پیاده سازی انواع مقاله در نرم افزار متلب (Matlab)

انجام کار به همراه آموزش گام به گام

پیاده سازی انواع مقاله در نرم افزار متلب (Matlab)

پیاده سازی مقاله های هوش مصنوعی

پیاده سازی مقاله های شبکه عصبی

پیاده سازی مقاله های ژنتیک

پیاده سازی کد Apriori در متلب و تغییر ان برای کاربردهای شما

پیاده سازی مقاله پردازش تصویر

پیاده سازی انواع روش های خوشه بندی

پروژه های الگوریتم ژتتیک

پزوژه با الگوریتم pso

پروژه با الگوریتم تکاملی تفاضلی DE

پروژه با الگوریتم جهش قورباغه SFLA

پروژه های هوش مصنوعی، شبکه عصبی ، تشخیص پلا ک و ..... همه و همه را از مابخواهید
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir


 

هدف ما آموزش شماست نه انجام تکلیف شما
آموزش شما افتخارماست

گروه برنامه نویسی هوشمند جهت آموزش دانشجویان فایل های آموزشی به صورت رایگان قرار داده است که دانشجویان محترم پس از تحویل پروژه از این فایل های آموزشی استفاده نمایند.

با تشکر گروه برنامه نویسی هوشمند
شبکه های اجتماعی
دسته‌ها

    SVM ماشین بردار پشتیبان
    آموزش متلب
    استگانوگرافی (SteganoGraphy)
    الگوریتم بهینه سازی فاخته
    الگوریتم تکاملی تفاضلی (DE)
    الگوریتم تکاملی توده ذرات (PSO Algorithm)
    الگوریتم تکاملی خقاش (Bat Algorithm)
    الگوریتم تکاملی زنبور عسل Bee Algorithm
    الگوریتم تکاملی واکنش شیمیایی CRO
    الگوریتم جستجوی ممنوعه Tabu search
    الگوریتم جستجوی هارمونی Harmony
    الگوریتم حریصانه Greedy
    الگوریتم دسته ماهی های مصنوعی
    الگوریتم سیستم ایمنی مصنوعی AIS
    الگوریتم غذایابی باکتری BFO
    الگوریتم مبتنی بر چگالی DBSCAN, الگوریتم DBSCAN
    الگوریتم ممتیک Memetic Algorithm
    الگوریتم ژنتیک Genetic
    اموزش پردازش تصویر در متلب
    برنامه نویسی ژنتیک Genetic Programming
    بیوانفورماتیک
    ترجمه
    حل جدول سودوکو (Sudoku puzzles)
    حل مسئله سفر اسب
    حل مسئله کوله پشتی (knapsak) در متلب
    حل مسائل معروف هوش مصنوعی
    خوشه بندی Fuzzy C Mean
    خوشه بندی Kmeans
    دسته‌بندی نشده
    رمز نگاری بصری یا کریپتوگرافی
    زبان ارمنی (ترجمه متون فارسی به ارمنی و ارمنی به فارسی)
    سی شارپ
    شبیه سازی با نرم افزار gpss
    مسائل جبرخطی
    مسیریابی وسایل نقلیه VRP
    پردازش تصویر
    پردازش موازی در متلب
    پروژه های الگوریتم جهش قورباغه SFLA
    پروژه های الگوریتم کرم شب تاب Firefly Algorithm
    پروژه های پردازش تصویر
    پیاده سازی مقاله Game Theory
    پیاده سازی مقاله SmartGrid
    پیاده سازی مقاله داده کاوی
    پیاده سازی مقاله در متلب
    پیاده سازی مقاله درس بازشناسی الگو
    پیاده سازی مقاله شبکه عصبی
    پیاده سازی مقاله فازی
    پیاده سازی مقاله پردازش تصویر
    پیاده سازی مقاله ژنتیک
    پیاده سازی کلاسترینگ
    کد متلب فروشنده دوره گرد (TSP)
    کد متلب معمای ۸ وزیر (N Queen)
    یادگیری ماشین

نظرات اخیر
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
    admin: سلام این کد برای مخاطب خاص قرار داده شده است در صورتی که نیا...
    admin: سلام این کد برای مخاطب خاص قرار داده شده است در صورتی که نیا...
    admin: سلام این کد برای مخاطب خاص قرار داده شده است در صورتی که نیا...
    wedding tents rental: چگونه از برنامه های متلب فایل اجرایی بسازیم ؟ | برنامه نویسی...
    مینا: salam.file ha niaz be password daran o baz nemishan.lotfan r...

در فیسبوک به ما بپیوندید

    کد متلب مسیریابی وسایل نقلیه با الگوریتم تابو سرچ

نوشته های تازه
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
    Announcement: تدریس خصوصی برنامه نویسی متلب در کرج و تهران
    Announcement: تدریس خصوصی برنامه نویسی متلب در کرج و تهران
    ۱۳۹۳/۰۸/۱۴
    حل مسئله CVRP در متلب
    حل مسئله CVRP در متلب
    ۱۳۹۴/۰۳/۰۳
    حل معمای n وزیر با الگوریتم کلونی زنبور عسل
    حل معمای n وزیر با الگوریتم کلونی زنبور عسل
    ۱۳۹۴/۰۲/۲۴
    دانلود جزوه اموزش نرم افزار متلب
    ۱۳۹۴/۰۲/۲۲
    کد تشخیص پلاک در متلب
    کد تشخیص پلاک در متلب
    ۱۳۹۴/۰۲/۲۰
    حل کوله پشتی با الگوریتم حریصانه
    حل کوله پشتی با الگوریتم حریصانه
    ۱۳۹۴/۰۲/۲۰
    کد متلب الگوریتم جستجوی هارمونی
    ۱۳۹۴/۰۲/۱۹
    کد متلب الگوریتم غذایابی باکتری
    کد متلب الگوریتم غذایابی باکتری
    ۱۳۹۴/۰۲/۱۹
    پیاده سازی مقاله در زمینه استگانوگرافی
    ۱۳۹۴/۰۲/۱۶
    حل معادلات دیفرانسیل در متلب
    حل معادلات دیفرانسیل در متلب
    ۱۳۹۴/۰۲/۱۵

محبوب ترین مطالب
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
    Announcement: تدریس خصوصی برنامه نویسی متلب در کرج و تهران
    Announcement: تدریس خصوصی برنامه نویسی متلب در کرج و تهران
    ۱۳۹۳/۰۸/۱۴
    حل مسئله CVRP در متلب
    حل مسئله CVRP در متلب
    ۱۳۹۴/۰۳/۰۳
    حل معمای n وزیر با الگوریتم کلونی زنبور عسل
    حل معمای n وزیر با الگوریتم کلونی زنبور عسل
    ۱۳۹۴/۰۲/۲۴
    دانلود جزوه اموزش نرم افزار متلب
    ۱۳۹۴/۰۲/۲۲
    کد تشخیص پلاک در متلب
    کد تشخیص پلاک در متلب
    ۱۳۹۴/۰۲/۲۰

مطالب تصادفی

    Announcement: تدریس خصوصی برنامه نویسی متلب در کرج و تهران
    Announcement: تدریس خصوصی برنامه نویسی متلب در کرج و تهران
    ۱۳۹۳/۰۸/۱۴
    حل مسئله CVRP در متلب
    حل مسئله CVRP در متلب
    ۱۳۹۴/۰۳/۰۳
    حل معمای n وزیر با الگوریتم کلونی زنبور عسل
    حل معمای n وزیر با الگوریتم کلونی زنبور عسل
    ۱۳۹۴/۰۲/۲۴
    دانلود جزوه اموزش نرم افزار متلب
    ۱۳۹۴/۰۲/۲۲
    کد تشخیص پلاک در متلب
    کد تشخیص پلاک در متلب
    ۱۳۹۴/۰۲/۲۰
    حل کوله پشتی با الگوریتم حریصانه
    حل کوله پشتی با الگوریتم حریصانه
    ۱۳۹۴/۰۲/۲۰
    کد متلب الگوریتم جستجوی هارمونی
    ۱۳۹۴/۰۲/۱۹
    کد متلب الگوریتم غذایابی باکتری
    کد متلب الگوریتم غذایابی باکتری
    ۱۳۹۴/۰۲/۱۹
    پیاده سازی مقاله در زمینه استگانوگرافی
    ۱۳۹۴/۰۲/۱۶
    حل معادلات دیفرانسیل در متلب
    حل معادلات دیفرانسیل در متلب
    ۱۳۹۴/۰۲/۱۵
    پیاده سازی روش های انتگرال گیری در متلب
    پیاده سازی روش های انتگرال گیری در متلب
    ۱۳۹۴/۰۲/۱۵
    مثال الگوریتم اپریوری در کلمنتاین
    ۱۳۹۴/۰۲/۱۴
    رمزنگاری بصری (Visual cryptography)
    رمزنگاری بصری (Visual cryptography)
    ۱۳۹۴/۰۲/۱۳
    ترجمه مقاله با عنوان : تاثیر تنش بر ترانزیستورِ اثر میدانِ دوپ شده با نانوسیم سیلیکونِ خود هماهنگ شونده
    ۱۳۹۴/۰۲/۰۸
    کد متلب بازی معمای زندانی
    کد متلب بازی معمای زندانی
    ۱۳۹۴/۰۲/۰۸
    ترجمه مقاله در زمینه تخصیص منابع در موبایل
    ۱۳۹۴/۰۲/۰۵
    کد متلب مسیریابی وسایل نقلیه با الگوریتم تابو سرچ
    ۱۳۹۴/۰۲/۰۵
    نظریه بازی ها و حل مسئله یارانه
    ۱۳۹۴/۰۱/۳۰
    پیاده سازی مقاله در زمینه انتخاب ویژگی
    پیاده سازی مقاله در زمینه انتخاب ویژگی
    ۱۳۹۴/۰۱/۱۶
    پیاده سازی مقاله انتخاب ویژگی با نظریه بازی ها
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

    اشنایی با SVM

    admin ۱۳۹۳/۰۶/۰۲    SVM ماشین بردار پشتیبان نظر بدهید
    ماشین بردار پشتیبان یا Support Vector Machine (به اختصار SVM) نوع خاصی از شبکه های عصبی هستند که بر خلاف سایر انواع شبکه عصبی (مانند MLP و RBF) به جای کمینه کردن خطا، اقدام به کمینه کردن ریسک عملیاتی طبقه بندی یا مدل سازی می کند. این ابزار، بسیار قدرتمند ... ادامه مطلب »
    کد متلب کلاس بندی داده های چند کلاسه با svm

    admin ۱۳۹۳/۰۵/۳۱    SVM ماشین بردار پشتیبان نظر بدهید

وب

کد متلب زنبور عسل غیرخطی

کد متلب زنبور عسل غیرخطی

الگوریتم زنبور عسل از جمله الگوریتم های تکاملی است که برای بهینه سازی و حل توابع غیرخطی استفاده میشود

در این کار ما از الگوریتم زنبور عسل برای بهینه کردن تابع غیرخطی زیر استفاده کرده ایم

 
کد متلب الگوریتم زنبور عسل

الگوریتم زنبور عسل

 

جهت دریافت کد متلبالگوریتم تکاملی زنبور عسل (Bee Algorithm)   برای بهینه سازی و حل توابع غیرخطی  یا انجام پروژه و مقاله با الگوریتم تکاملی زنبور عسل (Bee Algorithm)با ما تماس بگیرید.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

کد متلب بهینه سازی تابع غیرخطی با الگوریتم زنبور عسل + فایل توضیحات خط به خط  کد متلب الگوریتم زنبور عسل

قیمت : ۳۰ هزار تومان

 

برچسب‌ها: کد متلب زنبور عسل غیرخطی
نوشته شده در تاریخ جمعه سی و یکم مرداد ۱۳۹۳ توسط Intelligent programming
نظر بدهید

کد متلب کلاس بندی داده های چند کلاسه با svm
ماشین بردار پشتیبانی (Support vector machines – SVMs) یکی از روش‌های یادگیری بانظارت است که از آن برای طبقه‌بندی  و رگرسیون استفاده می‌کنند.

این روش از جملهٔ روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی از جمله شبکه‌های عصبی پرسپترون نشان داده است. مبنای کاری دسته‌بندی کنندة SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد.

 

با روش SVM میتوان داده هایی با دو کلاس را از هم جدا کرد ، یکی از مسائل مهم کلاس بندی داده هایی است که در بیش از دو کلاس قرار میگیرند

سوال مهم این است که چگونه داده های چند کلاسی را با svm دسته بندی کنیم؟

ما در این کد داده های iris را که در سه کلاس قرار دارند با استفاده از روش svm کلاس بندی کرده ایم

 

جهت دریافت کد متلب  دسته بندی داده های چند کلاسی با SVM با ما تماس بگیرید

اazsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

 

برچسب‌ها: دسته بندی داده های چند کلاسی با SVM, پروژه svm, کد متلب با svm, دسته بندی داده با svm
نوشته شده در تاریخ شنبه بیست و پنجم مرداد ۱۳۹۳ توسط Intelligent programming
نظر بدهید

کد موازی خوشه بندی کامینز kmeans
 

کد متلب خوشه بندی بصورت موازی Parallel Computing

 

در این کد ما روش خوشه بندی کامینز Kmeans را بصورت موازی یا paralell پیاده سازی کرده ایم و از ان برای سگمت کردن تصویر استفاده کرده ایم

همانطور که میدانید برای اینکه یک کد را بصورت موازی در متلب اجرا کنید باید کد را بصورتی بنویسید که امکان اجزای موازی ان وجود داشته باشد و دستوراتی که در حلقه parfor برای اجرای موازی قرار میگیرند باید مستقل از اندیس حلقه باشند یعنی یک کد درون حلقه به تکرارهای قبلی یا بعدی حلقه وابسته نباشد

ما برای اجرای موازی خوشه بندی کامینز بصورت زیر عمل کرده ایم:

برای موازی کردن کد از مقاله با نام 'Parallel Implementation of K-Means on Multi-Core Processors'

استفاده کرده ایم

 همچنین برای پیاده سازی در متلب از تولباکس Paralell Computing و درستورات matlabpool و parfor استفاده کرده ایم

در پایان کد ما همچنین زمان های اجرا را مقایسه کرده ایم

زمان اجرای کد بصورت معمولی 75 ثانیه و زمان اجرای موازی کد 25 ثانیه می باشد

 

جهت دریافت کد متلب الگوریتم سگمنت کردن تصویر با الگوریتم K- Meansبصورت موازی با ما تماس بگیرید

ایمیل : azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

 

پردازش موازی در متلب،روش خوشه بندی کامینز بصورت موازی در متلب،کد متلب خوشه بندی kmeans بصورت موازی،کد متلب clustering بصورت موازی، کد متلب موازی،پروژه متلب بصورت موازی، پروژه متلب بصورت paralell ، کد متلب بصورت paralell، کد متلب بصورت موازی، اموزش اجرای کد متلب بصورت موازی، آموزش خوشه بندی موازی در متلب،اجرای کد متلب بصورت موازی، پروژه موازی در متلب،پروژه paralell در متلب،پیاده سازی کد بصورت موازی در متلب،پیاده سازی کد بصورت paralell در متلب ،چگونه کد متلب را بصورت موازی اجرا کنیم؟، نحوه موازی سازی کد در متلب

برچسب‌ها: پردازش موازی در متلب, روش خوشه بندی کامینز بصورت موازی در متلب, کد متلب خوشه بندی kmeans بصورت موازی, کد متلب clustering بصورت موازی, کد متلب موازی
نوشته شده در تاریخ جمعه بیست و چهارم مرداد ۱۳۹۳ توسط Intelligent programming
نظر بدهید

ترکیب کد متلب با سی شارپ
گاهی اوقات برنامه هایی را به زبان متلب پیاده سازی و با استفاده از تولباکس های اماده متلب پیاده سازی میکنید اما برای ان برنامه نیاز به فرم هایی برای دریافت اطلاعات از کاربر دارید و تمایل دارید برای طراحی فرم های ورودی از visual studio استفاده کنید.یعنی در ویژوال استودیو کد متلب خود را فراخوانی کنید

راههایی برای انجام این کار وجود دارد از جمله این که فایل متلب خود را به exe تبدیل کنید و ان را در ویژوال استودیو فراخوانی کنید یا اینکه فایل متلب خود را به dll تبدیل کنید و در visual studio فراخوانی کنید

 

در هر یک از دو روش بالا شما برای تغییر کد متلب خود نیاز به کامپایل مجدد وتولید دوباره فایل اجرایی matlab خواهید داشت

ما برای شما کدی را اماده کرده ایم که میتوانید به راحتی کد متلب خود را به صورت mفایل  در محیط ویژوال استودیو و زبان سی شارپ فراخوانی کرده و اجرا کنید

یعنی میتوانید فرم هایی در visualstudio طراحی کنید و اطلاعات را از کاربر دریافت کنید سپس کد متلب خود را فراخوانی و اجرا کنید و در نهایت نتیجه حاصل از کد matlab را در فرم به کاربر نمایش دهید

در زیر شکل برنامه نمایش داده شده است:

ترکیب کد متلب با سی شارپ

با این کد میتوانید کد متلب را با سی شارپ ترکیب کنید

 

azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
 

برچسب‌ها: ترکیب کد متلب با سی شارپ, اجرای کد متلب در سی شارپ, فراخوانی کدمتلب در سی شارپ, کد متلب در ویژوال استودیو, فرم سی شارپ برای کد متلب
نوشته شده در تاریخ دوشنبه بیستم مرداد ۱۳۹۳ توسط Intelligent programming
نظر بدهید

استفاده از CUDA در MATLAB
استفاده از CUDA در MATLAB
بررسی قابلیت‌های معرفی شده توسط Jacket

عرفان نظری فاضل

اشاره:
ماهنامه شبکه - نرم‌افزار Matlab با توجه به دستورها و توابع ساده و محیط داده‌ای برداری‌ای که در بر دارد، یکی از بهترین و کاراترین نرم‌افزارها برای کاربرانی است که دانش عمیقی از برنامه‌نویسی ندارند و نیاز دارند تا وقت و زمان خود را صرف آزمایش طرح‌های جدید و پیش نمونه‌سازی الگوریتم‌های جدید کنند...

برچسب‌ها: استفاده از CUDA در MATLAB

ادامه مطلب
نوشته شده در تاریخ دوشنبه بیستم مرداد ۱۳۹۳ توسط Intelligent programming
نظر بدهید

پردازش موازی (Parallel Computing) در متلب
پردازش موازی (Parallel Computing) در متلب :

نرم افزار متلب، این امکان را به وجود آورده است که در کامپیوترهای دارای پردازنده (CPU) چند هسته ای، از پردازش موازی (Parallel Computing) استفاده نماییم. در این مبحث آموزشی، قصد داریم که نحوه نوشتن کدهای متلب، برای پردازش موازی کدها را شرح بدهیم.

برچسب‌ها: پردازش موازی, Parallel Computing, در متلب

ادامه مطلب
نوشته شده در تاریخ شنبه بیست و هشتم تیر ۱۳۹۳ توسط Intelligent programming
نظر بدهید

K- Means ،یکی از ساده ترین الگوریتم های یادگیری بدون نظارت است که مسائل کلاسترینگ معروف را حل می کند. این الگوریتم از یک شیوه ساده برای کلاسیفای کردن یک مجموعه داده در یک تعداد از پیش مشخص شده (k) کلاستر،استفاده می کند.ایده اصلی تعریف k مرکز برای هر یک از کلاستر ها می باشد . این مراکز بایستی با دقت زیاد انتخاب شوند ، زیرا مراکز مختلف ، نتایج مختلف را به وجود می آورند.

ما از الگوریتم خوشه بندی K- Means برای سگمنت کردن تصویر در نرم افزار متلب استفاده کرده ایم :

Image Segmentation Using K- MeansClustering Method

نحوه کار به این صورت است که ما تصویری همانند تصویر زیر را به الگوریتم K- Meansداده ایم و الگوریتم K- Means غده ها را در این تصویر جدا کرده است:

تصویر اولیه

نتیجه سگمنت کردن تصویر با الگوریتم K- Means

 

جهت دریافت کد متلب الگوریتم سگمنت کردن تصویر با الگوریتم K- Means  با ما تماس بگیرید
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

الگوریتم زنبور عسل از جمله الگوریتم های تکاملی است که برای بهینه سازی و حل توابع غیرخطی استفاده میشود

کد متلب زنبور عسل غیرخطی

الگوریتم زنبور عسل از جمله الگوریتم های تکاملی است که برای بهینه سازی و حل توابع غیرخطی استفاده میشود

در این کار ما از الگوریتم زنبور عسل برای بهینه کردن تابع غیرخطی زیر استفاده کرده ایم

 
کد متلب الگوریتم زنبور عسل

الگوریتم زنبور عسل

 

جهت دریافت کد متلبالگوریتم تکاملی زنبور عسل (Bee Algorithm)   برای بهینه سازی و حل توابع غیرخطی  یا انجام پروژه و مقاله با الگوریتم تکاملی زنبور عسل (Bee Algorithm)با ما تماس بگیرید.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

کد متلب بهینه سازی تابع غیرخطی با الگوریتم زنبور عسل + فایل توضیحات خط به خط  کد متلب الگوریتم زنبور عسل

قیمت : ۳۰ هزار تومان

 

برچسب‌ها: کد متلب زنبور عسل غیرخطی
نوشته شده در تاریخ جمعه سی و یکم مرداد ۱۳۹۳ توسط Intelligent programming
نظر بدهید

کد متلب کلاس بندی داده های چند کلاسه با svm
ماشین بردار پشتیبانی (Support vector machines – SVMs) یکی از روش‌های یادگیری بانظارت است که از آن برای طبقه‌بندی  و رگرسیون استفاده می‌کنند.

این روش از جملهٔ روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی از جمله شبکه‌های عصبی پرسپترون نشان داده است. مبنای کاری دسته‌بندی کنندة SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد.

 

با روش SVM میتوان داده هایی با دو کلاس را از هم جدا کرد ، یکی از مسائل مهم کلاس بندی داده هایی است که در بیش از دو کلاس قرار میگیرند

سوال مهم این است که چگونه داده های چند کلاسی را با svm دسته بندی کنیم؟

ما در این کد داده های iris را که در سه کلاس قرار دارند با استفاده از روش svm کلاس بندی کرده ایم

 

جهت دریافت کد متلب  دسته بندی داده های چند کلاسی با SVM با ما تماس بگیرید

اazsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

 

برچسب‌ها: دسته بندی داده های چند کلاسی با SVM, پروژه svm, کد متلب با svm, دسته بندی داده با svm
نوشته شده در تاریخ شنبه بیست و پنجم مرداد ۱۳۹۳ توسط Intelligent programming
نظر بدهید

کد موازی خوشه بندی کامینز kmeans
 

کد متلب خوشه بندی بصورت موازی Parallel Computing

 

در این کد ما روش خوشه بندی کامینز Kmeans را بصورت موازی یا paralell پیاده سازی کرده ایم و از ان برای سگمت کردن تصویر استفاده کرده ایم

همانطور که میدانید برای اینکه یک کد را بصورت موازی در متلب اجرا کنید باید کد را بصورتی بنویسید که امکان اجزای موازی ان وجود داشته باشد و دستوراتی که در حلقه parfor برای اجرای موازی قرار میگیرند باید مستقل از اندیس حلقه باشند یعنی یک کد درون حلقه به تکرارهای قبلی یا بعدی حلقه وابسته نباشد

ما برای اجرای موازی خوشه بندی کامینز بصورت زیر عمل کرده ایم:

برای موازی کردن کد از مقاله با نام 'Parallel Implementation of K-Means on Multi-Core Processors'

استفاده کرده ایم

 همچنین برای پیاده سازی در متلب از تولباکس Paralell Computing و درستورات matlabpool و parfor استفاده کرده ایم

در پایان کد ما همچنین زمان های اجرا را مقایسه کرده ایم

زمان اجرای کد بصورت معمولی 75 ثانیه و زمان اجرای موازی کد 25 ثانیه می باشد

 

جهت دریافت کد متلب الگوریتم سگمنت کردن تصویر با الگوریتم K- Meansبصورت موازی با ما تماس بگیرید

ایمیل : azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

 

پردازش موازی در متلب،روش خوشه بندی کامینز بصورت موازی در متلب،کد متلب خوشه بندی kmeans بصورت موازی،کد متلب clustering بصورت موازی، کد متلب موازی،پروژه متلب بصورت موازی، پروژه متلب بصورت paralell ، کد متلب بصورت paralell، کد متلب بصورت موازی، اموزش اجرای کد متلب بصورت موازی، آموزش خوشه بندی موازی در متلب،اجرای کد متلب بصورت موازی، پروژه موازی در متلب،پروژه paralell در متلب،پیاده سازی کد بصورت موازی در متلب،پیاده سازی کد بصورت paralell در متلب ،چگونه کد متلب را بصورت موازی اجرا کنیم؟، نحوه موازی سازی کد در متلب

برچسب‌ها: پردازش موازی در متلب, روش خوشه بندی کامینز بصورت موازی در متلب, کد متلب خوشه بندی kmeans بصورت موازی, کد متلب clustering بصورت موازی, کد متلب موازی
نوشته شده در تاریخ جمعه بیست و چهارم مرداد ۱۳۹۳ توسط Intelligent programming
نظر بدهید

ترکیب کد متلب با سی شارپ
گاهی اوقات برنامه هایی را به زبان متلب پیاده سازی و با استفاده از تولباکس های اماده متلب پیاده سازی میکنید اما برای ان برنامه نیاز به فرم هایی برای دریافت اطلاعات از کاربر دارید و تمایل دارید برای طراحی فرم های ورودی از visual studio استفاده کنید.یعنی در ویژوال استودیو کد متلب خود را فراخوانی کنید

راههایی برای انجام این کار وجود دارد از جمله این که فایل متلب خود را به exe تبدیل کنید و ان را در ویژوال استودیو فراخوانی کنید یا اینکه فایل متلب خود را به dll تبدیل کنید و در visual studio فراخوانی کنید

 

در هر یک از دو روش بالا شما برای تغییر کد متلب خود نیاز به کامپایل مجدد وتولید دوباره فایل اجرایی matlab خواهید داشت

ما برای شما کدی را اماده کرده ایم که میتوانید به راحتی کد متلب خود را به صورت mفایل  در محیط ویژوال استودیو و زبان سی شارپ فراخوانی کرده و اجرا کنید

یعنی میتوانید فرم هایی در visualstudio طراحی کنید و اطلاعات را از کاربر دریافت کنید سپس کد متلب خود را فراخوانی و اجرا کنید و در نهایت نتیجه حاصل از کد matlab را در فرم به کاربر نمایش دهید

در زیر شکل برنامه نمایش داده شده است:

ترکیب کد متلب با سی شارپ

با این کد میتوانید کد متلب را با سی شارپ ترکیب کنید

 

azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
 

برچسب‌ها: ترکیب کد متلب با سی شارپ, اجرای کد متلب در سی شارپ, فراخوانی کدمتلب در سی شارپ, کد متلب در ویژوال استودیو, فرم سی شارپ برای کد متلب
نوشته شده در تاریخ دوشنبه بیستم مرداد ۱۳۹۳ توسط Intelligent programming
نظر بدهید

استفاده از CUDA در MATLAB
استفاده از CUDA در MATLAB
بررسی قابلیت‌های معرفی شده توسط Jacket

عرفان نظری فاضل

اشاره:
ماهنامه شبکه - نرم‌افزار Matlab با توجه به دستورها و توابع ساده و محیط داده‌ای برداری‌ای که در بر دارد، یکی از بهترین و کاراترین نرم‌افزارها برای کاربرانی است که دانش عمیقی از برنامه‌نویسی ندارند و نیاز دارند تا وقت و زمان خود را صرف آزمایش طرح‌های جدید و پیش نمونه‌سازی الگوریتم‌های جدید کنند...

برچسب‌ها: استفاده از CUDA در MATLAB

ادامه مطلب
نوشته شده در تاریخ دوشنبه بیستم مرداد ۱۳۹۳ توسط Intelligent programming
نظر بدهید

پردازش موازی (Parallel Computing) در متلب
پردازش موازی (Parallel Computing) در متلب :

نرم افزار متلب، این امکان را به وجود آورده است که در کامپیوترهای دارای پردازنده (CPU) چند هسته ای، از پردازش موازی (Parallel Computing) استفاده نماییم. در این مبحث آموزشی، قصد داریم که نحوه نوشتن کدهای متلب، برای پردازش موازی کدها را شرح بدهیم.

برچسب‌ها: پردازش موازی, Parallel Computing, در متلب

ادامه مطلب
نوشته شده در تاریخ شنبه بیست و هشتم تیر ۱۳۹۳ توسط Intelligent programming
نظر بدهید

K- Means ،یکی از ساده ترین الگوریتم های یادگیری بدون نظارت است که مسائل کلاسترینگ معروف را حل می کند. این الگوریتم از یک شیوه ساده برای کلاسیفای کردن یک مجموعه داده در یک تعداد از پیش مشخص شده (k) کلاستر،استفاده می کند.ایده اصلی تعریف k مرکز برای هر یک از کلاستر ها می باشد . این مراکز بایستی با دقت زیاد انتخاب شوند ، زیرا مراکز مختلف ، نتایج مختلف را به وجود می آورند.

ما از الگوریتم خوشه بندی K- Means برای سگمنت کردن تصویر در نرم افزار متلب استفاده کرده ایم :

Image Segmentation Using K- MeansClustering Method

نحوه کار به این صورت است که ما تصویری همانند تصویر زیر را به الگوریتم K- Meansداده ایم و الگوریتم K- Means غده ها را در این تصویر جدا کرده است:

تصویر اولیه

نتیجه سگمنت کردن تصویر با الگوریتم K- Means

 

جهت دریافت کد متلب الگوریتم سگمنت کردن تصویر با الگوریتم K- Means  با ما تماس بگیرید
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

تشخیص حروف چاپی(ICR)+شبکه های عصبی در متلب

در این مجموعه ی آموزشی به بررسی انواع روش­ های تشخیص حروف پرداخته و همچنین برخی از این روش ها را پیاده سازی خواهیم کرد.

 

جلسه اول را با اشاره ای به تاریخچه و اصطلاحات پایه­ ای ocr شروع خواهیم کرد.

سپس در جلسه بعدی به بررسی انواع روش­ های تشخیص متن پرداخته و با ارائه روش هایی جهت استخراج ویژگی برای دسته­ بندی حروف این جلسه را به پایان خواهیم رساند.

 

در جلسه سوم  به بررسی اولین روش پیاده سازی شده در این مجموعه آموزشی می پردازیم که به آن روش template matching اطلاق می­ شود. و دلیل استفاده از این روش ساده­ گی پیاده سازی و قابل فهم بودن آن می باشد تا با دید گرفتن از هدف اصلی آموزش  بتوانیم روش­ های دیگر را پیاده سازی کنیم. همان طور که خواهید دید ما برای افزایش سرعت اجرای برنامه در این روش، مختصری از تکنیک های آماری و ساختاری نیز استفاده خواهیم نمود.

 

در جلسه چهارم به آشنایی با مبانی یکی از مهمترین بخش­ های هوش مصنوعی، یعنی شبکه­ های عصبی خواهیم پرداخت که یکی از بهترین روش­ های موجود در پیاده­ سازی ocr می باشد.

شبکه عصبی روش خام تلاش انسانها جهت شبیه سازی الکترونیکی مغز است. که البته تا حدودی توانسته­ اند به این مقصود برسند.

به دلیل اهمیت شبکه­ عصبی ، ما آشنایی با مبانی آن را در جلسه ای جداگانه می آوریم، و در این جلسه بعد از آوردن مقدمه و تاریخچه ­ای از شبکه­ های عصبی، دلایل و مزیت­ های شبکه­ های عصبی تشریح شده، سپس اجزای یک شبکه و معماری آن مورد بررسی قرار خواهیم داد. در ادامه به بحت یادگیری شبکه­ های عصبی خواهیم پرداخت و با بیان کاربردهای وسیع شبکه­ های عصبی در زمینه­ های مختلف این جلسه را به پایان می رسانیم.

 

و در نهایت در جلسه آخر به مبانی پیاده ­سازی شبکه­ های عصبی با متلب می پردازیم و انواع توابعی که برای ایجاد شبکه در متلب وجود دارد را آورده و از این بین به پیاده ­سازی شبکه خود با سه عدد از این توابع رضایت می­دهیم. در همین جلسه به نحوه­ ی آموزش شبکه و تست آن نیز خواهیم پرداخت. و به پیاده سازی شبکه برای تشخیص حروف با سه شبکه های عصبی MLP، RBE و PNN می پردازیم.

در ادامه ی این فصل با آزمایشات مختلف عملکرد هر یک از شبکه­ های فوق را مورد بررسی قرار می­دهیم و با ایجاد جدول درستی و جدول سردرگمی هر یک از شبکه ها را مورد ارزیابی قرار می­دهیم و در نهایت با ایجاد جدول مقایسه، به مقایسه این سه شبکه پرداخته شده است.

 

امیدواریم آموزش در پیش گرفته مورد توجه دوستان قرار بگیرد.

 

جلسه اول را با اشاره ای به تاریخچه و اصطلاحات پایه­ ای ocr شروع می کنیم.

در این جلسه می خوانید:

۱٫۱          مقدمه
۲٫۱          تاریخچه
۳٫۱          اصطلاحات پایه ای
۱٫۳٫۲  OMR
ICR      ۲٫۳٫۱
OCR      ۳٫۳٫۱

 

قالب فایل:PDF

تعداد صفحات:۹

 azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

chapter1.rar [398.92 کیلوبایت] ( تعداد دانلود: ۱۳۲۳)

——————————————————————

تشخیص دست­خط یکی از مقوله­ های مورد توجه بشر در علم کامپیوتر است. تاکنون روش­ های متعددی برای تشخیص دست­ خط در زبان­های مختلف مطرح گردیده که در آنها از تکنیک­ های متنوع بسیاری همانند شبکه­ های عصبی، روش­های آماری، روش­های ساختاری و غیره جهت تشخیص استفاده شده است. این تکنیک ­ها جهت استفاده نیازمند پیش پردازش­ هایی هستند تا داده­ های مورد نیاز خود را برای پردازش اصلی بدست آورند.

 

در این مقاله روش ­هایی را برای استخراج ویژگی­های حروف جهت دسته­ بندی آنها بیان می­ کنیم. از این دسته­ بندی­ها می توان در تشخیص حروف دستنویس فارسی استفاده کرد. برای این منظور ابتدا به بیان ویژگی­ های مورد استفاده می­ پردازیم. سپس تکنیک­ هایی را جهت استخراج این ویژگی­ها ارائه می دهیم. و در ادامه با ترکیب این ویژگی­ها با یکدیگر، حروف را دسته­ بندی می کنیم. این دسته بندی­ها می­توانند در آینده در کنار تکنیک­های دیگر جهت تسریع فرآیند تشخیص حروف دستنویس به کار گرفته شوند.

 

برگرفته از مقاله ای با مضمون”روش­هایی جهت دسته­­ بندی حروف برای تشخیص دست­ خط فارسی با استفاده از استخراج ویژگی­ ها” از مریم خادمی۱، آیدا فراهانی۲، علیرضا نیکوکار ۳

 

۱ استادیار دانشگاه آزاد اسلامی –  واحد تهران جنوب

۲ دانشجوی کارشناسی ارشد مکاترونیک – دانشگاه خواجه نصیرالدین طوسی

۳ دانشجوی کارشناسی ارشد هوش مصنوعی، دانشگاه آزاد اسلامی – تهران علوم و تحقیقات

 azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

 

chapter2.rar [361.04

—————————-

موضوع جلسه سوم: تشخیص حروف کتابی به روش  template matching

 

مقدمه

همان طور که گفته شد در روش Template Matching تعدادی template از کاراکترها یا کلمات از قبل حاضر شده است . عکس های قطعه قطعه شده با این template ها مقایسه می شود و با توجه به شباهت برنده انتخاب می شود .

مراحل کار

همان طور که می دانید زبان فارسی شامل ۳۲ حرف اصلی می باشد که به قرار زیر می باشند.

الف، ب، پ، ت، ث، ج، چ، ح، خ، د، ذ، ر، ز، ژ، س، ش، ص، ض، ط، ظ، ع، غ، ف، ق،  ک، گ، ل، م، ن، و، ه، ی

از آنجایی که قرار است این حروف از روی تصویر دیجیتال شده آنها تشخیص داده شود ابتدا تصاویری از آنها تهیه می­ کنیم.  برای این کار ما حروف را در محیط Microsoft office word با فرمت B nazanin به طور جداگانه تایپ کرده و از هر یک با نرم افزار snagit81 (این نرم­ افزار در قسمت نرم افزارهای سایت موجود می­ باشد) تصویر تهیه و با فرمت jpg  در ابعاد  ۳۲۰در۳۲۰   در پوشه­ ای واحد ذخیره نمودیم.

تصاویر حروف با دو فونت bnazanin  و arial  با فرمت.jpg  ، در ابعاد ۳۲۰*۳۲۰ به همراه این فایل آموزشی پیوست می باشد.

الگوریتم برنامه به این صورت می باشد که تصویر را دریافت و با تمام تصاویر موجود در پوشه مورد نظر مقایسه می کند. سپس تصویری که بیشترین شباهت را به تصویر ورودی داشت به عنوان برنده انتخاب می شود.

 azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

۱٫۲  ملاحضات لازم جهت پیاده سازی این الگوریتم

تمامی تصاویر باید بعد از ورود به نرم­ افزار به باینری تبدیل شوند.

تصاویر باید بدون نویز باشند.

اندازه­ ی دو تصاویری که با هم مقایسه می شوند باید برابر باشند، و در صورتی که برابر نبودند باید با دستورات مربوطه به یک سایز تغییر پیدا کنند.

 

تشریح الگوریتم برنامه

ما ابتدا از اولین ویژگی که در فصل دوم به آن اشاره شد استفاده کردیم همان طور که در این فصل گفته شد بیشتر حروف فارسی دارای بیش از یک بخش هستند که شامل نقطه، سرکج و … می­ باشند. این ویژگی کمک شایانی به تفکیک حروف از یکدیگر می ­کند، مخصوصاً برای آن دسته از حروف با بدنه اصلی مشابه که دارای بخش(های) اضافی متفاوت در شکل طبیعی­شان هستند

بداین منظور ما حروف را به چهار بخش زیر تقسیم بندی کرده و تصاویر هر یک را در دسته مربوطه ذخیره نمودیم.

ادامه مقاله در فایل PDF

سورس متلب بعلاوه تصاویر و دیتابیس نیز ضمیمه ی فایل می باشد، کافیست فایل ها را در قسمت مشخص شده کپی کنید و سپس برنامه را مطابق دستورالعمل مقاله اجرا و نتیجه را مشاهده کنید.

 
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
 

chapter3.rar [2.01 مگابایت] ( تعداد دانلود: ۲۱۵۷)

———————–
مقدمه ای بر شبکه های عصبی
مقدمه

جستجو برای هوش مصنوعی) ماشین ( یا سیستم هایی با رفتار انسانی چالشی فرا روی محققان شاخه­ های مختلف بوده است . بحث هایی بر روی تعریف یک سیستم هوشمند وجود دارد اما تنها سیستمی که به عنوان هوشمند مورد توجه قرار می گیرد ، مغز انسان است و اینجاست که یک ایده ی مهندسی معکوس مطرح می شود . چرا بایستی چیزهایی را که هم اکنون وجود دارند، اختراع کنیم . در میانه های قرن بیستم ، ایده ای برای شبیه سازی مغز انسان از طریق طراحی پایین به بالای سیستم با شروع از نرون­۱های به هم متصل و رسیدن به شبکه هایی که اعمال اصلی سیستم عصبی انسان را شبیه سازی می کنند ، مطرح شد.

با گذر زمان ، شبکه های عصبی۲ خودشان را به عنوان مدل محاسباتی مورد استفاده مطرح کردند.  شبکه های عصبی معمولا در انجام وظایف کامپیوتر های عام ) عملیات با اعداد ، اعمال منطقی و (… نادقیق هستند ، اما در زمینه هایی که کامپیوتر ها در آنجا به مشکل بر می خورند ، کارآیی بیشتری دارند مانند زمینه هایی که الگوریتم مشخصی وجود ندارد مانند پیش بینی ، تشخیص چهره و … .
یک شبکه عصبی مصنوعی چیست؟

یک شبکه عصبی مصنوعی (ANN3) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده  (neurons) که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها، نظیر انسانها، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.

اگر چه مکانیسم های دقیق کارکرد مغز انسان (یا حتی جانوران) به طور کامل شناخته شده نیست، اما با این وجود جنبه های شناخته شده ای نیز وجود دارند که الهام بخش تئوری شبکه های عصبی بوده اند.

ادامه مقاله را به صورت PDF از لینک زیر دانلود کنید….

 

تعداد صفحات: ۲۴

chapter4.rar [626.43 کیلوبایت] ( تعداد دانلود: ۲۲۳۰)

———————————————————-

این هم جلسه آخر مجموعه ی آموزشی شبکه های عصبی که بالاخره آماده شد.

تمام تلاش اینجانب در طی آماده کردن این مجموعه بر این بوده است تا گامی کوچک در راه رفع مشکلات دوستان بردارم و این مجموعه که بیش از ۱۵۰ ساعت برای تهیه آن وقت صرف شده را تقدیم شما عزیزان کنم،  و از آنجایی که کار خورد را عاری از نقص نمی دانم، از کلیه دانشجویان و پژوهش گران گرامی تقاضا دارم اشتباهات و نواقص احتمالی این مجموعه را گوش زد و ما را با انتقادات و پیشنهادات خود جهت بهتر شدن مطالب موجموعه یاری کنید.

علاقه مندان جهت هر چه کامل شدن این مجموعه، با ثبت نام در سایت می توانند مطالب تکمیلی خود را با نام کاربری خود در اختیار دیگر دوستان خود قرار دهند.(به امید روزی که هر ایرانی بدونه هیچ چشم داشتی، علم خود را (هر چند که اندک باشد) در اختیار دیگران قرار دهد.)

 

 

در این جلسه از سه تابع پرکاربرد متلب یعنی newff، newrbe و newpnn برای ایجاد شبکه استفاده شده و در یک کاربرد عملی تحت عنوان تشخیص حروف چاپی ( کتابی) استفاده شده، همچنین در ادامه به مقایسه عملکرد هر یک از این توابع پرداخته شده.

برای ایجاد شبکه عصبی نرم افزار های متعددی وجود دارد که از جمله­ی آنها می­توان به QNET، نرم افزار  JOONE[1] Editor ، نرم افزار متلب و … اشاره کرد.

QNET یکی از نرم افزارهایی است که برای ایجاد شبکه­های عصبی مصنوعی از آن استفاده می شود که دارای انواع مختلف تابع­ انتقال[۲] می باشد.

JOONE Editor از دیگر ابزارهای قدرت مند برای بوجود آوردن و آموزش انواع شبکه های عصبی در Java  هست. از ویژگی های این نرم افزار می توان به ویرایشگر آن اشاره کرد که برای ایجاد شبکه عصبی محیطی گرافیکی در اختیار کاربر قرار می­دهد که کار را برای کاربر بسیار آسان می­کند. این برنامه را می توانید از سایت سازنده[۳] آن تهیه کنید. (بدیهی­است که برای نصب این ابزار ابتدا باید جاوا روی کامپیوتر شما نصب باشد.)

ولی ما در این فصل از نرم­افزار قدرتمند متلب برای ایجاد شبکه عصبی خود استفاده خواهیم کرد.

و شما یاد می گیرد که چگونه با کد نویسی در متلب شبکه عصبی خود را ایجاد کنید و همچنین اقدام به آموزش آن شبکه و در نهایت شبکه خود را برای تصدیق صحت عملکرد آن مورد آزمایش قرار دهید.

 azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

در پایان بر خود لازم می دانم از جناب آقای مهندس امیر ملکی کمال سپاس و قدردانی را داشته باشم که مرا در تهیه ی این مجموعه یاری کردند.

 

artificial-neural-networkwww.iseee.ir.rar [1.09 مگابایت] ( تعداد دانلود: ۹۷۱)

———————————-
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

 

برچسب‌ها: تشخیص کاراکتر فارسی در متلب
نوشته شده در تاریخ شنبه بیست و هفتم دی ۱۳۹۳ توسط Intelligent programming
نظر بدهید

شبه کد الگوریتم خفاش
 

الگوریتم خفاش
الگوریتم خفاش

الگوریتم خفاش

الگوریتمی است   برگرفته شده از طبیعت   که بر اساس رفتار انعکاس صدا از خفاش ها عمل میکند

خفاش ها حیوانات شگفت انگیزی هستند آنها تنها پستانداران با بال هستند و نیز قابلیت های پیشرفته ی انعکاس صدا دارند ؛تخمین زده می شود که حدود ۹۹۶ گونه مختلف وجود داردکه ۲۰% از تمام گونه های پستانداران را تشکیل میدهند. محدوده اندازه آنها از خفاش زنبور عسل کوچک (در حدود ۱٫۵ تا ۲گرم) تا خفاش غول پیکر با طول بال در حدود ۲ متر و وزن تا حدود ۱ کیلوگرم می باشد.
بسیاری از خفاش ها از انعکاس صدا با درجه خاصی، در میان همه گونه ها استفاده می کنند.

 

شبه کد الگوریتم خفاش بصورت زیر می باشد:
شبه کد الگوریتم خفاش

شبه کد الگوریتم خفاش
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
نوشته شده در تاریخ دوشنبه بیست و دوم دی ۱۳۹۳ توسط Intelligent programming
نظر بدهید

شبیه سازی مقاله فازی 2014 در متلب
کد متلب مقاله فازی سال ۲۰۱۴

عنوان مقاله :

Evolutionary learning of fuzzy grey cognitive maps for the forecasting of multivariate, interval-valued time series

سال چاپ : ۲۰۱۴

لینک مقاله :   http://dx.doi.org/10.1016/j.ijar.2014.02.006

چکیده مقاله :

Time series are built as a result of real-valued observations ordered in time; however, in some cases, the values of the observed variables change significantly, and those changes do not produce useful information. Therefore, within defined periods of time, only those bounds in which the variables change are considered. The temporal sequence of vectors with the interval-valued elements is called a ‘multivariate interval-valued time series.’ In this paper, the problem of forecasting such data is addressed. It is proposed to use fuzzy grey cognitive maps (FGCMs) as a nonlinear predictive model. Using interval arithmetic, an evolutionary algorithm for learning FGCMs is developed, and it is shown how the new algorithm can be applied to learn FGCMs on the basis of historical time series data. Experiments with real meteorological data provided evidence that, for properly-adjusted learning and prediction horizons, the proposed approach can be used effectively to the forecasting of multivariate, interval-valued time series. The domain-specific interpretability of the FGCM-based model that was obtained also is confirmed.

کد متلب مقاله  فازی

پیاده سازی مقاله فازی در متلب با عنوان

Evolutionary learning of fuzzy grey cognitive maps for the forecasting of multivariate, interval-valued time series
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

برچسب‌ها: مقاله فازی در متلب
نوشته شده در تاریخ دوشنبه بیست و دوم دی ۱۳۹۳ توسط Intelligent programming
نظر بدهید

کد متلب مقاله فازی ۲۰۱۳
کد متلب مقاله فازی – پیاده سازی مقاله فازی با عنوان
Fuzzy rule-based similarity model enables learning from small case bases

 پیاده سازی مقاله فازی با عنوان Fuzzy rule-based similarity model enables learning from small case bases

Applied Soft Computing 13 (2013) 2057–۲۰۶۴

سال ۲۰۱۳

خلاصه مقاله:

مفهوم تشابه نقش مهمی را در استدلال مبتنی بر نمونه (case-based reasoning) بازی می نماید. با این حال، معنی تشابه می تواند در وضعیتهای مختلف تغییر نمایدو به دامنه مسئله وابسته می باشد.این مقاله مدل تشابه جدیدی شامل قانونهای فازی linguistic به عنوان حاوی دانش پیشنهاد می نماید. معتقدیم نمایش قانونهای فازی ابزار انعطاف پذیرتری را پیشنهاد می کند تا دانش و معیار برای تعیین تشابه را نسبت به متریکهای تشابه پیشین بیان نماید.یادگیری قانونهای تشابه فازی بوسیله اکتشاف پایگاه نمونه انجام می شود که از آنها به عنوان منبع باارزشی با دربرداشتن دانش مخفی برای یادگیری تشابه استفاده می کند. تشابه نمونه از زوج نمونه های شناخته شده ایجاد می شود که مجاورت راه حلهای نمونه تشابه مسئله نمونه را آشکار می نماید. مقایسه های زوج نمونه ها در پایگاه نمونه را انجام می دهیم تا نمونه های آموزشی به اندازه کافی را برای یادگیری قانونهای تشابه فازی به دست آوریم. مطالعات تجربی نشان داده که روش پیشنهادی توانایی کشف دانش تشابه فازی از تعداد کم نمونه هادارد.

چکیده مقاله:
The concept of similarity plays a fundamental role in case-based reasoning. However, the meaning of
“similarity” can vary in situations and is largely domain dependent. This paper proposes a novel similarity
model consisting of linguistic fuzzy rules as the knowledge container. We believe that fuzzy rules
representation offers a more flexible means to express the knowledge and criteria for similarity assessment
than traditional similarity metrics. The learning of fuzzy similarity rules is performed by exploiting
the case base, which is utilized as a valuable resource with hidden knowledge for similarity learning. A
sample of similarity is created from a pair of known cases in which the vicinity of case solutions reveals
the similarity of case problems. We do pair-wise comparisons of cases in the case base to derive adequate
training examples for learning fuzzy similarity rules. The empirical studies have demonstrated that the
proposed approach is capable of discovering fuzzy similarity knowledge from a rather low number of
cases, giving rise to the competence of CBR systems to work on a small case library.

جهت دریافت کد متلب مقاله فازی فوق  ( پیاده سازی مقاله Fuzzy rule-based similarity model enables learning from small case bases در متلب) با ما تماس بگیرید
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

برچسب‌ها: کد متلب مقاله فازی ۲۰۱۳, دانلود کد متلب مقاله درس فازی مقالات ISI با کد متل
نوشته شده در تاریخ دوشنبه بیست و دوم دی ۱۳۹۳ توسط Intelligent programming
نظر بدهید

شبیه سازی مقاله فازی 2013 در متلب
پیاده سازی مقاله فازی و شبکه عصبی RBF در متلب

عنوان مقاله :

Improvement of RBF neural networks using Fuzzy-OSD algorithm in
an online radar pulse classification system

سال چاپ : ۲۰۱۳

لینک مقاله :   http://dx.doi.org/10.1016/j.asoc.2013.04.021

چکیده مقاله :

In this paper a new methodology for training radial basis function (RBF) neural networks is introduced and examined. This novel approach, called Fuzzy-OSD, could be used in applications, which need realtime capabilities for retraining neural networks. The proposed method uses fuzzy clustering in order to improve the functionality of the Optimum Steepest Descent (OSD) learning algorithm. This improvement is due to initialization of RBF units more precisely using fuzzy C-Means clustering algorithm that results in producing better and the same network response in different retraining attempts. In addition, adjusting RBF units in the network with great accuracy will result in better performance in fewer train iterations,
which is essential when fast retraining of the network is needed, especially in the real-time systems. We employed this new method in an online radar pulse classification system, which needs quick retraining of the network once new unseen emitters detected. Having compared result of applying the new algorithm and Three-Phase OSD method to benchmark problems from Proben1 database and also using them in our system, we achieved improvement in the results as presented in this paper.

کد متلب مقاله  فازی

پیاده سازی مقاله فازی در متلب با عنوان

Improvement of RBF neural networks using Fuzzy-OSD algorithm in
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
 

برچسب‌ها: دانلود کد متلب مقاله درس فازی مقالات ISI با کد متل
نوشته شده در تاریخ یکشنبه شانزدهم آذر ۱۳۹۳ توسط Intelligent programming
نظر بدهید

مخاطب خاص
در ادامه مطلب دانلود کنید



ادامه مطلب
نوشته شده در تاریخ دوشنبه دهم آذر ۱۳۹۳ توسط Intelligent programming
نظر بدهید

دانلود کد FCM
برای دانلود به ادامه مطلب مراجعه کنید



ادامه مطلب
نوشته شده در تاریخ دوشنبه دهم آذر ۱۳۹۳ توسط Intelligent programming
نظر بدهید

حل معمای ۸ وزیر با الگوریتم کرم شب تاب
 

در این کد ما معمای ۸ وزیر را با استفاده از الگوریتم کرم شب تاب حل کرده ایم

 

معمای n وزیر

هدف از مساله هشت وزیر، چیدن ۸ مهره وزیر روی یک صفحه شطرنج خالی است، به قسمی که هیچ مهره‌ای مهره‌های دیگر را تهدید نکند. به عبارت دیگر، ۸ وزیر باید به نحوی چیده شوند که هیچ‌کدام در بک سطر، بک ستون یا بک قطر قرار نداشته باشند. یک جواب مساله می‌تواند به صورت زیر باشد:
معمای 8 وزیر

معمای ۸ وزیر

در حالت کلی به جای عدد ۸ از عدد طبیعی n استفاده شده و مساله به ازای هر n بزرگتر یا مساوی ۴ مورد بررسی قرار می‌گیرد. به این ترتیب، هدف مساله چیدن n مهره وزیر در یک صفحه شطرنج با ابعاد n x n است.

azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
برچسب‌ها: حل معمای ۸ وزیر با الگوریتم کرم شب تاب, اموزش کد متلب 8 وزیر حل معمای 8 وزیر حل معمای 8 وز
نوشته شده در تاریخ دوشنبه بیست و هشتم مهر ۱۳۹۳ توسط Intelligent programming
نظر بدهید

اموزش الگوریتم واکنش شیمیایی یا CRO

در این متلب مراحل الگوریتم واکنش شیمیایی را توضیح خواهیم داد.

همانطور که میدانید الگوریتم واکنش شیمیایی یا الگوریتم Chemical Reaction Optimization یک الگوریتم تکاملی است که از مدل کردن مولکولها و انرژی مولکولی و برخوردهای بین مولکولی الهام گرفته شده است.

مراحل کار الگوریتم واکنش شیمیایی  (CRO) بصورت زیر می باشد

در مرحله اول پارامترهای الگوریتم واکنش شیمیایی را مقدار دهی میکنیم

در مرحله بعد ساخت جمعیت اولیه را انجام میدهیم . برای این کار ابتدا یک ساختار یا پروفایل برای هر مولکول تعریف میکنیم و در ان مشخص میکنیم که هر مولکول چه ویژگی هایی را دارد

در مرحله بعد میرویم به سراغ حلقه اصلی الگوریتم که الگوریتم ان بصورت زیر می باشد:

تا وقتی که FE کمتر از FELimit می باشد مراحل زیر را تکرار کن:

    یک عدد تصادفی بین صفرویک ایجاد کن ، اگر این عدد بیشتر از مقدار MoleColl می باشد یا اندازه جمعیت ۱ باشد به مرحله ۲ برو در غیراینصورت به مرحله ۳ برو
    عمل تجزیه (Decomposition) یا برخورد به دیواره (OnWall) را بر روی یک مولکول اعمال کن، روال کار بصورت زیر است

الف) یک مولکول را بصورت تصادفی از بین جمعیت انتخاب کن

ب) اگر شرط تجزیه برقرار است : عمل تجزیه را انجام بده و دومولکول جدید ایجاد کن. اگر عمل تجزیه موفقیت امیز بود مولکول اولیه را از جمعیت حذف کن و دو مولکول جدید را در جمعیت قرار بده

ج) اگر شرط تجزیه برقرار نبود عمل برخورد به دیواره را بر روی مولکول انتخاب شده انجام بده و ان را بروزرسانی کن

با انجام مرحله ۲ به مرحله ۴ برو

    عمل ترکیب یا برخورد دومولکول را انجام بده روال کار بصورت زیر است

الف) دومولکول را به تصادف از جمعیت انتخاب کن

ب)اگر شرط ترکیب برقرار است ، عمل ترکیب را روی دو مولکول اعمال کن و دو مولکول جدید ایجاد کن، اگر عمل ترکیب با موفقیت اعمال شد ، دو مولکول اولیه را از جمعیت حذف کن و مولکول جدید را به جمعیت اضافه کن

ج) اگر شرط ترکیب برقرار نیست عمل برخورد بین مولکولی را عمال کن و به این ترتیب دو مولکول را بروز کن

بعد از انجام این مرحله به مرحله ۴ برو

در این مرحله بین تمام جمعیت جستجو میکنیم و اگر مولکولی مقدار Pe کمتر از مقدار globalMin داشته باشد ان را بعنوان بهترین جواب در نظر میگیریم

    به مرحله ۱ برو

 

در اخر نیز که حلقه اصلی الگوریتم خاتمه پیدا کرد جوابهای یافته شده را نمایش میدهیم

 

 

جهت دریافت کد متلب الگوریتم واکنش شیمیایی CRO  یا انجام پروژه و مقاله با الگوریتم تکاملی واکنش شیمیایی (CRO) با ما تماس بگیرید.

azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

کد متلب بهینه سازی واکنش شیمیایی + فایل توضیحات خط به خط  کد متلب

قیمت : ۱۵۰ هزار تومان

برچسب‌ها: Chemical Reaction Chemical Reaction Optimization ا
نوشته شده در تاریخ دوشنبه بیست و هشتم مهر ۱۳۹۳ توسط Intelligent programming
نظر بدهید

الگوریتم تکاملی واکنش شیمیایی

الگوریتم بهینه سازی واکنش شیمیایی

این الگوریتم که بر اساس واکنش های شیمیایی مابین مولکول ها رخ میدهد الهام گرفته شده است بصورت زیر می باشد

هر مولکول مجموعه ای از اتم ها و خواصی مانند تعداد و …. می باشد

 

هر مولکول را یک راه حل قابل قبول برای مسئله خود در نظر میگیریم. یعنی در اینجا مولکول معادل کروموزوم در الگوریتم ژنتیک است

هر مولکول دو نوع انرژی دارد ۱) PE  و ۲) KE

ما مقدار تابع هدف هر مولکول را برابر با میزان انرژی PE آن مولکول در نظر میگیریم. یعنی PE معادل تابع فیتنس در الگوریتم ژنتیک است.

هر مولکولی مانند w تمایل داره به مولکولی مثل w’ تغییر پیدا کند، این تغییر همیشه امکان پذیر است اگر f(w)>=f(w’)

در غیر اینصورت وقتی اجازه تغییر میدهیم که     PEw+KEW>=PEw’

درواقع KE توانایی مولکول برای فرار از بهینه محلی را نشان میدهد

طبق قانون بقای انرژی ، انرژی ایجاد نمیشود و از بین نمیرود بنابراین مانمیتوانیم مقدار KE را کم یا زیاد کنیم و تنها میتوانیم انرژی PE و KE را طی فرایند های شیمیایی به هم تبدیل کنیم (تبدیل در یک مولکول یا بین مولکول ها)

 
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
ما میزان انرژی KE مولکول ها را در یک بافر مرکزی انرژی به نام buffer قرار میدهیم و بنابراین با پیشرفت الگوریتم ، مقدار KE الگوریتم را کاهش میدهیم به عبارت دیگر ما مولکول ها را مجبور میکنیم که در تکرارهای بعدی ساختار مولکولی ای با مقدار PE کمتر و کمتر داشته باشند

 

 

واکنش های اصلی:

در فرایند واکنش شیمیایی دنباله ای از کولیژن ها بین مولکول ها رخ میدهد. مولکول با مولکول های دیگر و یا با دیواره جایی که در ان قرار دارد تصادف و برخورد میکند. کولیژن ها تحت شرایط مختلف موجب برنگیخته شدن واکنش های پایه ای مجزایی میشوند که هر کدام از این واکنش ها روشی برای دستکاری انرژی مولکولهای درگیر در ان واکنش را دارند.

در الگوریتم CRO چهارنوع واکنش پایه ای داریم که عبارتند از »

on-wall ineffective collision

 

 

جهت دریافت کد متلب الگوریتم واکنش شیمیایی CRO  یا انجام پروژه و مقاله با الگوریتم تکاملی واکنش شیمیایی (CRO) با ما تماس بگیرید.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

 

برچسب‌ها: Chemical Reaction Optimization الگوریتم ROC الگوری
نوشته شده در تاریخ یکشنبه بیستم مهر ۱۳۹۳ توسط Intelligent programming
نظر بدهید

تصویر دیجیتالی چیست ؟
تصویر دیجیتالی چیست ؟
یک تصویر را می توان توسط تابع دوبعدی f(x,y) نشان داد که در آن X و Y را مختصات مکانی و مقدار f در هر نقطه را شدت روشنایی تصویر درآن نقطه می نامند. اصطلاح سطح خاکستری نیز به شدت روشنایی تصاویر مونوکروم اطلاق میشود . تصاویر رنگی نیز از تعدادی تصویر دوبعدی تشکیل می شود. زمانی که مقادیر X و Y و مقدار f(x,y) با مقادیر گسسته و محدود بیان شوند ، تصویر را یک تصویر دیجیتالی می نامند. دیجیتال کردن مقادیر X و Y را Sampling و دیجیتال کردن مقدار f(x,y) را quantization گویند. برای نمایش یک تصویر M * N از یک آرایه دو بعدی ( ماتریس) که M سطر و N ستون دارد استفاده می کنیم .
مقدار هر عنصر از آرایه نشان دهنده شدت روشنایی تصویر در آن نقطه است. هر عنصر آرایه یک مقدار 8 بیتی است که می تواند مقداری بین 0 و 255 داشته باشد. مقدار صفر نشان دهنده رنگ تیره ( سیاه ) و مقدار 255 نشان دهنده رنگ روشن ( سفید ) است.
به عنوان مثال تصویر روبرو که سایز آن 288 * 265 است از یک ماتریس که دارای 288 سطر و 265 ستون است برای نمایش تصویر استفاده می کند . هر پیکسل از این تصویر نیز مقداری بین 0 و 255 دارد . نقاط روشن مقادیری نزدیک به 255 و نقاط تیره مقادیر نزدیک به 0 دارد. همه توابع پردازش تصویر از این مقادیر استفاده کرده و اعمال لازم را بر روی تصویر انجام می دهند.     Amini
پردازش تصویر در MATLAB :
خواندن تصویر در محیط MATLAB با استفاده از تابع imread و نمایش آن توسط تابع imshow انجام می پذیرد. به عنوان مثال دستور زیر تصویر rice.png را خوانده و ماتریس مربوط به تصویر را در اختیار ما قرار می دهد(در مثال زیر این ماتریس با نام im مشخص شده است). مقدار هر عنصر در این ماتریس شدت روشنایی تصویر در آن نقطه را نشان می دهد :
>> im = imread(‘rice.png’);
>> imshow(im);

برچسب‌ها: تصویر دیجیتالی چیست
نوشته شده در تاریخ یکشنبه بیستم مهر ۱۳۹۳ توسط Intelligent programming
نظر بدهید

مقدمه پردازش تصویر
مقدمه پردازش تصویر
چشم به عنوان یکی از حیاتی ترین حسگرهای انسان نقش بسزایی در زندگی ما دارد. امروزه با پیشرفت چشمگیری که در ساخت پردازنده ها صورت گرفته است، این امکان نیز برای ما فراهم شده تا در ساخت روبات ها و سیستم های کنترلی از دوربین به عنوان یک چشم مصنوعی استفاده کنیم.

پنج کاربرد عمده پردازش تصویر را می توان رباتیک ، سیستم های دفاعی ، مهندسی پزشکی ، کنترل
   
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
Amini
صنعتی و گرافیک کامپیوتری عنوان کرد. در سیستم های رباتیک معمولا از پردازش تصویر برای هدایت ربات و تشخیص اشیا استفاده می شود. در سیستم های دفاعی برای یافتن هدف و یا رهگیری یک هدف متحرک پردازش تصویر یکی از قابل اعتمادترین روش های موجود می باشد. در مورد کاربردهای گرافیکی نیز یکی از معروفترین نرم افزارهای مبتنی بر پردازش تصویر فتوشاپ می باشد که همگی با کاربردهای این نرم افزار آشنا هستیم. تشخیص نوع بیماری نیز رایج ترین کاربرد پردازش تصاویر پزشکی است. در نهایت ، امروزه خطوط تولید صنعتی برای کنترل کیفیت محصولات تولید شده و همچنین کنترل حرکات خط تولید از سیستم های مبتنی بر پردازش تصویر بهره جسته اند.
یک تصویر از لحظه ورود به سیستم پردازش تصویر تا تولید تصویر خروجی، به ترتیب مراحل زیر را طی می کند:
Amini
در مجموعه مقالاتی که بر روی وب سایت قرار داده می شود، سعی بر آن داریم که تکنیک های مختلف پردازش تصویر را به زبان ساده و کاربردی معرفی کنیم. آنجه که در پردازش تصویر اهمیت بسیاری دارد، تسلط کامل بر مفاهیم تکنیک های پردازش تصویر است. به عنوان مثال خواهیم دید که چگونه تنها با چند تکنیک بسیار ساده پردازش تصویر می توانیم یک سیستم دوربین امنیتی ایجاد کنیم.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
الگوریتم DE
بزرگ شدن مسائل و اهمیت یافتن سرعت رسیدن به پاسخ و عدم پاسخگویی روشهای کلاسیک ،امروزه از الگوریتمهای جستجوی تصادفی به جای جستجوی همه جانبه فضای مسئله ، استقبال بیشتری می شود. در این بین در سالهای اخیر استفاده از الگوریتمهای جستجوی هیوریستیک (شهودی) همچون الگوریتم وراثتی(GA) ، الگوریتم کلونی مورچه ها(ACO) ، الگوریتم پرندگان(PSO)  و ... رشد چشمگیری داشته است.


در سالهای اخیریک الگوریتم تفاضلی به نام الگوریتم تکاملی تفاضلی (DE) به عنوان روشی قدرتمند و سریع برای مسائل بهینه سازی در فضاهای پیوسته معرفی شده است.الگوریتم جستجوی DE یکی از جدیدترین روشهای جستجو است.

الگوریتم تکاملی تفاضلی (DE) نخستین بار در سال 1995 توسط استورن و پرایس معرفی شد.این دو نشان دادند که این الگوریتم توانایی خوبی در بهینه سازی توابع غیرخطی مشتق ناپذیر دارد.

الگوریتم DE جهت غلبه بر عیب اصلی الگوریتم ژنتیک، یعنی فقدان جستجوی محلی دراین الگوریتم ارائه شده است.تفاوت اصلی بین الگوریتم های ژنتیکی و الگوریتم DE در عملگر انتخاب selection operators می باشد.

در اپراتور انتخاب GA ،شانس انتخاب یک جواب به عنوان یکی از والدین وابسته به مقدار شایستگی آن می باشد.اما در الگوریتم DE ،همه جواب ها دارای شانس مساوی جهت انتخاب شدن می باشند.یعنی شانس انتخاب شدن آنها وابسته به مقدار شایستگی آنها نمی باشد.پس از این که یک جواب جدید با استفاده از یک اپراتور جهش خود-تنظیم و اپراتور crossover تولید شد،جواب جدید با مقدار قبلی مقایسه میشود و در صورت بهتر بودن جایگزین می شود.

یکی از مزایای این الگوریتم  داشتن حافظه ای می باشد که اطلاعات جواب های مناسب را در جمعیت فعلی حفظ می کند.دیگر مزیت این الگوریتم مربوط به عملگر انتخاب آن می باشد،در این الگوریتم همه جواب ها دارای شانس مساوی جهت انتخاب شدن بع عنوان یکی از والدین می باشند.

azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
 

 
برچسب: الگوریتم تکاملی تفاضلی (DE) - Differential Evolutionary - الگوریتم جستجوی گرانشی (GSA) – Gravitional Search Algorithm - الگوریتم وراثتی بر پایه مرتب سازی مغلوب نشده ها_ورژن2 (NSGA-II) – Non Dominated Sorting Genetic Algorithm II - الگوریتم بهینه سازی جهش قورباغه ها (SFLOA) - Shuffled Frog Leaping Optimization Algorithma – استراتژی های تکاملی (ES) - Evolutionary Strategy – برنامه نویسی تکاملی (EP) - Evolutionary Programming – الگوریتم بهینه سازی دسته ای ذرات (PSO) - Particle Swarm

برچسب‌ها: الگوریتم تکاملی تفاضلی, DE, Differential Evolutionary, الگوریتم جستجوی گرانشی, GSA
نوشته شده در تاریخ یکشنبه سی ام شهریور ۱۳۹۳ توسط Intelligent programming
نظر بدهید

حل مسئله کوله پشتی با الگوریتم توده ذرات PSO

مسئله کوله پشتی که با عنوان های Knapsack یا Rucksack مطرح می شود، مسئله ای در بهینه سازی ترکیبیاتی است. فرض کنید مجموعه ای از اشیا، که هر کدام داری وزن و ارزش خاصی هستند در اختیار دارید. به هر شی تعدادی را تخصیص دهید به طوری که وزن اشیا انتخاب شده کوچکتر یا مساوی حدی از پیش تعیین شده، و ارزش آنها بیشینه شود. علت نامگذاری این مسئله، جهانگردی است که کوله پشتی ای با اندازه ی محدود دارد و باید آن را با مفیدترین صورت ممکن از اشیا پر کند.

فرض کنید n جسم داریم که از 1 تا n شماره گذاری شده‌اند. جسم  i ام ارزشی معادل v_iو وزنی برابر با w_i دارد. معمولاً فرض می شود که وزن ها و ارزش ها نامنفی اند. برای ساده تر شدن نمایش، بدون کم شدن از کلیت مسئله می توان فرض کرد اشیا به ترتیب صعودی بر حسب وزنشان مرتب شده‌اند. بیشترین وزنی که می توان در کوله پشتی حمل کرد،W است.

معروف ترین نوع از این مسئله، مسئله ی کوله پشتی ۰ و ۱ است. یعنی تعداد از هر شی، یا ۰ است (آن شی را انتخاب نمی‌کنیم) یا ۱ ( آن شی انتخاب می شود). مسئله ی کوله پشتی ۰ و ۱ را می توان به این صورت، به زبان ریاضی بیان کرد:

    مقدار \qquad \sum_{i=1}^n v_ix_i را بیشینه کنید.
    به طوری که \qquad \sum_{i=1}^n w_ix_i \leqslant W, \quad x_i \in \{0,1\}

برای دریافت کد حل مسئله کوله پشتی با الگوریتم توده ذرات یا PSO با ما تماس بگیرید

azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

پروژه های محاسبات

حل معادلات  به روش دوجمله ای ، حل معادلات به روش نیوتن ، حل معادلات به روش وتری

پروژه های محاسبات عددی در متلب

کد متلب حل معادلات به روش دوجمله ای

کد متلب حل معادلات به روش وتری

کد متلب حل معادلات به روش نیوتن

قیمت کد هر سه روش بصورت یک جا :پیاده سازی مقاله واترمارکینگ در متلب

عنوان مقاله :

azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

Anti-cropping digital image watermarking using Sudoku

سال انتشار ۲۰۱۳

برای مشاهده اطلاعات بیشتر در باره مقاله اینجا را کلیک کنید

چکیده فارسی مقاله:
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
چکیده: بسیاری از طرح های نهان نگاری تصویر دیجیتال ، برای جاسازی اطلاعات کپی رایت در یک تصویر توسعه یافته اند. با این حال، یک مهاجم ممکن است بخش هایی از یک تصویر تصویر نهان نگاری شده را با برش قطعات ناخواسته مورد استفاده مجدد قرار دهد. چندین تکنیک برای غلبه بر این حمله طراحی شده اند ، اما با توجه به رویکرد افزونگی محدود خود، برخی از بخش های تصاویر هنوز هم می تواند بدون علامت قابل تشخیص بازیابی شود. در این مقاله، یک طرح نهان نگاری جدید که در برابر کشت شدید مقاوم است با استفاده از سودوکو ارائه شده است. این روش بر اساس خاصیت جایگشتی سودوکو است که اجازه می دهد تا به طور مساوی کپی های بخش های تصویر علامت در تمام نقاط تصویر پوشش توزیع شود. یک راه حل سودوکو معتبر در طول تعبیه (embedding) و همچنین در طول تشخیص (detection) استفاده می شود. با استفاده از سودوکو کلاسیک ۹ × ۹ ، طرح پیشنهادی توانایی تا ۹۴ درصد بیشتر از کشت تصادفی (random cropping) نشان داده است.

چکیده لاتین مقاله:

Abstract: Many digital image watermarking schemes have been developed to embed copyright information into an image. However, an attacker may reuse parts of a watermarked image by cropping out unwanted parts. Several techniques have been designed to overcome this attack but due to their limited redundancy approach, some section of the images can still be retrieved without detectable watermark. In this paper, a new watermarking scheme that is robust against severe cropping using Sudoku is proposed. It is based on Sudoku’s permutation property that allows evenly distributed copies of watermark pieces in all parts of the cover image. A valid Sudoku solution is used during the embedding as well as during the detection of the watermark. Using classic 9 × ۹ Sudoku, the scheme demonstrated robustness of up to 94% of random cropping.

 azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

روال کار بصورت زیر می باشد:

    اول عکس کاور و عکس واترمارک را میخوانیم
    عکس کاور را به ۹ ناحیه تقسیم میکنیم (یعنی ۳ در ۳)
    عکس واترمارک را به اندازه ناحیه های موجود در عکس کاور ریسایز میکنیم. یعنی عکس واترمارک باید در هر ناحیه ار تصویر کاور بصورت کامل جا شود.
    بعد عکس واترمارک را به ۹ بخش تقسیم میکنیم (یعنی ۳ در ۳)

 

    یعنی ۹ ناحیه داریم که هر ناحیه نیز ۹ سلول میشود = ۸۱ خانه سودوکو
    بعد یک راه حل برای جدول سودوکو در نظر میگیریم که یکتا نیز می باشد
    هر ناحیه را با توجه به اعداد موجود در ناحیه ۳در۳ متناظر در جدول سودوکو با بخش های متناظر از تصویر واتر مارک ادغام میکنیم و تصویر نهایی را می سازیم. (ادغام در تصویر به روش LSB انجام گرفته است)

 

فاز اشکار سازی:

    جدول سودوکوی مورد نظرمان را میگیریم
    عکس واترمارک شده را میگیریم و بخش را از ان گنجانده شده در ان را بازیابی میکنیم W_ret
    تصویر واترمارک را هم میگیریم و به به ۹ بخش تقسیم میکنیم (یعنی ۳ در ۳)    W_t
    حال سرچ میکنیم و تطبیق میدهیم که به ترتیب کدامیک از سیمبل های موجود در W_t با بخش های W_ret مطابق می باشند.و ترتیب انها را پیدا میکنیم و بعنوان Q در نظر میگیریم
    Q یک سلول ۳ در ۳ می شود که هر خانه ان ۹ عدد در ان قرار میگیرد و ساختاری همانند جدول سودوکوی مورد نظرمان دارد
    چک میکنیم که ایا Q با جدول سودوکوی مورد نظر ما اشتراک دارد یا خیر ؟ اگر اشتراکی یافتیم به این معنی است که Detect شد و گرنه که Detect نشده است.

————————-

پیاده سازی مقاله واترمارکینگ در متلب

عنوان مقاله :

Anti-cropping digital image watermarking using Sudoku

سال انتشار ۲۰۱۳

برای مشاهده اطلاعات بیشتر در باره مقاله اینجا را کلیک کنید

چکیده فارسی مقاله:

چکیده: بسیاری از طرح های نهان نگاری تصویر دیجیتال ، برای جاسازی اطلاعات کپی رایت در یک تصویر توسعه یافته اند. با این حال، یک مهاجم ممکن است بخش هایی از یک تصویر تصویر نهان نگاری شده را با برش قطعات ناخواسته مورد استفاده مجدد قرار دهد. چندین تکنیک برای غلبه بر این حمله طراحی شده اند ، اما با توجه به رویکرد افزونگی محدود خود، برخی از بخش های تصاویر هنوز هم می تواند بدون علامت قابل تشخیص بازیابی شود. در این مقاله، یک طرح نهان نگاری جدید که در برابر کشت شدید مقاوم است با استفاده از سودوکو ارائه شده است. این روش بر اساس خاصیت جایگشتی سودوکو است که اجازه می دهد تا به طور مساوی کپی های بخش های تصویر علامت در تمام نقاط تصویر پوشش توزیع شود. یک راه حل سودوکو معتبر در طول تعبیه (embedding) و همچنین در طول تشخیص (detection) استفاده می شود. با استفاده از سودوکو کلاسیک ۹ × ۹ ، طرح پیشنهادی توانایی تا ۹۴ درصد بیشتر از کشت تصادفی (random cropping) نشان داده است.

چکیده لاتین مقاله:

Abstract: Many digital image watermarking schemes have been developed to embed copyright information into an image. However, an attacker may reuse parts of a watermarked image by cropping out unwanted parts. Several techniques have been designed to overcome this attack but due to their limited redundancy approach, some section of the images can still be retrieved without detectable watermark. In this paper, a new watermarking scheme that is robust against severe cropping using Sudoku is proposed. It is based on Sudoku’s permutation property that allows evenly distributed copies of watermark pieces in all parts of the cover image. A valid Sudoku solution is used during the embedding as well as during the detection of the watermark. Using classic 9 × ۹ Sudoku, the scheme demonstrated robustness of up to 94% of random cropping.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
 

روال کار بصورت زیر می باشد:

    اول عکس کاور و عکس واترمارک را میخوانیم
    عکس کاور را به ۹ ناحیه تقسیم میکنیم (یعنی ۳ در ۳)
    عکس واترمارک را به اندازه ناحیه های موجود در عکس کاور ریسایز میکنیم. یعنی عکس واترمارک باید در هر ناحیه ار تصویر کاور بصورت کامل جا شود.
    بعد عکس واترمارک را به ۹ بخش تقسیم میکنیم (یعنی ۳ در ۳)

 

    یعنی ۹ ناحیه داریم که هر ناحیه نیز ۹ سلول میشود = ۸۱ خانه سودوکو
    بعد یک راه حل برای جدول سودوکو در نظر میگیریم که یکتا نیز می باشد
    هر ناحیه را با توجه به اعداد موجود در ناحیه ۳در۳ متناظر در جدول سودوکو با بخش های متناظر از تصویر واتر مارک ادغام میکنیم و تصویر نهایی را می سازیم. (ادغام در تصویر به روش LSB انجام گرفته است)

 
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
فاز اشکار سازی:

    جدول سودوکوی مورد نظرمان را میگیریم
    عکس واترمارک شده را میگیریم و بخش را از ان گنجانده شده در ان را بازیابی میکنیم W_ret
    تصویر واترمارک را هم میگیریم و به به ۹ بخش تقسیم میکنیم (یعنی ۳ در ۳)    W_t
    حال سرچ میکنیم و تطبیق میدهیم که به ترتیب کدامیک از سیمبل های موجود در W_t با بخش های W_ret مطابق می باشند.و ترتیب انها را پیدا میکنیم و بعنوان Q در نظر میگیریم
    Q یک سلول ۳ در ۳ می شود که هر خانه ان ۹ عدد در ان قرار میگیرد و ساختاری همانند جدول سودوکوی مورد نظرمان دارد
    چک میکنیم که ایا Q با جدول سودوکوی مورد نظر ما اشتراک دارد یا خیر ؟ اگر اشتراکی یافتیم به این معنی است که Detect شد و گرنه که Detect نشده است.

————————-

برای دریافت کد متلب مقاله واترمارکینگ در متلب با ما تماس بگیرید:
برای دریافت کد متلب مقاله واترمارکینگ در متلب با ما تماس بگیرید:
کد متلب مسیریابی وسایل نقلیه یا CVRP

مسئله مسیریابی خودرو، پایه‌ای‌ترین مسئله در مدیریت توزیع، شناخته شده است. CVRP به‌عنوان پایه‌ای‌ترین شکل مسئله مسیریابی خودرو، به علت کاربردهای فراوان و به مبارزه‌طلبی خود مسئله، توجه شمار زیادی از محققان را به خود جلب کرده است. از جمله کاربردهای این مسئله در صنعت خودروسازی، می‌توان به مسئله مسیریابی با هدف جمع‌آوری قطعات خودرو از قطعه‌سازان و انتقال آنها به کارخانه مرکزی، اشاره کرد. در این مقاله، الگوریتم شبیه سازی تبرید برای حل مسائل CVRP ارائه می‌شود.
معرفی مسئله
مسیریابی خودرو (VRP) نامی کلی است که به تمامی کلاس‌ مسائلی که شامل ملاقات مشتری‌ها با خودروهاست، اطلاق می‌شود. VRP در نوشته‌ها، به‌صورت زمان‌بندی خودروها و توزیع خودرو یا به‌طور ساده‌تر به صورت مسئله تحویل نیز شناخته شده است.
VPR در حالت‌های کاربردی که در برخی موارد حتی مستقیما با توزیع فیزیکی کالاها مرتبط نیستند، بسیار به تناوب ظاهر می‌شود. سوارکردن کودکان به اتوبوس‌های مدرسه، تحویل تولیدات بین سوپرمارکت‌ها و فروشگاه‌های بزرگ، توزیع روزنامه، تورهای بازرسی و تعمیر بازدارنده، توزیع لباسشویی و غیره، همگی VRPهایی هستند که در آن، کالاها و خودروها می‌توانند فرم‌های متنوعی بگیرند.
اغلب مسائل مسیریابی خودرو، NP-hard هستند و به نظر می‌رسد که قابل حل در زمانی چندجمله‌ای نباشند. الگوریتم‌های تحقیقاتی ارائه شده برای VRP عموماً شامل روش‌های دقیق و الگوریتم‌های بهینه‌سازی هوشمند است. الگوریتم‌های دقیق شامل روش‌های شاخه و کران، متدهای برنامه‌ریزی پویا و مانند اینها هستند. مثلا، Nobert روش‌های پیشرو شاخه و کران چندگانه پیشرو را ابداع کرد. در مقابل، الگوریتم‌های تقریبی عمدتاً شامل روش‌های جست‌وجوی ممنوع و شبیه‌سازی حرارتی ، الگوریتم‌های ژنتیک بهینه‌سازی مورچگان و غیره است.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
مسئله مسیریابی خودرو، تحت محدودیت ظرفیت
نمونه‌ای از مسائل مسیریابی خودرو بر مسیریابی بهینه خودروهایی با ظرفیت داده شده برای سرویس‌دهی به مجموعه‌ای از مشتری‌ها با تقاضای داده شده، تمرکز دارد که ما به عنوان مسیریابی خودروهای ظرفیت‌دار (CVRP) به آن اشاره خواهیم کرد. مسیریابی خودرو تحت محدودیت ظرفیت، شامل طراحی مسیرهای توزیع با کمترین هزینه برای ناوگانی از خودروهاست که در پایانه‌ای مرکزی واقع شده و در آنجا نیز توقف می‌کنند تا به مجموعه‌ای از مشتری‌ها با تقاضای مشخص، سرویس‌دهی کنند. این هزینه می‌تواند مسافت کل طی شده توسط ناوگان، تعداد خودروهای لازم برای توزیع یا ترکیبی از هر دو باشد. هر مشتری دقیقا با یک مسیر خودرو، سرویس‌دهی می‌شود. تقاضای کل هر مسیر نباید از ظرفیت خودرو تجاوز کند. نمودار ۱، نمونه‌ای از جواب‌های این مسئله را نشان می‌دهد.

یکی از کاربردهای این مسئله در صنعت خودروسازی، مشکل تعیین مسیرهایی برای جمع‌آوری قطعات از قطعه‌سازان و انتقال آنها به کارخانه خودروسازی توسط ناوگانی از خودروهاست تا با کمترین هزینه ممکن، قطعات را از قطعه‌سازان تحویل گرفته و به کارخانه مرکزی انتقال دهد.
کد متلب الگوریتم ازدحام ماهی های مصنوعی

برای دریافت کد متلب الگوریتم ازدحام ماهی های مصنوعی  با ما تماس بگیرید
azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir

کد متلب ماهی های مصنوعی + فایل توضیحات کد

آماد پذیرش بهینه سازی های مختلف با الگوریتم ماهی های مصنوعی می باشیم.

شبه کد الگوریتم ماهی های مصنوعی :

کد متلب الگوریتم ازدحام ماهی های مصنوعی
    شبه کد الگوریتم ازدحام ماهی های مصنوعی
    الگوریتم ازدحام ماهی های مصنوعی
الگوریتم دسته ماهی های مصنوعی الگوریتم دسته ماهی های مصنوعی Artificial Fish Swarm Algorithm الگوریتم دسته ماهی های مصنوعی الگوریتم ماهی های مصنوعی الگوریتم دسته ماهی های مصنوعی (AFSA) جزء الگوریتم های هوش جمعی می باشد و کاربرد عمده آن در حل ‏مسائل بهینه سازی است. AFSA ‏گونه ای از الگوریتم های برگرفته شده از طبیعت می باشد که توسط دکتر Li Xiao Lei ‏ در سال ٢٠٠٢ ‏ارائه شده است. این الگوریتم تکنیکی مبتنی بر رفتارهای جمعی است که از رفتار های اجتماعی دسته ماهی ها در طبیعت الهام گرفته شده است. جهت دریافت کد متلب الگوریتم ماهی های مصنوعی با ما تماس بگیرید شماره azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir————————————————————————————————————————————— مدل ماهی مصنوعی شامل دو بخش متغیرها و توابع است: ۱ – متغیرها: X : موقعیت فعلی ماهی مصنوعی Step : حداکثر طول گام حرکت Visual : میدان دید هر ماهی try_number : سقف تعداد آزمایش و سعی کردن δ : فاکتور شلوغی هر منطقه از فضای جستجو که ۰<δ<1 ٢ – توابع: رفتار حرکت آزادانه رفتار جستجوی ( شکار ) غذا رفتار حرکت گروهی رفتار دنباله روی ( پیروی ) کلیات الگوریتم : وضعیت فعلی ماهی مصنوعی توسط بردار X = (x1,x2,…,xn) نشان داده میشود. Visual برابر میدان دید ماهی مصنوعی میباشد. Step برابر حداکثر طول گام حرکت است. الگوریتم دسته ماهی های مصنوعی الگوریتم دسته ماهی های مصنوعی Xv موقعیتی در میدان دید است که ماهی مصنوعی میخواهد به آنجا برود. حال اگر وضعیت Xv از نظر تراکم غذایی بهتر از وضعیت فعلی باشد ، یک گام به جلو در جهت آن پیش میرویم که باعث تغییر وضعیت ماهی مصنوعی از X به Xnext میشود. ولی اگر وضعیت فعلی بهتر از Xv باشد ، به گشت زنی در محدوده میدان دید ادامه میدهیم. فاصله بین دو ماهی مصنوعی که در وضعیت های Xi و Xj هستند با رابطه dij = ǁXi – Xjǁ نشان داده میشود ( فاصله اقلیدسی ). رفتار حرکت آزادانه : در طبیعت هنگامی که ماهی ها موفق به یافتن غذا نشوند ، به صورت آزادانه حرکت میکنند. در AFSA هنگامی که ماهی مصنوعی نتواند به سمت موقعیتی با مقدار غذای بیشتر حرکت کند ، یک گام به صورت تصادفی با فرمول زیر در فضای مسئله حرکت میکند: Xi(t+1)=Xi(t)+Step.Rand(-1,1) که در آن ، Xi برابر بردار موقعیت ماهی مصنوعی iام در فضای D بعدی است. تابع Rand یک بردار D بعدی از اعداد تصادفی جداگانه را در بازه [-۱,۱] با توزیع یکنواخت تولید میکند.

azsoft.ir
09367292276
[e-mail]
azsoft.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir