع قابل استفاده هستند. برای پیاده سازی سیستم های فازی روشهای بسیار زیادی وجود دارد که یکی از آنها استفاده از نرم افزار متلب می باشد. گروه ایران متلب قبلا آموزش های سیستم های فازی در متلب را تهیه کرده است که تاکنون استقبال بسیار خوبی از آن شده است.

اگر می خواهید با سیستم های فازی آشنا شوید و نحوه برنامه نویسی آن در متلب را یاد بگیرید پیشنهاد ما فیلم آموزشی زیر است :

( برای تهیه فیلم بالا بر روی تصویر کلیک کنید )

معرفی:

در این فیلم آموزشی نحوه برنامه نویسی سیستم های فازی در پایتون را توضیح خواهیم داد. به دلیل open source بودن و رایگان بودن زبان برنامه نویسی پایتون نحوه پیاده سازی سیستم های فازی در آن هم بسیار می تواند جالب باشد.

یادگیری این فیلم آموزشی از آن جایی می تواند بسیار هیجان انگیز باشد که شما می توانید از این به بعد ، از سیستم های فازی در برنامه های پایتون خود استفاده کنید. به عنوان مثال ، شما یک سیستم یادگیری ماشین طراحی کردید و می خواهید تاثیر فازی شدن یک پارامتر را بررسی کنید. با یادگیری این آموزش به راحتی می توانید یک پارامتر را فازی کنید و نتیجه آن را در خروجی نهایی مشاهده کنید. یا مثلا می خواهید یک کنترلر فازی در پروژه سخت افزاری خود پیاده سازی کنید. با این آموزش به راحتی می توانید این کار را انجام دهید.

لینک دانلود آموزش کامل

سرفصل مطالب :

نصب پکیج فازی در پایتون

آشنایی با پکیج های مورد نیاز مربوطه

توابع عضویت membership function

متغییر های هر تابع عضویت

تعیین بازه تغییرات تابع عضویت

هم پوشانی توابع عضویت

سطح surface یک سیستم فازی

ویژگی هایی که یک تابع عضویت باید داشته باشد

کدنویسی پایتون یک تابع عضویت

کد opensource تولید توابع عضویت

توضیح کامل برنامه فازی تولید تابع عضویت

کدام تابع عضویت برای کار من مناسب است؟

تعیین تعداد تابع های عضویت

تابع عضویت گایوسین gaussian

ترکیب دو تابع عضویت گایوسین

تابع عضویت bell shaped

تابع عضویت  Piecewise linear 

تابع عضویت Pi-shape

تابع عضویت حاصل ضرب دو تابع عضویت سیگموئید

تابع عضویت sigmoid

تابع عضویت S-shape

تابع عضویت مثلثی

برنامه نویسی range تغییرات

افزایش دقت تولید تابع عضویت

تعیین پارامترهای تابع عضویت

رسم تابع های عضویت

بررسی تغییر یک پارامتر در تابع عضویت

تابع عضویت  Z-shape

تعیین پارامترهای تابع عضویت با الگوریتم های هوشمند

منظور از expert system چیست؟

نحوه نوشتن قانون (rule)  در پایتون

نحوه بیان قانون در فازی

OR و AND در قانون فازی

آیا باید هر تابع عضویت در قانون فازی استفاده کرد؟

برچسب زنی توابع عضویت

برچسب های مرسوم توابع عضویت

برنامه نویسی قوانین فازی در پایتون

علت استفاده از درونیابی

رسم output membership activity

تابع fill_between

Aggregation

برنامه نویسی یک تابع ترکیب خروجی قانون ها سفارشی

برنامه نویسی پایتون عکس فازی defuzzification

انواع روشهای عکس فازی

انواع mode

Centroid

Bisector

Mom

Som

Lom

Centroid تفاضلی

تابع defuzz

رسم surface فازی در پایتون

تاثیر توابع عضویت در سطح فازی

مفهوم هموار بودن

تولید اتوماتیک توابع عضویت

برچسب تابع عضویت

کدنویسی یک سیستم کنترلی فازی

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

مدت زمان : 237 دقیقه

نوشته سیستم های فازی (fuzzy system) در پایتون اولین بار در ايران متلب. پدیدار شد.

کنترل­کننده­های فازی طبیعت غیرخطی دارند وانتظار می­رود تا عملکرد مقاومی در شرایط بروز اغتشاش در سیستم داشته باشند.

به خاطر طبیعت غیرخطی میکروشبکه به کار بردن کنترلرهای فازی در كانورتر DG ها مورد استقبال قرارگرفت.همچنین منطق فازی به خاطر انعطاف­پذیری وقدرت سازگاری­اش قابلیت plug and play را برای DGها فراهم می­کند.درطراحی کنترل­کننده فازی نیازی به دانستن مدل دقیق از سیستم نمی­باشد، همین امر منطق فازی را برای سیستم­های حقیقی ،مناسب و عملی می­کند و یک مهندس می­تواند کنترل­کننده محلی­ر­ا آسان­تر،با متغیرهای زبانی تنظیم کند(مهندسی آسان).کنترل­کننده­های فازی بر اساس دانش افراد خبره از سیستم طراحی می­شوند.مزیت استفاده از منطق فازی در طراحی کنترل کننده­ها،همگرایی سریع این روش می­باشد زیرا اندازه گام­ها را در جستجوی خروجی مناسب به­صورت قابل تطبیقی کاهش می­دهد.همچنین سیگنال­های ورودی متغیر و نویزی در جستجو اثری ندارند.توابع تعلق مناسب برای کنترل­کننده بعد از به­دست آوردن اطلاعات مناسب از سیستم انتخاب می­شوند.

برای طراحی هر کنترل­کننده فازی باید مراحلی طی شود،ابتدا فازی سازی[1]،یعنی متغیر های  قطعی ورودی به متغیرهای زبانی تبدیل شوند.در مرحله دوم باید برای متغیرهای ورودی و خروجی توابع تعلق در نظر گرفته شود.در مرحله بعد باید قوانین کنترلی بر اساس متغیرهای ورودی و خروجی نوشته شود و پایگاه داده تشکیل شود و در نهایت به فازی زدا[2]نیازاست تا خروجی فازی  به یک عدد قطعی تبدیل شود.شکل (3-8)ساختار کلی یک سیستم فازی را نشان می­دهد.

شکل3-8)ساختارکلی سیستم فازی

در این پایان نامه به منظور کنترل توازن توان تولیدی و مصرفی و فرکانس یک کنترل کننده PI فازی خود تنظیم طراحی شده است و به میکرو توربین گازی اعمال شده است. ضرایب این کنترل کننده در اکثر مقالات با استفاده از  روش سعی و خطا تعیین می شود. در این پایان نامه برای تعیین این ضرایب  از روش فازی استفاده می­شود که در فصل بعد به تفصیل تشریح شده است.

[1]Fuzzification

[2]Defuzzification

نوشته کنترل فازی و کاربرد آن در میکروشبکه اولین بار در ايران متلب. پدیدار شد.

Fuzzy System

Process

شکل 3-6)  سیستم فازی به عنوان کنترل کننده حلقه باز

شکل 3-7)  سیستم فازی به عنوان کنترل کننده حلقه بسته

هنگامی که به عنوان کنترل کننده حلقه باز استفاده می شود، سیستم فازی معمولاً بعضی پارامترهای کنترل را معین کرده و آنگاه سیستم مطابق با این پارامترهای کنترل کار می کند. بسیاری از کاربردهای سیستم فازی در الکترونیک به این دسته تعلق دارند. هنگامی که سیستم فازی به عنوان یک کنترل کننده حلقه بسته استفاده می شود، در این حالت خروجی های فرایند را اندازه گیری کرده و بطور همزمان عملیات کنترل را انجام می دهد. کاربردهای سیستم فازی در فرایندهای صنعتی به این دسته تعلق دارند. نحوه کاربرد سیستم های فازی را در تعدادی تولیدات مصرفی و سیستم های صنعتی در زیر بخش های زیر تشريح می­شوند.

3-3-1) ماشین شست و شوی فازی

ماشین های شستشوی فازی اولین محصول مصرفی بودند که از سیستم های فازی استفاده کردند. این ماشین ها اولین بار توسط شرکت مانسوشیتا در ژاپن در سال 1990 عرضه شدند. آنها از سیستم فازی برای تنظیم اتوماتیک تعداد دورهای مناسب مطابق با نوع و میزان کثیفی و حجم لباس استفاده می کردند. به­طور دقیق تر سیستم فازی مورد استفاده، یک سیستم سه ورودی یک خروجی است که سه ورودی آن، نوع کثیفی و مقدار اندازه گیری شده کثیفی و حجم لباس بوده و خروجی آن تعداد دور­های مناسب شستشو می باشد. به­عنوان ورودی سنسورهایی در این سیستم تعبیه شده است، این سنسورها که از نوع نوری می باشند، میزان نوری را که از طرف مقابل ساطع شده و از آب عبور کرده، اندازه گیری می نمایند. سنسور نوری همچنین می تواند معین کند که نوع کثیفی چیست، لباس گل آلود است یا چرب؟ گل در آب سریعتر حل می شود، بنابراین نور دریافتی بسرعت کاهش پیدا کند، در آن صورت لباس گل آلود است، در حالی که اگر لباس روغنی باشد، کندتر در آب حل شده و کاهش نور دریافتی کندتر خواهد بود. ماشین همچنین دارای یک سنسور بار می باشد که حجم لباس ها را ثبت می کند واضح است که تعداد لباس های بیشتر، زمان بیشتری برای شست و شو لازم دارد، موارد فوق را می توان در تعدادی قاعده اگر ـ آنگاه فازی برای ساخت یک سیستم فازی خلاصه کرد.

3-3-2)سیستم های فازی در اتومبیل

اتومبیل مجموعه ای از سیستم های مختلف می باشد. بخشهایی نظیر موتور، انتقال نیرو، ترمز، هدایت و … سیستم های فازی را به اغلب این بخشها می توان اعمال نمود. به عنوان مثال شرکت نیسان سیستم انتقال نیروی اتوماتیکی به ثبت رسانده که 12 تا 17 درصد در مصرف سوخت صرفه جویی می کند. اساس عملکرد آن بدین صورت است که، عمل تعویض دنده یا انتقال نیرو هر زمان که اتومبیل از یک سرعت مشخصی عبور کرد، باید انجام شود. بنابراین عمل تعویض دنده بطور مداوم در حین رانندگی صورت نمی گیرد و ضمن اینکه هر تعویض دنده خود باعث مصرف سوخت می شود. با این حال راننده ها نه تنها به­طور مداوم عمل تعویض دنده را انجام می دهند، بلکه در اینکار به سرعت اتومبیل نیز توجهی نمی کنند. به­عنوان مثال حتی در هنگام عبور از یک سربالایی ممکن است عمل تعویض دنده را به تاخیر بیندازند. سیستم فازی انتقال اتوماتیک نیسان این هیوریستیک ها را در مجموعه ای از قواعد اگر ـ آنگاه فازی خلاصه کرده و آنرا برای ساخت یک سیستم هدایت تغییر چرخ دنده ها مورد استفاده قرار داده است.

شرکت نیسان همچنین یک سیستم ترمز ضد قفل را ابداع کرده است. مسئله اصلی در اینجا اعمال حداکثر نیرو به ترمز بدون آنکه باعث قفل شدن آن بشود، می باشد.

در آوریل 1992، میتسوبیشی یک سیستم فازی را معرفی کرد که عملیات انتقال، تعلیق، هدایت تهویه و … را در اتومبیل بطور اتوماتیک کنترل می کرد. به عنوان مثال سیستم انتقال فازی، عمل تعویض به دنده های پایین را در سر بالایی ها و سرازیری ها انجام داده و همچنین از تعویض های دنده نابجا جلوگیری می کرد. سیستم تعلیق شامل سنسورهایی در جلوی اتومبیل است که ارتعاشات را ثبت کرده و سیستم تعلیق را برای جلوگیری از تکان های شدید، تنظیم می کند و بالاخره سیستم تهویه شرایط نور خورشید ، درجه حرارت و رطوبت هوا را در نظر گرفته و هوای داخل اتومبیل را بهبود می بخشد.

3-4)تارخچه مختصری از تئوری و کار بردهای فازی

دهه 1960 آغاز تئوری فازی بود.تئوری فازی به وسیله پروفسور لطفی زاده در سال 1965 در مقاله ای بنام «مجموعه های فازی» معرفی گردید . قبل از کار بر روی تئوری فازی، لطفی زاده یک شخص برجسته در تئوری کنترل بود. او مفهوم «حالت» که اساس تئوری کنترل مدرن را شکل می دهد، توسعه داد. در اوائل دهه 60 او فکر کرد که تئوری کنترل کلاسیک بیش از حد بر روی دقت تاکید داشته و از این رو با سیستم های پیچیده نمی تواند کار کند. در سال 1962 چیزی را بدین مضمون برای سیستم های بیولوژیک نوشت: «ما اساساً به نوع جدیدی ریاضیات نیازمندیم ریاضیات مقادیر مبهم یا فازی که توسط توزیع های احتمالات قابل توصیف نیستند. پس از آن وی ایده اش را در مقاله «مجموعه های فازی» تجسم بخشید. با پیدایش تئوری فازی ، بحث و جدل ها پیرامون آن نیز آغاز گردید. بعضی ها آنرا تایید کرده و کار روی این زمینه جدید را شروع کردند و برخی دیگر نیز این ایراد را وارد می کردند که این ایده بر خلاف اصول علمی موجود می باشد. به دلیل اینکه کاربردهای عملی تئوری فازی در ابتدای پیدایش آن مشخص نبود، تفهیم آن از جهت فلسفی کار مشکلی بود و تقریباً هیچیک از مراکز تحقیقاتی، تئوری فازی را به عنوان یک زمینه تحقیق جدی نگرفتند.

با وجودی که تئوری فازی جایگاه واقعی خود را پیدا نکرد، با این حال هنوز محققینی بودند که در گوشه و کنار دنیا، خود را وقف این زمینه جدید نمودند و در اواخر دهه 1960 روش های جدید فازی نظیر الگوریتم های فازی تصمیم گیری های فازی و … مطرح گردید.

دهه 1970 رشد تئوری فازی و کاربردهای عملی به وقوع پیوست. اگر بگوییم پذیرفته شدن تئوری فازی به عنوان یک زمینه مستقل بواسطه کارهای برجسته پروفسور لطفی زاده بوده، سخن به گزاف نگفته ایم. بسیاری از مفاهیم بنیادی تئوری فازی به وسیله لطفی 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 1973 او مقاله دیگری را به نام «طرح یک راه حل جدید برای تجزیه تحلیل سیستم های پیچیده و فرایندهای تصمیم گیری»منتشر کرد. این مقاله اساس کنترل فازی را بنا کرد. او در این مقاله مفهوم متغیرهای زبانی و استفاده از قواعد اگر ـ آنگاه را برای فرموله کردن دانش بشری معرفی نمود.

دهه 1980 ، دهه کاربردهای بزرگ بود. 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 افراد کمی داشتند روی آن کار می کردند. در واقع کاربردهای کنترل فازی بود که هنوز تئوری فازی را سرپا نگاه داشه بود.

مهندسان ژاپنی (با حساسیتی که نسبت به فن اوری های جدید دارند) به سرعت دریافتند که کنترل کننده های فازی به سهولت قابل طراحی بوده و در مورد بسیاری مسائل می توان از آنها استفاده کرد. بدلیل اینکه کنترل فازی به یک مدل ریاضی نیاز ندارد، آنرا می توان در مورد خیلی از سیستم هایی که به وسیله تئوری کنترل متعارف قابل پیاده سازی نیستند، بکار برد. در سال 1980 سوگنو شروع به ساخت اولین کاربرد ژاپنی فازی نمود کنترل سیستم تصفیه آب فوجی، در سال 1983 او مشغول کار بر روی یک ربات فازی شدو ماشینی که از راه دور کنترل شده و خودش به تنهایی عمل پارک را انجام می داد. در این سالها یاشونوبو و میاموتو از شرکت هیتاچی کار روی سیستم کنترل قطار زیرزمینی سندایی را آغاز کردند. بالاخره در سال 1987 پروژه به ثمر نشست و یکی از پیشرفته ترین سیستم های قطار زیرزمینی را در جهان بوجود آورد. در جولای 1987 ، دومین کنفرانس سیستم های فازی در توکیو برگذار گردید. این کنفرانس درست سه روز پس از افتتاح قطار زیرزمینی سندایی آغاز بکار کرد. در این کنفرانس هیروتا یک ربات فازی را به نمایش گذارد که پینگ پنگ بازی می‌کرد، یاماکاوا نیز سیستم فازی‌ای را نشان داد که یک پاندول معکوس را در حالت تعادل قرار می‌داد. قبل از این رویدادها، تئوری فازی چندان در ژاپن شناخته شده نبود ولی پس از آن موجی از توجه مهندسان، دولتمردان و تجار را فراگرفت به نحوی که در اوائل دهه 90 تعداد زیادی از لوازم و وسائلی که بر اساس تئوری فازی کار می کردند، در فروشگاهها به چشم می خورد.

دهه های 1990 و … چالش ها کماکان باقی است. موفقیت سیستم های فازی در ژاپن، تعجب محققان را در آمریکا و اروپا برانگیخت. عده ای هنوز به آن خرده می گرفتند ولی عده ای دیگر از عقیده خود دست برداشته و بعنوان موضوع جدی در دستور کار خود قرار دادند در فوریه 1992 اولین کنفرانس بین المللی IEEE در زمینه سیستمهای فازی در سان دیگو برگزار گردید. این یک اقدام سمبلیک در مورد پذیرفتن سیسم های فازی به وسیله بزرگترین سازمان مهندسی یعنی IEEE بود در سال 1993 بخش سیستم های فازی IEEE گشایش 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 اساس سیستم های فازی صورت گرفت. بعنوان مثال تکنیک های شبکه عصبی برای تعیین و تنظیم توابع تعلق استفاده شدند. با وجودیکه 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 خلاق می تواند باعث پیشرفتهای عمده در زمینه تئوری فازی شود.

نوشته کاربرد سیستم های فازی اولین بار در ايران متلب. پدیدار شد.

که کلمات «زیاد[1]» و «کم[2]» به وسیله توابع تعلق نشان داده شده در شکل­های (3-1) و (3-2) مشخص شده اند.

شکل 3-1) تابع تعلق مربوط به کلمه “زیاد”.

محور افقی سرعت اتومبیل و محور عمودی مقدار تابع تعلق “زیاد”

شکل 3-2) تابع تعلق مربوط به کلمه “کم”

محور افقی سرعت اتومبیل و محور عمودی مقدار تابع تعلق “کم”

یک سیستم فازی از مجموعه ای از قواعد اگر ـ آنگاه فازی ساخته می‌شود. با ذکر  دو مثال زیر جمله بیان شده، تشریح می شود.

مثال 3-1: فرض کنید می خواهیم کنترل کننده ای طراحی کنیم که سرعت اتومبیل را به طور خودکار کنترل کند. بطور کلی دو راه حل برای طراحی چنین کنترل کننده ای وجود دارد، یک راه حل استفاده از کنترل کننده‌های متعارف نظیر PID بوده و راه حل دوم، شبیه‌سازی رفتار رانندگان است، بدین معنی که قواعدی که راننده در حین حرکت استفاده می‌کند را به کنترل‌کننده خودکار تبدیل نماییم. ما راه حل دوم را در نظر می‌گیریم. در صحبت‌های عامیانه راننده‌ها در شرایط طبیعی از سه قاعده زیر در حین رانندگی استفاده
می کنند:

کلمات «پایین»، «بیشتر»، «متوسط»، «متعادل»، «بالا» و «کمتر» به وسیله توابع تعلقی مشابه شکلهای (3-1) و (3-2) مشخص می شوند. البته لازم به ذکر است که در شرایط واقعی، تعداد قواعد بیشتری نیاز خواهد بود، با این حال ما می‌توانیم یک سیستم فازی را بر اساس این قواعد بسازیم. از آنجا که سیستم فازی به­عنوان کنترل کننده استفاده شده، آنرا کنترل کننده فازی نیز می نامند.

مثال 3-2: در این مثال، قواعد دستورالعمل های کنترلی هستند. بدین معنی که آنچه را که یک راننده در شرایط طبیعی انجام می‌دهد، نشان می‌دهند. نوع دیگر دانش بشری توصیف‌هایی راجع به خود سیستم می باشد. فرض کنید شخصی در حال باد کردن یک بادکنک است، او می خواهد بداند چه مقدار باد بادکنک را قبل از اینکه به­ترکد اضافه کند، بنابراین رابطه بین چند متغیر کلیدی بسیار مفید خواهد بود. در مورد بادکنک سه متغیر کلیدی وجود داد: هوای داخل بادکنک، میزان بزرگی و کوچکی و سفتی و نرمی سطح بادکنک. رابطه بین این متغیرها را
می­توان به وسیله قواعد فازی زیر بیان نمود:

که کلمات «کم»، «اندکی»، «زیاد» و …. به وسیله توابع تعلقی مشابه شکل های (3-1) و (3-2) مشخص می شوند. با ترکیب این قواعد در یک سیستم فازی ما یک مدل برای بادکنک بدست می آوریم.

بطور خلاصه، نقطه روی ساخت یک سیستم فازی به­دست­آوردن مجموعه ای از قواعد اگر ـ آنگاه فازی از دانش افراد خبره یا دانش حوزه مورد بررسی می باشد. مرحله بعدی، ترکیب این قواعد در یک سیستم واحد است. سیستم های فازی مختلف از اصول و روشهای متفاوتی برای ترکیب این قواعد استفاده می کنند. سه  نوع سیستمهای فازی معمولاً استفاده می شود.

1) سیستم های فازی خالص

 2) سیستم های فازی تاکاگی ـ سوگنو-کانگ (TSK)

3) سیستم های با فازی ساز و غیر فازی ساز

ساختار اصلی یک سیستم فازی خالص در شکل (3-3) نشان داده شده است.

Fuzzy Rule Base

Fuzzy Inference Engine

Fuzzy Sets in U

Fuzzy Sets  in V

شکل 3-3) ساختار اصلی سیستم فازی خالص

در این شکل، پایگاه قواعد فازی، مجموعه ای از قواعد اگر ـ آنگاه فازی را نشان می دهد.
به­عنوان مثال برای کنترل کننده اتومبیل در مثال (3-1)، پایگاه قواعد فازی شامل قواعد (3-1) تا (3-4) بوده و برای مدل بادکنک مثال (3-2) پایگاه قواعد فازی شامل قواعد (3-5) تا (3-8) می باشد. موتوراستنتاج فازی این قواعد را به یک نگاشت از مجموعه های فازی در فضای ورودی به مجموعه های فازی در فضای خروجی بر اساس اصول منطق فازی ترکیب می کند. در شکل (3-3) اگر خط نقطه چین وجود داشته باشد، چنین سیستمی، سیستم فازی دینامیک نامیده می شود.

مشکل اصلی در رابطه با سیستم های فازی خالص این است که ورودی ها و خروجی های آن مجموعه های فازی می باشند (واژه هایی در زبان طبیعی) . در حالی که در سیستم های مهندسی، ورودی ها و خروجی ها متغیرهایی با مقادیر حقیقی می باشند. برای حل این مشکل،
تاکاگی ـ سوگنو و کانگ نوع دیگری سیستم های فازی معرفی کرده اند که ورودی ها و خروجی های آن متغیرهایی با مقادیر واقعی هستند.

سیستم TSK بجای استفاده از قواعدی به شکل (3-1) از قواعدی بدین صورت استفاده
می کند:

که واژه «بالا» همان معنی رابطه (3-1) را داده و c یک عدد  ثابت می باشد . مقایسه  رابطه (3-9) با رابطه (3-1) نشان می دهد که بخش آنگاه قاعده فازی از یک عبارت توصیفی با مقادیر زبانی به یک رابطه ریاضی ساده تبدیل شده است. این تغییر، ترکیب قواعد فازی را ساده تر می سازد. در حقیقت سیستم فازی TSK یک میانگین وزنی از مقادیر بخش های آنگاه قواعد می باشد. ساختار اصلی سیستم فازی TSK در شکل (3-4) نشان داده شده است.

شکل3-4) ساختار اصلی سیستم فازی TSK

مشکلات عمده سیستم فازی TSK عبارتند از:

• اين بخش قاعده یک فرمول ریاضی بوده و بنابراین چهارچوبی را برای نمایش دانش بشری فراهم نمی کند.
• این سیستم دست ما را برای اعمال اصول مختلف منطق فازی باز نمی گذارد و در نتیجه انعطاف پذیری سیستم های فازی در این ساختار وجود ندارد.

برای حل این مشکلات نوع سومی از سیستم های فازی یعنی سیستم های فازی با فازی سازها و غیر فازی سازها در این پایان نامه استفاده می شود.

به منظور استفاده از سیستم های فازی خالص در سیستم های مهندسی، یک روش ساده اضافه کردن یک فازی ساز در ورودی که متغیرهای با مقادیر حقیقی را به یک مجموعه فازی تبدیل کرده و یک غیر فازی ساز که یک مجموعه فازی را به یک متغیر با مقدار حقیقی در خروجی تبدیل می کند، می باشد. نتیجه یک سیستم فازی با فازی ساز و غیرفازی ساز است که در شکل (3-5) نشان داده شده است.

Fuzzy Rule Base

Fuzzy Inference Engine

Fuzzy Sets in U

Fuzzy Sets  in V

Fuzzifier

in U x

y in V

Defuzzifier

شکل 3-5) سیستم فازی با فازی ساز و غیرفازی ساز

که این سیستم فازی معایب سیستم فازی خالص و سیستم فازی TSK را می پوشاند. از این پس در این پایان نامه منظور ما از سیستم های فازی، سیستم فازی یا فازی ساز و غیرفازی ساز خواهد بود. بعنوان نتیجه گیری برای این بخش، لازم است بر روی یک مشخصه سیستم های فازی تاکید نماییم. سیستم های فازی از یک سو نگاشت هایی به­صورت چند ورودی و یک خروجی از یک بردار با مقادیر حقیقی به یک اسکالر با مقدار حقیقی بوده (نگاشت چند خروجی را می توان با ترکیب چند نگاشت یک خروجی به وجود آورد) که روابط دقیق ریاضی این نگاشت ها را می توان بدست آورد [44] و از سویی دیگر سیستم های فازی، سیستم های مبتنی بر دانش بوده که از روی دانش بشری به شکل قواعد اگر ـ آنگاه ساخته می شوند، جنبه مهم تئوری سیستم های فازی این است که یک فرایند سیستماتیک برای تبدیل یک پایگاه دانش به یک نگاشت غیر خطی فراهم می سازد. به همین دلیل ما قادر خواهیم بود که از سیستم های مبتنی بر دانش (سیستم های فازی) در کاربردهای مهندسی (نظیر کنترل، پردازش سیگنال، سیستم های مخابراتی و … ) استفاده نماییم. همچنین از آنجا که ما
 می توانیم از مدل های ریاضی استفاده کنیم، در نتیجه تجزیه تحلیل و طراحی سیستم ها را می توان به صورت یک مدل ریاضی نیز انجام داد.

[1]High

[2] Low

نوشته چگونگی سیستم های فازی اولین بار در ايران متلب. پدیدار شد.

چنین برداشتی در مورد واژه «فازی» نیز وجود دارد. اساساً گرچه سیستم های فازی پدیده های غیر قطعی و نامشخص را بیان می نماید، با این حال خود تئوری فازی یک تئوری دقیق می باشد. در این متن دو نوع توجیه برای تئوری سیستم های فازی وجود دارد[44]:

• دنیای واقعی ما بسیار پیچیده تر از آن است که بتوان یک توصیف و تعریف دقیق برای آن به­دست آورد، بنابراین باید یک توصیف تقریبی یا همان فازی که قابل قبول و قابل تجزیه و تحلیل باشد، برای یک مدل معرفی شود.
• با حرکت ما به ­سوی عصر اطلاعات، دانش بشری بسیار اهمیت پیدا می کند. بنابراین ما به فرضیه ای نیاز داریم که بتواند دانش بشری را به شکل سیستماتیک فرموله کرده و آن­را 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 مشخص نمی کند، در حقیقت تمامی نظریه های علوم مهندسی، دنیای واقعی را به شکل تقریبی، توصیف می کنند. به عنوان مثال در عالم واقع تمامی سیستم ها به صورت غیرخطی می باشند ولی تقریباً تمامی مطالعات و بررسی‌ها بر روی 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 ندارد.

توجیه دوم مشخصه واحدی از سیستم های فازی را توصیف کرده و وجود تئوری سیستم‌های فازی را به عنوان یک شاخه مستقل در علوم مهندسی توجیه می‌کند. به­عنوان یک 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 سرچشمه می‌گیرند . یکی از منابع افراد خبره می باشند که دانش و آگاهی­شان را در مورد سیستم با زبان طبیعی تعریف می‌کنند. منبع دیگر اندازه‌گیری‌ها و مدل‌های ریاضی هستند که از قواعد فیزیکی مشتق شده‌اند. بنابراین یک مسئله مهم ترکیب این دو نوع اطلاعات در طراحی سیستم‌ها است. برای انجام این ترکیب سئوال کلیدی این است که چگونه می توان دانش بشری را در چهارچوبی مشابه مدل های ریاضی فرموله کرد. به عبارت دیگر سئوال اساسی این است که چگونه می توان دانش بشری را به یک فرمول ریاضی تبدیل کرد. اساساً آنچه که یک سیستم فازی انجام می‌دهد، همین تبدیل است برای این­که بدانیم این تبدیل چگونه صورت می گیرد، ابتدا باید بدانیم سیستم های فازی، چگونه سیستم هایی هستند.

نوشته فازی اولین بار در ايران متلب. پدیدار شد.

متقاضیان می توانند به ایمیل زیر پیام دهند :

matlab120 [[att]] gmail dot com

سابقه 12 ساله در انجام پروژه و برنامه نویسی متلب دانشگاهی و صنعتی

TensorFlow

Keras

Python

نوشته انجام پروژه متلب MATLAB در کانادا اولین بار در ايران متلب. پدیدار شد.

دینامیک ذرات و اجسام صلب

آونگ مسطح

حرکات مداری

ممان اصلی اینرسی

پایداری Rigid Body

سیستم ارتعاشی با یک درجه آزادی

سیستم های خطی: نوسانات آزاد

سیستم های خطی: نوسانات اجباری

سیستم های غیر خطی: نوسانات آزاد

سیستم های غیر خطی: نوسانات اجباری

سیستم های با چند درجه متعدد از آزادی

سیستم نوسانات آزاد و اجباری با دو درجه آزادی

فرکانس های طبیعی و مدهای اشکال

ارتعاشات آزاد و اجباری از پرتو اویلر-برنولی و تیموشنکو

فرکانس های طبیعی از پرتو اویلر-برنولی و تیموشنکو

نوسانات اجباری از پرتو اویلر-برنولی

لینک دانلود

نوشته دینامیک و ارتعاشات در متلب اولین بار در ايران متلب. پدیدار شد.

محاسبه کردن به معنای انجام محاسبات ریاضی مهارتی است که بشریت طی هزاران سال ایجاد کرده است. از سویی دیگر، برنامه نویسی با تاریخی که بیش از چند دهه از آن نمی گذرد، در مراحل اولیه خود قرار دارد. هر دو مبحث تا حد زیادی جامع هستند و به طور معمول در موسسات سرتاسر جهان به خصوص در دوره های کارشناسی به عنوان موضوعاتی مجزا آموزش داده می شوند. این کتاب درباره ی ترکیب این دو مهارت است چراکه امروزه مهارت محاسبه زمانیکه با برنامه نویسی ترکیب شود به شدت قدرتمندتر خواهد شد.

اکثر دانشگاه ها و دانشکده ها به طور ضمنی از دانشجویان می خواهند تا به منظور یادگیری برنامه نویسی، در علم کامپیوتر مهارت لازم را کسب کنند به این دلیل که دیگر برنامه های دانشجویی دوره های برنامه نویسی را تا حد حرفه ای شدن ارائه نمی کنند. استدلال های رایج مدعی هستند که مقدمه ای کوتاه کفایت می کند و اینکه اینقدر نرم افزار در دسترس هست که اندک افرادی خودشان برنامه نویسی می کنند. یک پیامد این روند این است که دانشجویان کامپیوتر با دانش سطحی پیرامون برنامه نویسی فارغ التحصیل می شوند مگر اینکه اتفاقی مسیر علم کامپیوتر را انتخاب کنند.

ما فکر میکنیم که این وضعیتی تاسف بار است. شکی نیست که مهندسان و دانشمندان باید با ریاضیات قلم و کاغذی خود آشنا باشند. همچنین، آن ها باید توانایی کار کردن با نرم افزارهای موجود برای فعالیت های استاندارد مهم را داشته باشند و بدون شک این کار هم به دفعات مکرر انجام می دهند. با این حال، مزیت های یادگیری برنامه نویسی بیش از این چیزهاست.

چرا برنامه نویسی یاد بگیریم؟

• نرم افزارهای آماده و موجود محدود به مسئله های استاندارد خاصی می باشند. چیکار می کنید اگر مسئله ی مورد نظر شما در نرم افزاری که خریده اید پوشش داده نشده باشد؟

خوشبختانه، بیشتر نرم افزارهای کنونی را می توان از طریق برنامه نویسی ارتقاء داد. در حقیقت، بسیاری از سیستم ها ایجاب می کنند که بخش هایی از ویژگی مسئله (مانند مدل های ماده) با کدهای کامپیوتری مشخص شوند.

• مهارت های برنامه نویسی ما را قادر می سازند تا انعطاف پذیری بسته های نرم افزاری موجود را با ادغام آن ها گسترش دهیم. به طور نمونه، شما می توانید بسته های نرم افزاری که با هم در ارتباط نیستند را از ابتدا با هم ادغام و ترکیب کنید. این امر جریان کار را ساده تر، موثرتر و قابل اعتمادتر می کند و شما را در جایگاهی قرار می دهد تا به مشکل ها و مسئله های جدید حمله کنید.
• استفاده اشتباه از نرم افزارهای عالی موجود خیلی راحت است. بینش موجود در برنامه نویسی و ریاضی برای فهم نرم افزارهای پیچیده، پرهیز از خطا و تبدیل شدن به کاربری امن لازم و حیاتی است.
• اشکال (خطاهای موجود در کدهای کامپیوتری) در برنامه های کامپیوتری بزرگ تر وجود دارند (همچنین در کامپیوترهای موجود در مغازه ها). چیکار میکنید اگر نرم افزار دردسترس شما نتایجی غیرمنتظره ارائه کند؟ آیا این یک اشکال، کاربرد نادرست و یا نتیجه ی ریاضی درستی می باشد؟ تجربه در زمینه ی برنامه نویسی ریاضی به شما این امکان را می دهد تا به این پرسش ها پاسخ دهید. کسی که می تواند برنامه نویسی کند همچنین می تواند برای  مشکلی ساده شده، کدهای خاصی را ایجاد کند و از آن ها برای تایید محاسبات انجام گرفته با نرم افزار موجود استفاده کند.
• بسیاری از افراد خبره در جهان مشکلات محاسباتی را با نوشتن کدهای خود حل می کنند و این کدها را به طور رایگان در اینترنت در دسترس قرار می دهند. برای اینکه از این منبع مفید و عالی نرم افزاری به روشی مطمئن بهره مند شویم، فرد میبایست کد کامپیوتری پیشنهاد شده توسط دیگران را بفهمد و احتمالا آن را نیز تغییر دهد.
• در سرتاسر جهان اینطور به نظر می رسد که دانشجویان به سختی با ریاضی و فیزیک دست و پنجه نرم می کنند و افراد زیادی این مباحث را دشوار و طاقت فرسا توصیف می کنند. از طریق برنامه نویسی، ما قادر خواهیم بود تا مباحث خوب قدیمی را به روشی کاملا جدید اجرا کنیم! طبق تجربه ی شخصی خود نویسنده، زمانیکه برنامه نویسی به بخش لاینفکی از دوره های ریاضی و علموم فیزیک تبدیل می شود، مباحث ترغیب کننده و لذت بخش می شوند. به طور خاص، مسئله ای که در حال حل شدن است می تواند به مراتب واقعی تر از زمانی باشد که ریاضی به چیزیکه می توان با قلم و کاغذ انجام داد محدود شده باشد.
• در نهایت، استدلال مهم خود برای یادگیری برنامه نویسی کامپیوتری را ارئه می کنیم: تفکر الگوریتمی که حین فرایند نوشتن برنامه ای برای مسئله ی محاسباتی ایجاد می شود باعث فهم عمیقی از مسئله و روش حل می شود. در اینجا می توانیم به سادگی از دانشمند کامپیوتر نروژی نقل قول کنیم: “برنامه نویسی فهمیدن است”.

زبان کامپیوتر: Matlab

ما به این دلیل از زبان برنامه نویسی Matlab استفاده کردیم که این زبان کدی فشرده و خوانا ارائه می دهد که تا حد زیادی شبیه دستور ریاضی است که با آن مسئله حل می شود. همچنین این زبان منحنی یادگیری دقیقی دارد. در صورتی که آن زبان ترجیح داده شود، همسان Phyton این کتاب نیز موجود است. مقایسه ی ورژن های دوگانه ی این کتاب به خوبی نشان می دهد که چقدر این زبان ها شبیه همدیگر هستند. در این کتاب از واژه ی Matlab برای اشاره به نرم افزار تجاری MATLAB یا جایگزین آن Octave ]4[ استفاده می شود ]12[.  زبان های کامپیوتری دیگر مانند Fortran، C و C++ در علم و مهندسی جایگاهی ویژه دارند. با این حال، طی دو دهه ی اخیر، توجه و تمرکز از این زبان های تالیف یافته به زبان های سطح بالاتر و خواناتر مانند Matlab، Phyton، R، Maple، Mathematica، و IDL تغییر کرده است. این گروه آخر از ربان ها از لحاظ محاسباتی چندان کارآمد نیستند اما با توجه به کارآمدی حل مسئله انسان، این برنامه ها در سطح بالاتری قرار دارند. این کتاب به جای تمرکز بر جزئیات تخصصی زبان، تاکید می کند که چطور مانند یک برنامه نویسی فکر کرد. بنابراین، تصور می شود کتاب خواننده را برای یادگیری دیگر زبان های برنامه نویسی شامل Fortran، C، و C++ در جایگاه بهتری قرار دهد.

لینک دانلود

نوشته برنامه نویسی برای محاسبات با MATLAB/Octave ( مقدمه ای بر شبیه سازی های عددی با MATLAB/Octave ) اولین بار در ايران متلب. پدیدار شد.

زبان برنامه نویسی پایتون یکی از زبان های برنامه نویسی است که به سرعت در حال افزایش محبوبیت و کاربرد در بین برنامه نویسان می باشد.

در این فیلم آموزشی نحوه برنامه نویسی سیستم های نروفازی یا ANFIS در پایتون را توضیح خواهیم داد.

سرفصل :

معرفی سیستم های نروفازی

معرفی کتابخانه نروفازی در پایتون

برنامه نویسی چند مثال از سیستم های نروفازی در پایتون

نوشته نروفازی (ANFIS) در پایتون اولین بار در ايران متلب. پدیدار شد.

لینک دانلود 

زبان برنامه نویسی پایتون یکی از زبان های برنامه نویسی است که به سرعت در حال افزایش محبوبیت و کاربرد در بین برنامه نویسان می باشد.

در این فیلم آموزشی نحوه برنامه نویسی سیستم های فازی در پایتون را توضیح خواهیم داد.

سرفصل مطالب :

توابع عضویت در پایتون

عملگرهای فازی در پایتون

عملگر عکس فازی در پایتون

ریاضیات فازی در پایتون

پردازش تصویر فازی در پایتون

خوشه بندی fcm در پایتون

فیلترهای فازی در پایتون

کنترل فازی در پایتون

نوشته سیستم های فازی (fuzzy system) در پایتون اولین بار در ايران متلب. پدیدار شد.