<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>بایگانی‌های هوش مصنوعی - ايران متلب</title>
	<atom:link href="https://matlab1.ir/tag/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C/feed/" rel="self" type="application/rss+xml" />
	<link>https://matlab1.ir/tag/هوش-مصنوعی/</link>
	<description>مرجع فیلم های آموزشی فارسی دانشگاهی و مهندسی</description>
	<lastBuildDate>Sun, 30 Aug 2026 11:03:08 +0000</lastBuildDate>
	<language>fa-IR</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	

<image>
	<url>https://matlab1.ir/wp-content/uploads/2017/08/ref_a2-150x150.png</url>
	<title>بایگانی‌های هوش مصنوعی - ايران متلب</title>
	<link>https://matlab1.ir/tag/هوش-مصنوعی/</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>فیلم جامع آموزش فارسی الگوریتم ژنتیک در MATLAB</title>
		<link>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c%da%a9-%d8%af-2/</link>
					<comments>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c%da%a9-%d8%af-2/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sun, 30 Aug 2026 11:03:08 +0000</pubDate>
				<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[هوش مصنوعی]]></category>
		<category><![CDATA[Artificial intelligence]]></category>
		<category><![CDATA[آموزش الگوریتم ژنتیک]]></category>
		<category><![CDATA[آموزش الگوریتم ژنتیک MATLAB]]></category>
		<category><![CDATA[آموزش GA در متلب]]></category>
		<category><![CDATA[آموزش GENETIC ALGORITHM]]></category>
		<category><![CDATA[آموزش MATLAB]]></category>
		<category><![CDATA[آموزش متلب]]></category>
		<category><![CDATA[آمیختگی الگوریتم ژنتیک]]></category>
		<category><![CDATA[الگوریتم تکاملی]]></category>
		<category><![CDATA[الگوریتم ژنتیک]]></category>
		<category><![CDATA[الگوریتم ژنتیک باینری]]></category>
		<category><![CDATA[الگوریتم ژنتیک برای پایان نامه]]></category>
		<category><![CDATA[الگوریتم ژنتیک در متلب]]></category>
		<category><![CDATA[الگوریتم فراابتکاری]]></category>
		<category><![CDATA[انتخاب تورنومنت]]></category>
		<category><![CDATA[انتخاب در الگوریتم ژنتیک]]></category>
		<category><![CDATA[انتخاب ویژگی با الگوریتم ژنتیک]]></category>
		<category><![CDATA[Binary Encoding]]></category>
		<category><![CDATA[binary genetic algorithm]]></category>
		<category><![CDATA[Chromosome Encoding]]></category>
		<category><![CDATA[Chromosome GA]]></category>
		<category><![CDATA[Computational Intelligence]]></category>
		<category><![CDATA[Convergence Curve]]></category>
		<category><![CDATA[Cost Function]]></category>
		<category><![CDATA[Crossover]]></category>
		<category><![CDATA[Crossover Probability]]></category>
		<category><![CDATA[Elitism]]></category>
		<category><![CDATA[Elitist Selection]]></category>
		<category><![CDATA[Evolutionary Algorithm]]></category>
		<category><![CDATA[Evolutionary Computation]]></category>
		<category><![CDATA[Feature Selection GA]]></category>
		<category><![CDATA[Fitness Function]]></category>
		<category><![CDATA[GA]]></category>
		<category><![CDATA[GA Convergence]]></category>
		<category><![CDATA[GA MATLAB]]></category>
		<category><![CDATA[Gene GA]]></category>
		<category><![CDATA[Generation]]></category>
		<category><![CDATA[genetic algorithm]]></category>
		<category><![CDATA[Genetic Algorithm Code]]></category>
		<category><![CDATA[Genetic Algorithm Control]]></category>
		<category><![CDATA[Genetic Algorithm Feature Selection]]></category>
		<category><![CDATA[Genetic Algorithm MATLAB]]></category>
		<category><![CDATA[Genetic Algorithm Scheduling]]></category>
		<category><![CDATA[Genetic Algorithm Tutorial]]></category>
		<category><![CDATA[Global Minimum]]></category>
		<category><![CDATA[Global Optimization]]></category>
		<category><![CDATA[Hyperparameter Optimization GA]]></category>
		<category><![CDATA[Initial Population]]></category>
		<category><![CDATA[Local Minimum]]></category>
		<category><![CDATA[MATLAB Genetic Algorithm Code]]></category>
		<category><![CDATA[MATLAB Optimization]]></category>
		<category><![CDATA[MATLAB Optimization Tutorial]]></category>
		<category><![CDATA[Metaheuristic]]></category>
		<category><![CDATA[Metaheuristic Algorithm]]></category>
		<category><![CDATA[Multi Point Crossover]]></category>
		<category><![CDATA[Mutation]]></category>
		<category><![CDATA[Mutation Operator]]></category>
		<category><![CDATA[Mutation Probability]]></category>
		<category><![CDATA[Neural Network Genetic Algorithm]]></category>
		<category><![CDATA[Objective Function]]></category>
		<category><![CDATA[Optimization]]></category>
		<category><![CDATA[Optimization Algorithm]]></category>
		<category><![CDATA[Population]]></category>
		<category><![CDATA[Power System GA]]></category>
		<category><![CDATA[Premature Convergence]]></category>
		<category><![CDATA[Random Population]]></category>
		<category><![CDATA[Real Coded Genetic Algorithm]]></category>
		<category><![CDATA[Real Encoding]]></category>
		<category><![CDATA[Real Valued GA]]></category>
		<category><![CDATA[Roulette Wheel Selection]]></category>
		<category><![CDATA[Selection]]></category>
		<category><![CDATA[Single Point Crossover]]></category>
		<category><![CDATA[Tournament Selection]]></category>
		<category><![CDATA[Two Point Crossover]]></category>
		<category><![CDATA[Uniform Crossover]]></category>
		<category><![CDATA[بهینه سازی]]></category>
		<category><![CDATA[بهینه سازی در متلب]]></category>
		<category><![CDATA[بهینه سازی سراسری]]></category>
		<category><![CDATA[پایان نامه الگوریتم ژنتیک]]></category>
		<category><![CDATA[پروژه الگوریتم ژنتیک]]></category>
		<category><![CDATA[پروژه GA]]></category>
		<category><![CDATA[تابع برازندگی]]></category>
		<category><![CDATA[تابع هدف]]></category>
		<category><![CDATA[تنظیم پارامتر با الگوریتم ژنتیک]]></category>
		<category><![CDATA[تولید جمعیت اولیه]]></category>
		<category><![CDATA[جمعیت الگوریتم ژنتیک]]></category>
		<category><![CDATA[جهش الگوریتم ژنتیک]]></category>
		<category><![CDATA[چرخ رولت]]></category>
		<category><![CDATA[زمان بندی با الگوریتم ژنتیک]]></category>
		<category><![CDATA[ژن الگوریتم ژنتیک]]></category>
		<category><![CDATA[سیستم قدرت الگوریتم ژنتیک]]></category>
		<category><![CDATA[شبکه عصبی و الگوریتم ژنتیک]]></category>
		<category><![CDATA[عملگر Crossover]]></category>
		<category><![CDATA[کدگذاری کروموزوم]]></category>
		<category><![CDATA[کدنویسی الگوریتم ژنتیک]]></category>
		<category><![CDATA[کروموزوم الگوریتم ژنتیک]]></category>
		<category><![CDATA[کنترل با الگوریتم ژنتیک]]></category>
		<category><![CDATA[محاسبات تکاملی]]></category>
		<category><![CDATA[مقاله الگوریتم ژنتیک]]></category>
		<category><![CDATA[نخبه گرایی]]></category>
		<category><![CDATA[نسل الگوریتم ژنتیک]]></category>
		<category><![CDATA[نمودار همگرایی]]></category>
		<category><![CDATA[همگرایی زودرس]]></category>
		<category><![CDATA[هوش محاسباتی]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14871</guid>

					<description><![CDATA[<p>الگوریتم ژنتیک یا Genetic Algorithm (GA) یکی از شناخته‌شده‌ترین روش‌های بهینه‌سازی تکاملی است که از مفاهیم انتخاب طبیعی و ژنتیک الهام گرفته شده است. این الگوریتم به جای بررسی مستقیم همه جواب‌های [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c%da%a9-%d8%af-2/">فیلم جامع آموزش فارسی الگوریتم ژنتیک در MATLAB</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p><strong>الگوریتم ژنتیک یا Genetic Algorithm (GA)</strong> یکی از شناخته‌شده‌ترین روش‌های بهینه‌سازی تکاملی است که از مفاهیم انتخاب طبیعی و ژنتیک الهام گرفته شده است. این الگوریتم به جای بررسی مستقیم همه جواب‌های ممکن، با یک جمعیت از جواب‌های اولیه شروع می‌کند و با استفاده از عملگرهایی مانند انتخاب، آمیختگی و جهش، نسل‌های جدیدی از جواب‌ها را تولید می‌کند.</p>
<p>الگوریتم ژنتیک در بسیاری از مسائل بهینه‌سازی که فضای جستجوی بزرگ، غیرخطی یا پیچیده دارند قابل استفاده است و به همین دلیل در حوزه‌های مختلف مهندسی، هوش مصنوعی و علوم کاربرد فراوانی پیدا کرده است.</p>
<h3>الگوریتم ژنتیک چگونه کار می‌کند؟</h3>
<p>در یک مسئله بهینه‌سازی، ابتدا باید متغیرهای تصمیم مشخص شوند. سپس هر جواب ممکن به شکلی قابل استفاده برای الگوریتم نمایش داده می‌شود.</p>
<p>الگوریتم ژنتیک معمولاً با مراحل زیر اجرا می‌شود:</p>
<ol>
<li>تولید جمعیت اولیه</li>
<li>محاسبه مقدار تابع برازندگی</li>
<li>انتخاب والدین مناسب</li>
<li>انجام Crossover</li>
<li>اعمال Mutation</li>
<li>تولید نسل جدید</li>
<li>ارزیابی نسل جدید</li>
<li>تکرار مراحل تا رسیدن به شرط توقف</li>
</ol>
<p>هدف این فرایند آن است که با گذشت نسل‌ها، کیفیت جواب‌های موجود در جمعیت افزایش پیدا کند.</p>
<h3>کروموزوم در الگوریتم ژنتیک</h3>
<p>در GA هر جواب ممکن برای مسئله با یک <strong>Chromosome</strong> نمایش داده می‌شود.</p>
<p>کروموزوم شامل مجموعه‌ای از ژن‌ها است و هر ژن می‌تواند نماینده یکی از متغیرهای مسئله باشد.</p>
<p>برای مثال اگر مسئله دارای سه متغیر تصمیم باشد، یک کروموزوم می‌تواند اطلاعات مربوط به این سه متغیر را در خود نگه دارد.</p>
<p>نحوه نمایش کروموزوم اهمیت زیادی دارد، زیرا ساختار آن باید متناسب با مسئله بهینه‌سازی انتخاب شود.</p>
<h3>کدگذاری باینری و حقیقی</h3>
<p>یکی از روش‌های کلاسیک نمایش کروموزوم‌ها، <strong>Binary Encoding</strong> است. در این روش متغیرها به رشته‌های صفر و یک تبدیل می‌شوند.</p>
<p>با این حال برای بسیاری از مسائل مهندسی استفاده از <strong>Real-Valued Encoding</strong> مناسب‌تر است، زیرا متغیرها مستقیماً به صورت اعداد حقیقی نمایش داده می‌شوند.</p>
<p>انتخاب نوع کدگذاری به ساختار مسئله، نوع متغیرها و روش اعمال عملگرهای ژنتیکی بستگی دارد.</p>
<h3>Population یا جمعیت</h3>
<p>مجموعه‌ای از چند کروموزوم یک <strong>Population</strong> را تشکیل می‌دهد.</p>
<p>هر عضو جمعیت یک جواب احتمالی برای مسئله است. در ابتدای اجرای الگوریتم، جمعیت اولیه معمولاً به صورت تصادفی ایجاد می‌شود.</p>
<p>سپس در هر Generation جمعیت جدیدی تولید می‌شود که انتظار داریم نسبت به نسل‌های قبلی جواب‌های مناسب‌تری در آن وجود داشته باشد.</p>
<p>تعداد اعضای جمعیت یکی از پارامترهای مهم الگوریتم ژنتیک است.</p>
<h3>تابع هدف و Fitness Function</h3>
<p>یکی از مهم‌ترین مراحل استفاده از الگوریتم ژنتیک، تعریف صحیح <strong>Objective Function یا تابع هدف</strong> است.</p>
<p>الگوریتم باید بتواند کیفیت هر جواب را اندازه‌گیری کند. این کار از طریق Fitness Function انجام می‌شود.</p>
<p>برای مثال ممکن است هدف مسئله یکی از موارد زیر باشد:</p>
<ul>
<li>کمینه کردن هزینه</li>
<li>کمینه کردن خطا</li>
<li>بیشینه کردن سود</li>
<li>بیشینه کردن راندمان</li>
<li>کاهش مصرف انرژی</li>
<li>پیدا کردن بهترین پارامترهای یک مدل</li>
</ul>
<p>اگر تابع هدف به درستی تعریف نشود، حتی یک الگوریتم ژنتیک خوب نیز نمی‌تواند جواب مناسبی برای مسئله پیدا کند.</p>
<h3>Selection یا انتخاب</h3>
<p>بعد از محاسبه Fitness، باید مشخص شود کدام اعضای جمعیت برای تولید نسل بعد انتخاب شوند.</p>
<p>به این مرحله <strong>Selection</strong> گفته می‌شود.</p>
<p>در حالت کلی جواب‌هایی که Fitness بهتری دارند، شانس بیشتری برای انتقال ویژگی‌های خود به نسل بعد خواهند داشت.</p>
<p>روش‌های مختلفی برای Selection وجود دارد.</p>
<h3>Roulette Wheel Selection</h3>
<p>یکی از روش‌های معروف انتخاب در GA، <strong>Roulette Wheel Selection</strong> است.</p>
<p>در این روش احتمال انتخاب هر عضو با کیفیت یا Fitness آن ارتباط دارد.</p>
<p>به صورت مفهومی می‌توان یک چرخ رولت را تصور کرد که اعضای بهتر سهم بیشتری از آن را در اختیار دارند؛ بنابراین احتمال انتخاب آن‌ها بیشتر است.</p>
<p>با این حال اعضای ضعیف‌تر نیز احتمال صفر ندارند و همین موضوع به حفظ تنوع جمعیت کمک می‌کند.</p>
<h3>Tournament Selection</h3>
<p>روش <strong>Tournament Selection</strong> نیز یکی از روش‌های پرکاربرد انتخاب است.</p>
<p>در این روش چند عضو از جمعیت انتخاب شده و با یکدیگر مقایسه می‌شوند. سپس عضو مناسب‌تر به عنوان والد انتخاب می‌شود.</p>
<p>این عملیات چندین بار تکرار می‌شود تا تعداد کافی والد برای تولید نسل بعد در اختیار الگوریتم قرار گیرد.</p>
<h3>Elitism</h3>
<p>در الگوریتم ژنتیک ممکن است بهترین جواب یک نسل در هنگام Crossover و Mutation از بین برود.</p>
<p>برای جلوگیری از این اتفاق می‌توان از <strong>Elitism</strong> استفاده کرد.</p>
<p>در روش نخبه‌گرایی، تعدادی از بهترین اعضای جمعیت بدون تغییر مستقیماً به نسل بعد منتقل می‌شوند.</p>
<p>این کار کمک می‌کند بهترین جواب پیدا شده تا آن لحظه از دست نرود.</p>
<h3>Crossover یا آمیختگی</h3>
<p>یکی از اصلی‌ترین عملگرهای الگوریتم ژنتیک <strong>Crossover</strong> است.</p>
<p>در این مرحله دو کروموزوم والد انتخاب می‌شوند و بخش‌هایی از اطلاعات آن‌ها با یکدیگر ترکیب می‌شوند تا فرزندان جدیدی ایجاد شوند.</p>
<p>ایده اصلی این است که شاید ترکیب ویژگی‌های خوب دو والد بتواند یک جواب بهتر تولید کند.</p>
<h3>Single Point Crossover</h3>
<p>در <strong>Single Point Crossover</strong> یک نقطه روی کروموزوم انتخاب می‌شود.</p>
<p>قسمتی از ژن‌های بعد از این نقطه میان والدها جابه‌جا می‌شوند و به این ترتیب دو فرزند جدید ایجاد می‌شوند.</p>
<p>این روش یکی از ساده‌ترین روش‌های آمیختگی در الگوریتم ژنتیک است.</p>
<h3>Two-Point و Multi-Point Crossover</h3>
<p>در Two-Point Crossover دو نقطه روی کروموزوم مشخص می‌شود و بخش قرار گرفته بین این دو نقطه میان والدها جابه‌جا می‌شود.</p>
<p>اگر تعداد بیشتری نقطه Crossover داشته باشیم، با یک روش <strong>Multi-Point Crossover</strong> مواجه هستیم.</p>
<p>انتخاب روش مناسب Crossover می‌تواند روی سرعت و کیفیت جستجو تأثیر بگذارد.</p>
<h3>Uniform Crossover</h3>
<p>در <strong>Uniform Crossover</strong> انتخاب ژن‌های فرزند می‌تواند برای هر موقعیت به صورت جداگانه انجام شود.</p>
<p>در نتیجه ترکیب ژن‌های والدین انعطاف بیشتری نسبت به روش‌های تک‌نقطه‌ای دارد.</p>
<p>نوع Crossover باید با نوع کدگذاری کروموزوم و ساختار مسئله هماهنگ باشد.</p>
<h3>Mutation یا جهش</h3>
<p>اگر تنها از Selection و Crossover استفاده شود، احتمال دارد جمعیت به تدریج تنوع خود را از دست بدهد.</p>
<p><strong>Mutation</strong> برای ایجاد تغییرات تصادفی کوچک در کروموزوم‌ها استفاده می‌شود.</p>
<p>در کدگذاری باینری، Mutation می‌تواند یک بیت صفر را به یک یا برعکس تبدیل کند.</p>
<p>در کدگذاری حقیقی نیز می‌توان مقدار یکی از متغیرها را با یک تغییر تصادفی اصلاح کرد.</p>
<p>هدف Mutation حفظ تنوع ژنتیکی و کمک به الگوریتم برای جستجوی نواحی جدید فضای جواب است.</p>
<h3>تعادل Exploration و Exploitation</h3>
<p>یکی از موضوعات مهم در الگوریتم‌های بهینه‌سازی، ایجاد تعادل میان:</p>
<ul>
<li><strong>Exploration</strong>: جستجوی نواحی جدید</li>
<li><strong>Exploitation</strong>: بهبود جواب‌های خوب موجود</li>
</ul>
<p>است.</p>
<p>Selection و Elitism معمولاً الگوریتم را به سمت جواب‌های خوب هدایت می‌کنند، در حالی که Mutation و تنوع جمعیت کمک می‌کنند فضای بیشتری از جواب‌های ممکن بررسی شود.</p>
<p>تنظیم مناسب پارامترها برای ایجاد این تعادل اهمیت زیادی دارد.</p>
<h3>احتمال Crossover و Mutation</h3>
<p>دو پارامتر مهم GA عبارتند از:</p>
<ul>
<li>Crossover Probability</li>
<li>Mutation Probability</li>
</ul>
<p>اگر Mutation بسیار کم باشد ممکن است الگوریتم تنوع کافی نداشته باشد. اگر بیش از حد زیاد باشد، رفتار الگوریتم می‌تواند بیش از اندازه تصادفی شود.</p>
<p>همین موضوع درباره نرخ Crossover نیز وجود دارد.</p>
<p>در پروژه‌های عملی ممکن است لازم باشد چند مقدار مختلف برای این پارامترها آزمایش شود.</p>
<h3>شرط توقف الگوریتم</h3>
<p>الگوریتم ژنتیک نمی‌تواند برای همیشه اجرا شود و باید یک معیار برای پایان عملیات تعریف کنیم.</p>
<p>شرط توقف می‌تواند بر اساس یکی از موارد زیر باشد:</p>
<ul>
<li>رسیدن به تعداد مشخصی Generation</li>
<li>رسیدن Fitness به مقدار مورد نظر</li>
<li>عدم بهبود جواب طی چند نسل</li>
<li>رسیدن به محدودیت زمانی</li>
<li>رسیدن تغییرات Fitness به مقدار بسیار کم</li>
</ul>
<p>پس از تحقق شرط توقف، بهترین جواب موجود در جمعیت به عنوان جواب الگوریتم گزارش می‌شود.</p>
<h3>همگرایی زودرس</h3>
<p>یکی از مشکلات احتمالی الگوریتم ژنتیک، <strong>Premature Convergence</strong> است.</p>
<p>در این حالت اعضای جمعیت خیلی زود شبیه یکدیگر می‌شوند و الگوریتم در یک ناحیه از فضای جستجو متوقف می‌شود.</p>
<p>این مسئله می‌تواند باعث شود الگوریتم به یک جواب محلی برسد و جواب بهتر موجود در فضای جستجو را پیدا نکند.</p>
<p>تنظیم Mutation، اندازه Population و روش Selection در کاهش این مشکل اهمیت دارند.</p>
<h3>پیاده‌سازی الگوریتم ژنتیک در MATLAB</h3>
<p>تمرکز اصلی این دوره بر <strong>پیاده‌سازی عملی Genetic Algorithm در MATLAB</strong> است.</p>
<p>MATLAB محیط مناسبی برای پیاده‌سازی الگوریتم‌های بهینه‌سازی است، زیرا کار با بردارها، ماتریس‌ها، اعداد تصادفی، توابع و نمودارها در آن ساده است.</p>
<p>در یک پیاده‌سازی GA معمولاً بخش‌هایی برای موارد زیر نوشته می‌شوند:</p>
<ul>
<li>تعریف مسئله</li>
<li>تولید Population</li>
<li>محاسبه Cost</li>
<li>Selection</li>
<li>Crossover</li>
<li>Mutation</li>
<li>ذخیره بهترین جواب</li>
<li>رسم روند همگرایی</li>
</ul>
<p>درک این اجزا به کاربر اجازه می‌دهد الگوریتم را برای پروژه‌های متفاوت تغییر دهد.</p>
<h3>رسم نمودار همگرایی</h3>
<p>برای بررسی عملکرد GA معمولاً بهترین مقدار تابع هدف در هر نسل ذخیره می‌شود.</p>
<p>سپس می‌توان <strong>Convergence Curve</strong> را رسم کرد.</p>
<p>این نمودار نشان می‌دهد الگوریتم در طول نسل‌ها چگونه جواب مسئله را بهبود داده است.</p>
<p>با مشاهده نمودار همگرایی می‌توان درباره سرعت بهبود الگوریتم و نیاز احتمالی به تغییر پارامترها تصمیم‌گیری کرد.</p>
<h3>الگوریتم ژنتیک برای مسائل مهندسی</h3>
<p>Genetic Algorithm محدود به یک رشته خاص نیست و می‌توان آن را در بسیاری از مسائل مهندسی استفاده کرد.</p>
<p>نمونه‌هایی از کاربردهای آن عبارتند از:</p>
<ul>
<li>بهینه‌سازی طراحی</li>
<li>سیستم‌های قدرت</li>
<li>کنترل</li>
<li>مکان‌یابی</li>
<li>زمان‌بندی</li>
<li>مهندسی صنایع</li>
<li>انتخاب ویژگی</li>
<li>تنظیم پارامترهای مدل</li>
<li>طراحی شبکه عصبی</li>
<li>مدیریت انرژی</li>
<li>بهینه‌سازی سازه</li>
<li>مسائل اقتصادی</li>
</ul>
<p>نکته اصلی این است که مسئله باید به شکلی تعریف شود که متغیرهای تصمیم، تابع هدف و در صورت وجود قیود آن مشخص باشند.</p>
<h3>استفاده از GA در یادگیری ماشین</h3>
<p>الگوریتم ژنتیک می‌تواند در مسائل Machine Learning نیز استفاده شود.</p>
<p>برای مثال می‌توان از GA برای:</p>
<ul>
<li>Feature Selection</li>
<li>Hyperparameter Optimization</li>
<li>انتخاب ساختار مدل</li>
<li>تنظیم پارامترهای شبکه عصبی</li>
<li>انتخاب متغیرهای ورودی</li>
<li>کمینه کردن خطای مدل</li>
</ul>
<p>استفاده کرد.</p>
<p>در این حالت عملکرد مدل یادگیری ماشین می‌تواند در داخل تابع هدف محاسبه شود و GA به دنبال ترکیبی از پارامترها باشد که عملکرد بهتری ایجاد کند.</p>
<h3>این آموزش برای چه افرادی مناسب است؟</h3>
<p>این دوره برای افراد زیر می‌تواند مفید باشد:</p>
<ul>
<li>دانشجویان مهندسی برق</li>
<li>دانشجویان کامپیوتر و هوش مصنوعی</li>
<li>دانشجویان صنایع</li>
<li>دانشجویان مکانیک و عمران</li>
<li>پژوهشگران بهینه‌سازی</li>
<li>دانشجویان کارشناسی ارشد و دکتری</li>
<li>افرادی که در پایان‌نامه از GA استفاده می‌کنند</li>
<li>افرادی که قصد کدنویسی الگوریتم‌های تکاملی در MATLAB را دارند</li>
</ul>
<h3>پیش‌نیاز دوره</h3>
<p>پیش‌نیاز معرفی‌شده برای این محصول، آشنایی با مبانی <strong>بهینه‌سازی</strong> است.</p>
<p>قبل از پیاده‌سازی یک الگوریتم ژنتیک باید بتوانید متغیرهای تصمیم، تابع هدف، محدوده متغیرها و در صورت نیاز قیود مسئله را به درستی تعریف کنید.</p>
<p>همچنین آشنایی مقدماتی با MATLAB برای استفاده بهتر از بخش کدنویسی توصیه می‌شود.</p>
<h3>هدف این آموزش</h3>
<p>هدف این دوره آن است که مخاطب ابتدا اجزای اصلی Genetic Algorithm را به صورت مفهومی درک کرده و سپس نحوه تبدیل این اجزا به کد MATLAB را یاد بگیرد.</p>
<p>پس از مشاهده آموزش، کاربر باید دید روشن‌تری نسبت به Population، Chromosome، Fitness Function، Selection، Crossover، Mutation و Generation داشته باشد و بتواند ساختار الگوریتم را برای مسئله بهینه‌سازی خود توسعه دهد.</p>
<blockquote class="wp-embedded-content" data-secret="gXPX4nS9yd"><p><a href="https://iran-matlab.ir/product/%d9%81%db%8c%d9%84%d9%85-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c%da%a9-%d8%af/">فیلم جامع آموزش فارسی الگوریتم ژنتیک در متلب MATLAB</a></p></blockquote>
<p><iframe class="wp-embedded-content" sandbox="allow-scripts" security="restricted"  title="“فیلم جامع آموزش فارسی الگوریتم ژنتیک در متلب MATLAB” — ایران متلب" src="https://iran-matlab.ir/product/%d9%81%db%8c%d9%84%d9%85-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c%da%a9-%d8%af/embed/#?secret=tH3MtkLJOB#?secret=gXPX4nS9yd" data-secret="gXPX4nS9yd" width="600" height="338" frameborder="0" marginwidth="0" marginheight="0" scrolling="no"></iframe></p>
<p>نوشته <a href="https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c%da%a9-%d8%af-2/">فیلم جامع آموزش فارسی الگوریتم ژنتیک در MATLAB</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c%da%a9-%d8%af-2/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>فیلم آموزش فارسی فازی نوع 2 در MATLAB</title>
		<link>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%81%d8%a7%d8%b2%db%8c-%d9%86%d9%88%d8%b9-2-%d8%af%d8%b1-matlab/</link>
					<comments>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%81%d8%a7%d8%b2%db%8c-%d9%86%d9%88%d8%b9-2-%d8%af%d8%b1-matlab/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sun, 30 Aug 2026 10:57:11 +0000</pubDate>
				<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[منطق فازي]]></category>
		<category><![CDATA[Artificial intelligence]]></category>
		<category><![CDATA[آموزش FOU]]></category>
		<category><![CDATA[آموزش MATLAB]]></category>
		<category><![CDATA[آموزش Type 2 Fuzzy]]></category>
		<category><![CDATA[آموزش Type Reduction]]></category>
		<category><![CDATA[آموزش type2fls]]></category>
		<category><![CDATA[آموزش تولباکس فازی نوع 2]]></category>
		<category><![CDATA[آموزش سیستم فازی نوع 2]]></category>
		<category><![CDATA[آموزش فازی نوع 2]]></category>
		<category><![CDATA[آموزش فازی نوع 2 MATLAB]]></category>
		<category><![CDATA[آموزش متلب]]></category>
		<category><![CDATA[الگوریتم Karnik Mendel]]></category>
		<category><![CDATA[الگوریتم KM]]></category>
		<category><![CDATA[Center of Gravity]]></category>
		<category><![CDATA[Center of Sets]]></category>
		<category><![CDATA[Classification Fuzzy]]></category>
		<category><![CDATA[COG Type Reduction]]></category>
		<category><![CDATA[Computational Intelligence]]></category>
		<category><![CDATA[Crisp Output]]></category>
		<category><![CDATA[Defuzzification]]></category>
		<category><![CDATA[Defuzzifier]]></category>
		<category><![CDATA[Fired Rule FOU]]></category>
		<category><![CDATA[Firing Interval]]></category>
		<category><![CDATA[Footprint of Uncertainty]]></category>
		<category><![CDATA[FOU]]></category>
		<category><![CDATA[Fuzzifier]]></category>
		<category><![CDATA[Fuzzy Edge Detection]]></category>
		<category><![CDATA[Fuzzy Image Processing]]></category>
		<category><![CDATA[Fuzzy Inference]]></category>
		<category><![CDATA[Fuzzy Modeling]]></category>
		<category><![CDATA[Fuzzy Rule Base]]></category>
		<category><![CDATA[Fuzzy Time Series]]></category>
		<category><![CDATA[Fuzzy Toolbox MATLAB]]></category>
		<category><![CDATA[Fuzzy Uncertainty]]></category>
		<category><![CDATA[FuzzyT2Struct]]></category>
		<category><![CDATA[Gauss Uncertain Mean]]></category>
		<category><![CDATA[Gauss Uncertain Peak]]></category>
		<category><![CDATA[Gaussian Membership Function]]></category>
		<category><![CDATA[Inference Engine]]></category>
		<category><![CDATA[Intelligent Control]]></category>
		<category><![CDATA[Intelligent Systems]]></category>
		<category><![CDATA[Interval Type 2 Fuzzy]]></category>
		<category><![CDATA[Interval Type 2 Fuzzy Tutorial]]></category>
		<category><![CDATA[Interval Type-2 Fuzzy Logic]]></category>
		<category><![CDATA[IT2 Fuzzy]]></category>
		<category><![CDATA[Karnik Mendel]]></category>
		<category><![CDATA[Karnik-Mendel Algorithm]]></category>
		<category><![CDATA[KM Algorithm]]></category>
		<category><![CDATA[Lower Membership Function]]></category>
		<category><![CDATA[M File Fuzzy]]></category>
		<category><![CDATA[Matlab Fuzzy Toolbox]]></category>
		<category><![CDATA[Max Fuzzy]]></category>
		<category><![CDATA[Membership Function]]></category>
		<category><![CDATA[Membership Function MATLAB]]></category>
		<category><![CDATA[Min Fuzzy]]></category>
		<category><![CDATA[Pattern Recognition]]></category>
		<category><![CDATA[Product Fuzzy]]></category>
		<category><![CDATA[Rule Base]]></category>
		<category><![CDATA[Rule Table]]></category>
		<category><![CDATA[Triangular Membership Function]]></category>
		<category><![CDATA[Triangular Uncertain Peak]]></category>
		<category><![CDATA[Type 1 Fuzzy]]></category>
		<category><![CDATA[Type 2 Fuzzy]]></category>
		<category><![CDATA[Type 2 Fuzzy Control]]></category>
		<category><![CDATA[Type 2 Fuzzy MATLAB]]></category>
		<category><![CDATA[Type 2 Fuzzy MATLAB Code]]></category>
		<category><![CDATA[Type 2 Fuzzy System]]></category>
		<category><![CDATA[Type 2 Fuzzy Toolbox]]></category>
		<category><![CDATA[Type 2 Fuzzy Tutorial]]></category>
		<category><![CDATA[Type Reducer]]></category>
		<category><![CDATA[Type Reduction]]></category>
		<category><![CDATA[Type-2 Fuzzy Logic]]></category>
		<category><![CDATA[type2fls]]></category>
		<category><![CDATA[Upper Membership Function]]></category>
		<category><![CDATA[پایان نامه فازی نوع 2]]></category>
		<category><![CDATA[پردازش تصویر فازی]]></category>
		<category><![CDATA[پروژه فازی نوع 2]]></category>
		<category><![CDATA[پیش بینی سری زمانی فازی]]></category>
		<category><![CDATA[تابع عضویت فازی]]></category>
		<category><![CDATA[تابع عضویت نوع 2]]></category>
		<category><![CDATA[تشخیص الگو]]></category>
		<category><![CDATA[تشخیص لبه فازی]]></category>
		<category><![CDATA[تفاوت فازی نوع 1 و نوع 2]]></category>
		<category><![CDATA[خروجی Crisp]]></category>
		<category><![CDATA[سیستم فازی دو ورودی یک خروجی]]></category>
		<category><![CDATA[سیستم فازی نوع 2]]></category>
		<category><![CDATA[سیستم هوشمند]]></category>
		<category><![CDATA[عدم قطعیت فازی]]></category>
		<category><![CDATA[فازی نوع 2]]></category>
		<category><![CDATA[فازی نوع 2 در متلب]]></category>
		<category><![CDATA[فازی نوع یک]]></category>
		<category><![CDATA[کاهش نوع فازی]]></category>
		<category><![CDATA[کد فازی نوع 2 متلب]]></category>
		<category><![CDATA[کدنویسی فازی نوع 2]]></category>
		<category><![CDATA[کنترل فازی نوع 2]]></category>
		<category><![CDATA[کنترل هوشمند]]></category>
		<category><![CDATA[مدل سازی فازی]]></category>
		<category><![CDATA[مقاله فازی نوع 2]]></category>
		<category><![CDATA[منطق فازی نوع 2]]></category>
		<category><![CDATA[هوش محاسباتی]]></category>
		<category><![CDATA[هوش مصنوعی]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14869</guid>

					<description><![CDATA[<p>فازی نوع 2 یا Type-2 Fuzzy Logic توسعه‌ای از منطق فازی نوع 1 است که با هدف مدل‌سازی بهتر عدم قطعیت طراحی شده است. در سیستم فازی نوع 1، درجه عضویت هر [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%81%d8%a7%d8%b2%db%8c-%d9%86%d9%88%d8%b9-2-%d8%af%d8%b1-matlab/">فیلم آموزش فارسی فازی نوع 2 در MATLAB</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p><strong>فازی نوع 2 یا Type-2 Fuzzy Logic</strong> توسعه‌ای از منطق فازی نوع 1 است که با هدف مدل‌سازی بهتر عدم قطعیت طراحی شده است. در سیستم فازی نوع 1، درجه عضویت هر ورودی یک مقدار مشخص بین صفر و یک است، اما در فازی نوع 2 خود تابع عضویت نیز می‌تواند دارای عدم قطعیت باشد.</p>
<p>این ویژگی باعث می‌شود سیستم‌های فازی نوع 2 در مسائلی که داده‌ها دارای نویز، ابهام یا عدم قطعیت زیادی هستند، انعطاف بیشتری نسبت به سیستم‌های فازی معمولی داشته باشند.</p>
<h3>چرا فازی نوع 2؟</h3>
<p>در بسیاری از مسائل واقعی تعیین دقیق تابع عضویت کار ساده‌ای نیست.</p>
<p>برای مثال ممکن است چند متخصص درباره مرز میان مفاهیمی مانند «کم»، «متوسط» و «زیاد» نظرهای متفاوتی داشته باشند. همچنین داده‌های واقعی ممکن است دارای نویز باشند یا رفتار سیستم با گذشت زمان تغییر کند.</p>
<p>در چنین شرایطی استفاده از یک تابع عضویت ثابت ممکن است نتواند عدم قطعیت موجود را به خوبی نمایش دهد.</p>
<p>فازی نوع 2 برای همین نوع مسائل طراحی شده است و می‌تواند عدم قطعیت موجود در خود تابع عضویت را نیز مدل کند.</p>
<h3>تفاوت فازی نوع 1 و نوع 2</h3>
<p>در فازی نوع 1، برای هر مقدار ورودی یک درجه عضویت مشخص در بازه صفر تا یک داریم.</p>
<p>اما در فازی نوع 2، درجه عضویت می‌تواند خود یک مجموعه فازی باشد.</p>
<p>در کاربردهای عملی، یکی از مهم‌ترین و پرکاربردترین انواع فازی نوع 2، <strong>Interval Type-2 Fuzzy System</strong> است که نسبت به نوع عمومی محاسبات ساده‌تری دارد.</p>
<p>در این آموزش تمرکز اصلی بر سیستم‌های فازی نوع 2 بازه‌ای است.</p>
<h3>مفهوم FOU</h3>
<p>یکی از مهم‌ترین مفاهیم در فازی نوع 2، <strong>Footprint of Uncertainty یا FOU</strong> است.</p>
<p>FOU ناحیه‌ای است که عدم قطعیت تابع عضویت را نمایش می‌دهد.</p>
<p>در یک سیستم فازی نوع 2 بازه‌ای، معمولاً دو تابع عضویت اصلی داریم:</p>
<ul>
<li>Upper Membership Function</li>
<li>Lower Membership Function</li>
</ul>
<p>فضای بین این دو تابع همان FOU است.</p>
<p>هرچه عدم قطعیت در تعریف تابع عضویت بیشتر باشد، این ناحیه می‌تواند گسترده‌تر شود.</p>
<h3>تابع عضویت Upper و Lower</h3>
<p>برای تعریف یک مجموعه فازی نوع 2 بازه‌ای، از تابع عضویت بالا و پایین استفاده می‌شود.</p>
<p>تابع Upper حد بالای درجه عضویت و تابع Lower حد پایین آن را مشخص می‌کند.</p>
<p>در نتیجه به جای آن‌که برای یک ورودی یک مقدار عضویت مشخص داشته باشیم، یک بازه از مقادیر عضویت در اختیار خواهیم داشت.</p>
<p>این موضوع یکی از تفاوت‌های اصلی سیستم فازی نوع 2 با فازی نوع 1 است.</p>
<h3>ساختار کلی سیستم فازی نوع 2</h3>
<p>یک سیستم فازی نوع 2 معمولاً شامل بخش‌های زیر است:</p>
<ul>
<li>Fuzzifier</li>
<li>Rule Base</li>
<li>Inference Engine</li>
<li>Type Reducer</li>
<li>Defuzzifier</li>
</ul>
<p>ورودی ابتدا وارد بخش Fuzzifier می‌شود و سپس قوانین فازی توسط موتور استنتاج مورد ارزیابی قرار می‌گیرند.</p>
<p>یکی از بخش‌های مهمی که در سیستم فازی نوع 1 وجود ندارد، <strong>Type Reducer</strong> است.</p>
<p>وظیفه Type Reducer تبدیل خروجی فازی نوع 2 به یک مجموعه فازی نوع 1 است تا در نهایت بتوان یک مقدار عددی Crisp تولید کرد.</p>
<h3>Type Reduction چیست؟</h3>
<p>خروجی موتور استنتاج در یک سیستم Type-2 هنوز دارای عدم قطعیت است و نمی‌توان مستقیماً آن را به یک عدد تبدیل کرد.</p>
<p>بنابراین ابتدا باید مرحله‌ای به نام <strong>Type Reduction</strong> انجام شود.</p>
<p>در این مرحله مجموعه فازی نوع 2 به یک مجموعه فازی نوع 1 تبدیل می‌شود و سپس عملیات Defuzzification روی آن انجام می‌شود.</p>
<p>یکی از مهم‌ترین روش‌های کاهش نوع، روش مبتنی بر مرکز ثقل است.</p>
<h3>الگوریتم Karnik-Mendel</h3>
<p>یکی از الگوریتم‌های مشهور در سیستم‌های فازی نوع 2، <strong>Karnik-Mendel یا KM</strong> است.</p>
<p>این الگوریتم برای محاسبه حدود چپ و راست خروجی Type-Reduced استفاده می‌شود.</p>
<p>در این آموزش الگوریتم KM و شبه‌کد آن بررسی شده و نحوه محاسبه مقادیر مورد نیاز برای رسیدن به خروجی نهایی تشریح می‌شود.</p>
<p>مفاهیمی مانند:</p>
<ul>
<li>yl</li>
<li>yr</li>
<li>L</li>
<li>R</li>
<li>Firing Interval</li>
</ul>
<p>در این بخش مورد بررسی قرار می‌گیرند.</p>
<h3>Firing Interval در قوانین فازی</h3>
<p>در سیستم‌های فازی نوع 2، میزان فعال شدن یک قانون لزوماً یک عدد مشخص نیست و ممکن است به صورت یک بازه بیان شود.</p>
<p>این بازه با عنوان <strong>Firing Interval</strong> شناخته می‌شود.</p>
<p>در دوره نحوه محاسبه Firing Interval در قسمت Antecedent و Consequent قوانین بررسی می‌شود تا کاربر روند کامل اجرای یک Rule را در سیستم Type-2 درک کند.</p>
<h3>قوانین فازی نوع 2</h3>
<p>مانند سیستم‌های فازی نوع 1، در فازی نوع 2 نیز از قوانین If-Then استفاده می‌شود.</p>
<p>تفاوت اصلی در این است که توابع عضویت موجود در قسمت شرط و نتیجه دارای عدم قطعیت هستند.</p>
<p>در آموزش نحوه تعریف Rule Base، ایجاد Rule Table و عملکرد قوانین با مثال‌های گرافیکی بررسی می‌شود.</p>
<h3>عملیات Min، Max و Product</h3>
<p>در موتور استنتاج فازی از عملگرهای مختلفی برای ترکیب شرایط قوانین استفاده می‌شود.</p>
<p>در این دوره نحوه عملکرد عملگرهای:</p>
<ul>
<li>Min</li>
<li>Max</li>
<li>Product</li>
</ul>
<p>در سیستم فازی نوع 2 توضیح داده می‌شود.</p>
<p>درک این عملیات برای فهم نحوه تولید Fired Rule FOU و خروجی نهایی سیستم اهمیت زیادی دارد.</p>
<h3>طراحی گرافیکی سیستم فازی نوع 2</h3>
<p>یکی از بخش‌های مهم این دوره، آموزش کار با <strong>Toolbox فازی نوع 2</strong> است.</p>
<p>کاربر یاد می‌گیرد چگونه بدون کدنویسی اولیه، یک سیستم فازی نوع 2 را از طریق محیط گرافیکی طراحی کند.</p>
<p>از جمله کارهایی که در این بخش آموزش داده می‌شوند:</p>
<ul>
<li>تعریف ورودی‌ها</li>
<li>تغییر نام ورودی‌ها</li>
<li>تعیین بازه ورودی</li>
<li>افزایش یا کاهش تعداد ورودی‌ها</li>
<li>تعریف توابع عضویت</li>
<li>تغییر نام Membership Functionها</li>
<li>تنظیم Upper و Lower</li>
<li>تعریف قوانین</li>
<li>حذف و اضافه کردن Rule</li>
<li>تنظیم بخش Inference</li>
</ul>
<h3>انواع Membership Function</h3>
<p>در طراحی سیستم فازی نوع 2 می‌توان از انواع مختلف توابع عضویت استفاده کرد.</p>
<p>در آموزش با نمونه‌هایی مانند:</p>
<ul>
<li>Gaussian</li>
<li>Triangular</li>
<li>Gauss Mean</li>
<li>Gauss Div</li>
<li>Gauss Uncertain Peak</li>
<li>Triangular Uncertain Peak</li>
</ul>
<p>آشنا می‌شوید.</p>
<p>همچنین نحوه تنظیم پارامترهای این توابع و تغییر میزان عدم قطعیت آن‌ها بررسی می‌شود.</p>
<h3>تولید کد MATLAB بدون کدنویسی اولیه</h3>
<p>یکی از قابلیت‌های کاربردی Toolbox مورد استفاده در این آموزش، امکان طراحی گرافیکی سیستم و سپس <strong>Export کردن مدل به کد MATLAB</strong> است.</p>
<p>به این ترتیب ابتدا می‌توانید ساختار سیستم را در محیط گرافیکی ایجاد کنید و سپس M-File تولیدشده را مشاهده و ویرایش کنید.</p>
<p>در دوره کد تولیدشده به صورت خط به خط بررسی می‌شود تا کاربر با ساختار برنامه نیز آشنا شود.</p>
<h3>کدنویسی فازی نوع 2 در MATLAB</h3>
<p>علاوه بر طراحی گرافیکی، نحوه پیاده‌سازی مستقیم سیستم فازی نوع 2 در MATLAB نیز آموزش داده می‌شود.</p>
<p>موضوعاتی مانند:</p>
<ul>
<li>ساخت FuzzyT2Struct</li>
<li>تعریف ورودی و خروجی</li>
<li>تعریف Membership Function</li>
<li>تعریف Rule Base</li>
<li>استفاده از تابع type2fls</li>
<li>اعمال داده به سیستم</li>
<li>دریافت خروجی</li>
</ul>
<p>در بخش برنامه‌نویسی مورد بررسی قرار می‌گیرند.</p>
<p>این قسمت برای افرادی اهمیت زیادی دارد که می‌خواهند سیستم فازی نوع 2 را در یک پروژه بزرگ‌تر یا الگوریتم دیگر استفاده کنند.</p>
<h3>مدل‌سازی با دو ورودی و یک خروجی</h3>
<p>در آموزش یک سیستم فازی نوع 2 دارای دو ورودی و یک خروجی نیز بررسی می‌شود.</p>
<p>این مثال کمک می‌کند کاربر مراحل طراحی یک سیستم را از تعریف توابع عضویت تا ایجاد قوانین و محاسبه خروجی به صورت عملی مشاهده کند.</p>
<p>بعد از درک این ساختار می‌توان سیستم را برای تعداد بیشتری از ورودی‌ها یا مسائل متفاوت توسعه داد.</p>
<h3>کاربردهای فازی نوع 2</h3>
<p>سیستم‌های فازی نوع 2 در حوزه‌هایی که عدم قطعیت و نویز اهمیت زیادی دارند قابل استفاده هستند.</p>
<p>برخی از کاربردهای آن عبارتند از:</p>
<ul>
<li>کنترل سیستم‌های غیرخطی</li>
<li>رباتیک</li>
<li>پردازش تصویر</li>
<li>تشخیص لبه</li>
<li>Pattern Recognition</li>
<li>Classification</li>
<li>پیش‌بینی سری زمانی</li>
<li>مدل‌سازی سیستم‌ها</li>
<li>پردازش داده‌های نویزی</li>
<li>تصمیم‌گیری</li>
<li>سیستم‌های هوشمند</li>
<li>کاربردهای پزشکی</li>
</ul>
<h3>این آموزش برای چه افرادی مناسب است؟</h3>
<p>این دوره می‌تواند برای گروه‌های زیر مناسب باشد:</p>
<ul>
<li>دانشجویان مهندسی برق و کنترل</li>
<li>دانشجویان کامپیوتر و هوش مصنوعی</li>
<li>پژوهشگران منطق فازی</li>
<li>دانشجویان کارشناسی ارشد و دکتری</li>
<li>افرادی که در پایان‌نامه از فازی نوع 2 استفاده می‌کنند</li>
<li>پژوهشگران سیستم‌های هوشمند</li>
<li>علاقه‌مندان Computational Intelligence</li>
<li>افرادی که قصد پیاده‌سازی Type-2 Fuzzy در MATLAB را دارند</li>
</ul>
<h3>پیش‌نیاز پیشنهادی</h3>
<p>برای درک بهتر مطالب، آشنایی مقدماتی با <strong>منطق فازی نوع 1</strong> توصیه می‌شود.</p>
<p>بهتر است کاربر با مفاهیمی مانند:</p>
<ul>
<li>Membership Function</li>
<li>Fuzzification</li>
<li>Rule Base</li>
<li>Inference</li>
<li>Defuzzification</li>
</ul>
<p>آشنا باشد.</p>
<p>برای بخش کدنویسی نیز آشنایی اولیه با MATLAB مفید خواهد بود.</p>
<h3>هدف این آموزش</h3>
<p>هدف این دوره آن است که مخاطب ابتدا تفاوت سیستم‌های فازی نوع 1 و نوع 2 را درک کرده و سپس با اجزای مختلف یک سیستم Interval Type-2 آشنا شود.</p>
<p>در ادامه کاربر می‌آموزد چگونه الگوریتم Karnik-Mendel و Type Reduction عمل می‌کنند و در نهایت می‌تواند یک سیستم فازی نوع 2 را هم به صورت گرافیکی و هم به صورت کدنویسی در MATLAB پیاده‌سازی کند.</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<blockquote class="wp-embedded-content" data-secret="9fAGjSMxXI"><p><a href="https://iran-matlab.ir/product/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%81%d8%a7%d8%b2%db%8c-%d9%86%d9%88%d8%b9-2/">فیلم آموزش فارسی فازی نوع 2</a></p></blockquote>
<p><iframe class="wp-embedded-content" sandbox="allow-scripts" security="restricted"  title="“فیلم آموزش فارسی فازی نوع 2” — ایران متلب" src="https://iran-matlab.ir/product/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%81%d8%a7%d8%b2%db%8c-%d9%86%d9%88%d8%b9-2/embed/#?secret=6XBxZZUo3g#?secret=9fAGjSMxXI" data-secret="9fAGjSMxXI" width="600" height="338" frameborder="0" marginwidth="0" marginheight="0" scrolling="no"></iframe></p>
<p>نوشته <a href="https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%81%d8%a7%d8%b2%db%8c-%d9%86%d9%88%d8%b9-2-%d8%af%d8%b1-matlab/">فیلم آموزش فارسی فازی نوع 2 در MATLAB</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d9%81%d8%a7%d8%b2%db%8c-%d9%86%d9%88%d8%b9-2-%d8%af%d8%b1-matlab/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>آموزش پردازش تصویر در MATLAB</title>
		<link>https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%aa%d8%b5%d9%88%db%8c%d8%b1-%d8%af%d8%b1-matlab/</link>
					<comments>https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%aa%d8%b5%d9%88%db%8c%d8%b1-%d8%af%d8%b1-matlab/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sun, 30 Aug 2026 10:42:25 +0000</pubDate>
				<category><![CDATA[آموزش پردازش تصویر]]></category>
		<category><![CDATA[Artificial intelligence]]></category>
		<category><![CDATA[آستانه گذاری تصویر]]></category>
		<category><![CDATA[آموزش IMAGE PROCESSING]]></category>
		<category><![CDATA[آموزش Image Processing Toolbox]]></category>
		<category><![CDATA[آموزش MATLAB]]></category>
		<category><![CDATA[آموزش پردازش تصویر در متلب]]></category>
		<category><![CDATA[آموزش متلب]]></category>
		<category><![CDATA[آموزش متلب پردازش تصویر]]></category>
		<category><![CDATA[استخراج ویژگی]]></category>
		<category><![CDATA[افزایش کنتراست تصویر]]></category>
		<category><![CDATA[Binary Image]]></category>
		<category><![CDATA[Canny]]></category>
		<category><![CDATA[canny edge detection]]></category>
		<category><![CDATA[Closing]]></category>
		<category><![CDATA[computer vision]]></category>
		<category><![CDATA[Computer Vision MATLAB]]></category>
		<category><![CDATA[Contrast Enhancement]]></category>
		<category><![CDATA[Digital image processing]]></category>
		<category><![CDATA[Dilation]]></category>
		<category><![CDATA[Edge Detection]]></category>
		<category><![CDATA[Edge Detection MATLAB]]></category>
		<category><![CDATA[Erosion]]></category>
		<category><![CDATA[Face Recognition]]></category>
		<category><![CDATA[Feature extraction]]></category>
		<category><![CDATA[Gaussian Filter]]></category>
		<category><![CDATA[Gaussian Noise]]></category>
		<category><![CDATA[Grayscale Image]]></category>
		<category><![CDATA[histeq MATLAB]]></category>
		<category><![CDATA[Histogram Equalization]]></category>
		<category><![CDATA[Image Classification]]></category>
		<category><![CDATA[Image Denoising]]></category>
		<category><![CDATA[Image Enhancement]]></category>
		<category><![CDATA[Image Features]]></category>
		<category><![CDATA[Image Filtering]]></category>
		<category><![CDATA[Image Histogram]]></category>
		<category><![CDATA[image processing MATLAB]]></category>
		<category><![CDATA[Image processing toolbox]]></category>
		<category><![CDATA[Image Segmentation]]></category>
		<category><![CDATA[imbinarize]]></category>
		<category><![CDATA[imdilate]]></category>
		<category><![CDATA[imerode]]></category>
		<category><![CDATA[imhist MATLAB]]></category>
		<category><![CDATA[imread MATLAB]]></category>
		<category><![CDATA[imshow MATLAB]]></category>
		<category><![CDATA[Machine Learning Image Processing]]></category>
		<category><![CDATA[Machine vision]]></category>
		<category><![CDATA[MATLAB Code Image Processing]]></category>
		<category><![CDATA[MATLAB Image Processing]]></category>
		<category><![CDATA[Mean Filter]]></category>
		<category><![CDATA[medfilt2]]></category>
		<category><![CDATA[Median Filter]]></category>
		<category><![CDATA[Medical Image Processing]]></category>
		<category><![CDATA[Morphological Operations]]></category>
		<category><![CDATA[Noise Reduction]]></category>
		<category><![CDATA[Object Detection]]></category>
		<category><![CDATA[Opening]]></category>
		<category><![CDATA[Otsu Thresholding]]></category>
		<category><![CDATA[Pattern Recognition]]></category>
		<category><![CDATA[Prewitt]]></category>
		<category><![CDATA[RGB Image MATLAB]]></category>
		<category><![CDATA[rgb2gray]]></category>
		<category><![CDATA[Roberts]]></category>
		<category><![CDATA[Salt and Pepper Noise]]></category>
		<category><![CDATA[Segmentation MATLAB]]></category>
		<category><![CDATA[Sharpening Image]]></category>
		<category><![CDATA[Smoothing Image]]></category>
		<category><![CDATA[Sobel]]></category>
		<category><![CDATA[Speckle Noise]]></category>
		<category><![CDATA[Thresholding]]></category>
		<category><![CDATA[بخش بندی تصویر]]></category>
		<category><![CDATA[بهبود کیفیت تصویر]]></category>
		<category><![CDATA[بینایی ماشین]]></category>
		<category><![CDATA[پایان نامه پردازش تصویر]]></category>
		<category><![CDATA[پردازش تصاویر باینری]]></category>
		<category><![CDATA[پردازش تصویر]]></category>
		<category><![CDATA[پردازش تصویر MATLAB]]></category>
		<category><![CDATA[پردازش تصویر با متلب]]></category>
		<category><![CDATA[پردازش تصویر برای دانشجویان]]></category>
		<category><![CDATA[پردازش تصویر پزشکی]]></category>
		<category><![CDATA[پردازش تصویر در متلب]]></category>
		<category><![CDATA[پردازش دیجیتال تصویر]]></category>
		<category><![CDATA[پروژه MATLAB]]></category>
		<category><![CDATA[پروژه پردازش تصویر]]></category>
		<category><![CDATA[تبدیل RGB به Gray]]></category>
		<category><![CDATA[تشخیص الگو]]></category>
		<category><![CDATA[تشخیص چهره]]></category>
		<category><![CDATA[تشخیص شی]]></category>
		<category><![CDATA[تشخیص لبه]]></category>
		<category><![CDATA[تصاویر RGB]]></category>
		<category><![CDATA[تصویر خاکستری]]></category>
		<category><![CDATA[تصویر دودویی]]></category>
		<category><![CDATA[تصویر دیجیتال]]></category>
		<category><![CDATA[حذف نویز تصویر]]></category>
		<category><![CDATA[خواندن تصویر در متلب]]></category>
		<category><![CDATA[طبقه بندی تصویر]]></category>
		<category><![CDATA[عملیات مورفولوژیکی]]></category>
		<category><![CDATA[فیلتر تصویر]]></category>
		<category><![CDATA[کدنویسی پردازش تصویر]]></category>
		<category><![CDATA[نویز Gaussian]]></category>
		<category><![CDATA[ویژگی تصویر]]></category>
		<category><![CDATA[هوش مصنوعی]]></category>
		<category><![CDATA[هیستوگرام تصویر]]></category>
		<category><![CDATA[یادگیری ماشین در پردازش تصویر]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14865</guid>

					<description><![CDATA[<p>پردازش تصویر در MATLAB یکی از پرکاربردترین حوزه‌های استفاده از متلب در پروژه‌های دانشگاهی، پژوهشی و صنعتی است. MATLAB به دلیل برخورداری از توابع آماده، محیط مناسب برای کار با ماتریس‌ها و [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%aa%d8%b5%d9%88%db%8c%d8%b1-%d8%af%d8%b1-matlab/">آموزش پردازش تصویر در MATLAB</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p><strong>پردازش تصویر در MATLAB</strong> یکی از پرکاربردترین حوزه‌های استفاده از متلب در پروژه‌های دانشگاهی، پژوهشی و صنعتی است. MATLAB به دلیل برخورداری از توابع آماده، محیط مناسب برای کار با ماتریس‌ها و ابزارهای تخصصی پردازش تصویر، امکان پیاده‌سازی بسیاری از الگوریتم‌های Image Processing را با سرعت مناسبی فراهم می‌کند.</p>
<p>در پردازش تصویر، یک تصویر دیجیتال در واقع مجموعه‌ای از مقادیر عددی است که اطلاعات مربوط به شدت روشنایی یا رنگ پیکسل‌ها را در خود نگه می‌دارد. از آنجا که MATLAB اساساً یک نرم‌افزار ماتریس‌محور است، کار با تصاویر در این محیط بسیار طبیعی و ساده انجام می‌شود.</p>
<h3>پردازش تصویر چیست؟</h3>
<p>پردازش تصویر مجموعه‌ای از روش‌ها و الگوریتم‌ها برای دریافت، اصلاح، تحلیل و استخراج اطلاعات از تصاویر دیجیتال است.</p>
<p>در یک پروژه پردازش تصویر ممکن است هدف تنها بهبود کیفیت تصویر باشد یا بخواهیم اطلاعات خاصی مانند لبه‌ها، اشیا، نواحی مورد نظر، رنگ‌ها یا ویژگی‌های تصویر را استخراج کنیم.</p>
<p>برخی از کاربردهای مهم پردازش تصویر عبارتند از:</p>
<ul>
<li>بهبود کیفیت تصاویر</li>
<li>حذف نویز</li>
<li>تشخیص لبه‌ها</li>
<li>بخش‌بندی تصویر</li>
<li>استخراج ویژگی</li>
<li>تشخیص اشیا</li>
<li>شناسایی الگو</li>
<li>تحلیل تصاویر پزشکی</li>
<li>پردازش تصاویر ماهواره‌ای</li>
<li>بینایی ماشین</li>
<li>تشخیص چهره</li>
<li>کنترل کیفیت صنعتی</li>
</ul>
<h3>خواندن و نمایش تصویر در MATLAB</h3>
<p>یکی از اولین مراحل در پروژه‌های پردازش تصویر، وارد کردن تصویر به محیط MATLAB و مشاهده اطلاعات آن است.</p>
<p>در MATLAB می‌توان تصاویر را از فرمت‌های مختلف خواند و سپس ابعاد، نوع داده و کانال‌های رنگی آن‌ها را بررسی کرد.</p>
<p>در این مرحله کاربر با مفاهیمی مانند:</p>
<ul>
<li>تصویر خاکستری</li>
<li>تصویر رنگی RGB</li>
<li>ابعاد تصویر</li>
<li>پیکسل</li>
<li>شدت روشنایی</li>
<li>نوع داده تصویر</li>
</ul>
<p>آشنا می‌شود.</p>
<h3>تصاویر خاکستری و رنگی</h3>
<p>تصاویر Gray Scale معمولاً به صورت یک ماتریس دوبعدی نمایش داده می‌شوند که هر عضو آن شدت روشنایی یک پیکسل را مشخص می‌کند.</p>
<p>تصاویر RGB از سه کانال رنگی قرمز، سبز و آبی تشکیل شده‌اند. بنابراین یک تصویر RGB معمولاً به صورت یک آرایه سه‌بعدی در MATLAB ذخیره می‌شود.</p>
<p>آشنایی با ساختار داده تصویر اهمیت زیادی دارد، زیرا بسیاری از الگوریتم‌ها ابتدا نیاز دارند تصویر به قالب مشخصی تبدیل شود.</p>
<h3>تبدیل تصاویر رنگی و خاکستری</h3>
<p>در برخی پروژه‌ها لازم است تصویر رنگی به تصویر خاکستری تبدیل شود تا حجم محاسبات کاهش پیدا کند یا الگوریتم مورد نظر تنها روی شدت روشنایی کار کند.</p>
<p>همچنین ممکن است نیاز باشد تصاویر بین فضای‌های رنگی مختلف تبدیل شوند.</p>
<p>این موضوع در پروژه‌هایی مانند تشخیص رنگ، بخش‌بندی و استخراج ویژگی اهمیت زیادی دارد.</p>
<h3>بهبود کیفیت تصویر</h3>
<p>یکی از شاخه‌های اصلی Image Processing، <strong>Image Enhancement</strong> است.</p>
<p>هدف از بهبود تصویر این است که اطلاعات مهم تصویر بهتر دیده شوند یا تصویر برای مراحل بعدی پردازش آماده‌تر شود.</p>
<p>روش‌هایی مانند موارد زیر در این حوزه کاربرد دارند:</p>
<ul>
<li>تنظیم کنتراست</li>
<li>تغییر روشنایی</li>
<li>Histogram Equalization</li>
<li>افزایش وضوح</li>
<li>اصلاح دامنه شدت پیکسل‌ها</li>
<li>بهبود نمایش جزئیات</li>
</ul>
<h3>هیستوگرام تصویر</h3>
<p>Histogram یکی از ابزارهای مهم برای بررسی توزیع شدت روشنایی در تصویر است.</p>
<p>با تحلیل هیستوگرام می‌توان متوجه شد تصویر بیش از حد روشن، تاریک یا دارای کنتراست پایین است.</p>
<p>روش‌های مبتنی بر هیستوگرام در بهبود کیفیت تصویر و Thresholding کاربرد فراوانی دارند.</p>
<h3>نویز در تصویر</h3>
<p>تصاویر واقعی ممکن است در هنگام تصویربرداری، انتقال یا ذخیره‌سازی دچار نویز شوند.</p>
<p>وجود نویز می‌تواند عملکرد الگوریتم‌های بعدی مانند لبه‌یابی، بخش‌بندی و تشخیص اشیا را کاهش دهد.</p>
<p>برخی از نویزهای رایج شامل:</p>
<ul>
<li>Gaussian Noise</li>
<li>Salt &amp; Pepper Noise</li>
<li>Speckle Noise</li>
</ul>
<p>هستند.</p>
<p>در MATLAB می‌توان نویزهای مختلف را شبیه‌سازی کرد و سپس عملکرد فیلترهای مختلف را در حذف آن‌ها بررسی کرد.</p>
<h3>فیلتر کردن تصاویر</h3>
<p>فیلترها یکی از ابزارهای اصلی در پردازش تصویر هستند.</p>
<p>با استفاده از فیلتر می‌توان تصویر را هموار کرد، نویز را کاهش داد، لبه‌ها را تقویت کرد یا جزئیات خاصی را استخراج نمود.</p>
<p>فیلترها به طور کلی می‌توانند در حوزه مکان یا حوزه فرکانس اعمال شوند.</p>
<p>از جمله فیلترهای متداول می‌توان به موارد زیر اشاره کرد:</p>
<ul>
<li>Mean Filter</li>
<li>Median Filter</li>
<li>Gaussian Filter</li>
<li>فیلترهای هموارساز</li>
<li>فیلترهای Sharpening</li>
</ul>
<h3>Median Filter</h3>
<p>فیلتر میانه یکی از روش‌های معروف برای حذف نویز Salt &amp; Pepper است.</p>
<p>این فیلتر به جای میانگین‌گیری از مقادیر همسایه، مقدار میانه آن‌ها را انتخاب می‌کند و به همین دلیل در بسیاری از موارد می‌تواند نویز ضربه‌ای را بدون تخریب شدید لبه‌ها کاهش دهد.</p>
<h3>تشخیص لبه</h3>
<p>Edge Detection یکی از مراحل مهم در بسیاری از پروژه‌های بینایی ماشین و پردازش تصویر است.</p>
<p>لبه‌ها معمولاً مرز میان نواحی مختلف تصویر را مشخص می‌کنند و اطلاعات مهمی درباره شکل و ساختار اجسام در اختیار ما قرار می‌دهند.</p>
<p>الگوریتم‌های مختلفی برای لبه‌یابی وجود دارند، از جمله:</p>
<ul>
<li>Sobel</li>
<li>Prewitt</li>
<li>Roberts</li>
<li>Canny</li>
</ul>
<p>هر روش دارای ویژگی‌ها و حساسیت متفاوتی نسبت به نویز و جزئیات تصویر است.</p>
<h3>Thresholding و تبدیل تصویر به دودویی</h3>
<p>در بسیاری از کاربردها لازم است تصویر به دو گروه اصلی تقسیم شود؛ برای مثال پیکسل‌های متعلق به شیء و پیکسل‌های مربوط به پس‌زمینه.</p>
<p>در این حالت از روش‌های Thresholding استفاده می‌شود.</p>
<p>خروجی این مرحله معمولاً یک تصویر Binary است که پیکسل‌های آن دارای دو مقدار اصلی هستند.</p>
<p>تصاویر دودویی در بسیاری از مراحل بعدی مانند شمارش اشیا، اندازه‌گیری نواحی و عملیات مورفولوژیکی کاربرد دارند.</p>
<h3>بخش‌بندی تصویر</h3>
<p><strong>Image Segmentation</strong> یکی از مهم‌ترین موضوعات در پردازش تصویر است.</p>
<p>هدف بخش‌بندی، تقسیم تصویر به نواحی معنی‌دار است.</p>
<p>برای مثال در یک تصویر پزشکی ممکن است هدف جدا کردن بافت مورد نظر از سایر بخش‌ها باشد یا در یک تصویر صنعتی بخواهیم قطعه را از پس‌زمینه جدا کنیم.</p>
<p>روش‌های بخش‌بندی می‌توانند بر اساس موارد زیر انجام شوند:</p>
<ul>
<li>شدت روشنایی</li>
<li>رنگ</li>
<li>لبه‌ها</li>
<li>نواحی</li>
<li>خوشه‌بندی</li>
<li>ویژگی‌های تصویر</li>
</ul>
<h3>عملیات مورفولوژیکی</h3>
<p>Morphological Operations ابزارهای مهمی برای پردازش تصاویر Binary هستند.</p>
<p>از جمله عملیات پرکاربرد می‌توان به موارد زیر اشاره کرد:</p>
<ul>
<li>Erosion</li>
<li>Dilation</li>
<li>Opening</li>
<li>Closing</li>
<li>پر کردن حفره‌ها</li>
<li>حذف اجسام کوچک</li>
</ul>
<p>این عملیات به‌خصوص بعد از Thresholding و Segmentation برای اصلاح شکل نواحی و حذف خطاهای کوچک بسیار مفید هستند.</p>
<h3>استخراج ویژگی</h3>
<p>در بسیاری از پروژه‌ها هدف نهایی خود تصویر نیست، بلکه می‌خواهیم تعدادی ویژگی عددی از آن استخراج کنیم.</p>
<p>این ویژگی‌ها می‌توانند اطلاعاتی درباره شکل، اندازه، بافت یا شدت روشنایی تصویر ارائه دهند.</p>
<p>برای مثال:</p>
<ul>
<li>مساحت</li>
<li>محیط</li>
<li>مرکز جرم</li>
<li>ویژگی‌های هندسی</li>
<li>ویژگی‌های بافت</li>
<li>ویژگی‌های رنگی</li>
</ul>
<p>پس از استخراج ویژگی می‌توان آن‌ها را به الگوریتم‌های دسته‌بندی، شبکه عصبی یا یادگیری ماشین داد.</p>
<h3>پردازش تصویر و یادگیری ماشین</h3>
<p>در بسیاری از سیستم‌های هوشمند، پردازش تصویر مرحله اولیه یک سیستم Machine Learning است.</p>
<p>ابتدا تصویر پردازش و ویژگی‌های مناسب استخراج می‌شوند و سپس این ویژگی‌ها برای آموزش یک مدل دسته‌بندی یا پیش‌بینی مورد استفاده قرار می‌گیرند.</p>
<p>برای مثال می‌توان از این ساختار در مسائل زیر استفاده کرد:</p>
<ul>
<li>تشخیص بیماری از تصاویر پزشکی</li>
<li>شناسایی چهره</li>
<li>تشخیص پلاک خودرو</li>
<li>طبقه‌بندی تصاویر</li>
<li>تشخیص عیب صنعتی</li>
<li>شناسایی اشیا</li>
</ul>
<h3>پردازش تصویر در پروژه و پایان‌نامه</h3>
<p>MATLAB یکی از محیط‌های محبوب برای پیاده‌سازی سریع ایده‌های پردازش تصویر در پروژه‌های دانشگاهی است.</p>
<p>دانشجویان می‌توانند ابتدا الگوریتم را در متلب پیاده‌سازی و آزمایش کنند و سپس در صورت نیاز آن را توسعه دهند.</p>
<p>این موضوع در رشته‌هایی مانند مهندسی برق، کامپیوتر، پزشکی، مکاترونیک، رباتیک و هوش مصنوعی کاربرد زیادی دارد.</p>
<h3>این آموزش برای چه افرادی مناسب است؟</h3>
<p>این دوره می‌تواند برای افراد زیر مناسب باشد:</p>
<ul>
<li>دانشجویان مهندسی برق</li>
<li>دانشجویان کامپیوتر</li>
<li>دانشجویان هوش مصنوعی</li>
<li>پژوهشگران پردازش تصویر</li>
<li>دانشجویان مهندسی پزشکی</li>
<li>علاقه‌مندان بینایی ماشین</li>
<li>دانشجویان مکاترونیک و رباتیک</li>
<li>افرادی که برای پروژه یا پایان‌نامه به پردازش تصویر نیاز دارند</li>
<li>افرادی که قصد یادگیری Image Processing Toolbox در MATLAB را دارند</li>
</ul>
<h3>پیش‌نیاز پیشنهادی</h3>
<p>برای استفاده بهتر از آموزش، آشنایی مقدماتی با MATLAB توصیه می‌شود.</p>
<p>به‌خصوص آشنایی با موضوعات زیر مفید است:</p>
<ul>
<li>ماتریس‌ها</li>
<li>بردارها</li>
<li>Script</li>
<li>Function</li>
<li>حلقه‌ها</li>
<li>دستورات شرطی</li>
</ul>
<p>از آنجا که تصاویر در MATLAB به صورت آرایه و ماتریس ذخیره می‌شوند، تسلط نسبی بر عملیات ماتریسی یادگیری پردازش تصویر را بسیار ساده‌تر می‌کند.</p>
<h3>هدف آموزش</h3>
<p>هدف این دوره آن است که کاربر با مفاهیم اصلی پردازش تصویر و نحوه پیاده‌سازی آن‌ها در MATLAB آشنا شود.</p>
<p>پس از یادگیری این مباحث، کاربر می‌تواند تصاویر را وارد MATLAB کند، آن‌ها را پردازش و بهبود دهد، نویز را کاهش دهد، لبه‌ها و نواحی مختلف را استخراج کند و مقدمات لازم برای توسعه پروژه‌های پیشرفته‌تر پردازش تصویر و بینایی ماشین را به دست آورد.</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<blockquote class="wp-embedded-content" data-secret="zE2LgRvxus"><p><a href="https://iran-matlab.ir/product/%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%aa%d8%b5%d9%88%db%8c%d8%b1-%d8%af%d8%b1-%d9%85%d8%aa%d9%84%d8%a8/">پردازش تصویر در متلب</a></p></blockquote>
<p><iframe class="wp-embedded-content" sandbox="allow-scripts" security="restricted"  title="“پردازش تصویر در متلب” — ایران متلب" src="https://iran-matlab.ir/product/%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%aa%d8%b5%d9%88%db%8c%d8%b1-%d8%af%d8%b1-%d9%85%d8%aa%d9%84%d8%a8/embed/#?secret=3XB64G1Bsk#?secret=zE2LgRvxus" data-secret="zE2LgRvxus" width="600" height="338" frameborder="0" marginwidth="0" marginheight="0" scrolling="no"></iframe></p>
<p>نوشته <a href="https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%aa%d8%b5%d9%88%db%8c%d8%b1-%d8%af%d8%b1-matlab/">آموزش پردازش تصویر در MATLAB</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%aa%d8%b5%d9%88%db%8c%d8%b1-%d8%af%d8%b1-matlab/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>بسته آموزشی جامع یادگیری عمیق Deep Learning</title>
		<link>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/</link>
					<comments>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Thu, 09 Apr 2020 14:08:04 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[آموزش python]]></category>
		<category><![CDATA[آموزش پردازش تصویر]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[داده كاوي]]></category>
		<category><![CDATA[شبکه عصبی CNN]]></category>
		<category><![CDATA[شبکه عصبی در پایتون]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[هوش مصنوعی]]></category>
		<category><![CDATA[یادگیری عمیق]]></category>
		<category><![CDATA[یادگیری ماشین در پایتون]]></category>
		<category><![CDATA[آموزش دیپ لرنینگ]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[deep learning MATLAB]]></category>
		<category><![CDATA[Deep Neural Networks]]></category>
		<category><![CDATA[pretrained neural networks]]></category>
		<category><![CDATA[transfer learning MATLAB]]></category>
		<category><![CDATA[پیش بینی یادگیری عمیق]]></category>
		<category><![CDATA[تشخیص دیپ لرنینگ]]></category>
		<category><![CDATA[دیپ لرنینگ MATLAB]]></category>
		<category><![CDATA[دیپ لرنینگ متلب]]></category>
		<category><![CDATA[شبکه های عصبی از پیش آموزش داده شده]]></category>
		<category><![CDATA[شبکه های عصبی عمیق]]></category>
		<category><![CDATA[یادگیری عمیق MATLAB]]></category>
		<category><![CDATA[یادگیری عمیق متلب]]></category>
		<category><![CDATA[یادگیری ماشین]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14107</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/">بسته آموزشی جامع یادگیری عمیق Deep Learning</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<figure id="attachment_15065" aria-describedby="caption-attachment-15065" style="width: 800px" class="wp-caption aligncenter"><img loading="lazy" decoding="async" class="size-full wp-image-15065" src="http://iran-matlab.ir/wp-content/uploads/2020/04/Artificial-Intelligence2.jpg" alt="" width="800" height="340" /><figcaption id="caption-attachment-15065" class="wp-caption-text">هوش مصنوعی &#8211; یادگیری عمیق</figcaption></figure>
<p style="text-align: justify;"><span style="font-size: 14pt;">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 .</span></p>
<figure id="attachment_15066" aria-describedby="caption-attachment-15066" style="width: 800px" class="wp-caption aligncenter"><img loading="lazy" decoding="async" class="size-full wp-image-15066" src="http://iran-matlab.ir/wp-content/uploads/2020/04/Artificial-Intelligence.jpg" alt="" width="800" height="450" /><figcaption id="caption-attachment-15066" class="wp-caption-text">هوش مصنوعی &#8211; یادگیری عمیق &#8211; کاربرد</figcaption></figure>
<p style="text-align: justify;"><span style="font-size: 14pt;">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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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. 🙂</span></p>
<p>&nbsp;</p>
<p style="text-align: center;"><a href="http://iran-matlab.ir/?product=%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning" target="_blank" rel="noopener noreferrer"><span style="font-size: 48pt;">لینک سفارش</span></a></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;"><strong>قسمت اول</strong></p>
<p style="text-align: center;"><strong>مبانی و مقدمات یادگیری عمیق</strong></p>
<p style="text-align: center;"><a href="http://iran-matlab.ir/?product=%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82" target="_blank" rel="noopener noreferrer"><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-15074" src="http://iran-matlab.ir/wp-content/uploads/2020/04/deep-learning-course-packages-2.png" alt="" width="400" height="400" /></a></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;"><strong>قسمت دوم </strong></p>
<p style="text-align: center;"><strong>پیاده سازی و برنامه نویسی در متلب</strong></p>
<p style="text-align: center;"><a href="http://iran-matlab.ir/?product=%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%88-%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-matlab-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c" target="_blank" rel="noopener noreferrer"><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-15079" src="http://iran-matlab.ir/wp-content/uploads/2020/04/deep-learning-course-MATLAB-programming-design.png" alt="" width="400" height="400" /></a></p>
<p>&nbsp;</p>
<hr />
<p><span style="color: #ff6600;"><strong><span style="font-size: 14pt;">مدرس :</span></strong></span></p>
<p><span style="font-size: 14pt;"><strong>قیصری</strong> (مدیر گروه ایران متلب با سابقه 15 ساله در متلب و زبان های مختلف برنامه نویسی)</span></p>
<p>&nbsp;</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/">بسته آموزشی جامع یادگیری عمیق Deep Learning</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
	</channel>
</rss>
