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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
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
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir