منبع :
مجله اینترنتی سیویل
شبکه های عصبی مصنوعی
(Artificial Neural Network -ANN)

شبکه های عصبی (Artificial Neural Network) مدل های محاسباتی آموزش پذیری (و بعضا تطبیق پذیری) هستند که مغز
انسان را مدل می کنند [Jang, Sun & Mizutani, 1997]. به
طور کلی شبکه های عصبی زیستی از تعداد زیادی نرون (Neuron) و
ارتباطات بین آنها تشکیل شده اند و با یک گراف همراه با گره ها و یال هایش مدل
سازی می شوند. این گراف به همراه الگوریتم آموزشی آن شبکه عصبی را تبدیل به یکی از
قدرتمندترین ابزارها در شبیه سازی رفتار هوشمند یا خبره کرده است [Miller, Sutton & Werbos, 1995].
شبکه های عصبی را می توان در دو دسته "با
مربی" (Supervised) و "بدون مربی" (Unsupervised) جای داد. تفاوت اصلی در آن است که در شبکه های با مربی الگوریتم
آموزشی از داده های آموزشی ورودی-خروجی برای مدل کردن دینامیک سیستم استفاده می
کند در حالیکه شبکه های بدون مربی فقط از ورودی استفاده می کنند.
نشان داده شده است که شبکه های عصبی تقریبگر های عمومی (Universal Approximator) هستند، بطوریکه می توانند هر تابعی را تا یک دقت مشخص مدل کنند.
به همین شبکه های عصبی در مسائل شناسایی سیستم ها (System Identification)، کنترل، تشخیص و عیب یابی (Diagnosis)، پیش
بینی سری های زمانی (Prediction) و تشخیص الگو (Pattern recognition) مورد استفاده قرار گرفته اند.***
مبحث شبکه های عصبی ذاتا مربوط به مباحث Dataminig
علوم رایانه ( نه لزوما مهندسی آن ) می باشد. شبکه های عصبی نخستین بار در سال
1870 توسط الکساندر بین با تقلید از رفتار سلول های عصبی فرمول بندی شد هرچند
مفهوم روش دارای ریشه های قدیمی آماری است. اما شبکه ی عصبی چیست.همه شما با مفهوم
رگرسیون آشنایی دارید توضیح اینکه در ساده ترین حالت رگرسیون یافتن یک فرمول ریاضی
با استفاده از یکسری داده های گسسته برای پیش بینی مقادیر وابسته در جایی است که
فاقد متغیر مستقل هستیم. بر این اساس رگرسیون ها دارای فرم خطی یا هر فرم مناسب
دیگری متناسب با داده ها هستند.حال نکته کلیدی اینجاست : رگرسیون ساده ترین شبکه
عصبی است. در حقیقت یک شبکه ی عصبی در پیچیده ترین حالت خود می کوشد یک الگوی
ریاضی ( همان معادله خط در رگرسیون خطی ) را براساس داده های موجود ( تعداد داده
های مستقل و نتایج وابسته ناشی از یک کار آزمایشگاهی یا تحلیلی ) پیدا کند در
صورتی که الگوی یافت شده ( همان فرمول اما اینجا دیگر صریح نیست ) از دقت کافی
برخوردار باشد ( اصطلاحا می گویند شبکه همگرا شده باشد ) می توان مقدار وابسته را
برای سایر داده های مستقل یافت. مثال زیر می تواند قدری توضیح را واضح نماید :
مسئله : رابطه ی میان ضخامت کاور تیر بتنی و میزان نفوذ یون
کلر در مناطق خورنده مد نظر است. با استفاده از شبکه ی عصبی سیستمی طراحی کنید که
با توجه به میزان کاور میزان نفوذ یون کلر را پیش بینی کند
روش کار
1. چند نمونه ی آزمایشگاهی با میزان متفاوت کاور ساخته می
شود ( متغیر مستقل در اینجا کاور است )
2. با دستگاه rcpt پس از گذشت مثلا یکسال
میزان نفوذ یون کلر با استفاده از پودر بتن محاسبه می شود ( میزان نفوذ متغیر
وابسته است )
3. یک شبکه عصبی ایجاد می شود ( معمولا با toolbox
های matlab هرچند می شود با برنامه نویسی هم اینکار را
انجام داد ) داده ها ( متغیرهای وابسته و مستقل حاصل از آزمایش ) به شبکه وارد می
شود ( اصطلاحا training شبکه )
4. در صورتی که شبکه همگرا شد شبکه عصبی پیش بینی کننده
آماده است می تواند هر مقدار کاوری به آن وارد کرد و میزان نفوذ را از آن گرفت.
5.حال اگر شبکه همگرا نشد یا تعداد داده ها کم است یا عمق
شبکه عصبی کم است یا اساسا داده ها قابلیت همگرا کردن شبکه را ندارند.
6. در صورتی که شبکه همگرا شد مرحله ی راستی آزمایی شبکه نیز
با داده هایی غیر از آنهایی که برای آموزش شبکه استفاده شده است باید انجام شود***
به شبکه عصبی به عنوان یک ابزار رگرسیون پیشرفته نگاه کنید.
)()()()()()()()()()()()()()()(شبکه
عصبی مختصرا میشه گفت روشیه برای تقریب زدن توابع. مثلا فرض کنین شما یه سری X
و یه سری Y داری که به هم ربط دارن ولی نمیدونی ربطشون
چیه. در حقیقت می خواهی یه تابع برازش بدی که X ها رو به Y
ها متناظر کنه. اینجا میایی و از روش شبکه های عصبی استفاده می کنی. روشش هم اینه
که یه چند لایه شبکه ( مثلا فرض کن چند تا ماتریس که باید در X
ها ضرب بشن تا Y ها رو بدن) به صورت
پیش فرض می سازی. بعد میایی مثلا X ها رو میدی به شبکه،
شبکه میاد اون ماتریس های خودش رو ضربو تقسیمو اینا میکنه روی X
ها و Y متناظر رو میده. بعد میاد Y
ای که خودش به دست آورده رو با Y واقعی متناظر مقایسه
می کنه، خطاش رو پیدا می کنه و با یه پروسه معکوس اعدادی رو که توی ماتریس های
شبکه اومدن رو طوری عوض می کنه که جواب رو دفعه بعد درست نشون بده. تو مرحله بعد
تو یه X دیگه می دی و همین پروسه برای Y
جدید تکرار میشه و هر سری اعداد موجود در شبکه ( همون ماتریس ها منظورمه) تصحیح می
شن تا در نهایت بعد از کلی تکرار ( به این کارایی که گفتم اصطلاحا میگن آموزش دادن
شبکه) منطقی ترین شبکه برای داده های مورد نظرت ساخته می شه. از این به بعد هر X
دیگه ای بدی ، جواب Y ای که میده تقریبا
درسته.
مثلا برای بهینه سازی قابها تحت آنالیز دینامیکیه غیر خطی.
چون برای بهینه سازی run های زیادی لازم دارم (
مثلا 15000 تا) و هر run تقریبا 15 دقیقه اینا
طول میکشه زمان کل بهینه سازی میشه 5 ماه ! یعنی کامپیوتر 5 ماه باید یه کله روشن
باشه!
برای اینکه کار راحت تر شه و Run
هام سریع تر باشن مجبورم از شبکه عصبی استفاده کنم. یعنی یه تابعی پیدا کنم که
وقتی که قاب رو بهش می دم ( یعنی مقاطع تیر و ستون هامو می دم)سه سوته برام دریفت
رو حساب کنه. برای این کار اول میام 500 بار run واقعی می گیرم از
قابهای مختلف و نتایج دریف رو می خونم. بعدش میام تک تک این قاب ها رو با جوابشون
می دم به شبکه عصبی و آموزش می دم تا شبکه عصبی بتونه تابع درست رو تقریب بزنه. از
این به بعد دیگه برای Run گرفتن میام مقاطعم رو
میدم به شبکه و اون دریفت رو سریعا میده.^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
شبکههای عصبی مصنوعی
Artificial Neural Network
چکیده:
شبکههای عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن
علاقمند شدهاند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه بسیاری را
صرف آن کرده و میکنند. این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف
شبیهسازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تا حال به خوبی پیشرفته است.
از جمله کاربردهای این بحث میتوان از شناسایی الگوها, پردازش تصویر و رویت, هوش
مصنوعی, کنترل رباتها و موارد بسیار دیگر نام برد. ما در این مقاله پس از مقدمه به
مسائل در خور شبکههای عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه Perceptron ها را که یکی از
مهمترین الگوریتمهای شبکههای عصبی مصنوعی میباشد معرفی میکنیم.1- مقدمه
1-1- ایده پیدایش شبکههای عصبی مصنوعی
آیا کامپیوتر میتواند همان نوع از محاسباتی را که یک فرد هوشمند انجام میدهد به کار
گیرد؟
بسیاری از دانشمندان عقیده داشته ودارند که این بحث باید مورد توجه قرار گیرد.
شبکههای عصبی در حل مسائل یک جهت جدید و متمایز نسبت به کامپیترهای عمومی میگشود.
کامپیوترهای عمومی از یک الگوریتم استفاده میکنند یعنی برای حل مسائل از یک سری
دستورات از پیش تعیین شده پیروی میکنند مگر در مواقع ویژهای که کامپیوتر نیاز به
یکسری اطلاعات برای حل مسئله دارد. و همین مسئله توانایی پردازش را از
کامپیوترهای عمومی به مسائلی که ما قبلا فهمیدهایم و روش حل آنها را شناختهایم
محدود میکند و تنها سرعت عمل و قدرت در حل نمونههای بزرگتر را به همراه دارند.
اما کامپیوترها باید به قدری مفید باشند که بتوانند کارهایی را انجام دهند که
واقعا ما نمیدانیم چگونه باید آنها را انجام دهیم.
1-2- بررسی سلولهای مغزی افراد
تحقیق درباره سلولهای مغزی افراد و همچنین شناخت Neuron ها یا رشتههای مغزی وبیان یک راه نسبتا متفاوت که یک سیستم
هوشمند را بنا میکند شروع شد. مغز بشر متشکل از میلیونها نرون عصبی منحصر بفرد
است واین رشتههای عصبی به اشکال و اندازههای مختلف تغییر میکنند.. هر نرون
عموما یک هسته دارد و یکسری سلولهای عصبی Axon (آکسون)ـ که علائم خروجی را به سلولهای عصبی نرون دیگر حمل میکنندـ
و Dendrite ها (شاخههای سلولهای
عصبی). علائم در سلولهای عصبی میان شاخههای سلولهای عصبی ونواحی خروجی جریان
دارند.
در اینجا برای حالت برانگیزش باید آشفتگی از یک حدی تجاوز کند که آستانه یا سرحد
نامیده میشود و پس از برانگیزش نرونها پیامهایی برای نرونهای دیگر میفرستند و
خود را برای دریافت و پاسخ به اطلاعات عمومی آماده میکنند.
1-3- تاریخچه
شبکههای عصبی دهها سال است که جلب توجه میکنند وتاکنون راه حلهایی برای استفاده
از هوش بشری ارائه شده است. اولین نرون مصنوعی درسال 1943 توسط نروفیزیولوژیست
وارنمککالوک و منطق دان والترپیتز تولید شد.در دهه 60 به دلایلی که خارج از بحث
این مقاله است مردم بهسوی شبکههای عصبی متمایل شدند و تنها در دهه 80 دانشمندان
تواناییهای واقعی شبکههای عصبی را دیدند.
2- شبکههای عصبی مصنوعی
2-1- شبکههای عصبی مصنوعی
شبکههای عصبی شبیه به مغز انسان اطلاعاتی را پردازش میکنند. شبکه از تعداد
زیادی سلولهای عصبی(Neuron ها)
تشکیل شده با پردازشی بسیار بزرگ و بههم پیوسته که در حل موازی مسائل ویژه مشغول
به کارند.
یادگیری شبکههای عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامهریزی
نشدهاند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد
رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن
اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.
شبکههای عصبی مصنوعی یک ترکیبی از مجموعه نرونهاست و البته نرونهای مصنوعیای که
بسیار شبیه به نرونهای زیستی کار میکنند. و بدین گونه است که ورودیهای زیادی با
وزنهای مختلف میگیرد و یک خروجی که به ورودی وابسته است تولید میکند. نرونهای
زیستی میتوانند در حال برانگیزش باشند یا نباشند. ( وقتی یک نرون برانگیخته میشود
ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است)
شبکههای عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را
دارند که بطور عمومی به ورودیهای غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها
میآموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود
در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعهای از
الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو میباشد وکمترین تفاوت را با
ورودی دارد انتخاب میکند. این روال عموما فراخوانی میشود.
مثال:
وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شدهاند و وقتی
ورودیهای 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که
نرونها مایلند برانگیخته شوند وقتی که ورودیها 0111 ، 1011 ، 1101 ، 1110 یا 1111
باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به
برانگیخته شدن نیستند.
شناسایی الگوهای پیچیده سطح بالا میتواند به وسیله شبکهای از نرونها انجام شود و
بدین ترتیب نام آن را شبکههای عصبی مصنوعی گذاشتند. اکنون شبکههای عصبی
کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامیتواند
بهطور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکههای عمومی که
برای شناسایی الگوها استفاده میشوند Feed-Forward نامیده میشدند زیرا آنها یک بازخورد (Feed-Back) داشتند. آنها بهطور ساده ورودیها را با خروجیها میآمیختند.
اما شناسایی الگوها به تدریج کاملتر شد بهطوریکه بر روی کامپیوترهای عمومی با
سیستم خاص خودشان بهسختی انجام میشد پس برای شناسایی الگوها شبکههای Feed-Forward کافی نبودند.
در شبکههای عصبی خروجی هر نرون به ورودی نرونهای مجاورش متصل شده است. شبکههای
عصبی نمیتوانند معجزه کنند اما اگر به درستی استفاده شوند نتایج شگفتانگیزی
خواهند داشت.2-2- مشخصات مسائل در خور شبکههای عصبی مصنوعی ANN(Artificial
Neural Network)
تقلید از ساختارهای محاسباتی سیستم زیستی ممکن است ایده اصلی نمونههای محاسباتی
برای ساخت کلاسهایی از مسائل باشد. از جمله این مسائل میتوان از مسائل مشکل NP که شامل مسائل طبقهبندی
شده، زمانبندیشده، جستجو وغیره نام برد، کلاس مسائل شناسایی الگوها، افراد و
موضوعات مشخص را در دیدار و تماس با آنها میشناسد و کلاس مربوط به دادههای ناقص،
اشتباه، متناقض، فازی و احتمالی. این مسائل توسط همه یا برخی از موارد زیر توصیف
میشوند:
یک فضای مسئله با بعد بزرگ، پیچیده، ناشناخته با اثرات متقابل پیچیده ریاضیوار
بین متغییرها و یک فضای راهحل که ممکن است خالی باشد(شامل یک راهحل یکتا یا
بیشتر ، شامل تعدادی از راهحلهای مفید)به نظر میرسد ANN ها راهحلهایی برای مسائلی که با ورودیهای حسی بیشتر درگیرند
ارائه میدهد(صحبتکردن، دیدن، شناسایی دستخط و…).
2-3- کاربردهای شبکههای عصبی مصنوعی ANN
میتوان موارد زیر را از کاربردهای شبکههای عصبی مصنوعی ذکر کرد:
پردازش تصویر و دید( Image processing and computer vision )
پردازش علائم( Signal processing ):
شامل ریختشناسی و تجزیه و تحلیل علائم مربوط به زمینلرزهها و…
شناسایی الگوها( Pattern recognition ):
شامل شناسایی چهره، اثر انگشت، تشخیص نوع صدا و نوع صحبت کردن، دستخط و …
پزشکی( Medicine ):
شامل تجزیه و تحلیل و تشخیص علائم دستگاه ضرباننگار قلب (الکتروکاردیوگرافیک)،
تشخیص امراض گوناگون و …
سیستمهای نظامی( Military systems ):
شامل ردیابی مینهای زیردریایی، دستهبندی صداهای نابههنجار و مخل در رادارها و
شناسایی گوینده رزمی.
سیستمهای تجاری( Financial systems ):
شامل تجزیه و تحلیل انبار مغازهها، ارزیابی واقعی املاک و …
برنامهریزی، کنترل و جستجو( Planning, control, and
search ): شامل اجرای موازی مسائل و کنترل رباتها.
هوش مصنوعی( Artificial intelligence ):
شامل برخی سیستمهای طبی و اجرای سیستمهای خبره.سیستمهای قدرت( Power systems ): شامل برآورد وضعیت
سیستم، ردیابی سریع و دستهبندی ردیابی، ردیابی خطا و ترمیم آن، پیشبینی و برآورد
تخمین امنیت.
*******************************************
دانلود مقاله کامل pdf -شبکه های عصبی مصنوعی : دانلود
كتب و جزوات آموزش نرم افزار مطلب ( متلب ) ( فارسی ) MATLAB FARSI
منبع : آموزش مطلب متلب Matlab
X کتابها و جزوات عمومی متلب Pharsi parsi Farsi
۱- كتاب آموزش مطلب به كوشش برمكي، ویرایش دوم ، در ۲۰۴ صفحه وحجم ۶۶۳/۳ مگ rar. دانلود کنید. و لینک این کتاب برای دوستانی که به winRAR دسترسی ندارند: ۵۳۱/۴ مگ pdf .دانلود کنید. ( با تشکر از مهندس برمکی که فایل این کتاب را در اختیار این وب قرار دادند ) و لینک ویرایش نخست این کتاب به کوشش مشکی باف و برمکی در ۱۰۳ صفحه و حجم ۴۹۶/۲ مگ pdf . دانلود کنید.
۲- *کتاب آموزش مطلب به كوشش همت آبادی در ۱۵۴ صفحه وحجم ۰۸۲/۴ مگ rar. دانلود کنید. و لینک این کتاب برای دوستانی که به winRAR دسترسی ندارند: ۶۵/۱۰ مگ pdf . دانلود کنید.
۳- جزوه آموزش مطلب به كوشش مستوفی در ۳۵ صفحه وحجم ۲۷۹/۰ مگ pdf. دانلود کنید.
۴- جزوه آموزش مطلب به كوشش جعفری در ۱۰۶ صفحه وحجم ۵۸۲/۱ مگ pdf. دانلود کنید.
۵- جزوه آموزش مطلب به كوشش مقدس پور در ۷۸ صفحه وحجم ۳/۱ مگ rar. دانلود کنید.
۶- جزوه آموزش مطلب به كوشش مشایخی در ۱۶ صفحه وحجم ۲/۰ مگ pdf. دانلود کنید.
۷- جزوه آموزش مطلب به كوشش شیخ نجدی در ۵۷ صفحه وحجم ۱/۲ مگ pdf. دانلود کنید.
۸- جزوه آموزش متلب به كوشش رجبی در ۳۵ صفحه وحجم ۴/۰ مگ pdf. دانلود کنید.
۹- جزوه آموزش متلب به كوشش کرامت در ۲۶ صفحه وحجم ۹۷/۱ مگ pdf. دانلود کنید. (با تشکر از مهندس سعید کرامت که فایل جزوه را در اختیار این وب قرار دادند )
۱۰- جزوه آموزش مطلب به كوشش ساغری در ۳۷ صفحه وحجم ۷/۰ مگ pdf. دانلود کنید.
۱۱- جزوه آموزش مطلب به كوشش سپاس یار در ۳۳ صفحه و حجم ۰۳۶/۱ مگ pdf. دانلود کنید.
۱۲- جزوه آموزش مطلب به كوشش هاشمی در ۳۸ صفحه وحجم ۵۶۶/۰ مگ pdf. (پیشرفته) دانلود کنید.
۱۳- جزوه آموزش مطلب به كوشش نظری در ۴۴ صفحه وحجم ۱۵۲/۱ مگ pdf. دانلود کنید.
۱۴- جزوه آموزش مطلب به كوشش علوی زاده در ۲۹ صفحه وحجم ۸۵۸/۲ مگ pdf. دانلود کنید.
۱۵- جزوه آموزش مطلب به كوشش سلماسی در ۲۸ صفحه وحجم ۳۱۹/۰ مگ pdf. دانلود کنید.
۱۶- جزوه آموزش مطلب به كوشش خالقی در ۲۱ صفحه وحجم ۴۸۴/۰ مگ pdf. دانلود کنید.
X اسلایدها و پاورپوینتهای آموزش متلب
۱۷- اسلاید کلاس آموزش مطلب (فارسی) به كوشش طیبی در ۲۲۷ اسلاید (۱۳ فصل) وحجم ۸۵۲/۵ مگ ppt. دانلود کنید. rar
۱۸- اسلاید آموزش مطلب (فارسی) به كوشش تیزمغز در ۱۰۵ اسلاید (۶ فصل) وحجم ۸۵۲/۵ مگ ppt. دانلود کنید. rar
۱۹- اسلاید آموزش مطلب (فارسی) به كوشش دیانت در ۶۶ اسلاید وحجم ۹۸۹/۰ مگ ppt. دانلود کنید.
۲۰-اسلاید آموزش مطلب (فارسی) به كوشش صدقی در ۷۳ اسلاید وحجم ۵۰۸/۱ مگ pdf. دانلود کنید.
۲۱- اسلاید آموزش مطلب (فارسی) در ۳۶ اسلاید وحجم ۲۸۲/۰ مگ ppt. دانلود کنید.
۲۲- اسلاید مقدماتی آموزش مطلب (فارسی) به كوشش سلماسی در ۳۶ اسلاید وحجم ۲۸۲/۰ مگ ppt. دانلود کنید.
۲۳- اسلاید آموزش مطلب (انگلیسی) به كوشش احمدی پژوه در ۷۴ اسلاید وحجم ۱۹۶/۲ مگ ppt. دانلود کنید. و یا ۲۷۶/۱ مگ rar.
۲۴- اسلاید آموزش مطلب (انگلیسی) به كوشش کیانی در ۷ مجموعه ppt. حجم به مگ: (Introduction 3.074) - (Basic Operations 2.448) - (2D graphs 5.266) - (Plotting Tools 4.026) - (Programming 4.718) - (Solving Advanced Math 1.948) - (TAYLOR SERIES 1.632) و کل مجموعه به صورتrar و حجم ۶۵۴/۱۶ دانلود کنید
۲۵- اسلاید آموزش مطلب (انگلیسی) به كوشش دانشگاه علم و صنعت در ۱۱۲ اسلاید وحجم ۷۸۷/۰ مگ ppt. دانلود کنید. rar
۲۶- اسلاید مطلب در سیستمهای کنترل خطی به کوشش شاهدی در ۲۶ اسلاید و حجم ۹۴۸/۰ مگ pps . دانلود کنید.
۲۷- اسلاید مطلب در پردازش تصاویر دیجیتال به کوشش طیبی در ۵۴ اسلاید و حجم ۸۶۰/۲ مگ pps .دانلود کنید.
۲۸- اسلاید بهبود تصویر در حوزه فرکانس به کوشش دانشگاه علم و صنعت در ۴۹ اسلاید و حجم ۶۰۱/۳ مگ pps. دانلود کنید.
۲۹- اسلاید آشنایی با GUI در متلب به کوشش اکبری در ۲۵ اسلاید و حجم ۵۳۴/۰ مگ PPT. دانلود کنید.
X سمبلیک در متلب
۳۰- کتاب محاسبات سمبلیک در MATLAB به كوشش خالقی و رمضان زاده در ۱۸۵ صفحه وحجم ۸۸۸/۲ مگ pdf. دانلود کنید. ( با تشکر از مهندس خالقی که فایل این کتاب را در اختیار این وب قرار دادند )
X کنترل و متلب
۳۱- جزوه آموزش مطلب در کنترل مدرن (مهندسی الکترونیک) به كوشش خاکی صدیق در ۵۶ صفحه و حجم ۱مگ pdf. دانلود کنید. + M-Files دانلود کنید.
۳۲- جزوه آموزش سیستم استنتاج فازی در مطلب به كوشش برجی در ۸ صفحه و حجم ۳۵۳/۱مگ pdf. دانلود کنید.
- بخش اسلایدها و نیز انتهای این پست (کتب کنترل خطی) را هم مرور نمایید.
X سیمولینک متلب شبیه سازی
۳۳- جزوه مقدماتی سیمولینک متلب به کوشش احمدپور در ۱۹صفحه وحجم ۲۶۴/۰مگ pdf.دانلود کنید.
۳۴- جزوه سیمولینک متلب در ۳۰صفحه و حجم ۷۱۴/۰مگ rar. دانلود کنید.
۳۵- جزوه سیمولینک متلب به کوشش نیکوبین در ۱۰صفحه و حجم ۵۷۳/۰مگ pdf. دانلود کنید.
۳۶- اسلاید symulink در مطلب به کوشش حیدری در ۵۵ اسلاید و و حجم ۲۰۹/۷مگ rar. دانلود کنید.
۳۷- جزوه مجموعه دستورات جبر خطی در مطلب (رشته برق و ریاضی) به كوشش شقاقی و گرجی در ۴۹ صفحه وحجم ۴۰۴/۰ مگ pdf. دانلود کنید.
X برنامه نویسی در مطلب
۳۸- جزوه مقدماتی برنامه نویسی متلب به کوشش قدس در ۲۴ صفحه و حجم ۰۷۵/۱ مگ pdf. دانلود کنید.
GUI X
۳۹-جزوه مقدماتی GUI متلب+ام فایل به کوشش سپاس یار در۱۱صفحه وحجم۴۷۲/۰مگrar دانلود کنید.
۴۰- جزوه رابط گرافیکی برای کاربر (GUI) به کوشش حسیبی در ۵۴ صفحه و حجم ۶۶۴/۰مگ pdf. دانلود کنید.
۴۱- جزوه مقدماتی و خلاصه آموزش GUI متلب به کوشش محامی در ۷ صفحه وحجم ۹۵۱/۰مگpdf دانلود کنید.
در این زمینه کتاب برمکی ویرایش دوم (برنامه نویسی GUI) و نیز جزوه جعفری قسمت GUI نیز مفیدند. در بخش اسلایدها هم پاورپوینتی در این مورد وجود دارد.
X پردازش تصویر در متلب
۴۲- کتاب پردازش تصویر دیجیتال (فصل ششم: پردازش تصویر رنگی) به كوشش جعفرنژاد قمی در ۶۵ صفحه وحجم ۳۸/۳ مگ pdf. دانلود کنید.
۴۳- جزوه آموزش پردازش تصویر با استفاده از نرم افزار MATLAB به کوشش
گروه رباتیک دانشگاه پیام نور قم در ۵۱ صفحه و حجم ۳۹۸/۲ مگ pdf. دانلود کنید.
۴۴- جزوه ی مقدمه ای بر اصول مطلب، پردازش تصویر و تحلیل سیتمهای کنترلی
+ جعبه ابزارهای کاربردی، به کوشش راستی در ۳۸ صفحه و حجم ۳۸۲/۶ مگ pdf. دانلود کنید. و لینک rar این جزوه با حجم ۶۳۵/۲ مگ دانلود کنید.
۴۵- جزوه مقدماتی آموزش پردازش تصویر در MATLAB به کوشش کنعانی در ۱۲ صفحه و حجم ۷۳۶/۰ مگ pdf. دانلود کنید.
- بخش اسلایدها را هم مرور نمایید.
X منطق فازی ، هوش مصنوعی و شبکه های عصبی
۴۶- جزوات (۵ جزوه) کوتاه در زمینه منطق فازی ، هوش مصنوعی و شبکه های عصبی در ۵۳ صفحه و حجم ۲۲۳/۱ مگ rar دانلود کنید.
۴۷- اسلاید آشنایی با شبکه های عصبی (انگلیسی) به كوشش کیانی در ۴ مجموعه ppt و ۳۹۷ صفحه پاورپوینت. حجم ۸۵۹/۱۶ مگ rar دانلود کنید.
۴۸- جزوه جعبه ابزار الگوریتم ژنتیک در مطلب به کوشش غیور در ۳۰ صفحه و حجم ۰۷۰/۷ مگ pdf. دانلود کنید.
- انتهای این پست (کتب هوش مصنوعی) را هم مرور نمایید.
X محاسبات عددی و ریاضیات در متلب
۴۹- کتاب آموزشی Matlab در محاسبات عددی به کوشش سرفراز در ۱۱۷ صفحه و حجم ۲۲۲/۵ مگ pdf. دانلود کنید. و به صورت rar به حجم ۳۱۰/۴ مگ دانلود کنید.
۵۰- جزوه حل تحلیلی معادلات دیفرانسیل معمولی با نرم افزار متلب (ODE) به کوشش سرفراز در ۱۹ صفحه و حجم ۹۸۷/۱ مگ pdf دانلود کنید.
۵۱- جزوه حل معادلات دیفرانسیل با مشتقات جزیی (PDE) توسط مطلب به کوشش سرفراز در ۳۳ صفحه و حجم ۳۹۰/۱ مگ pdf دانلود کنید.
X "دوازده جزوه
(یا پاور پویت power point ) زیر در درجه دوم اهمیت قرار دارند پیشنهاد می
کنم پس از مطالعه مراجع بالا در صورت علاقه مندی سری هم به این ۱۲ جزوه
بزنید. شاید دیدن نکته ای با بیانی دیگر خالی از لطف نباشد."
۵۲- جزوه مقدماتی و خلاصه آموزش مطلب به کوشش گلی و شفاعی در ۱۶ صفحه وحجم ۰۲۵/۲ مگ pdf . دانلود کنید.
۵۳- جزوه مقدماتی و خلاصه آموزش مطلب به كوشش جهاد در ۱۱صفحه وحجم ۷/۴ مگ pdf دانلود کنید.
۵۴- جزوه مقدماتی و خلاصه آموزش مطلب در ۱۲صفحه وحجم ۲۰۴/۰ مگ pdf دانلود کنید.
۵۵- جزوه مقدماتی و خلاصه آموزش مطلب در ۹صفحه وحجم ۴۸۶/۰ مگ pdf (ضعیف) دانلود کنید.
۵۶-جزوه مقدماتی و خلاصه آموزش مطلب به کوشش حاجی زاده در۳۶صفحه وحجم۱مگrar.دانلود کنید.
۵۷-جزوه مقدماتی و خلاصه آموزش مطلب به کوشش نحوی در۱۲صفحه وحجم۴۳۷/۰مگpdf. دانلود کنید.
۵۸-جزوه مقدماتی و خلاصه آموزش مطلب به کوشش ستوده در ۱۵صفحه و حجم۱۸۷/۰مگ pdf. دانلود کنید.
۵۹- جزوه مقدماتی و خلاصه آشنایی با دستورات کلیدی مطلب به کوشش سایت مهندسی شیمی ایران در ۱۴صفحه و حجم ۲۶۳/۰مگ pdf. دانلود کنید.
۶۰- جزوه مقدماتی آموزش پردازش تصویر در ۱۶ اسلاید وحجم ۲۵۲/۰ مگ pdf. دانلود کنید.
۶۱- جزوه کاربرد مطلب در ریاضیات عمومی ۱و۲ به کوشش سرافراز در ۱۲صفحه و حجم۶۵۷/۰مگ pdf. دانلود کنید.
۶۲- اسلاید مقدماتی آموزش پردازش تصویر در ۲۹ اسلاید وحجم ۱۵/۴ مگ ppt. دانلود کنید.
۶۳- اسلاید آموزش مطلب (فارسی) به كوشش صدیق و کارگزار در ۵۹ اسلاید وحجم ۵۲۲/۲ مگ pptدانلود کنید.
۶۴- اسلاید آموزش مطلب (فارسی) به كوشش دانش در ۲۹ اسلاید وحجم ۲۷۷/۰ مگ ppt. دانلود کنید.
منبع: http://4-engineer.blogfa.com/category/43/