مقاله با عنوان: تعیین پروفیل سایشی غلتک های نورد گرم ورق با شبکه های عصبی و بهینه سازی توسط الگوریتم ژنتیک

پیش بینی پروفیل سایش غلتک های نورد به منظور برنامه ریزی پاس های نورد و برنامه نورد در کارخانجات نورد فولاد از اهمیت ویژه ای برخوردار است. در این پروژه طول غلتک نورد به بخش های کوچک تقسیم شد و برای هر بخش یک شبکه عصبی مجزا تعریف گردید که تمام این شبکه ها در یک شبکه واحد سفارشی تعریف گردیدند تا زمان مدل سازی کاهش یابد. برای هر بخش از طول غلتک معادله پروفیل سایش استخراج گردید و در اختیار الگوریتم ژنتیک برای کمینه کردن سایش قرار گرفت. در این پروژه از نرم افزار متلب MATLAB استفاده گردیده است. این پروژه بر مبنای داده های عملی خط نورد گرم فولاد سبا انجام شد. نتایج بدست آمده به خوبی با نمودارهای پروفیل سایش واحد سنگ زنی فولاد سبا تطابق دارد...

مجموعه آموزش‌های طراحی قالب و قالبسازی

مجموعه آموزش‌های روش اجزای محدود

مجموعه آموزش‌های شبکه عصبی مصنوعی در نرم افزار MATLAB

مقاله تعیین پروفیل سایشی غلتک های نورد گرم ورق با شبکه های عصبی و بهینه سازی توسط الگوریتم ژنتیک، مشتمل بر 8 صفحه، به زبان فارسی، تایپ شده، به همراه تصاویر، دیاگرام، فرمول ها و روابط ریاضی با فرمت pdf، به ترتیب زیر گردآوری شده است:

• چکیده
• مقدمه
• شبکه عصبی و الگوریتم ژنتیک
• نتایج و بحث
• نتیجه گیری
• پیوست
• مراجع

آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل

مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی

 

کاهش بعد با استفاده از شبکه های عصبی

جهت دانلود مقاله تعیین پروفیل سایشی غلتک های نورد گرم ورق با شبکه های عصبی و بهینه سازی توسط الگوریتم ژنتیک، بر لینک زیر کلیک نمایید:

مقاله با عنوان: تعیین پروفیل سایشی غلتک های نورد گرم ورق با شبکه های عصبی و بهینه سازی توسط الگوریتم ژنتیک

اگر به فراگیری مباحث مشابه مطلب بالا علاقه‌مند هستید، آموزش‌هایی که در ادامه آمده‌اند نیز به شما پیشنهاد می‌شوند:

ترسیم خط تاثیر نیروی محوری اعضاء و عکس العمل های تکیه گاهی خرپا دوبعدی در متلب

 

کاربرد روش اجزاء محدود در مسائل مهندسی سازه

 

تحلیل تیر سراسری با استفاده از نرم افزار متلب

 

تحلیل قوسی از دایره با تکیه گاه های گیردار با استفاده از نرم افزار متلب

 

طراحی و ساخت دستگاه ثبت کننده سیگنال الکترومایوگرام دو کانال

 

مدلسازی سیستم کروز کنترل در نرم افزار متلب

 

طراحی کنترل مدرن و کنترل بهینه برای مدل تابع تبدیل

 

طراحی و تحلیل ساختمان سوله صنعتی با استفاده از نرم افزار متلب

مقاله با عنوان: کاربرد الگوریتم ژنتیک در طراحی و بهینه یابی پارامترهای کنترل کننده جهت تنظیم سوخت موتور توربوجت

در این مقاله با به کارگیری الگوریتم ژنتیک، به طراحی و بهینه یابی کنترل کننده فازی تناسبی مشتقی جهت تنظیم سوخت موتور توربوجت پرداخته شده است. در ابتدا با بهره گیری از روش مدل سازی وینر مدلی با ساختار بلوکی جهت شبیه سازی عملکرد موتور توربوجت پیشنهاد شده است که این نوع مدل سازی برای اهدافی نظیر طراحی کنترل کننده مناسب می باشد. در ادامه با توجه به رفتار غیرخطی موتور، کنترل کننده فازی اولیه ای که قواعد و پارامترهای آن بر اساس اطلاعات تجربی و شناخت قبلی از رفتار موتور تنظیم شده است، طراحی گردید. در پایان با به کارگیری الگوریتم ژنتیک، قواعد و پارامترهای کنترل کننده فازی اولیه با هدف کاهش میزان مصرف سوخت و همچنین بهبود رفتار سیستم در مود کنترلی گذرا بهینه گردید. نتایج شبیه سازی نشان می دهد که کنترل کننده طراحی شده علاوه بر کاهش میزان مصرف سوخت، قادر است پاسخ زمانی و مشخصه های عملکردی سیستم نظیر خطای حالت ماندگار، فراجهش و زمان خیزش را به طور قابل ملاحظه ای بهبود بخشد...

مدلسازی و شبیهسازی توربین بادی مجهز به DFIG و STATCOM

مجموعه آموزش‌های شبکه عصبی مصنوعی در MATLAB

کنترل روبات دومحوره با کنترل کننده فازی

مقاله کاربرد الگوریتم ژنتیک در طراحی و بهینه یابی پارامترهای کنترل کننده جهت تنظیم سوخت موتور توربوجت، مشتمل بر 11 صفحه، به زبان فارسی، تایپ شده، به همراه تصاویر، دیاگرام، فرمول ها و روابط ریاضی با فرمت pdf، به ترتیب زیر گردآوری شده است:

• چکیده
• مقدمه
• مدل سازی و شبیه سازی عملکرد موتور توربوجت
• طراحی کنترل کننده فازی سوخت
• طراحی کنترل کننده ژنتیک فازی
• کدگذاری ضرایب اصلاح
• کدگذاری پارامترهای توابع عضویت
• کدگذاری پایگاه قواعد
• تعریف تابع برازش
• تحلیل نتایج
• نتیجه گیری
• پی نوشت
• مراجع

توربو شفت‌ها

اصول مهندسی موتورهای احتراق داخلی

موتورهای هواپیما (پیستونی، جت و ملخ)

موتورهای احتراق داخلی

 

جهت دانلود مقاله کاربرد الگوریتم ژنتیک در طراحی و بهینه یابی پارامترهای کنترل کننده جهت تنظیم سوخت موتور توربوجت، بر لینک زیر کلیک نمایید:

مقاله با عنوان: کاربرد الگوریتم ژنتیک در طراحی و بهینه یابی پارامترهای کنترل کننده جهت تنظیم سوخت موتور توربوجت

اگر به فراگیری مباحث مشابه مطلب بالا علاقه‌مند هستید، آموزش‌هایی که در ادامه آمده‌اند نیز به شما پیشنهاد می‌شوند:

ترسیم خط تاثیر نیروی محوری اعضاء و عکس العمل های تکیه گاهی خرپا دوبعدی در متلب

کاربرد روش اجزاء محدود در مسائل مهندسی سازه

تحلیل تیر سراسری با استفاده از نرم افزار متلب

تحلیل قوسی از دایره با تکیه گاه های گیردار با استفاده از نرم افزار متلب

طراحی و ساخت دستگاه ثبت کننده سیگنال الکترومایوگرام دو کانال

مدلسازی سیستم کروز کنترل در نرم افزار متلب

طراحی کنترل مدرن و کنترل بهینه برای مدل تابع تبدیل

طراحی و تحلیل ساختمان سوله صنعتی با استفاده از نرم افزار متلب

مقاله با عنوان: روشی جدید برای پیش تعلیم شبکه عصبی بر مبنای ماشین بولتزمان عمیق به منظور افزایش سرعت آموزش

شبکه های عصبی عمیق دارای کاربردهای فراوانی در پردازش گفتار می باشند. در صورتی که این شبکه ها به صورت تصادفی مقدار دهی اولیه شوند به جواب درست همگرا نخواهند شد، چرا که دارای تعداد پارامترهای فراوانی می باشند. روش های متعددی برای پیش تعلیم شبکه های عصبی عمیق مطرح شده است که باعث همگرا شدن شبکه می شوند. پیش تعلیم شبکه های عصبی می تواند هم بر مبنای شبکه باور عمیق و هم ماشین بولتزمان عمیق انجام گیرد. در این مقاله شبکه عصبی عمیق با روش پیش تعلیم جدیدی که بر مبنای ماشین بولتزمان عمیق می باشد، آموزش می بیند. در نهایت خروجی شبکه عصبی پس از پیش تعلیم توسط روش ارائه شده، برای طبقه بندی واج ها مورد استفاده قرار می گیرد. نتایج تجربی بر روی دادگان گفتار تیمیت بیانگر آن است که روش ارائه شده برای کاربردهای بازشناسی واج مناسب می باشد. همچنین آزمایشات نشان داده است که روش ارائه شده بر مبنای ماشین بولتزمان عمیق به کاهش خطای عمومی سیستم و افزایش کارائی آن کمک می کند و از طرفی باعث همگرائی سریع تر شبکه عصبی عمیق می شود...

کاهش بعد با استفاده از شبکه های عصبی

آموزش شبکه های عصبی در نرم افزار SPSS

آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل

مقاله روشی جدید برای پیش تعلیم شبکه عصبی بر مبنای ماشین بولتزمان عمیق به منظور افزایش سرعت آموزش و دقت در بازشناسی واج، مشتمل بر 7 صفحه، به زبان فارسی، تایپ شده، به همراه تصاویر، دیاگرام، فرمول ها و روابط ریاضی با فرمت pdf، به ترتیب زیر گردآوری شده است:

• چکیده
• مقدمه
• شبکه های عمیق
• ماشین بولتزمان محدود (RBM)
• شبکه باور عمیق (DBN)
• ماشین بولتزمان عمیق (DBM)
• روش جدید به منظور پیش تعلیم شبکه عصبی
• ارزیابی
• مقایسه روش های مختلف پیش تعلیم
• مقایسه تاثیر مقادیر متفاوت ابر پارامتر آلفا
• نتیجه گیری
• مراجع

جهت دانلود مقاله روشی جدید برای پیش تعلیم شبکه عصبی بر مبنای ماشین بولتزمان عمیق به منظور افزایش سرعت آموزش و دقت در بازشناسی واج، بر لینک زیر کلیک نمایید:

مقاله با عنوان: روشی جدید برای پیش تعلیم شبکه عصبی بر مبنای ماشین بولتزمان عمیق به منظور افزایش سرعت آموزش

اگر به فراگیری مباحث مشابه مطلب بالا علاقه‌مند هستید، آموزش‌هایی که در ادامه آمده‌اند نیز به شما پیشنهاد می‌شوند:

تشخیص خطای اولیه ترانسفورماتور بر اساس شبکه عصبی مصنوعی

برنامه نویسی به روش المان محدود در نرم افزار متلب

محاسبه معکوس ماتریس با استفاده از کوفاکتور در متلب

برنامه آنالیز قاب دو بعدی به روش تحلیل ماتریسی در نرم افزار متلب

پردازش سیگنال دیجیتال در نرم افزار متلب

تحلیل قوسی از دایره با تکیه گاه های گیردار با استفاده از نرم افزار متلب

کتاب آموزش طراحی و شبیه سازی پروژه های مهندسی با نرم افزار COMSOL Multiphysics

با استفاده از نرم افزار COMSOL Multiphysics می توان طراحی و شبیه سازی پروژه های مهندسی برق، مکانیک، علوم زمین، شیمی، فیزیک، نجوم و کوانتوم را انجام داد. این نرم افزار یک مجموعه شبیه سازی است که می تواند معادلات دیفرانسیل سیستم های غیر خطی را توسط مشتق های جزئی روش المان محدود در فضاهای یک، دو و سه بعدی حل نماید. این نرم افزار می تواند در حضور چالش هایی نظیر میدان های الکترومغناطیسی، کشش، دینامیک سیالات و دینامیک گاز به خوبی راه گشا باشد. همچنین این برنامه امکان تعامل با نرم افزارهای مهندسی دیگر مانند MATLAB و CATIA را دارد و نیز نام قبلی این نرم افزار Femlab بوده است.

قابلیت های نرم افزار COMSOL Multiphysics عبارتند از:

• طراحی و شبیه سازی پروژه های مهندسی برق، مکانیک، علوم زمین، شیمی، فیزیک، نجوم و کوانتوم
• حل معادلات دیفرانسیل سیستم های غیر خطی، توسط مشتق های جزئی روش المان محدود در فضاهای یک، دو و سه بعدی
• راه گشای خوبی در حضور چالش هایی نظیر میدان های الکترو مغناطیسی، کشش، دینامیک سیالات و دینامیک گاز
• امکان تعامل با نرم افزارهای مهندسی دیگر مانند MATLAB و CATIA
• قابلیت نصب بر روی ویندوز های ۳۲ بیتی و ۶۴ بیتی
• قابلیت نصب در سیستم عامل Mac OS و Linux و …

کتاب آموزش طراحی و شبیه سازی پروژه های مهندسی با نرم افزار COMSOL Multiphysics، یکی از کتاب های مفید و کاربردی در زمینه آموزش نرم افزار شبیه ساز کامسول می باشد. در این مجموعه آموزشی شما قادر خواهید بود اولا نسخه اصلی کتاب به زبان لاتین (MultiPhysics Modeling using Comsol)، ثانیا کتاب کاربرد نرم افزار کامسول در مهندسی مکانیک (مدل سازی و تحلیل اجزاء محدود) به زبان فارسی را بطور کامل دانلود نمایید.

کتاب آموزش طراحی و شبیه سازی پروژه های مهندسی با نرم افزار COMSOL Multiphysics، مشتمل بر 10 فصل، 872 صفحه، با فرمت pdf، به زبان انگلیسی، همراه با تصاویر، به ترتیب زیر گردآوری شده است:

Chapter 1: Modeling Methodology
Chapter 2: Materials and Databases
Chapter 3: 1D Modeling
Chapter 4: 2D Modeling
Chapter 5: 2D Axisymmetric Modeling
Chapter 6: 2D Simple Mixed-Mode Modeling
Chapter 7: 2D Complex Mixed-Mode Modeling
Chapter 8: 3D Modeling
Chapter 9: Perfectly Matched Layer Models
Chapter 10: Bioheat Models

کتاب کاربرد نرم افزار کامسول در مهندسی مکانیک (مدل سازی و تحلیل اجزاء محدود)، مشتمل بر 7 فصل، 144 صفحه، با فرمت pdf، به زبان فارسی، همراه با تصاویر، به ترتیب زیر گردآوری شده است:

فصل 1: تعریف روند مدل سازی و تحلیل در نرم افزار 

• COMSOL Multiphysics
• Model Navigator
• Options
• ایجاد مدل ھندسی 
• تنظیمات Subdomain
• تعیین شرایط مرزی 
• ایجاد مش
• انتخاب یک حل کننده
• پردازش نتایج در سه بعد
• مراجع

فصل 2: آنالیزھای مختلف از یک زانویی یک سرگیردار

• معرفی
• آنالیز استاتیکی
• آنالیز فرکانس ویژه
• آنالیز گذرا
• آنالیز پاسخ فرکانسی
• آنالیز پارامتری
• اثر متقابل سازه ای حرارتی با انتقال حرارت گذرا

فصل 3: تولید گرما در یک سازه تحت ارتعاش

• معرفی
• نتایج و بحث
• مسیر انتخاب آنالیز در نرم افزار
• مراجع

فصل 4: ریخته گری پیوسته

• تعریف
• مسیر انتخاب آنالیز در نرم افزار
• مدلسازی ھندسی
• شرایط
• ایجاد
• حل مسئله
• مراجع

فصل 5: جریان آشفته در سرتاسر لوله و بدنه یک مبدل حرارتی

• معرفی
• تعریف
• مسیر انتخاب آنالیز در نرم افزار
• مدلسازی ھندسی
• تنظیمات فیزیکی و مرزی
• ایجاد مش
• حل مسئله
• پس پردازش
• مراجع

فصل 6: اثر متقابل سیال سازه ای در اکستروژن آلومینیوم

• معرفی
• تعریف مدل
• آنالیز سازه ای
• آنالیز انتقال حرارت
• سیال غیر نیوتنی
• نتایج و بحث
• مسیر انتخاب آنالیز در نرم افزار
• تنظیمات
• مدلسازی ھندسی
• تنظیمات فیزیکی
• شرایط مرزی جریان غیر نیوتنی
• شرایط مرزی مکانیک سازه ای
• شرایط مرزی انتقال حرارت
• ایجاد مش
• حل مسئله
• پس پردازش
• مراجع

فصل 7: آنالیز ارتعاشی روتور

• معرفی
• مسیر انتخاب آنالیز در نرم افزار
• مدلسازی ھندسی
• شرایط مرزی
• ایجاد مش
• حل مسئله
• پیش پردازش

جهت دانلود کتاب آموزش طراحی و شبیه سازی پروژه های مهندسی با نرم افزار COMSOL Multiphysics، بر لینک زیر کلیک نمایید:

کتاب آموزش طراحی و شبیه سازی پروژه های مهندسی با نرم افزار COMSOL Multiphysics

آموزش متلب، دانلود کتاب آموزشی و مجموعه کدهای تخمین حالت و پارامتر با فیلتر کالمن در نرم افزار MATLAB

تهیه اطلاعات پیوسته به روز و دقیق در مورد مکان و سرعت یک شی معین فقط به کمک توالی مشاهدات در مورد موقعیت آن شی، که هر کدام شامل مقداری خطاست امکان پذیر است. این فیلتر در طیف گسترده‌ای از کاربری‌های مهندسی از رادار گرفته تا بصیرت رایانه‌ای کاربرد دارد. روش تصفیه کالمن یکی از عناوین مهم در تئوری کنترل و مهندسی سیستم‌های کنترلی می‌باشد.

فیلتر کالمن (Kalman Filter) یک فیلتر بازگشتی کارامد است که حالت یک سیستم پویا را از یک سری اندازه گیری‌های همراه با خطا بر آورد می‌کند. به همراه یک تنظیم کننده خطی مرتبه دوم  (linear quadratic regulator  LQR) فیلتر کالمن مسائل Gaussian control خطی مرتبه دوم (linear-quadratic  Gaussian control - LQG) را حل می‌کند. فیلتر کالمن، LQR و  LQG راه حلی هستند برای آنچه شاید اساسی‌ترین مسائل تئوری کنترل می نامند...

کتاب نظریه و تمرین فیلتر کالمن با استفاده از نرم افزار متلب (Kalman Filtering - Theory and Practice Using MATLAB)، مشتمل بر 9 فصل، 582 صفحه، با فرمت pdf، همراه با تصاویر، به زبان انگلیسی، به ترتیب زیر گردآوری شده است:

Chapter 1: General Information

• On Kalman Filtering
• On Optimal Estimation Methods
• On the Notation Used In This Book
• Summary
• Problems

Chapter 2: Linear Dynamic Systems

• Chapter Focus
• Dynamic System Models
• Continuous Linear Systems and Their Solutions
• Discrete Linear Systems and Their Solutions
• Observability of Linear Dynamic System Models
• Summary
• Problems

Chapter 3: Random Processes and Stochastic Systems

• Chapter Focus
• Probability and Random Variables (RVs)
• Statistical Properties of RVs
• Statistical Properties of Random Processes (RPs)
• Linear RP Models
• Shaping Filters and State Augmentation
• Mean and Covariance Propagation
• Relationships Between Model Parameters
• Orthogonality Principle
• Summary
• Problems

Chapter 4: Linear Optimal Filters and Predictors

• Chapter Focus
• Kalman Filter
• Kalman–Bucy Filter
• Optimal Linear Predictors
• Correlated Noise Sources
• Relationships Between Kalman–Bucy and Wiener Filters
• Quadratic Loss Functions
• Matrix Riccati Differential Equation
• Matrix Riccati Equation In Discrete Time
• Model Equations for Transformed State Variables
• Application of Kalman Filters
• Summary
• Problems

Chapter 5: Optimal Smoothers

• Chapter Focus
• Fixed-Interval Smoothing
• Fixed-Lag Smoothing
• Fixed-Point Smoothing
• Summary
• Problems

Chapter 6: Implementation Methods

• Chapter Focus
• Computer Round off
• Effects of Round off Errors on Kalman Filters
• Factorization Methods for Square-Root Filtering
• Square-Root and UD Filters
• Other Implementation Methods
• Summary
• Problems

Chapter 7: Nonlinear Filtering

• Chapter Focus
• Quasilinear Filtering
• Sampling Methods for Nonlinear Filtering
• Summary
• Problems

Chapter 8: Practical Considerations

• Chapter Focus
• Detecting and Correcting Anomalous Behavior
• Prefiltering and Data Rejection Methods
• Stability of Kalman Filters
• Suboptimal and Reduced-Order Filters
• Schmidt–Kalman Filtering
• Memory, Throughput, and Wordlength Requirements
• Ways to Reduce Computational Requirements
• Error Budgets and Sensitivity Analysis
• Optimizing Measurement Selection Policies
• Innovations Analysis
• Summary
• Problems

Chapter 9: Applications to Navigation

• Chapter Focus
• Host Vehicle Dynamics
• Inertial Navigation Systems (INS)
• Global Navigation Satellite Systems (GNSS)
• Kalman Filters for GNSS
• Loosely Coupled GNSS/INS Integration
• Tightly Coupled GNSS/INS Integration
• Summary
• Problems

* توجه: لازم به ذکر است که علاوه بر فایل کتاب آموزشی بالا، مجموعه کدهای تخمین حالت و پارامتر با فیلتر کالمن در نرم افزار MATLAB، جهت آموزش هرچه بهتر این مبحث نیز جهت دانلود قرار داده شده است:

• مدل سیمیولینک و برنامه فیلتر کالمن استاندار یک بعدی 1D standard Kalman Filter (Simulink model and program)
• بسته جامع فیلتر کالمن (Kalman Filter Package)
• فایل آموزشی فیلتر کالمن در متلب Kalman Filter in Matlab (Tutorial)
• آموزش فیلتر کالمن بی رد (Learning the Unscented Kalman Filter)
• فیلتر کالمن خطی (Linear Kalman Filter)
• چارچوب فیلتر کالمن برای تخمین حالت و پارامتر در متلب (Kalman filtering framework)
• فیلتر کالمن برای رفع نویز فیلم های دارای نویز (Kalman filter for noisy movies)
• بهینه سازی کمترین مربعات غیر خطی با استفاده از تخمین پارامتر توسط فیلتر کالمن بی رد (Nonlinear least square optimization through parameter estimation using the Unscented Kalman Filter)
• یادگیری فیلتر کالمن از دیدگاه فیدبک (Learning the Kalman Filter: A Feedback Perspective)
• آموزش پیاده سازی فیلتر کالمن در سیمیولینک (Learning Kalman Filter Implementation in Simulink)
• آموزش فیلتر کالمن توسعه یافته (Learning the Extended Kalman Filter)
• فیلتر کالمن توسعه یافته دوگانه (Dual Extended Kalman Filter)
• فیلتر کالمن توسعه یافته برای داده های سیستم موقعیت دهی عمومی (Extended Kalman Filter(EKF) for GPS)
• آموزش و طراحی شبکه های عصبی مصنوعی با استفاده از فیلتر کالمن بی رد (Neural Network training using the Unscented Kalman Filter)
• فیلتر کالمن دسته ای (Ensemble Kalman Filter)
• رابط گرافیکی یا GUI برای رفع نویز سیگنال های ویدئویی و تصویری با استفاده از فیلتر کالمن (GUI for denoising video signals with Kalman filter)
• تعقیب هدف دو بعدی با استفاده از فیلتر کالمن (2D Target tracking using Kalman filter)
• تخمین یک حالت دارای مقدار ثابت با استفاده از فیلتر کالمن (Estimating a constant state using the Kalman Filter)
• فیلتر کالمن سلسله مراتبی برای پیش بینی سری های زمانی پزشکی (Hierarchical Kalman Filter for clinical time series prediction)
• آموزش و طراحی شبکه های عصبی مصنوعی با استفاده از فیلتر کالمن توسعه یافته (Neural Network training using the Extended Kalman Filter)

 

جهت دانلود کتاب آموزشی و مجموعه کدهای تخمین حالت و پارامتر با فیلتر کالمن در نرم افزار MATLAB بر لینک زیر کلیک نمایید:

آموزش متلب، دانلود کتاب آموزشی و مجموعه کدهای تخمین حالت و پارامتر با فیلتر کالمن در نرم افزار MATLAB

MATLAB