آموزش تخصصی متلب – Telegram
آموزش تخصصی متلب
2.68K subscribers
239 photos
27 videos
184 files
33 links
آموزش برنامه نویسی در محیط متلب
آموزش متلب از مقدماتی تا پیشرفته
کدنویسی الگوریتم های فراابتکاری٫ شبکه عصبی، تحلیل پوششی، تصمیم گیری چند معیاره و ....

www.Shopmatlab.ir

سفارش برنامه نویسی:
@matlabanalysis
Download Telegram
اشین های بردار پشتیبان یا SVM

در شبکه های عصبی MLP و RBF، غالبا توجه بر بهبود ساختار شبکه عصبی است، به نحوی که خطای تخمین و میزان اشتباه های شبکه عصبی کمینه شود. اما در نوع خاصی از شبکه عصبی، موسوم به ماشین بردار پشتیبان یا Support Vector Machine (به اختصار SVM)، صرفا بر روی کاهش ریسک عملیاتی مربوط به عدم عملکرد صحیح، تمرکز می شود. ساختار یک شبکه SVM، اشتراکات زیادی با شبکه عصبی MLP دارد و عملا تفاوت اصلی آن، در شیوه یادگیری است.
@matlabanalysis1
نگاشت های خود سازمان ده یا SOM

شبکه عصبی کوهونن (Kohonen) و یا نگاشت خود سازمان ده یا Self-Organizing Map (به اختصار SOM) نوع خاصی از شبکه عصبی که از نظر شیوه عملکرد، ساختار و کاربرد، کاملا با انواع شبکه عصبی که پیش از این مورد بررسی قرار گرفتند، متفاوت است. ایده اصلی نگاشت خود سازمان ده، از تقسیم عملکردی ناحیه قشری مغز، الهام گرفته شده است و کاربرد اصلی آن در حل مسائلی است که به مسائل «یادگیری غیر نظارت شده» معروف هستند. در واقع کارکرد اصلی یک SOM، در پیدا کردن شباهت ها و دسته های مشابه در میان انبوهی از داده هاست که در اختیار آن قرار گرفته است. مشابه با کاری که قشر مغز انسان انجام داده است و انبوهی از ورودی های حسی و حرکتی به مغز را، در گروه های مشابهی طبقه بندی (یا بهتر است بگوییم: خوشه بندی) کرده است.
@matlabanalysis1
شبکه عصبی هاپفیلد یا Hopfield
این نوع شبکه عصبی، بیشتر دارای ماهیتی شبیه به یک سیستم دینامیکی است، که دو یا چند نقطه تعادل پایدار دارد. این سیستم با شروع از هر شرایط اولیه، نهایتا به یکی از نقاط تعادلش همگرا می شود. همگرایی به هر نقطه تعادل، به عنوان تشخیصی است که شبکه عصبی آن را ایجاد کرده است و در واقع می تواند به عنوان یک رویکرد برای حل مسائل طبقه بندی استفاده شود. این سیستم، یکی از قدیمی ترین انواع شبکه های عصبی است، که دارای ساختار بازگشتی است و در ساختار آن، فیدبک های داخلی وجود دارند.
@matlabanalysis1
🚀🍍🌻#شبیه سازی دینامیک پرواز هواپیما ✈️
✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️✈️
در این لحظه ؛ شبیه سازی دینامیک پرواز هواپیما برای دوستان گذاشته خواهد شد .

معادلات دینامیکی هواپیما به دو دسته طولی و عرضی تقسیم می شوند . این معادلات در کتاب دینامیک پرواز راسکم موجو د است ، هم چنین در سایر کتابهایی که در ارتباط با دینامیک پرواز می باشد موجود می باشد . اما شبیه سازی این معادلات کمتر در منابع و اینترنت موجود می باشد .
بنابر این این نیاز مطرح است که اگر پروزه ای با این عنوان شبیه سازی هواپیمای دلخواه را از ما بخواهند ، اینکه که کدی نوشته باشیم که ان کد درست کار کند ، و تمام خروجی های خواسته شده را بدهد ، کار نسبتا سخت و زمان بر است

با این رویکرد ما کد شبیه سازی دینامیک پرواز هواپیما را در اختیار دوستان می گذاریم که برای هواپیمای لییر جت 24 می باشد ،
بنابراین کدی که الان در کانال گذاشته خواهد شد ، یک #کد #بیس می باشد که می توان برای هر هواپیمای دلخواه با تغییر ورودی ها یا همان اطلاعات مربوط به آن هواپیما می توان استفاده کرد ،
@matlabanalysis1
ایجاد منو در متلب
سینتکس کلی به این صورت است :
choice = menu('Choose a color','Red','Blue','Green')
کد متلب الگوریتم جهش قوباغه SFLA
👇👇👇👇👇👇👇👇
نمونه ای از کدنویسی مسائل دارای سری های محدود در محیط متلب
دوره آمادگی کنکور دکتری
ویژه رشته مهندسی صنایع
در شهر اصفهان
شروع کلاس ها از اول تیرماه
tel: 0313-4446224
Channel: @amoozehaye_sanati
Id: @matlabanalysis
نرم افزاری برای ترسیم توابع در فضای 3 بعدی.
پس وارد کردن ضابطه تابع و ترسیم شدن رویه ، شکل را در زوایای متفاوت بچرخانید و از زوایای مختلف نگاه کنید، رفتار تابع وارد شده به خوبی نمایان است .
با سلام به همراهان گرامی .
در ادامه مباحث اموزش متلب طی چند پست آتی مبحث ساختمان داده ها در نرم افزار متلب مطرح میگردد .
👇👇👇👇👇👇👇👇👇👇
‼️ ساختمان داده ها ابزاری برای ذخیره و نگهداری داده های مرتبط تحت یک عنوان واحد است .
⛔️ آنچه این مبحث را حایز اهمیت می سازد این است که ساختارهای مطرح شده ، قالب های داده ای استفاده شده در حل کننده ها و جعبه ابزارهای داخلی متلب هستند لذا
‼️ لازم است به منظور کاربری صحیح و حرفه ای نرم افزار با این ساختمان های داده ای اشنا بود.
کاربرد موردی و ویژه هر ساختمان داده به صورت تیتر وار در ابتدای هر زیرفصل مطرح شده است
👇👇👇👇👇👇👇👇👇