تولباکس برازش منحنی (curve fitting) در نرم افزار متلب MATLAB یک ابزار آماده برای برازش منحنی و سطوح داده می باشد. شما در این جعبه ابزار می توانید آنالیز داده، پیش پردازش و پس پردازش داده ، مقایسه مدلهای کاندید و حذف outlier انجام دهید.
شما در این جعبه ابزار می توانید آنالیز رگرسیون با استفاده از مدلهای آماده خطی و غیرخطی انجام دهید یا خودتان مدل دلخواه خود را بسازید.
در این جعبه ابزار شما می توانید از حل کننده های (solver) بهینه شده برای بهبود کیفیت برازش (fit) استفاده کنید. این جعبه ابزار همچنین شامل تکنیک های مدلسازی غیرپارامتری مانند درونیابی و هموارسازی و splines هم می باشد.
بعد از ساخت مدل شما می توانید روشهای پس پردازش مختلفی را بر روی مدل خود اعمال کنید.

.
به طور خلاصه تولباکس برازش منحنی در متلب دارای ویژگیهای زیر است :

• برازش منحنی برای منحنی و سطوح
• رگرسیون خطی و غیرخطی با معادله های سفارشی
• کتابخانه ای از مدلهای رگرسیون با نقاط شروع و پارامترهای حل کننده بهینه شده
• روشهای درونیابی شامل B-spline و spline صفحه ای و spline tensor-product
• تکنیک های هموار سازی شامل spline هموارکننده و رگرسیون متمرکز و فیلترهای Savitzky-Golay و میانگین های متحرک
• روشهای پیش پردازش شامل حذف outlier و بخش بندی و تغییر مقیاس و وزن دهی داده ها
• روشهای پس پردازش شامل درونیابی و برونیابی و بازه های اطمینان (confidence ) انتگرال و مشتق

لینک دانلود

پیش نمایش 1 :

.

لینک دانلود (کیفیت بالا)

پیش نمایش 2 :

.

لینک دانلود (کیفیت بالا)

پیش نمایش 3 :

.

لینک دانلود (کیفیت بالا)

پیش نمایش 4 :

.

لینک دانلود (کیفیت بالا)

پیش نمایش 5 :

.

لینک دانلود (کیفیت بالا)

نوشته فیلم آموزش فارسی جعبه ابزار برازش منحنی در متلب اولین بار در ايران متلب. پدیدار شد.

اگر هزینه شرکت در کلاس متلب را ندارید

اگر نمی تونید در کلاسهای برنامه نویسی ما شرکت کنید

ما برای شما مجموعه ای از بهترین اسلایدهای فارسی آموزش متلب را تهیه کردیم که می تونید در اینجا دانلود کرده و لذت ببرید.

ویژگیهای اصلی متلب

oآشنایی با محیط متلب

oعملیات ریاضی ساده

oعملگرهای ریاضی متلب

oفضای کاری متلب (Workspace)

oفرمت نمایش اعداد

oانواع متغیرها

oنامگذاری متغیرها

o متغیرهای ویژه

o علائم نقطه گذاری و جملات توضیحی

o اعداد مختلط

oبعضی از توابع ریاضی در متلب

oراهنمای متلب

oفایلهای متنی یا m-فایلها

oمدیریت فایل در متلب

MFasl01_matlab1.ir

آرایه ها در متلب

MFasl02_matlab1.ir

توابع و عملیات ماتریسی

MFasl03_matlab1.ir

عملیات منطقی و رابطه ای

MFasl04_matlab1.ir

رشته های کارکتری

MFasl05_matlab1.ir

تصمیم گیری و کنترل روند و حلقه ها و دستورات شرطی

MFasl06_matlab1.ir

ایجاد توابع یا تابع در متلب

MFasl07_matlab1.ir

تجریه و تحلیل فوریه

MFasl08_matlab1.ir

نمودارهای دو بعدی

MFasl09_matlab1.ir

چند جمله ای ها در متلب MATLAB

MFasl10_matlab1.ir

برازش منحنی و درونیابی

MFasl11_matlab1.ir

نمودار های سه بعدی در متلب MATLAB

MFasl12_matlab1.ir

نوشته مجموعه ای از بهترین اسلایدهای آموزش فارسی متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

ANFIS(adaptive network-based fuzzy inference system) شبکه تطبيق پذير و قابل آموزشی است که به لحاظ عملکرد کاملا مشابه سيستم استنتاج فازی است.

برای سادگی کار فرض می کنيم که سيستم فازی ما دو ورودی x و y دارد و خروجی آن z است. حال اگر قوانين به صورت زير باشند :

و اگر برای غير فازی ساز از غير فازی ساز ميانگين مراکز استفاده کنيم خروجی به صورت زير خواهد بود:

ساختار معادل ANFIS به صورت زير خواهد بود:

لايه 1: در اين لايه ورودي ها از توابع عضويت عبور(membership functions) می کنند.

توابع عضويت هر تابع پارامتری مناسبی می تواند باشد که در اکثر موارد توابع گاوسين انتخاب می شوند. مثل تابع زنگی شکل عمومی:

که  aو b وc مجموعه پارامترها هستند. پارامتر های اين لايه به پارامتر های اوليه       (premise parameters) معروف هستند.

لايه 2: خروجی اين لايه ضرب سيگنال های ورودی است که در واقع معادل قسمت اگر قوانين هستند.

لايه 3: خروجی اين لايه نرماليزه شده لايه قبلی است:

لايه 4:

لايه 5: خروجی اين لايه خروجی کلی سيستم است:

اکنون يک شبکه توليد شده است که معادل سيستم استنتاج فازی سوگنو است.

حال قرار است روش های آموزش چنين شبکه ای بررسی شود.

برای اين کار ابتدا در لايه 1 تمام قوانين موجود را تشکيل می دهيم.به طور مثال اگر 2 ورودی داشته باشيم که هر کدام 3 تابع عضويت داشته باشد 9 قانون بايد تشکيل دهيم.

که به صورت زير خواهد بود.

روشهای مختلف آموزش ANFIS

1-  Gradient Descent

2- ترکيبی (hybrid)

3- Levenberg-Marquardt

روش ترکيبی(hybrid)

در اين روش از ترکيب روش گراديان نزولی و حداقل مربعات خطا (LSE) استفاده می شود.

روش ديگری نيز برای محاسبه پارامتر ها وجود دارد که يک روش بازگشتی است (RLSE) اين روش به دو دليل به وجود آمده است.

1-   گاهی ممکن است که ماتريس  معکوس پذيز نباشد.

2-   فرض کنيد  را حساب کرده ايم اگر يک جفت داده ورودی خروجی جديد به سيسیتم اضافه شود در روش قبل دوباره بايد کل پارامتر ها محاسبه شوند ولی در اين روش فقط مقدار پارامتر جديد به دست می آيد.

طريقه آموزش ANFIS با روش ترکيبی

در هر تکرار feedforward  می رويم تا وقتی که ماتريس A که در روش LSE گفته شد به دست آيد. خروجی ها را هم که داريم . سپس توسط روش ترکيبی پارامتر ها را به دست می آوريم. لازم به ذکر است که همه داده های آموزشي بايد اعمال شوند و همجنين پارامتر های اوليه(premise patameters)  ثابت نگه داشته می شوند. سپس پارامترهای تالی (conclusion parameters) ثابت نگه داشته می شوند و پارامترهای اوليه توسط گراديان نزولی تنظيم می شوند.

دانلود فایل کامل

محصولات مرتبط

نوشته سيستم های فازی بررسی روشهای مختلف آموزش ANFIS اولین بار در ايران متلب. پدیدار شد.

در MATLAB مي توان دو نوع عمليات روي آرايه ها انجــام داد كـه بـه آنـها عمليـات ماتريسـي و عمليات عضو به عضو مي گويند.  عمليات ماتريسي شامل محاسبه ترانهاده، ضرب ماتريسي، جمـع و تفريق آرايـه هاي هم اندازه و غيره مي شود.  ترانهاده يك ماتـريـس با كمك علامـت پريـم بدسـت مي آيد:

» r=rand(2,4)

r =     0.9501    0.6068    0.8913    0.4565

    0.2311    0.4860    0.7621    0.0185

» r’ ans =     0.9501    0.2311

    0.6068    0.4860

    0.8913    0.7621

    0.4565    0.0185

ضرب ماتريسي با استفاده از علامت * و جمع و تفريق ماتريسها بـا اسـتفاده از علامتـهاي مربوطـه انجام مي گيرند:

» v=[1:4];

» r*v’ ans =     6.6636

    3.5634

» s=[0:3; 2:-.5:.5];

» s+r ans =     0.9501    1.6068    2.8913    3.4565

    2.2311    1.9860    1.7621    0.5185

٢-٤   عمليات عضو به عضو روي آرايه ها

انجام عمليات جبري روي آرايه ها در MATLAB نيازمند دقت است.  بطور كلــي دو نـوع عمليـات مي توان روي آرايه ها انجام داد: ١-عمليات عضو به عضــو، ٢-عمليـات بـرداري-ماتريسـي.  اشـتباه گرفتن اين دو نوع عمليات باعث بروز مشكل در محاسبات مي گردد.  دو بردار زير را در نظر بگيريد:

» a=[1 2 3];

» b=[2 -1 0];

فرض كنيد كه مي خواهيد اين دو را در هم ضرب كنيد:

» a*b

??? Error using ==> *

Inner matrix dimensions must agree.

دليل گرفتن پيام خطا از عمل فوق اين است كه در MATLAB استفاده از علامت ضرب به تنـهايي به معناي ضرب ماتريسي است.  بنابراين عمل بالا را مي توان با ترانهاده بردار دوم به انجام رسانيد:

» a*b’

ans =

     0

اين عمل در حقيقت ضرب اسكالر دو ماتريس است، يعني:  ٠=٠*٣+(١-)*٢+٢*١

حال اگر بخواهيد ضرب عضو به عضو اين دو بردار را به دست آوريد بايد يك نقطــه قبـل از علامـت ضرب بگذاريد:

» a.*b

ans =

     2    -2     0

همين دستورالعمل را مي توان براي تقسيم و به توان رساندن آرايه ها بكار بست:

» a.^2 ans =

     1     4     9

در صورت فراموش كردن نقطه قبل از علامت توان:

» a^2

??? Error using ==> ^

Matrix must be square.

نوشته عمليات ماتريسي روي آرايه ها در متلب matlab اولین بار در ايران متلب. پدیدار شد.

یکی از توابع پر کاربرد متلب برای برازش داده ، تابع  fit می باشد .

با این تابع شما می توانید توابع زیادی را تقریب بزنید که در زیر خلاصه ای از آنها را می بینید .

چند جمله ای

Polynomial Model Names and Equations

Examples of Polynomial Model Names for Curves           Equations

poly1                                                                                      Y = p1*x+p2

poly2                                                                                      Y = p1*x^2+p2*x+p3

poly3                                                                                      Y = p1*x^3+p2*x^2+…+p4

…etc., up to poly9                                                                 Y = p1*x^9+p2*x^8+…+p10

آموزش تول‌باکس کرو فیتینگ نرم‌‌افزار متلب

کرو فیتینگ (Curve Fitting) چیست؟

کروفیتینگ یا برازش منحنی، به عملی گفته می‌شود که با کمک آن می‌توان معادله‌های خطوط پیچیده را از مجموعه‌ای از نقاط عبور داد. این نقاط می‌توانند همان داده‌های آزمایشگاهی باشند. مثلاً شما تعدادی داده‌ی آزمایشگاهی دارید و می‌خواهید بهترین خط با معادله‌ی y=ax^2+Sin x را از این نقاط عبور دهید. معادله‌ی بدست آمده الزماً از داده‌های شما عبور نمی‌کند؛ این معادله بهترین معادله‌ای خواهد بود که به تمامی داده‌های شما نزدیک است. شما به کمک نرم‌افزار متلب (Matlab) می‌توانید این عمل را انجام دهید. در واقع، نرم‌افزار متلب به شما اجازه‌ی انتخاب هر نوع معادله‌ای را می‌دهد و شما با انتخاب نوع معادله و ورود داده‌ها به نرم‌افزار می‌توانید ضرایب معادله مورد نظر خود را بدست آورید. این معادلات می‌توانند چندپارامتری و یا چندمتغیره باشند. در ادامه‌ی مطلب به صورت تصویری، چگونگی برازش منحنی یا کرو فیتینگ ( Curve Fitting) در نرم‌افزار متلب را توضیح داده‌ام.

ابتدا در پنجره اجرای دستورات مطابق شکل تایپ کنید: cftool

اکنون پنجره مربوط به جعبه ابزار برازش منحنی (Curve Fitting Toolbox ) طبق عکس زیر، در محیط نرم‌افزار متلب باز می شود:

حال برای اجرای یک مثال ساده یا خود شما داده هایی را وارد نرم افزار متلب بکنید و یا هم دستور زیر را تایپ نمایید تا داده هایی از دیتا بیس نرم افزار متلب وارد محیط نرم‌افزار شود:

پس از اجرای دستور فوق در محیط نرم‌افزار با پنجره زیر مواجه خواهید شد:

ه شامل دو ماتریس می‌باشد.

حال از پنجره‌ی جعبه ابزار که قبلا باز کرده بودیم، روی data کلیک کنید تا مطابق شکل پنجره ای باز شود و گزینه های X , Y  را طبق شکل تنظیم کنید.

سپس بر روی  Create data set  کلیک کنید تا پنجره زیر ظاهر گردد:

روی View کلیک کنید.

اکنون روی close کلیک کنید.

حال به پنجره زیر بروید و روی Fitting کلیک کنید.

وقتی کلیک کردید پنجره زیر ظاهر می گردد:

وقتی شما چک باکس Immediate apply را علامت زدید و روی New Fit هم کلیک کرده باشید معادلات مختلف و ضرایبشان را مشاهده خواهید کرد و خطوط متناظر با این معادلات از مجموعه نقاط شما عبور خواهد کرد. در قسمت نتایج Result می‌توانید مقدار عددی رگرسیون نیز مشاهده کنید.

شما می توانید در یک شکل جند بار New Fit را بزنید و مطابق شکل چندین منحنی همزمان در یک صفحه از مجموعه نقاط شما عبور خواهد کرد.

برای اینکه بدانید  کدام یک از نقاط شما از سایر نقاط پرت است و به اصطلاح ممکن است بر اثر خطای آزمایش بوجود آمده باشد کارهای زیر را انجام دهید:

در تصویر بالا از منوی View  گزینه Residuals  و سپس Line Plot  را انتحاب کنید تا شکل زیر به پایین نمودار مطابق شکل اضافه شود:

این شکل نشان می دهد که نقاطی که نزدیک به ۱۹۴۰ هستند، ممکن است داده های پرت باشند و در صورت حذف این داده و داده سمت راست آن، منحنیِ بهتری و با دقت بیشتری خواهیم داشت که رگرسیون آن نیز به مراتب به واحد نزدیک‌تر خواهد بود.

تول باکس کروفیتینگ متلب امکانات گسترده‌ی دیگری نیز دارد. به عنوان مثال شما غیر از این ۳۵ معادله که می‌توانید داده‌های خود را روی آن‌ها فیت کنید، می‌توانید ترکیبی از این معادلات و یا هر معادله‌ی دل‌خواهی را از داده‌ها عبور دهید. اگر شما بخواهید که از امکانات این جعبه ابزار در وسط برنامه (m-file) استفاده کنید، شما باید از کدهایی که در هلپ نرم‌افزار توضیح داده شده، به کار ببرید. تول باکس کرو فیتینگ متلب قابلیت محاسبه‌ی مشتق عددی و یا انتگرال‌گیری از منحنی‌هایی که از داده‌های شما عبور می‌کند نیز دارد. هم‌چنین به کمک این جعبه‌ابزار می‌توانید معادلات چند متغیره و چند پارامتری را از داده‌هایتان عبور دهید.

نوشته آموزش جعبه ابزار برازش داده curve fitting در متلب matlab اولین بار در ايران متلب. پدیدار شد.

همانطور که می دانید نرم افزارهای زیادی جهت انجام محاسبات ریاضی پیچیده و علمی وجود دارد که هر یک مزایا و معایب خاص خود را دارند .
بدون شک ۳ نرم افزار پرکاربرد در این زمینه MATLAB ، Mathematica و Maple هستند. اما شاید بیشتر افراد با تفاوت ها و مزایای هر یک از این نرم افزارها نسبت به سایرین آشنا نباشند.
کتابی که در این پست برای کاربران قرار داده ایم، توسط دکتر عقیله حیدری، از اساتید دانشگاه پیام نور، نوشته شده است. در این کتاب به تفصیل به بررسی ویژگی ها و مزایا و معایب هر یک از این نرم افزارها پرداخته شده است.

تعداد صفحات کتاب : ۱۸۰ صفحه

اندازه فایل : 3MB

دانلود فايل

نوشته دانلود کتاب آشنایی با نرم افزار های مفید ریاضی اولین بار در ايران متلب. پدیدار شد.

HSPICE یکی از قدرتمندترین نرم افزارهای تحلیل مدارت آنالوگ و دیجیتال می باشد و MATLAB  قابلیت های بسیار زیادی دارد که گاهی لازم می شود تا خروجی های اچ اس پایس را وارد متلب کنیم و از قدرت بالای متلب استفاده کنیم .

یکی از مهم ترین دستورات HSPICE toolbax به نام loadsig می باشد.

کار با این دستور بسیار راحت است.

فایل خروجی تولید شده توسط HSPICE را که با پسوندهای زیر می باشد به عنوان ورودی به این دستور بدهید .

فرض کنید ما تحلیل گذرا بر روی فایل exam1.sp انجام داده ایم .

فایل exam1.tr0 توسط HSPICE تولید می شود.

این فایل تمامی سیگنالهای گذرای مدار در حوزه زمان را شامل می شود که با Awaves می توانید یکی از اینها را انتخاب کنید و نمایش دهید.

برای وارد کردن سیگنالهای داخل فایل exam1.tr0 دستور loadsig را به صورت زیر وارد می کنیم.

sig = loadsig(‘exam1.tr0’)

متغییری در متلب به نام sig ایجاد می شود.

این متغییر از نوع ساختاری یا structure می باشد.

تعداد فیلدهای این متغییر وابسته به مدار شما می باشد. اگر 8 شکل موج دارید، این متغییر 8 فیلد دارد.

اگر 100 سیگنال دارید، این متغییر 100 فیلد خواهد داشت.

برای دیدن فیلدهای این متغییر دو بار بر روی آن در محیط کاری متلب کلیک کنید تا باز شود. نوع شکل موجی که مدنظرتان می باشد را پیدا کنید و شماره فیلد آن را یادداشت کنید.

دریافت نسخه آخر نرم افزار HSPICE toolbax از لینک زیر می توانید اقدام کنید.

لینک دریافت HSPICE toolbax

فیلم آموزش فارسی HSPICE

نوشته لینک MATLAB و HSPICE اولین بار در ايران متلب. پدیدار شد.

ویولت یا موجک یکی از ابزارهای مهم در مهندسی می باشد که در سایت گروه برنامه نویسی متلب ایران می توانید مطالب مفیدی را در این زمینه بیابید.

matlab1.ir

مطلبی که می خواهیم در این صفحه در مورد آن صحبت کنیم ترکیب ویولت و شبکه عصبی می باشد.

ابتدا توضیح مختصری در مورد شبکه عصبی می آوریم.

شبکه عصبی MLP

شبکه (MLP) مجموعه ای از نورون ها است که در لایه مختلفی پشت سر هم قرار گرفته اند. مقادیر ورودی پس از ضرب در وزن های موجود در گذر گاه های بین لایه ها به نورون بعدی رسیده و در آن جا با هم جمع می شوند و پس از عبور از تابع شبکه مربوطه خروجی نورون ها را تشکیل می دهند. در پایان خروجی به دست آمده با خروجی مورد نظر مقایسه شده و خطای به دست آمده جهت اصلاح وزن های شبکه به کار می رود ، این امر اصطلاحاً آموزش شبکه عصبی نامیده می شود .

قاعده فراگیری MLP

قاعده فراگیری پرسپترون چند لایه را «قاعده کلی دلتا» یا « قاعده پس انتشار » می گویند . این عناوین در سال 1986 رومل هارت ، مک کللند و ویلیامز پیشنهاد شد.

اولین گروهی بودند که نه تنها قاعده فراگیری پرسپترون را به طور مستقل کشف کردند بلکه با ترکیب آن ها پرسپترون چند لایه را ایجاد نمودند. کتاب آن ها به نام «پردازش توزیع شده موازی» یکی از مهم ترین منابع این حوزه علمی می باشد.

نحوه عمل پرسپترون چند لایه ای مشابه پرسپترون تک لایه ای است. به این صورت که الگویی به شبکه عرضه می شود و خروجی آن محاسبه می گردد ، مقایسه خروجی واقعی و خروجی مطلوب باعث می گردد که ضرایب وزنی شبکه تغییر یابد به طوری که در مراحل بعد خروجی صحیح تری حاصل شود. وقتی به شبکه آموزش ندیده ای الگویی را عرضه می کنیم ، خروجی های تصادفی تولید می کند. ابتدا باید تابع خطایی را تعریف کنیم که تفاوت خروجی واقعی و خروجی مطلوب را نشان دهد. از آن جایی که خروجی مطلوب را می دانیم این نوع فراگیری را « فراگیری با سرپرستی » می نامیم.

برای موفقیت در آموزش شبکه باید خروجی آن را به تدریج به خروجی مطلوب نزدیک کنیم. به عبارت دیگر باید میزان خطا را کاهش دهیم. برای رسیدن به هدف از قانون دلتا استفاده می کنیم.

 تبدیل موجک ( ویولت Wavelet )

تبدیلات موجک یا ویولت (Wavelet) از جمله ابزارهایی هستند که کاربردهای فراوانی در شاخه های مختلف علمی و مهندسی، به ویژه هوش مصنوعی، یادگیری ماشینی، پیش بینی سری زمانی، و بازشناسی الگو دارد. تئوری موجک ها در واقع تعمیمی بر تئوری تبدیلات و سری های فوریه است و ضعف های آنالیز فوریه در عملکرد موضعی و مدل سازی رفتارهای کوتاه مدت را، جبران می نماید.

موجک یا ویولت (به انگلیسی: Wavelet) دسته‌ای از توابع ریاضی هستند که برای تجزیه سیگنال پیوسته به مؤلفه‌های فرکانسی آن بکار می‌رود که رزولوشن هر مؤلفه برابر با مقیاس آن است. تبدیل موجک تجزیه یک تابع بر مبنای توابع موجک می‌باشد. موجک‌ها (که به عنوان موجک‌های دختر شناخته می‌شوند) نمونه‌های انتقال یافته و مقیاس شده یک تابع (موجک مادر) با طول متناهی و نوسانی شدیداً میرا هستند. چند نمونه موجک مادر در شکل زیر نمایش داده شده‌اند.

تعداد زیادی تبدیل موجک وجود دارد که لیست آن را می‌شود در فهرست تبدیل‌های مرتبط با موجک مشاهده نمود. معمول‌ترین این تبدیل‌ها عبارتند از:

• تبدیل موجک پیوسته (Continuous wavelet transform (CWT
• تبدیل موجک گسسته Discrete wavelet transform (DWT)
• تبدیل سریع موجک Fast wavelet transform (FWT)
• Lifting scheme
• تجزیه بسته‌های موجکWavelet packet decomposition (WPD)
• تبدیل موجک ساکن Stationary wavelet transform (SWT)

مقایسه تبدیل موجک با تبدیل فوریه

در مقایسه با تبدیل فوریه می‌توان گفت که تبدیل موجک دارای خصوصیت محلی‌سازی بسیار خوبی است. بطور مثال تبدیل فوریه یک پیک تیز دارای تعداد زیادی ضریب است، چرا که توابع پایه تبدیل فوریه توابع سینوسی و کسینوسی هستند که دامنه آنها در کل بازه ثابت است، در حالی که توابع موجک توابعی هستند که بیشتر انرژی آنها در بازه کوچکی متمرکز شده‌است و به سرعت میرا می‌شوند. بنابراین با انتخاب مناسب موجک های مادر می توان فشرده سازی بهتری در مقایسه با تبدیل فوریه انجام داد.

ترکیب ویولت و شبکه عصبی MLP :

برای ترکیب ویولت و شبکه عصبی دو راه در مقالات به آن اشاره شده است :

روش 1 :

 در ابتدا بوسيله تبديل ويولت گسسته و قابليت آن در تجزيه و تحليل سيگنال با رزولوشن هاي مختلف، سگينال در چند سطح تجزيه مي شود، سپس با استفاده از انحراف معيار ضرايب ويولت هر سطح براي هر اغتشاش يك بردار ويژگي استخراج شده كه مبناي كلاس بندي سيگنال توسط شبكه عصبي مي باشد.

روش 2 :

در این روش ویولت در قلب شبکه عصبی MLP استفاده می شود. همانطور که در قسمت بالا توضیح داده شد. یک شبکه عصبی از چندین نرون تشکیل شده است که هر نرون در خروجی خود یک تابع تبدیل یا transfer function دارد. در این روش تابع تبدیل نرون دستخوش تغییر می شود.

به عبارت دیگر یکی از ویولت ها را به صورت یک تابع می نویسیم و در خروجی هر نرون شبکه عصبی قرار می دهیم. لذا شبکه عصبی ورودیها را می گیرد و بنا به وزن ها و بایاس خود خروجی هایی را تولید می کندو در انتها خروجی از یک تابع تبدیل عبور می کند.

کد های هر دو روش بالا موجود است که شما می توانید با گروه تماس بگیرید و تنها با پرداخت مبلغی ناچیز این دو کد را دریافت کنید.

کد نویسی روش دوم نیاز به تجریه و تبحر بالایی در برنامه نویسی دارد.

لینک دنلود

نوشته شبکه عصبی ویولت چیست ؟ اولین بار در ايران متلب. پدیدار شد.

اگر با برنامه MATLAB سروکار داريد و مي خواهيد هميشه و همه جا به راحتي به آن دسترسي داشته باشيد نسخه موبايل نرم افزار MATLAB را روي گوشي خود نصب کنيد. اين برنامه نسخه سبک نرم افزار MATLAB است که هم مي تواند از طريق اينترنت به سيستم MathWorks Cloud کمپاني MATLAB متصل شود و هم مي تواند از طريق WiFi به نسخه کامپيوتر نرم افزار MATLAB که در کامپيوتر شما نصب است متصل شود و اجرا شود.

نرم افزار MATLAB يکي از برترين نرم افزار هاي ساخته شده براي تمام رشته هاي مهندسي مي باشد. رشته هايي مانند : کامپيوتر ، الکترونيک ، مکانيک، هوا و فضا و… اين نرم افزار کاربردهاي زيادي دارد که برخي از آنها عبارتند از: ترسيم نمودار بر اساس فرمولي که به برنامه مي دهيم، ترسيم شکل موج سيگنال، پردازش تصوير و… .

نام: MATLAB
شماره نسخه: 1.1.0.25
پلاتفرم: , Android ,
ويرايش پلاتفرم: Android 2.3.3 or later
سايز صفحه: , Multi Screen ,
تاريخ انتشار: 13:00 – 92/12/4

لینک دانلود 1

لينک دانلود 2

صفحه آغازين

تايپ دستور در پنجره فرمان

پنجره تاريخچه history

اجراي دستور رسم نمودار

گرفتن خروجي رسم نمودار

نکته مهم : براي اجرا بر روي گوشي موبايل حتما اينترنت شما بايد 3G به بالا باشد.

نوشته دانلود نرم افزار متلب برای موبایل اولین بار در ايران متلب. پدیدار شد.

لینک دانلود

نوشته جزوه کلاس متلب خلاصه اولین بار در ايران متلب. پدیدار شد.