مقالات و تحقیق آماده
ارائه محصولات فایلی و دانلودی برای شما عزیزانمقالات و تحقیق آماده
ارائه محصولات فایلی و دانلودی برای شما عزیزاندانلود پروژه متلب اکولایزر سیگنال صوتی
پروژه متلب اکولایزر سیگنال صوتی
فرمت فایل دانلودی: .rarفرمت فایل اصلی: .m
حجم فایل: 1 کیلوبایت
قیمت: 95000 تومان
توضیحات:
پروژه شبیه سازی اکولایزر سیگنال صوتی با نرم افزار متلب (Matlab).
در این برنامه ابتدا سیگنال صوتی مورد نظر را در محیط متلب و از طریق کارت صوتی و با فرکانسی که کاربر تعیین میکند نمونه برداری می شود سپس از آن تبدیل فوریه گرفته می شود تا طیف سیگنال بدست آید سپس تابع فیلتر اکولایزر در حوزه فرکانسی از کاربر دریافت می شود و سپس فیلتر در حوزه فرکانس بر سیگنال اعمال می شود سیگنال صوتی قبل از اعمال و بعد از اعمال فیلتر قابل مشاهده است تا اثر فیلتر مشاهده شود سیگنال خروجی در حوزه زمان از ابتدا پخش شده و سپس در کامپیوتر ذخیره می شود.
برنامه شامل کد برنامه نویسی نیز می باشد.
پروژه ای کارآمد برای رشته برق می باشد.
پروژه شبیه سازی اکولایزر سیگنال صوتی با نرم افزار متلب (Matlab).
در این برنامه ابتدا سیگنال صوتی مورد نظر را در محیط متلب و از طریق کارت صوتی و با فرکانسی که کاربر تعیین میکند نمونه برداری می شود سپس از آن تبدیل فوریه گرفته می شود تا طیف سیگنال بدست آید سپس تابع فیلتر اکولایزر در حوزه فرکانسی از کاربر دریافت می شود و سپس فیلتر در حوزه فرکانس بر سیگنال اعمال می شود سیگنال صوتی قبل از اعمال و بعد از اعمال فیلتر قابل مشاهده است تا اثر فیلتر مشاهده شود سیگنال خروجی در حوزه زمان از ابتدا پخش شده و سپس در کامپیوتر ذخیره می شود.
برنامه شامل کد برنامه نویسی نیز می باشد.
پروژه ای کارآمد برای رشته برق می باشد.
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه
دانلود کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP
کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP
فرمت فایل دانلودی: .rarفرمت فایل اصلی: m
حجم فایل: 3 کیلوبایت
قیمت: 35600 تومان
توضیحات:
کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP (برنامه نویسی مبتنی بر بیان ژن).
این M فایل حاوی کد شبیه سازی متلب- محلی سازی نودها در شبکه WSN با استفاده از الگوریتم GEP می باشد.
در اسقرار دستی گره ها در یک شبکه حسگر بیسیم (manual Placement)، این امکان وجود دارد که موقعیت گره ها را طوری تنظیم کنیم که هر گره قادر به تعیین موقعیت خود در شبکه باشد. اما شرایطی پیش می آید ، که امکان چینش نظارت شده نودها وجود ندارد. بطور مشخص این محدودیت در مواردی بیشتر نمود پیدا میکند که:
1- پدیده هدف متحرک باشد و نیاز به ایجاد تغییرات سریع در معماری شبکه مطرح باشد. (ردگیری پرندگان مهاجر، ردیابی کلونی ماهیها در زیر آب ).
2- دسترسی به فضا یا منطقه مورد نظر مقدور نباشد (خاک دشمن هنگام وقوع جنگها، میادین مین، ، مناطق آلوده) ،
3- فاکتور محدودیت زمانی مطرح باشد
4- قابلیت سنسورها بعلت تفاوتهای سخت افزاری و نرم افزاری متفاوت، یا مستلزم محاسبات بسیار پیچیده باشد
5- ...
در چنین مواردی، از معماری چینش تصادفی (Random Placement) برای استقرار نودها استفاده میکنیم. مهمترین چالشی که در استقرار رندوم ممکن است بروز کند این است که تنها تعداد معدودی از سنسورها بتوانند موقعیتشان را شناسایی و اعلان کنند. در اصطلاح از این نودها با نام گره های لنگر شبکه(Anchor Nodes) یا گره فانوس دریایی (Beacon) یاد میشود.
برنامه نویسی مبتنی بر بیان ژن (Gene Expression Programming) یک الگوریتم یادگیری تکاملی برای ایجاد مدلهای بهبود یافته ی کامپیوتری است. این مدل ، ساختاری درختی دارد، که برای تعریف آن ، از "درخت بیان" (Expression tree) استفاده میکنیم. این ساختار درختی ، مشابه یک موجود زنده خودش را ، با تغییر اندازه ، تغییر شکل، و ترکیبهای مختلف ، تطبیق و آموزش میدهد.GEP هم گروه ، الگوریتم ژنتیک (GA) و برنامه نویسی ژنتیک(GP) است و وجوه تشابه زیادی با آنها دارد ولی از دیدگاه تخصصی الگوریتمهای تکاملی، با آنها تفاوتهای مشخص ساختاری و کاربردی دارد .بعبارت دیگر، GEP از قابلیتهای GA و GP بطور هدفمند و همزمان بهره میبرد. همانند سایر الگوریتمهای یادگیری، هدف از بکارگیری GEP استخراج روابط بین متغیرها در مجموعه ای از داده ها و سپس ایجاد مدل برای توضیح این روابط است.
مراحل کلی الگوریتم GEP برای ایجاد این مدل شامل این موارد است:
1-ایجاد جمعیت اولیه از راه حلهای کاندید
2- انتخاب و تولید مجدد جمعیتها در یک فرایند دوره ای(تکاملی)، با توجه به شاخص برازش
3- ایجاد تغییر و تنوع در جمعیتها، برای دستیابی به بهترین راه حل کاندید ، با استفاده از عملگرهای ژنتیک از قبیل جهش(mutation) و نوترکیبی(Recombination)..
یکی از بهترین عملکردهای الگوریتم GEP زمانی است که بدنبال رسیدن به مدلی بهینه در فضایی با متغیرهایی با تولید تصادفی هستیم.
در این شبیه سازی افراد (individuals) جمعیت اولیه را سنسورهای یک شبکه بیسیم با نودهای لنگر محدود و تصادفی ،در نظر گرفته ایم. با الگوریتم GEP فرایند یادگیری را به این جمعیت اعمال کرده ایم. بطوریکه همه نودها پس از فرایند آموزش و با واسطه قرار دادن نودهای لنگر قادر به تعیین و اعلام موقعیت خود نسبت به سایر گره ها در سراسر شبکه با باشند. پیاده سازی تنها در قالب یک mfile با 196 خط کدنویسی در نرم افزار متلب انجام شده . برنامه حافظه ی رم کمی را درگیر میکند لذا، زمان اجرایی آن نسبت به سایر الگوریتمهای تکاملی مشابه بسیار سریع تر است. سعی شده با تعریف ساختاری ساده و سلسله مراتبی ،این برنامه قابلیت تعمیم در مسایل و سناریوهای مشابه را دارا باشد. برای فهم بهتر مراحل، قطعه کدها را با عبارات ساده انگلیسی کامنت گذاری کرده ایم.
برای اجرا کافی است فایل برنامه با نام GEP_WSN.m را به Current folder متلب کپی کرده، با دابل کلیک باز کنید، سپاس با استفاده از آیکون Run در نوار ابزار متلب و یا با تایپ عبارت GEP_WSN در پنجره Command window و اینتر از صفحه کلید اجراکنید. نتایج گرافیکی در دو پنجره فیگور نمایش داده شده و نتایج محاسباتی در قالب ماتریس در پنجره Work space قابل مشاهده و ارزیابی خواهد بود.
برای مطالعات بیشتر ، مراجعه به لینکهای زیر پیشنهاد میشود:
کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP (برنامه نویسی مبتنی بر بیان ژن).
این M فایل حاوی کد شبیه سازی متلب- محلی سازی نودها در شبکه WSN با استفاده از الگوریتم GEP می باشد.
در اسقرار دستی گره ها در یک شبکه حسگر بیسیم (manual Placement)، این امکان وجود دارد که موقعیت گره ها را طوری تنظیم کنیم که هر گره قادر به تعیین موقعیت خود در شبکه باشد. اما شرایطی پیش می آید ، که امکان چینش نظارت شده نودها وجود ندارد. بطور مشخص این محدودیت در مواردی بیشتر نمود پیدا میکند که:
1- پدیده هدف متحرک باشد و نیاز به ایجاد تغییرات سریع در معماری شبکه مطرح باشد. (ردگیری پرندگان مهاجر، ردیابی کلونی ماهیها در زیر آب ).
2- دسترسی به فضا یا منطقه مورد نظر مقدور نباشد (خاک دشمن هنگام وقوع جنگها، میادین مین، ، مناطق آلوده) ،
3- فاکتور محدودیت زمانی مطرح باشد
4- قابلیت سنسورها بعلت تفاوتهای سخت افزاری و نرم افزاری متفاوت، یا مستلزم محاسبات بسیار پیچیده باشد
5- ...
در چنین مواردی، از معماری چینش تصادفی (Random Placement) برای استقرار نودها استفاده میکنیم. مهمترین چالشی که در استقرار رندوم ممکن است بروز کند این است که تنها تعداد معدودی از سنسورها بتوانند موقعیتشان را شناسایی و اعلان کنند. در اصطلاح از این نودها با نام گره های لنگر شبکه(Anchor Nodes) یا گره فانوس دریایی (Beacon) یاد میشود.
برنامه نویسی مبتنی بر بیان ژن (Gene Expression Programming) یک الگوریتم یادگیری تکاملی برای ایجاد مدلهای بهبود یافته ی کامپیوتری است. این مدل ، ساختاری درختی دارد، که برای تعریف آن ، از "درخت بیان" (Expression tree) استفاده میکنیم. این ساختار درختی ، مشابه یک موجود زنده خودش را ، با تغییر اندازه ، تغییر شکل، و ترکیبهای مختلف ، تطبیق و آموزش میدهد.GEP هم گروه ، الگوریتم ژنتیک (GA) و برنامه نویسی ژنتیک(GP) است و وجوه تشابه زیادی با آنها دارد ولی از دیدگاه تخصصی الگوریتمهای تکاملی، با آنها تفاوتهای مشخص ساختاری و کاربردی دارد .بعبارت دیگر، GEP از قابلیتهای GA و GP بطور هدفمند و همزمان بهره میبرد. همانند سایر الگوریتمهای یادگیری، هدف از بکارگیری GEP استخراج روابط بین متغیرها در مجموعه ای از داده ها و سپس ایجاد مدل برای توضیح این روابط است.
مراحل کلی الگوریتم GEP برای ایجاد این مدل شامل این موارد است:
1-ایجاد جمعیت اولیه از راه حلهای کاندید
2- انتخاب و تولید مجدد جمعیتها در یک فرایند دوره ای(تکاملی)، با توجه به شاخص برازش
3- ایجاد تغییر و تنوع در جمعیتها، برای دستیابی به بهترین راه حل کاندید ، با استفاده از عملگرهای ژنتیک از قبیل جهش(mutation) و نوترکیبی(Recombination)..
یکی از بهترین عملکردهای الگوریتم GEP زمانی است که بدنبال رسیدن به مدلی بهینه در فضایی با متغیرهایی با تولید تصادفی هستیم.
در این شبیه سازی افراد (individuals) جمعیت اولیه را سنسورهای یک شبکه بیسیم با نودهای لنگر محدود و تصادفی ،در نظر گرفته ایم. با الگوریتم GEP فرایند یادگیری را به این جمعیت اعمال کرده ایم. بطوریکه همه نودها پس از فرایند آموزش و با واسطه قرار دادن نودهای لنگر قادر به تعیین و اعلام موقعیت خود نسبت به سایر گره ها در سراسر شبکه با باشند. پیاده سازی تنها در قالب یک mfile با 196 خط کدنویسی در نرم افزار متلب انجام شده . برنامه حافظه ی رم کمی را درگیر میکند لذا، زمان اجرایی آن نسبت به سایر الگوریتمهای تکاملی مشابه بسیار سریع تر است. سعی شده با تعریف ساختاری ساده و سلسله مراتبی ،این برنامه قابلیت تعمیم در مسایل و سناریوهای مشابه را دارا باشد. برای فهم بهتر مراحل، قطعه کدها را با عبارات ساده انگلیسی کامنت گذاری کرده ایم.
برای اجرا کافی است فایل برنامه با نام GEP_WSN.m را به Current folder متلب کپی کرده، با دابل کلیک باز کنید، سپاس با استفاده از آیکون Run در نوار ابزار متلب و یا با تایپ عبارت GEP_WSN در پنجره Command window و اینتر از صفحه کلید اجراکنید. نتایج گرافیکی در دو پنجره فیگور نمایش داده شده و نتایج محاسباتی در قالب ماتریس در پنجره Work space قابل مشاهده و ارزیابی خواهد بود.
برای مطالعات بیشتر ، مراجعه به لینکهای زیر پیشنهاد میشود:
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه
دانلود پیاده سازی یک مدل شبکه عصبی مصنوعی برای پیش بینی حجم فروش
پیاده سازی یک مدل شبکه عصبی مصنوعی برای پیش بینی حجم فروش
فرمت فایل دانلودی: .rarفرمت فایل اصلی: ppt , xls
تعداد صفحات: 46
حجم فایل: 3756 کیلوبایت
قیمت: 40000 تومان
توضیحات:
پاورپوینت آموزش تصویری پیش بینی فروش یک شرکت تجاری با تولباکس شبکه های عصبی مصنوعی نرم افزار متلب و نرم افزار اکسل همراه با دیتاست (dataset).
در این فایل ارائه، میخواهیم بصورت عملی، با استفاده از تولباکس شبکه های عصبی متلب یک سناریوی پیش بینی فروش را شبیه سازی کنیم.
در مرحله نخست، دیتاست موجود که شامل اطلاعات فروش طی سالهای 88 تا 94 است را با استفاده از یک فرایند تعاملی بین نرم افزار صفحه گسترده اکسل و نوار ابزار شبکه عصبی مصنوعی متلب، با ایجاد یک شبکه عصبی از نوع پس انتشار- تغذیه رو به جلو (backpropagation- feedforward) آموزش میدهیم، سپس، با خروجیهای بدست آمده از مرحله آموزش، عملکرد شبکه را با استفاده از داده های تست و محاسبه میزان خطای متوسط مربعات (MSE) ، محاسبه کنیم.
در مرحله بعد، با توجه به تغییراتی که ممکن است در مقادیر مربوط به تعداد مشتریان، رقیبان و قیمت در سال 1396 اتفاق بیفتد، داده های جدیدی را بعنوان ویژگیهای ورودی، به این مدل موجود اعمال کرده و حجم فروش در سال 1396 را پیش بینی کنیم.
توضیحات بیشتر:
دیتا ست اولیه، از اطلاعات واقعی یک شرکت پخش عمده مواد غذایی واقع در یکی از استانهای شمالی کشور تهیه شده، که بعلت تعهدات اخلاقی و بی تاثیر بودن آن در روند پیش بینی و نتایج نهایی، از ذکر نام شرکت و ضریب واحد پولی مربوط به آمار فروش، اجتناب کرده ایم. بنابراین واحد پولی و ضریب آن میتواند هر واحد معتبر مثل (میلیون ریال، صد دلار و ...) فرض شود. تلاش شده، این پژوهش جنبه ای کاملا" کاربردی داشته باشد و تمام مراحل گام بگام و همراه تصاویر آموزش داده شود. همچنین قابل تعمیم و استفاده در مسایل و سناریوهای مختلف باشد.
اصل Dataset های استفاده شده، کلیه اطلاعات مربوط به مراحل مختلف پیاده سازی، و نتایج بدست آمده از تحلیل سیستم ضمیمه این محصول می باشد.
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه
دانلود کد متلب بهینه سازی پروتکل LEACH به روش چندجهشی در شبکه حسگر بیسیم
کد متلب بهینه سازی پروتکل LEACH به روش چندجهشی در شبکه حسگر بیسیم
فرمت فایل دانلودی: .rarفرمت فایل اصلی: .m
حجم فایل: 1 کیلوبایت
قیمت: 34000 تومان
یکی از مشکلاتی در ارتباطات شبکه های حسگر بیسیم (WSN) که با روشهای برقراری ارتباط مستقیم (Direct transmition) ، تک جهشی (Single-hop) و پروتکلهای آگاه از انرژی مانند LEACH طراحی شده اند بروز میکند، این است که گره سرخوشه نمیتواند برای تبادل و بروزرسانی اطلاعات بطور مستقیم با ایستگاه پایه ارتباط برقرار کند.در این برنامه با ایجاد تغییراتی در پروتکل LEACH و ترکیب آن با روش دستیابی چند جهشی با برقراری ارتباط و ایجاد گامهای کم هزینه بین سرخوشه ها ، روشی بهینه را برای رفع این محدودیت شبیه سازی کرده ایم.از مزایای این پیاده سازی میتوان به جدید بودن ایده، خلاصه بودن در قالب یک , mfile با 184 خط کدنویسی، استفاده از خروجی گرافیکی برای درک بهترو ایجاد سهولت در ارزیابی شاخصهای عملکرد (هزینه ,سرعت ، انرژی) اشاره کرد.
برای اجرا ، mfile برنامه را به پوشه جاری متلب (Current folder) کپی کرده، Run نمایید. نتایج گرافیکی بصورت مرحله، مرحله نمایش داده شده و قابل ارزیابی خواهد بود ، نتایج محاسباتی و مقادیرنهایی تخصیصی به پارامترهای سیستم بصورت ماتریس ذخیره شده و از طریق پنجره’ Workspace متلب ، قابل دستیابی و ارزیابی خواهد بود.
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه
دانلود پیاده سازی سیستم فازی-قانونگرا برای پیش بینی سرطان سینه در متلب
پیاده سازی سیستم فازی-قانونگرا برای پیش بینی سرطان سینه در متلب
فرمت فایل دانلودی: .rarفرمت فایل اصلی: fis , m , doc , pdf
حجم فایل: 390 کیلوبایت
قیمت: 38000 تومان
توضیحات:
پیاده سازی سیستم فازی- قانونگرا برای پیش بینی سرطان سینه با تولباکس فازی نرم افزار متلب (Matlab)، شامل پیاده سازی با تولباکس منطق فازی، پیاده سازی بصورت mfile با توابع تولباکس فازی، فایل راهنما و مقاله مرجع لاتین مربوط به سال 2014.
هدف مجموعه حاضر ، ایجاد و پیاده سازی یک سیستم خبره فازی بمنظور پیش آگهی از سرطان سینه با رویکردی کاربردی است، بطوریکه قادر به کنترل و مهار ابهامات و رفع کمبودهای رایج در این حیطه باشد. در این پژوهش ، روش استنتاج فازی ممدانی (mamdani ) بکار گرفته شده، که ، نسبت به سایر روشهای استنتاجی، دارای مزایای بالقوه ای از جهت توصیف ارتباطات متقابل بین دانش افراد خبره انسانی و اجزای سیستم در دست طراحی است. مزیت اصلی این روش در مقایسه با مطالعات دیگر توانایی این روش در تعیین ریسک سرطان سینه در زنان سالم می باشد. در نهایت سیستم خبره فازی بر روی پایگاه داده حقیقی بررسی و نتاج حاصله از سیستم ارزیابی و این ارزیابی را با تصمیمات موجود مقایسه می کند . کارایی بدست آمده از سیستم بر روی پایگاه داده حقیقی در جریان پیش بینی سرطان سینه ، میانگین 95% را نشان می دهد. این روش، روشی خوشبینانه برای پیش بینی کردن میزان ریسک سرطان سینه می باشد و باعث تشخیص زود هنگام سرطان و جلوگیری از مرگ و میر افراد می گردد.
پیاده سازی سیستم فازی- قانونگرا برای پیش بینی سرطان سینه با تولباکس فازی نرم افزار متلب (Matlab)، شامل پیاده سازی با تولباکس منطق فازی، پیاده سازی بصورت mfile با توابع تولباکس فازی، فایل راهنما و مقاله مرجع لاتین مربوط به سال 2014.
هدف مجموعه حاضر ، ایجاد و پیاده سازی یک سیستم خبره فازی بمنظور پیش آگهی از سرطان سینه با رویکردی کاربردی است، بطوریکه قادر به کنترل و مهار ابهامات و رفع کمبودهای رایج در این حیطه باشد. در این پژوهش ، روش استنتاج فازی ممدانی (mamdani ) بکار گرفته شده، که ، نسبت به سایر روشهای استنتاجی، دارای مزایای بالقوه ای از جهت توصیف ارتباطات متقابل بین دانش افراد خبره انسانی و اجزای سیستم در دست طراحی است. مزیت اصلی این روش در مقایسه با مطالعات دیگر توانایی این روش در تعیین ریسک سرطان سینه در زنان سالم می باشد. در نهایت سیستم خبره فازی بر روی پایگاه داده حقیقی بررسی و نتاج حاصله از سیستم ارزیابی و این ارزیابی را با تصمیمات موجود مقایسه می کند . کارایی بدست آمده از سیستم بر روی پایگاه داده حقیقی در جریان پیش بینی سرطان سینه ، میانگین 95% را نشان می دهد. این روش، روشی خوشبینانه برای پیش بینی کردن میزان ریسک سرطان سینه می باشد و باعث تشخیص زود هنگام سرطان و جلوگیری از مرگ و میر افراد می گردد.
پیاده سازی با دو روش انجام گرفته:
- بصورت ایجاد با نوار ابزار منطق فازی و بصورت گرافیکی در قالب فایل fis
- با استفاده از توابع نوار ابزار فازی و بصورت mfile
همراه با فایل راهنما و مقاله مرجع انگلیسی (2014)
ضمنا" در صورت نیاز، ترجمه فارسی مقاله مرجع را نیز میتوانید از همین فروشگاه خریداری فرمایید.
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه