متلب کار - مرجع پروژه های آماده و شبیه سازی با متلب

2022-06-14 19:00:29 ایجاد مدل متنی ساده برای طبقه بندی در متلب

این مثال نشان می دهد که چگونه می توان یک طبقه بندی کننده متن ساده را با استفاده از مدل بسته ای کلمات در مورد تعداد فراوانی کلمات آموزش داد. شما می توانید یک مدل طبقه بندی ساده ایجاد کنید که از شمارش فراوانی کلمات به عنوان پیش بینی کننده استفاده می کند.

این مثال یک مدل طبقه بندی ساده را برای پیش بینی دسته گزارش های کارخانه با استفاده از توضیحات متنی آموزش می دهد.

اطلاعات بیشتر در لینک زیر:

لینک دسترسی (اینجا کلیک کنید) باز کردن / نظر دهید

2022-06-14 17:55:00 مصور سازی داده های متنی با ابر های کلمه ای در متلب

این مثال نحوه مصور سازی داده های متنی را با استفاده از ابر های کلمه ای (Word Clouds) نشان می دهد. جعبه ابزار تجزیه و تحلیل متن ، عملکرد تابع wordcloud را گسترش می دهد.

این پشتیبانی برای ایجاد ابرهای کلمه ای به طور مستقیم از آرایه های رشته ای و ایجاد ابرهای کلمه از مدل های بسته ای که شامل کلمات و موضوعات LDA می باشد را اضافه می کند. برای شروع کار داده های نمونه را بارگیری کنید. فایل factoryReports.csv حاوی گزارش های کارخانه، از جمله توضیحات متنی و برچسب های دسته بندی برای هر رویداد است.

اطلاعات بیشتر در لینک زیر:

لینک دسترسی (اینجا کلیک کنید) باز کردن / نظر دهید

2022-06-14 17:40:06 پیش پردازش داده های متنی برای آماده سازی جهت تجزیه و تحلیل در متلب

این مثال نحوه ایجاد تابعی را در متلب نشان می دهد که داده های متنی را برای تجزیه و تحلیل و پاکسازی پیش پردازش می کند. داده های متنی می تواند بزرگ باشد و همچنین حاوی نویزهای زیادی باشد که بر روی تحلیل آماری تأثیر منفی می گذارد.

اطلاعات بیشتر در لینک زیر:

لینک دسترسی (اینجا کلیک کنید) باز کردن / نظر دهید

2022-06-14 17:20:08 شبیه سازی سیستم صف با ابزار SimEvents در سیمولینک متلب

این مسئله در نرم افزار MATLAB با استفاده از ابزار simevent در محیط سیمولینک شبیه سازی گردید. ورودی صف به کمک بلوک Entity Generator، صف با ظرفیت ۱۰۰ با بلوک Entity Queue، انتخاب خدمت رسان با بلوک Line selector و سرویس دهنده ها با Entity Server1 شبیه سازی شده است. در هر قسمت مطابق با جدول فوق، پارامتر های توزیع احتمال تنظیم شده است.

بلوک دیاگرام کلی فرایند در نرم افزار به صورت شکل زیر می باشد. نرخ ترافیک خروجی هر خدمت رسان، نرخ بلاک سیستم و متوسط تاخیر در شکل های زیر رسم شده است. سایر موارد برای حالت های مختلف مساله، در فایل های شبیه سازی قابل مشاهده می باشند.

اطلاعات بیشتر در لینک زیر:

لینک دسترسی (اینجا کلیک کنید) باز کردن / نظر دهید

2022-06-14 16:55:05 پیش بینی تقاضای بار الکتریکی با شبکه عصبی MLP در متلب

در این پروژه در مثالی از پیش بینی تقاضای بار، مجموعه داده نرمالیزه شده از مصرف مشترکین در ۲۴ ساعت روز به مدت یک سال موجود می باشد. از این مجموعه داده برای آموزش یک شبکه عصبی پرسپترون دو لایه (MLP) به منظور رسیدن به تابع پیش بینی مناسب استفاده می گردد. در این پروژه پیش بینی در چهار ساعت مختلف از شبانه روز انجام گرفته است.

در این پروژه شبکه عصبی ابتدا داده ها از فایل اکسل فراهم شده خوانده می شود و به صورت بردار با ابعاد مناسب برای تعریف شبکه عصبی بکار می روند. داده ها به تفکیک ساعت در طول شبانه روز مرتب می شوند. برای سیستم پیش بینی علاوه بر ساعت مورد نظر شبانه روز باید داده های گذشته (حداقل پنج روز) نیز فراهم باشد. در مرحله طراحی هر شبکه عصبی به ازای افق پیش بینی تعیین شده از این داده ها جهت آموزش خود استفاده می کند. در نهایت و پس از پایان آموزش شبکه، از تابع بدست آمده برای پیش بینی استفاده می گردد.

اطلاعات بیشتر در لینک زیر:

لینک دسترسی (اینجا کلیک کنید) باز کردن / نظر دهید

2022-06-14 16:40:00 کتاب مقدمه ای بر MATLAB برای زیست شناسان (مواد آموزشی در علوم زیستی)

هدف اصلی این کتاب آموزشی متلب این است که دانش و مهارت های اصلی مورد نیاز برای تبدیل شدن به یک کاربر مطمئن متلب را در اختیار شما قرار دهد تا بتوانید بسیاری از توابع تخصصی و جعبه ابزارهایی را که برای پشتیبانی از طیف گسترده ای از برنامه های کاربردی زیستی – بیولوژیکی یا بیوانفورماتیک توسعه داده اند، بیابید و از آنها استفاده کنید.

نمونه های ارائه شده در این کتاب به گونه ای انتخاب شده اند که با دانشمندان زیست شناسی مرتبط باشند و برخی از راه های متعددی را که این برنامه می تواند در تحقیقات و مطالعات شما گنجانده شود و برای تقویت تحقیقات و مطالعات شما استفاده شود را نشان می دهد. این کتاب درسی برای دانشجویان و محققین علوم زیستی ضروری است.

اطلاعات بیشتر در لینک زیر:

لینک دسترسی (اینجا کلیک کنید) باز کردن / نظر دهید

2022-06-14 16:20:00 محاسبه اکسید نیتروژن از تولید ناخالص داخلی با روش MFCC در متلب

این برنامه ضریب همبستگی چند عاملی (MFCC) را برای انتشار گاز CO2 و N2O بین سال های ۱۹۷۰ و ۲۰۱۴ برای تولید ناخالص داخلی و تجارت چین محاسبه می کند. این برنامه MFCC را از بین عواملی مانند CO2 و N2O و تولید ناخالص داخلی سرانه، صادرات سرانه و واردات سرانه را محاسبه می کند.

اطلاعات بیشتر در لینک زیر:

لینک دسترسی (اینجا کلیک کنید) باز کردن / نظر دهید

2022-06-14 16:05:00 محاسبه پارامتر های کینماتیکی مفاصل با موقعیت مارکر ها در MATLAB

در این پروژه مثالی در محیط نرم افزار متلب جهت محاسبه زوایای مفاصل ارائه شده است. داده های ورودی که موقعیت مارکر ها در فضا می باشد، در یک فایل txt ذخیره شده است. در این مثال داده ها از مدل DGaitModel23923 در نرم افزار Opensim گرفته شده.

این الگوریتم برای ۵ مارکر طراحی شده که قابل تغییر برای تعداد بیشتر و یا کمتر مارکر نیز می باشد. فرمت ایجاد فایل ورودی در کد توضیح داده شده است. (جهت جدا کردن داده ها در هر ردیف باید از space استفاده شود). خروجی این الگوریتم زاویه مفاضل، سرعت زاویه ای و شتاب زاویه ای بر حسب زمان می باشد.

اطلاعات بیشتر در لینک زیر:

لینک دسترسی (اینجا کلیک کنید) باز کردن / نظر دهید

2022-06-14 15:37:25 پیش بینی تابش خورشید در یک ماه با شبکه عصبی بازگشتی NARX در متلب

در این پروژه با استفاده از شبکه اتورگرسیو غیرخطی NARX ، مدلی جهت پیش بینی تابش خورشید در یک ماه طراحی شده است. در مدل سازی سری زمانی ، مدل برونی خود پنداره غیر خطی یا مدل NARX به عنوان یکی از مدل های پر کاربرد است. شبکه عصبی NARX در پیش بینی تابش خورشید بهتر از سایر الگوریتم ها مثل شبکه عصبی MLP عمل می کند، زیرا توانایی بیشتری در مدل سازی وابستگی های زمانی غیر خطی در داده های سری زمانی دارد.


اطلاعات بیشتر در لینک زیر:

لینک دسترسی (اینجا کلیک کنید) باز کردن / نظر دهید

2022-04-25 23:54:34 تشخیص لومن آئورت از تصاویر CT scan با الگوریتم K-means در متلب

هدف از این پروژه تشخیص لومن آئورت (Aortic Lumen) در یک سری سی تی اسکن می باشد. به منظور انتخاب لومن آئورت در یک برش محوری از سی تی اسکن، از الگوریتم خوشه بندی K-means استفاده شده است. تصاویر CT با برش محوری در محیط متلب وارد شدند و داده های تصویر RGB استخراج شدند. الگوریتم کی مینز روی هر تصویر با مشخص کردن نقاط به صورت تصادفی استفاده شد و در خروجی حاصل مجموعه ای از سه تصویر خوشه بندی شده را نشان می دهد که یکی از آنها فقط آئورت و ستون فقرات را در پس زمینه سیاه نشان می دهد.

تصاویر زیر نمونه ای از نتایج حاصل از اجرای الگوریتم خوشه بندی kmeans را نشان می دهد. اگرچه الگوریتم به درستی نمی تواند مراکز خوشه ای را با هر تکرار تخصیص دهد، اما در انتخاب تنها لومن آئورت در تصویر مرکزی در شکل ۳ به خوبی عمل می کند. با پردازش تصاویر بیشتر، تشخیص مرکز لومن زمانی که در پس زمینه سیاه قرار دارد، بسیار بی اهمیت خواهد بود.

اطلاعات بیشتر در لینک زیر:

لینک دسترسی (اینجا کلیک کنید) باز کردن / نظر دهید