بایگانی‌های Sample Autocorrelation Function for Stationary and Nonstationary ARMA Models - ايران متلب

کتاب یادگیری مسئله-محور در سیستم های ارتباطی با استفاده از MATLAB و SIMULINK

ایران متلب — Tue, 10 Jan 2017 04:38:09 +0000

مقدمه

چالش های یادگیری و آموزش ارتباطات

در بسیاری از مباحث ارتباط دیجیتالی که به روش های سنتی آموزش داده می شوند برای یادگیری مفاهیم انتزاعی مستلزم فهم اصطلاحات ریاضی و فرایندهای الگوریتمی می باشند.

اکثر کتاب های موجود، آموزش به این روش را از طریق توضیح سیستماتیک و عمیق نظریه ها و مفاهیم ارتباطی و همچنین مدل های ریاضی و فرایندهای الگوریتمی تسهیل می کنند. این در واقع نتیجه ی طبیعی این مهم می باشد که کامپیوترها و نرم افزارها دهه ها پیش مانند اکنون به طور گسترده در دسترس نبودند. با این حال، از نظر بسیاری از کارآموزان، چنین روش یادگیری ارتباطات دیجیتالی ناکارآمد و غالبا خسته کننده می باشد. و حتی اگر آن ها قادر باشند تا دستورالعمل ها را در کلاس درس به خوبی دنبال کنند، میزان فهم آن ها از موضوع مورد بحث در اکثر مواقع سطحی می باشد. دسترسی کارآموزان به نرم افزارهای قدرتمندی مانند MATLAB/SIMULINK و همچنین اینترنت امکان بهره برداری از آن ها برای متحول کردن آموزش مباحث چالش برانگیز ریاضی مانند ارتباطات دیجیتالی را فراهم می آورد. دهه ها تجربه ی کلاسی به ما آموخته است که یادگیری کارآموزان تا حد زیادی موثر واقع خواهد شد اگر به آن ها اجازه داده شود تا خودشان سیستم را “ایجاد کنند” و شکل موج و آمارها را در سطوح و مراحل مختلف سیستم یا الگوریتم مشاهده کنند، فرایندی که آن را در اینجا “یادگیری فعال” می نامیم.

با این حال، با توجه به ابزارها و کتاب های بازار در دسترس مدرسان، اجرا کردن فرایند یادگیری فعال چندان هم آسان نیست. اول اینکه غالب کتاب ها متناسب با تدریس به روش سنتی تنظیم شده اند. تعدادی از کتاب های اخیر مشکلاتی را ایجاد می کنند که شامل استفاده از MATLAB/SIMULINK یا نرم افزارها و کدهای مشابه و یا مدل های کامپیوتری برای اجرای شبیه سازی های خاص می باشد. خوانندگان کتاب می توانند این کدها و مدل ها را تکرار کرده و شبیه سازی را انجام دهند که به خودی خود می تواند بخشی از مطالبی که اموخته اند را تقویت کند. چنین رویکردی هنوز نمی تواند به خوبی کارآموزان را به یادگیری فعال تشویق کند. دوم اینکه کیت های آموزش سخت افزار با اهداف آموزشی موجود هستند که می توانند در آزمایشگاه یا آزمایشات کلاس های ارتباطی مورد استفاده قرار بگیرند. با این حال، این کیت ها غالبا گران بوده و تنها بخش محدودی از مباحث ارتباطی را تحت پوشش خود قرار می دهند. به علاوه، کارآموزان برای استفاده از این ابزارها میبایست مهارت های طراحی سخت افزار مانند برنامه نویسی DSP و VHDL را آموخته باشند.

ویژگی های خاص این کتاب

این کتاب نگاشته شده است تا خوانندگان خود را به یادگیری فعال سیستم ها و نظریه های ارتباطی تشویق کند. برای رسیدن به این مهم، الگوریتم ها و مفاهیم مهم ارتباطی با استفاده از طرح های به دقت طراحی شده ی MATLAB/SIMULINK مورد بررسی قرار گرفته اند. هر طرح ساخت شبیه سازی و مراحل یا توالی اجرایی را شامل می شود که به چگونگی کارکرد سیستم یا الگوریتم های ارتباطی می پردازد. این مراحل به تدریج نتایج متوسط میان مراحای که کارآموزان می توانند چیزیکه در پشت نظریه ها و اصطلاحات ریاضی “ببینند” و درک کنند را مورد بررسی قرار می دهد. همچنین، حجم زیادی از کدهای شبیه سازی MATLAB و مدل های SIMULINK برای این طرح ها نیز ارائه شده است.

این امر تضمین می کند که کارآموزان قادر خواهند بود تا حتی طرح های پیچیده تر مانند رمزگشایی Viterbi، تشخیص چندورودی چندخروجی (MIMO) و دوالسیون دسترسی چندگانه با تقسیم فرکانس متعامد (OFDM) را کامل کنند.

با این حال، کامل کردن پارامترهای مهم، خطوط کد و بلوک های مدلی که برای یادگیری الگوریتم یا فرایند ارتباطات حیاتی می باشند بر عهده ی کارآموزان می باشد. این امر به طور خودکار اجرای کدهایی که بدون فهم جزئییات تخصصی کامل شده اند را غیرممکن می سازد. برای هر مسئله دستورالعمل های قدم به قدمی طراحی شده اند. خوانندگان کتاب قادر خواهند بود تا به راحتی نتایج هر مرحله ی میانی را بررسی کرده و گزینه های پارامترهای مختلف و تاثیرشان را مقایسه کنند که در نتیجه ی آن می توانند به طور فعال پاسخ های مورد نظر را یافته و سیستم یا الگوریتمی کامل را ایجاد کنند.

به طور خلاصه، کتاب حاضر دربرگیرنده ی سه هدف عمده می باشد:

چارچوب کدها و مدل هایی که در کتاب ارائه شده است به طور موثری کارآموزان را در جریان شبیه سازی هدایت کرده و به طور فعال آن ها را در فرایند یادگیری مطالب شرکت می دهد.
کدها و بلوک های ارائه شده در کتاب زمان لازم برای کارآموزان جهت کامل کردن شبیه سازی ها را به حداقل رسانده و از اینکه آن ها بدون سردرگم شدن در میان راه و تسلیم شدن قادر خواهند بود تا حتی طرح های پیچیده تر را نیز کامل کنند اطمینان حاصل می کند.
زمان کامل کردن الگوریتم یا مفهومی مهم یا قسمت های ناتمام خاص، کارآموزان به طور موثری نظریه ها را ملکه ی ذهن خود می کنند.

در فصل های 4، 7، 9، 10، 11، 13، 20، 22، 23 و 30 کارآموزان می آموزند چگونه شکل موجی ایجاد شده در شبیه سازی ها را به سیگنال های الکتریکی تبدیل کرده و سپس در صورتی که سیگنال ها صوتی باشند به آن ها گوش دهند یا با استفاده از یک اسیلوسکوپ برای سیگنال های دیجیتالی مدوله شده، چشم الگوها، نمودارهای پراکندگی، یا مدارهای سیگنال را مشاهده کنند. در فصل های 13 و 30، کارآموزان تشویق میشوند تا ارتباطات بی سیم واقعی در باند فرکانس نزدیک به فراصوت را کامل کنند که لازمه ی آن تنها به یک گوشی موبایل و یک کامپیوتر شخصی با هندزفری است. ما دریافتیم که چنین طرح های امروزی که از کارآموزان استقبال می کنند.

لینک دانلود

نوشته کتاب یادگیری مسئله-محور در سیستم های ارتباطی با استفاده از MATLAB و SIMULINK اولین بار در ايران متلب. پدیدار شد.

فیلم آموزش فارسی مدلسازی آریما ARIMA در متلب

ایران متلب — Sat, 17 Oct 2015 14:10:20 +0000

در آمار و اقتصادسنجی و به ویژه در آنالیز سری‌های زمانی یک “میانگین متحرک خودگردان یکپارچه”(ARIMA) یک مدل گسترده تر از میانگین متحرک خودگردان(ARMA) است. این مدلها در سریهای زمانی برای فهم بهتر مدل یا پیش بینی آینده به کار می‌روند. این مدل‌ها در جایی که داده‌ها غیر ایستا (non-stationary) باشند به کار می‌روند. در این حالت با یک بار دیفرانسیل گیری(متناظر با جز “یکپارچه”(integrated non-stationary بودن داده‌ها از بین می‌رود و امکان برآورد یک ARMA در داده‌های جدید به وجود می‌آید. این مدل در اکثر موارد به صورت ARIMA (p،d،q نشان داده می‌شود که در آن p، d، q اعداد حقیقی غیرمنفی هستند که درجه خودگردانی، یکپارچگی و میانگین متحرک را معلوم می‌کنند. مدل‌های ARIMA بخش مهمی از رویکرد باکس-جنکینز به مدل‌های سری زمانی را می‌سازند. در صورتی که یکی از جزءها برابر با صفر باشند معمولا به صورتAR، I یا MA” نوشته می‌شود. برای مثال ” (۱)MA” همان ” (ARIMA(۰،۰،۱” است.

از جمله روش های پیش بینی، روش یک متغیره مدل باکس – جنکینز است. این روش اساساً شامل برازش یک مدل ARIMA به داده ها می باشد. در این روش پس از تعیین مرتبه تفاضلی کردن و تعیین مرتبه هر یک از فرایندهای ARو MA پارامترهای مدل مشخص می گردد. بررسی مناسبت مدل با تجزیه و تحلیل باقیمانده های مدل برازش داده شده صورت می گیرد. چنانچه مدل درست تشخیص داده شده باشد، باقی مانده ها باید دارای خواص متغیرهای تصادفی نرمال مستقل با میانگین صفر و واریانس ثابت باشند.

جهت پیش بینی، ابتدا سری زمانی داده ها رسم می گردد. یک سری دارای روند یک سری نا ایستاست. با رسم نمودار خود همبستگی (ACF) می توان ایستایی را بررسی نمود. همبستگی نگاری که در آن مقادیر r با سرعت معقولی به صفر نزدیک نمی شود ناایستایی را نشان می دهد. اگر مقادیر r نسبتا سریع افول کند سری ایستا خواهد بود. اگر مقادیر تابع خود همبستگی به کندی به سمت صفر میل کند موید نا ایستایی سری مربوطه می باشد. در حقیقت باید تابع خود همبستگی نمونه ای را برای سری زمانی ایستا محاسبه کنیم. بنابراین قبل از محاسبه acf باید هرگونه روند را حذف کرد. همچنین قبل از هرگونه تبدیلی به منظور پایا کردن میانگین سری باید از پایایی واریانس آن مطمئن شویم. مهمترین ابزار بررسی واریانس، تبدیل توانی است که توسط باکس کاکس (۱۹۶۴) معرفی شده است.

چنانچه با رسم نمودار باکس کاکس، عدد یک داخل حدود اطمینان ۹۵ درصد قرار دارد، می توان آن را به عنوان یک مقدار قابل قبول پارامتر تبدیل پذیرفت. بنابراین می توان از تبدیل داده ها صرف نظر کرد. مهمترین تبدیلات، تثبیت کننده واریانس و تبدیلات تفاضلی می باشد. برای ایستایی سری در میانگین لازم است با انجام تبدیلات مناسب آن را به یک سری ایستا تبدیل کرد. جهت شناسایی مدل، لازم است نمودار تابع خود همبستگی جزیی سری ایستا شده رسم گردد و مرتبه های qو p در مدل ARIMA تشخیص داده شود. در مرحله بعد جهت پیش بینی مقادیر، این مدل را به داده ها برازش می دهیم. برازش مدل به معنی برآورد پارامترهای مجهول مدل می باشد. در آخر مناسبت مدل با تحلیل باقی مانده های مدل برازش داده شده مورد بررسی قرار میگیرد.

سرفصل : در ابتدای خلاصه ای در مورد تئوری مدل آریما صحبت می شود و سپس کدنویسی مدل آریما در متلب با مثالهای متعدد بیان می شود.

لينك دريافت اين فيلم آموزشي

تعدادي از تصاوير اين فيلم آموزشي :

نوشته فیلم آموزش فارسی مدلسازی آریما ARIMA در متلب اولین بار در ايران متلب. پدیدار شد.