كد: 2231
عنوان پروژه: فروش پروژه مسیریابی ربات با الگوریتم ژنتیک با نرم افزار MATLAB
قالب بندی: m
دسته: کامپیوتر – MATLAB
قیمت: 20.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه مسیریابی ربات با الگوریتم ژنتیک با نرم افزار MATLAB
عكس خروجی برنامه
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
كد: 2230
عنوان پروژه: فروش پروژه تشخیص لبه تصویر به روش کانولوشن با نرم افزار MATLAB
قالب بندی: m
دسته: کامپیوتر – MATLAB
قیمت: 20.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه تشخیص لبه تصویر به روش کانولوشن با نرم افزار MATLAB
عكس خروجی برنامه
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
كد: 2229
عنوان پروژه: فروش پروژه طبقه بندی داده با الگوریتم SVM با نرم افزار MATLAB
قالب بندی: m
دسته: کامپیوتر – MATLAB
قیمت: 20.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه طبقه بندی داده با الگوریتم SVM با نرم افزار MATLAB
عكس خروجی برنامه
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
كد: 2228
عنوان پروژه: فروش پروژه توزیع نورمال داده به روش Fisher با نرم افزار MATLAB
قالب بندی: m
دسته: کامپیوتر – MATLAB
قیمت: 20.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه توزیع نورمال داده به روش Fisher با نرم افزار MATLAB
عكس خروجی برنامه
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
كد: 2227
عنوان پروژه: فروش پروژه شبکه تک فاز متصل با فتوولتاییک و باتری برپایه تولید برق با نرم افزار MATLAB
قالب بندی: mdl
دسته: الکترونیک – MATLAB
قیمت: 20.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه شبکه تک فاز متصل با فتوولتاییک و باتری برپایه تولید برق با نرم افزار MATLAB
عكس خروجی برنامه
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
كد: 2226
عنوان پروژه: فروش پروژه ارزیابی قابلیت اعتماد سیستم های توزیع فعال همراه میکروگرید با نرم افزار MATLAB
قالب بندی: mdl
دسته: الکترونیک – MATLAB
قیمت: 20.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه ارزیابی قابلیت اعتماد سیستم های توزیع فعال همراه میکروگرید با نرم افزار MATLAB
عكس خروجی برنامه
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
كد: 2225
عنوان پروژه: فروش پروژه کاهش گشتاور موجی برای PMSM با نرم افزار MATLAB
قالب بندی: mdl
دسته: الکترونیک – MATLAB
قیمت: 20.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه کاهش گشتاور موجی برای PMSM با نرم افزار MATLAB
عكس خروجی برنامه
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
كد: 2224
عنوان پروژه: فروش پروژه مدل سازی پویای PMSM با الگوریتم ژنتیک با نرم افزار MATLAB
قالب بندی: mdl
دسته: الکترونیک – MATLAB
قیمت: 30.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه مدل سازی پویای PMSM با الگوریتم ژنتیک با نرم افزار MATLAB
در پیاده سازی این پروژه به مدل سازی پویایی سطوح PMSM با استفاده از سیمولینک متلب پرداخته شده است که می توان از ساختار شبیه سازی فیزیکی این سیستم در بخش هایی مانند خودروسازی، مکاترونیک، برنامه هایی که انرژی سبز را مورد نظر قرار دارند و … استفاده نمود. اعتبار استفاده از این مدل سازی، به گفته نویسنده، تایید شده است و در حال حاضر از آن در صنایع مرتبط استفاده می گردد. از دو آزمایش به کمک الگوریتم ژنتیک به منظور بهبود عملکردی PMSM و همینطور سطوح PMSM که آن را با نام SPMSM خواهیم شناخت استفاده کرده ایم. حداکثر گشتاور (Torque) در هر آمپر با استفاده توابع الگوریتم ژنتیک (فیتنس، تقاطع و جهش) به صورت حداکثر بهره وری، لحاظ شده است. در الگوریتم ژنتیک به حدکثر توان قدرت نیز پرداخته شده است. در پروژه از تولباکس ژنتیک استفاده شده است.
برخی از شرایط کافی برای اطمینان از ثبات نقطه تعادل و وجود انشعاب Hopf در برنامه به عنوان پارامتر داده می شود. در مقاله به منظور توجیه تجزیه و تحلیل نظری، برخی از شبیه سازی ها عددی داده شده اند.
در پیاده سازی این پروژه، بلاک دیاگرام PMSM را شامل ولتاژ و گشتاور بارگذاری به عنوان ورودی کرده ایم، و سرعت و جریان را به عنوان خروجی در نظر گرفته ایم (اصل PMSM). در این مدل چند بخش دیگر نیز فرض شده اند که شامل موارد ذیل می باشند: 1) اشباع نادیده گرفته شده است، 2) EMF به صورت سینوسی در نظر گرفته شده است، 3) جریان های گردابی و ضرر های ناشی از پسماند بعد از استفاده، قابل اغماض است، 4) هیچ گونه جریان دینامیکی که در مسیر قابل تغییر باشد وجود ندارد، 5) همه پارامترهای موتور ثایت فرض شده اند، 6) نشت به صورت صفر فرض شده است.
روند استفاده از الگوریتم ژنتیک در حل مسئله به صورت زیر است: 1) جمعیتی از کروموزوم ها به صورت تصادفی ایجاد می شود، 2) برازش هر کدام از کروموزم ها داخل جمعیت ارزیابی می شود، 3) کروموزوم های جدیدی با حفت گیری ایجاد می شوند و در برخی از بیت ها عمل جهش به صورت تصادفی انجام می گیرد، 4) اعضای با برازش کمتر از جمعیت کنونی حذف می شوند، 5) کروموزوم های جدید ارزیابی شده و در جمعیت وارد می شوند، 6) گام ها 3 تا 5 تا زمان همگرایی جمعیت تکرار می شوند. باید توجه داشت که برازش کل جمیعت با افزایش تعداد افراد برازنده در داخل جمعیت افزایش می یابد. با این حال، ممکن است تعداد افراد برازنده یا حتی برازنده تر، در زمان t-1 برابر با زمان t باشد. در تکامل، به جای افراد یا اجزا، جمعیت در نظر گرفته می شود.
مجموعه ای از کروموزوم ها جمعیت (Population) را تشکیل می دهند. با تاثیر عملگرهای ژنتیکی بر روی هر جمعیت، جمعیت جدیدی با همان تعداد کروموزوم تشکیل می شود. تابع فیتنس یا برازش (Fitness Function) یک شاخص برای کارایی مستقل در حیطه کار را می دهد. اصطلاحاتی نیز در حیطه تابع برازش یا فیتنس وجود دارد که می توان به پنجره بندی (Windowing)، نورمال سازی خطی (Linear Normalization) اشاره کرد.
عملگر تکثیر (Reproduction Operator) نیز بدین صورت است که اصولا زاد و ولد ددر دو مرحله صورت می گیرد: کروموزو های والدین ر بیت های کروموزوم فرزند کپی شده و سپس برخی توابع که کروموزوم های فرزند را تغییر می دهند بر روی هر فرزند اعمال می شوند. سه عملگر اساسی عبارتند از تقاطع (Crossover)، جهش (Mutation) و جهش معکوس (Reversal).
عملگرد تقاطع، قدرتمندترین حامی الگوریتم های ژنتیک محسوب شده و معمولا احتمال وقوع بالایی را با خود همراه دارد. عملگر جهش، دارای اهمیت کمتری نسبت به عملگر تقاطع بوده و احتمال وقوع کمتری را به خود اختصاص می دهد. پارامترها در حین شبیه سازی تغییر می یابند و با پیشرفت شبیه سازی و تغییر کمتر جمعیت، عملگر جهش اهمیت بیشتری می یابد. تقاطع نیروی محرکه الگوریتم ژنتیک است که از زاد و ولد استفاده می کند که تقریبا در تمامی گونه های پیچیده بر روی زمین مورد استفاده قرار می گیرد. الگوریتم ژنتیک اولیه از مولد اعداد تصادفی برای انتخاب نطقه ای تصادفی در هر والد استفاده می کند که در آن تقاطع الگوریتم ژنتیک رخ می دهد. جهش باعث جستجو در فضاهای دست نخورده مساله می شود و می توان استنباط کرد که مهمترین وظیفه جهش اجتناب از همگرایی به بهینه محلی است.
در الگوریتم ژنتیک بعد از اینکه یک عضو در جمعیت جدید به وجود آمد، هر ژن آن در صورتی که دارای احتمال جهش باشد، جهش می بابد.
عملگر وارونگی (Inversion Operator) عملگری است که به دلیل مقبولیت زیستی اش در الگوریتم ژنتیک اولیه مورد استفاده قرار می گیرد. به طور کلی می توان گفت در عملگر وارونگی یکی از کروموزومها در هر زمان انتخاب می شودو سپس دو نقطه به صورت تصادفی انتخاب شده و جای آن دو با هم عوض می شود.
استراتژی های مختلفی برای انتخاب افراد از داخل جمعیت، جهت زاد و ولد وجود دارد. عملگر انتخاب از بین کروموزوم های موجود در یک جمعیت، تعدادی کروموزوم را برای تولید مثل انتخاب می کند و کروموزوم های برازنده تر شانس بیشتری دارند تا برای تولید مثل انتخاب شوند.
عكس خروجی برنامه
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
كد: 2223
عنوان پروژه: فروش پروژه کنترل انرژی برای باتری خودروی هیبریدی با نرم افزار MATLAB
قالب بندی: mdl
دسته: الکترونیک – MATLAB
قیمت: 20.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه کنترل انرژی برای باتری خودروی هیبریدی با نرم افزار MATLAB
عكس خروجی برنامه
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
كد: 2222
عنوان پروژه: فروش پروژه طبقه بندی تومور بدخیم و خوش خیم سینه با شبکه عصبی سلولی (CNN) با نرم افزار MATLAB
قالب بندی: m
دسته: کامپیوتر – MATLAB
قیمت: 50.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه طبقه بندی تومور بدخیم و خوش خیم سینه با شبکه عصبی سلولی (CNN) با نرم افزار MATLAB
یکی از خطراتی که خانم ها را به شدت تهدید می کند، سرطان سینه می باشد. در صورتی که بتوان این تومور را در سینه تشخیص داد، شانس زندگی فرد به صورت سالم و عادی بیشتر خواهد بود، از این رو ساخت سامانه هایی جهت تشخیص این نوع سرطان، مانند سامانه های تشخیص در حوزه های دیگر پزشکی امری بسیار حیاتی محسوب می گردد. در این مقاله و پیاده سازی، دو روش برای خودکار برای تشخیص نوع جرم تومور در سینه که خوش خیم یا بدخیم باشد، ارائه شده است. در روش پیشنهادی اول، قطعه سازی به کمک رشد ناحیه ای خودکار که آستانه گیری آن توسط شبکه عصبی سلولی (CNN) آموزش دیده، به دست آمده است. در روش پیشنهادی دوم، قطعه سازی توسط شبکه عصبی سلولی (CNN) که پارامترهای آن با الگوریتم ژنتیک (GA) تعیین می شود.
چند مورد از مواردی که در هنگام قطعه بندی تومور استخراج می شوند و بسیار مورد اهمیت می باشند شامل شدت نور، بافت و ویژگی های شکل است. الگوریتم ژنتیک به منظور انتخاب ویژگی های مناسب از بافت تصویر در زمان قطعه بندی تومور استفاده می شود. در مرحله بعدی، شبکه عصبی به عنوان یک طبقه بند که تومور بدخیم است یا خوش خیم مورد استفاده واقع می گردد. به منظور ارزیابی کارایی روش ارائه شده، طبقه بندهای مختلفی مانند روش های نایو بیزین (Naïve Bayesian) ، الگوریتم نزدیکترین همسایه (KNN) و ماشین بردار پشتیبان (SVM) استفاده شده است. دقت به دست آمده 96/87%، ویژگی ها 95/94% صحیح، و نرخ دقت 96/47% می باشد (با توجه به مقدار پارامترهای استفاده شده در برنامه که نویسنده مقاله ساخته است این موارد به دست آمده اند).
مراحل در تشخیص سرطان سینه در این مقاله و پروژه شباهت زیادی به روش های ارائه شده قبلی دارد با تفاوت در ساختار استفاده از مراحل. دو روش ارائه شده تفاوت هایی با هم دارند که در شکل 1 و شکل 2 صفحه سوم مقاله این مورد کامل مشخص است که به توضیح روند اجرایی هر دو برنامه خواهیم پرداخت. در روش رشد ناحیه ای خودکار، ابتدا تصویر به عنوان ورودی وارد می شود، سپس وارد مرحله پیش پردازش می شودیم که دارای 3 مرحله است شامل استخراج وِیژگی های شدت نور، شبکه عصبی مصنوعی، و تولید آستانه گیری با استفاده از شبکه عصبی است سپس از فاز پیش پردازش خارج و به مرحله قطعه بندی به روش رشد ناحیه ای می رسیم، سپس استخراج ویژگی، در مرحله بعدی استخراج ویژگی با الگوریتم ژنتیک، در نهایت طبقه بندی تومور با شبکه عصبی در رابطه با اینکه بدخیم یا خوش خیم است.
حال به توضیح روش پیشنهادی دوم می پردازیم. تصویر ورودی وارد برنامه می شود، سپس مرحله پیش پردازش، در این مرحله کاری روی تصویر انجام نمی شود، در سویی دیگر قطعه بندی به صورت دستی انجام سپس الگوریتم ژنتیک روی آن اعمال و یک قالب کلی ساخته می شود. در واقع این مرحله قطعه بندی با CNN است. سپس استخراج ویژگی، در مرحله بعد استخراج ویژگی با الگوریتم ژنتیک، سپس طبقه بندی تومور با شبکه عصبی مصنوعی و اینکه تومور بدخیم یا خوش خیم است. کاملا بارز و مبرهن است که تفاوت در بخش پیش پردازش و استفاده از قطعه بندی دو روش می باشد.
حال استفاده از الگوریتم ژنتیک در این برنامه بدین صورت تعریف می شود: تعریف جمعیت اولیه برای کروموزوم ها، تکرار، محاسبه تابع فیتنس مربوط به هر عنصر در جمعیت، انتخاب دو زوج از بهترین کروموزوم ها به عنوان والد، اعمال عملگر Cross Over یا تقاطع، اعمال عملگر Mutation یا جهش، تا پایان کار در حلقه ادامه می یابد و در انتها تمام می شود.
در ابتدا کاربر ساختار کلی یک شبکه عصبی را لازم است تا بداند. قطعه بندی در روش پیشنهادی دوم بر پایه شبکه عصبی سلولی (CNN) است که برای تعیین پارامترهایش از الگوریتم ژنتیک طبقه گفته های پیشین استفاده می کند. شبکه عصبی سلولی، آرایه ای از واحدهای پردازش به صورت آنالوگ است که قابل برنامه ریزی به صورت غیرخطی هستند که به هر یک از این بخش ها یک سلول می گویند. هر سلول با سلول همسایه خود در تعامل است و این امر دقیقا مانند روشی است که در اتوماتای یادگیر سلولی اتفاق می افتد.
فرآیند قطعه بندی به جدا کردن ناحیه تومور از تصویر و در مجموع جداازی پشت زمینه و تومور از هم می پردازد. دو رویکرد در این بخش وجود دارد یکی روش رشد ناحیه ای، و دیگری روش مرزبندی. روش رشد ناحیه ای که مورد بحث در این مقاله و پیاده سازی است، در تصویر بخش هایی به نام seed قرار داده و رشد نواحی از آن بخش شروع می شود. به منظور آستانه گیری در این بخش از شبکه عصبی استفاده شده است. از شبکه عصبی دو لایه ای به منظور آستانه گیری برای هر تصویر استفاده شده است. شبکه عصبی مورد استفاده در این بخش به منظور آستانه گیری در زمان رشد ناحیه ای، شبکه عصبی MLP یا پرسپترون چند لایه است که با استفاده از روش BP یا Back Propagation یا پس انتشار آموزش دیده است.
در بخش استخراج ویژگی ها (بدون استفاده از الگوریتم ژنتیک – الگوریتم ژنتیک قبلا برای این کار توضیح داده شده است و الان حالت ساده آن در پروژه را می گوییم) 51 ویژگی ویژگی مطابق با شدت هیستوگرام، شکل، ویژگی الگوها یا بافت ها، از تصاویر قطعه بندی شده، استخراج شده است. تومورهای بدخیم که دارای بافت نامنظمی هستند در مقایسه با تومورهای خوش خیم روش کار پیچیده تری دارند که از روشی به نام GLCM به منظور استخراج بافت های آن استفاده می کنند. زمانی که مشخصه ها استخراج شد، یک توصیف کننده برای شکل لازم است که از زرنیکه استفاده شده است.
از نتیجه گیریهای اجرا، می توان فهمید که بهترین روش استفاده از شبکه عصبی پرسپترون چند لایه (MLP) در بخش مورد نظر توضیح داده شده می باشد و روش های دیگر مانند KNN، SVM ، نسبت به این بخش کارایی کمتری دارند. این مقاله جای کار بسیار زیاد دارد که می توان از شبکه های عصبی ای مانند SOM یا شبکه خودسازمانده که اصطلاحا به نام کوهنن هم شناخته می شود و یا شبکه عصبی تابع پایه شعاعی یا RBF استفاده کرد.
عكس خروجی برنامه
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.