🔰Linear Control Training Workshop - Session 4

🔵In this MATLAB tutorial video, we dive into the powerful control systems analysis and design capabilities of MATLAB. Learn how to create and interpret root locus plots to analyze system stability and transient response characteristics. We then explore various control system compensation techniques, including lead, lag, and lag-lead compensation, and how to design compensators using the root locus approach.

🔸Generating root locus plots with MATLAB
🔹Effects of poles and zeros on root locus shape
🔸Finding gain values at points on the root locus
🔹Plotting root loci with damping ratio and natural frequency lines
🔸Lead compensator design
🔹Lag compensator design
🔸Lag-lead compensator design
🔹Analyzing compensated vs. uncompensated system responses
🔸Parallel compensation and velocity feedback
🆔Channel: @MATLAB_House

🆔Group:@MATLABHOUSE

#MATLAB #ControlSystems #RootLocus #SystemStability #LeadCompensation #LagCompensation #LagLeadCompensation #ControlSystemDesign

❇️ساختن ربات تلگرام مخصوص اطلاع اتمام شبیه سازی ها در متلب ❇️

با توجه به زمان‌بر و پیچیده بودن کدها، ایجاد سیستمی برای اعلام اتمام شبیه‌سازی‌ها اهمیت زیادی دارد. در این ویدیو، نحوه ساخت ربات تلگرامی ساده‌ای را آموزش می‌دهیم که از طریق API با متلب ارتباط برقرار می‌کند و پیغام پایان شبیه‌سازی را ارسال می‌کند. این روش به دلیل سادگی و حفظ حریم خصوصی بهتر از ارسال ایمیل است. هنگام اتمام شبیه‌سازی، تنها کافی است دستور sendTelegramMessage('Simulation completed successfully!'); را فراخوانی کنید. همچنین، کدی برای ایجاد هشدار صوتی در سیستم‌های شخصی پس از اتمام کد نیز قرار داده شده که در تابع soundtest قرار دارد و قابل فراخوانی است. تمامی کدها در کامنت‌ها شرح داده شده‌اند.

🔹Telegram:
🆔 @MATLAB_House

@MATLABHOUSE

#MATLAB #TelegramBot #Simulation #Automation #TechTutorial #Engineering #Coding #SoftwareDevelopment #APIIntegration #TechTips

🔰Linear Control Training Workshop - Session 5

🔹Telegram:
🆔 @MATLAB_House

@MATLABHOUSE

⚜️Neural network course session

🔹Telegram:
🆔 @MATLAB_House

@MATLABHOUSE

✳️Deep Belief Network Controller: A Modern Alternative to PID in Simulink

🔰Discover how to replace traditional PID controllers with advanced Deep Belief Network (DBN) controllers in Simulink. This tutorial demonstrates the step-by-step process of implementing a DBN controller, showcasing its advantages over PID in complex control systems. Learn how this cutting-edge AI technique can enhance system performance and adaptability across various engineering applications. Whether you're a control systems engineer, an AI enthusiast, or a student exploring advanced control methods, this video offers valuable insights into the future of intelligent control systems."
🔹Telegram:
🆔 @MATLAB_House

@MATLABHOUSE

#DeepBeliefNetwork #ControlSystems #Simulink #MachineLearning #PIDController #AIControl #EngineeringTutorial #AdvancedControl #MATLAB #IntelligentSystems

✳️ Deep Network Designer in MATLAB - Quick Guide

🔰 In this tutorial, you’ll learn how to use MATLAB's Deep Network Designer to build and train deep neural networks effortlessly. Whether you're a beginner or advanced user, this step-by-step guide will help you design custom networks, import pre-trained models, adjust layers and hyperparameters, and train/evaluate your models with ease.

Produced by Saeed Heibati and Amirhossein Jalali, with consulting by Naser Pakar.

🔹Telegram:
🆔 @MATLAB_House
@MATLABHOUSE

#DeepLearning #MATLAB #NeuralNetworks #TransferLearning #AI #MachineLearning #DLInMATLAB #DeepNetworkTutorial

✳️ Guidance, Navigation and Control System Design - Matlab / Simulink / FlightGear Tutorial

🔰 In this video, you will learn how to build a complete guidance, navigation, and control (GNC) system for a rocket/missile that starts from a random position and reaches a specified target using LQR/LQG and Kalman filtering methods for control and estimation. You will learn:

1) How to calculate azimuth, latitude, and longitude
2) Calculate guidance commands, range, miss distance, and elevation
3) Design a Linear Quadratic Regulator/Gaussian (LQR) for a 2D state-space model
4) Build a 3-DOF Simulation using the Aerospace Blockset in Simulink
5) Perform simulation with FlightGear

Produced by Hossein Mostafavi with consulting by Naser Pakar.

🔹Telegram:
🆔 @MATLAB_House
@MATLABHOUSE

#GNC #GuidanceSystem #NavigationAndControl #RocketSimulation #Matlab #Simulink #FlightGear #LQRControl #KalmanFilter #AerospaceEngineering #MissileSimulation #ControlSystemDesign #3DOF

✳️ آموزش طراحی سیستم هدایت، ناوبری و کنترل - Matlab / Simulink / FlightGear

قسمت اول
🔰در این ویدیو یاد می‌گیرید چگونه یک سیستم هدایت، ناوبری و کنترل (GNC) کامل برای یک موشک/راکت که از یک موقعیت تصادفی شروع کرده و به هدف مشخصی می‌رسد، طراحی کنید. در این آموزش از روش‌های LQR / LQG و فیلتر کالمن برای کنترل و تخمین استفاده می‌شود. شما یاد می‌گیرید:

1) چگونگی محاسبه آزیموت، عرض و طول جغرافیایی
2) محاسبه دستورات هدایت، برد، فاصله از هدف، ارتفاع
3) طراحی تنظیم‌کننده خطی درجه دو / گاوسی (LQR) برای مدل حالت فضایی ۲ بعدی
4) ساخت شبیه‌سازی 3 درجه آزادی با استفاده از بلوک‌های هوافضا در سیمولینک
5) اجرای شبیه‌سازی با استفاده از FlightGear

این ویدیو توسط حسین مصطفوی تولید شده و ناصر پاکار به عنوان مشاور علمی نقش دارد.
🔹گروه و کانال تلگرام:
🆔 @MATLAB_House
@MATLABHOUSE

#آموزش_سیستم_هدایت
#ناوبری_و_کنترل
#FlightGear #محاسبات_آزیموت #طراحی_LQR #فیلتر_کالمن #مهندسی_هوافضا #شبیه‌سازی_موشک #کنترل_سیستمMatlab #Simulink

✳️ آموزش طراحی سیستم هدایت، ناوبری و کنترل - Matlab / Simulink / FlightGear

قسمت دوم
🔰در این ویدیو، شما با نحوه شبیه‌سازی یک سیستم هدایت، ناوبری و کنترل (GNC) موشک با استفاده از متلب و سیمیولینک آشنا می‌شوید. در این آموزش، از روش‌های کنترل بهینه و فیلتر کالمن برای تخمین و کنترل استفاده شده است. شما می‌توانید مراحل محاسبه پارامترهای ناوبری مانند آزیموت، طول و عرض جغرافیایی و طراحی کنترل‌کننده‌های بهینه با استفاده از LQR/LQG را یاد بگیرید و در نهایت شبیه‌سازی‌های خود را با FlightGear انجام دهید.

این ویدیو توسط حسین مصطفوی تولید شده و ناصر پاکار به عنوان مشاور علمی نقش دارد.
🔹گروه و کانال تلگرام:
🆔 @MATLAB_House
@MATLABHOUSE

#شبیه‌سازی_موشک #هدایت_موشک #سیستم_کنترل #کنترل_بهینه #فیلتر_کالمن #متلب #سیمیولینک #FlightGear #مهندسی_هوافضا

✳️ آموزش طراحی سیستم هدایت، ناوبری و کنترل - Matlab / Simulink / FlightGear

قسمت سوم
🔰در این ویدیو آموزشی، شما با نحوه کنترل موشک نقطه‌زن با استفاده از کنترل‌کننده‌ی LQG در محیط Simulink آشنا می‌شوید. این آموزش شامل بررسی مدل فضای حالت یک موشک، نحوه عملکرد سیستم ناوبری و هدایت، و طراحی کنترل‌کننده برای هدایت دقیق موشک است. همچنین، فیلتر کالمن برای تخمین متغیرهای حالت و محاسبه دستورات هدایت با در نظر گرفتن موانع و موقعیت هدف استفاده می‌شود. شبیه‌سازی کامل این سیستم نیز در Simulink انجام شده و نتایج آن نمایش داده می‌شود.

این ویدیو توسط سید حسین مصطفوی تولید شده و ناصر پاکار به عنوان مشاور علمی در تهیه ویدیو نقش داشته است.
🔹گروه و کانال تلگرام:
🆔 @MATLAB_House
@MATLABHOUSE

#کنترل_موشک #LQG #فیلتر_کالمن #سیستم_هدایت #Simulink #مهندسی_کنترل #ناوبری #شبیه_سازی

✳️کنترل پاندول معکوس با استفاده از یادگیری تقویتی و کنترل پیش‌بین مدل (MPC) | پروژه عملی

1️⃣. یادگیری تقویتی (Reinforcement Learning):
- استفاده شده برای شناسایی اولیه سیستم و پایدارسازی
- پیاده‌سازی الگوریتم Q-Learning
- یادگیری تعادل پاندول بدون نیاز به مدل اولیه سیستم

2️⃣. کنترل پیش‌بین مدل (Model Predictive Control):
- طراحی شده پس از شناسایی سیستم
- ارائه کنترل بهینه با در نظر گرفتن محدودیت‌ها
- دستیابی به کنترل دقیق موقعیت و زاویه

3️⃣مشخصات سخت‌افزاری:
- موتور DC با گیربکس ۵۰:۱
- دو انکودر برای اندازه‌گیری موقعیت و زاویه
- میکروکنترلر STM32 برای کنترل بلادرنگ
- درایور الکترونیک قدرت طراحی شده

4️⃣مشخه کنترلی:
پایدارسازی خودکار پاندول در حالت عمودی
- مقاومت در برابر اغتشاشات خارجی
- کنترل همزمان موقعیت و زاویه
- دقت بالا در تعقیب مسیر مرجع

این ویدیو توسط جواد صفایی تولید شده و ناصر پاکار به عنوان مشاور علمی در تهیه ویدیو نقش داشته است.
🔹گروه و کانال تلگرام:
🆔 @MATLAB_House
@MATLABHOUSE

#پاندول_معکوس #یادگیری_تقویتی #کنترل_پیش_بین #رباتیک #مهندسی_کنترل #اتوماسیون

✳️Inverted Pendulum Control: RL + MPC Implementation

1️⃣ Reinforcement Learning Features:
- Q-Learning for system identification
- Self-learning pendulum balancing
- No prior model needed

2️⃣ MPC Implementation:
- Real-time optimization
- Constraint handling
- Precise position/angle control

3️⃣ Hardware:
- DC motor (50:1 gearbox)
- Dual encoders
- STM32 controller
- Custom PWM driver

4️⃣ Performance:
- Upright stabilization
- Disturbance rejection
- Accurate tracking

By: Javad Safaei
Supervisor: Naser Pakar
🔹Telegram:
🆔 @MATLAB_House
@MATLABHOUSE

#InvertedPendulum #ReinforcementLearning #ModelPredictiveControl #Robotics #ControlSystems #Engineering

📌 انجمن علمی هوش مصنوعی دانشگاه نیشابور با همکاری انجمن های علمی مهندسی پزشکی و مهندسی برق برگزار می‌کند:

💢 اولین رویداد سالانه هوش مصنوعی کاربردی نیشابور

با افتخار، میزبان شما در یکی از بزرگترین رویداد های علمی تخصصی سال هستیم

✍ با حضور افتخار آفرین پروفسور اکبرزاده، دانشمند برجسته هوش مصنوعی ایران
و حضور متخصصین پزشکی و مدیران شرکت های دانش بنیان

🔴 محور های رویداد:

🎙 سخنرانی ویژه با موضوع AI for every one

⚙ ارتباط با صنعت و کاربرد های هوش مصنوعی در پزشکی

💡 پنل طراحان مسائل تقاضا محور

💬  میزگرد های تخصصی و ارتباط مستقیم با مدیران شرکت ها و متخصصین هوش مصنوعی و پزشکی

🗓 زمان: ۱۸ آذر ماه ۱۴۰۳
📍 مکان: دانشگاه نیشابور، سالن همایش دکتر سخایی

🚀 اینجا شروع یک تحول است، با ما همراه شوید!

🔸 انجمن علمی مهندسی برق دانشگاه نیشابور

🆔 @N_U_E_E_S

🎬✨ Title:
🚀 How to Run Local AI Models with MATLAB GUI 🖥🤖

📝📌 Denoscription:
Dive into 🌟 local AI using OLLAMA 🦙! Learn to download and run powerful open-source models (DeepSeek-R1 1.5B, Qwen 0.5B) locally and integrate them into an interactive MATLAB GUI chatbot 🛠🎨.

🚀🌟 You'll Learn:
- ⚙️ Install OLLAMA quickly 💻✨
- 📥 Easily download DeepSeek-R1 and Qwen 📂
- 🎨 Build a user-friendly chatbot in MATLAB 🤖💬
- 🧠 Test AI logical reasoning:
- ✅ Logical inference: Apples 🍎 and fruits 🍓
- ✅ Comparative reasoning: Which is smallest? 📏
- 📊 Compare with online models (Claude.ai, ChatGPT, DeepSeek R1)

👥👩‍💻 For:
- AI enthusiasts exploring private AI solutions 🔐
- Researchers integrating AI and MATLAB 👨‍💻
- Students & academics in NLP experiments 🎓📚

🔹Telegram:
🆔 @MATLAB_House
@MATLABHOUSE


#OLLAMA #MATLAB #LocalAI #Chatbot #AIIntegration #MachineLearning #Tutorial