این جزوه به صورت پاورپوینت تبدیل شده به pdf است.
این جزوه درس کنترل فازی دکتر سید محمد موسوی دانشگاه آزاد واحد تهران جنوب می باشد که به طور کامل به ارائه مباحث مطرح در این واحد درسی پرداخته است.
درس کنترل فازی از جمله دروس رشته مهندسی برق و مهندسی مکاترونیک و مهندسی مکانیک در مقطع کارشناسی ارشد و دکتری می باشد. این جزوه در 1115 اسلاید بوده و امیدواریم در جهت کمک به شما عزیزان مورد استفاده قرار بگیرد.
Many ecological variables show a wide range of fluctuations, the most important of which is the diurnal variation. This cycling may contain important information regarding the ecosystem’s functioning and, if properly interpreted, can represent a valuable predictive tool in ecosystems management. This paper describes a simple algorithm for extracting meaningful information from daily cycles using fuzzy pattern recognition techniques. The algorithm is organised in three parts: in the first, typical patterns are extracted from experimental data to form the knowledge-base upon which the algorithm operates. The second step is to condense the information contained in the knowledge-base into mathematical objects, referred to in the paper as fuzzy masks. The third step is the set-up of an inferential set of fuzzy rules, using the fuzzy masks as antecedents. Depending on how the inference engine is structured, the algorithm output can be viewed as an assessment of the current daily cycle with respect to a set of “typical” system behaviours and decisions can be made accordingly. Two applications are presented to demonstrate the algorithm. In the first a medium-scale wastewater treatment plant with minimum instrumentation is considered. Based on diurnal flow variations of the last 2 days, the algorithm determines the current treatment level in terms of sludge recycling. The other application is the prediction of the eutrophication level in a coastal lagoon. In this case, the algorithm considers the diurnal fluctuations of basic water quality parameters such as dissolved oxygen, oxidation–reduction potential, pH and temperature to detect the possibility of a macroalgae bloom. In both cases, the algorithm provides information about the shift of the system from one trend to another on the basis of the analysis of diurnal cycles. The algorithm performance is assessed against practical situations and the results discussed.
چکیده
بسیاری از متغیرهای اکولوژیکی، طیف وسیعی از نوسانات را نشان می‌دهند که مهمترین آنها، تغییرات روزانه است. این چرخه می‌تواند حاوی اطلاعات مهمی در خصوص کارکرد اکوسیستم باشد و اگر به درستی تفسیر شود، معرف یک ابزار پیشگویانه ارزشمند در مدیریت اکوسیستم می‌باشد. این مقاله یک الگوریتم ساده برای استخراج اطلاعات معنادار از چرخه روزانه با استفاده از تکنیک تشخیص الگوی فازی را تشریح می‌کند. این الگوریتم در سه قسمت سازماندهی میشود: ابتدا الگوهای معمول از داده‌های آزمایشگاهی استخراج می‌شوند تا پایگاه دانشی که این الگوریتم بر مبنای آن عمل می‌کند، شکل بگیرد. گام دوم، متراکم سازی اطلاعات موجود در پایگاه دانش و تبدیل آنها به اشیاء ریاضی است که در این مقاله پوشش فازی نامیده می‌شوند. گام سوم، طرح ریزی یک مجموعه استنتاجی از قوانین فازی با استفاده از پوشش فازی به عنوان شرط مقدم است. بسته به نحوه سازماندهی موتور استنتاج، خروجی الگوریتم به عنوان سنجش چرخه روزانه فعلی نسبت به مجموعه رفتارهای «معمولی» سیستم در نظر گرفته میشود و تصمیمات بر اساس آن گرفته می‌شوند. دو کاربرد جهت نشان دادن این الگوریتم ارائه میشود. در مورد اول، یک تصفیه خانه فاضلاب در مقیاس متوسط با حداقل ابزار در نظر گرفته میشود. بر اساس تغییرات روزانه جریان در 2 روز گذشته، این الگوریتم میزان تصفیه فعلی بر حسب بازیافت لجن را تعیین می‌کند. کاربرد دیگر، پیش بینی میزان غنی شدگی در یک تالاب ساحلی است. در این مورد، الگوریتم نوسانات روزانه در پارامترهای اساسی کیفیت آب مانند اکسیژن محلول، پتانسیل اکسایش- کاهش، pH و دما را جهت تشخیص امکان شکوفایی درشت جلبک‌ها در نظر می‌گیرد. در هر دو مورد، این الگوریتم اطلاعاتی درباره جابجایی سیستم از یک روند به روندی دیگر بر مبنای تحلیل چرخه روزانه ارائه می‌دهد. عملکرد الگوریتم نسبت به شرایط عملی سنجیده شده و نتایج مورد بحث قرار می‌گیرد.
فازی (ریاضیات نامعین) عبارتست از عملیات روی اطلاعات نادقیق
و تحلیل نادقیق اطلاعات
تفاوت اصلی مجموعه های فازی با مجموعه های کلاسیک در همین است.
در نمایش مجموعه های فازی همانگونه که دیده شد می توان از تابع عضویت استفاده کرد.
ساخت قوانین فازی
قوانین فازی به منظور مدلسازی وقایع استدلالی بکار می رود. این امر به ما کمک می کند تا در شرایطی که دارای اطلاعات نامعین و نادقیق هستیم ، ساختار قواعدی را تشکیل دهیم که به عنوان مبنایی برای پیش بینی ، شناخت تاثیرات همزمان و انجام عملیات بعدی مورد استفاده قرار گیرد.
تحلیل اطلاعات کیفی در سازمان یکی از مهمترین دغدغه های مدیران و محققان است.
ارزیابی رضایت شغلی ، فرهنگ سازمانی ، رضایت مشتری ، کیفیت زندگی کاری و بسیاری
دیگر از مولفه های سازمانی ضمن برخورداری از اهمیت بسیار زیاد بدلیل ماهیت اطلاعات
آن امری بسیار سخت به نظر می رسد. برای کمی نمودن اطلاعات مربوط به متغیر های
استراتژیک فوق روش های متعددی در آمار پیشنهاد گردیده است. لیکن روش های ارایه
شده به لحاظ ضعف های فراوان هنوز چندان مورد اعتماد نمی باشد. با استفاده از منطق
فازی می توان بسیاری از نارسایی های موجود را کاهش داده و نتایج تحلیلی مفید تری
را بدست آورد.
روش اول هم راحت تر است و هم جواب بدست آمده از این روش دارای اعتبار کافی و لازم می‌باشد. در مقاله سه روش را به کار گرفته ایم. روش صفر کلاسیک است. یعنی اول اعداد فازی را Defuzzy کرده و سپس delay را حساب کردیم. در روش اول
با همان شکلی که در بالا توضیح داده شد delay را بدست آوردیم ( از ضرب ساده
دو عدد فازی و (Probability) . در روش دوم به شکلی که در بالا توضیح داده شد، delay را بدست آوردیم. حال این مقایسه را انجام می دهیم.
عنوان پروژه : دسته بندی جامعه آماری با استفاده از الگوریتم خوشه بندی فازی
قالب بندی : PDF, excel, matlab
تعداد صفحات : فایل pdf : 11
شرح مختصر : برنامه ی متلب را باز کرده و سپس گزینه ی پروه ی جدید را انتخاب نمایید و در لیست باز شده پروژه ی فوق را انتخاب نمایید . فایل مطلب و فایل اکسل باید در یک پوشه باشند پس از اجرای برنامه توسط متلب پیغامی روی صفحه ظاهر میشود لطفا گزینه ی Change folder را انتخاب نمایید تا برنامه اجرا شود. در این پروژه با استفاده از الگوریتم خوشه بندی فازی داده های افراد برای یک شرکت بیمه دسته بندی شده اند.
تحقیق شامل فایل پاور پوینت و فایل word در 32 صفحه
پروژه درس هوش مصنوعی
شامل قسمت های: