Tag Archive: پروژه متلب

فروش پروژه پردازش صدا برای اجرای نت های موسيقی با نرم افزار MATLAB

كد: 520

عنوان پروژه: فروش پروژه پردازش صدا برای اجرای نت های موسيقی با نرم افزار MATLAB

قالب بندی: m

دسته: كامپيوتر – MATLAB

قيمت: 35.000 تومان

قابليت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه پردازش صدا برای اجرای نت های موسيقی با نرم افزار MATLAB

عكس خروجی برنامه

برای خريد اين پروژه با شماره 09360703858

يا آدرس ايميل nn4e@aol.com در تماس باشيد.

فروش پروژه پيانو با نرم افزار MATLAB

كد: 519

عنوان پروژه: فروش پروژه پيانو با نرم افزار MATLAB

قالب بندی: m

دسته: كامپيوتر – MATLAB

قيمت: 40.000 تومان

قابليت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه پيانو با نرم افزار MATLAB

يكی از بهترين پروژه های پردازش صدا كه می توانيد بازه و فركانس آن را برای شنيدن صداهای مختلف تغيير دهيد. اين برنامه قابليت ضبط را بعد از فشردن دكمه Rec و سپس نواختن دارد و بعد از آن دكمه play‌به دكمه stop تبديل می شود و با فشردن آن موزيك ضبط شده و حتی می توانيد از قطعه اي كه نواخته ايد با فشردن دكمه output to .wav file خروجي فايل صوتی با پسوند wav. بگيريد.

عكس خروجی برنامه

برای خريد اين پروژه با شماره 09360703858

يا آدرس ايميل nn4e@aol.com در تماس باشيد.

فروش پروژه پيانو با نرم افزار MATLAB

كد: 518

عنوان پروژه: فروش پروژه پيانو با نرم افزار MATLAB

قالب بندی: m

دسته: كامپيوتر – MATLAB

قيمت: 30.000 تومان

قابليت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه پيانو با نرم افزار MATLAB

عكس خروجی برنامه

برای خريد اين پروژه با شماره 09360703858

يا آدرس ايميل nn4e@aol.com در تماس باشيد.

فروش پروژه لبه يابی و قطعه سازی تصوير با الگوريتم خوشه بندی K-means با نرم افزار MATLAB

كد: 514

عنوان پروژه: فروش پروژه لبه يابی و قطعه سازی تصوير با الگوريتم خوشه بندی K-means با نرم افزار MATLAB

قالب بندی: m

دسته: كامپيوتر – MATLAB

قيمت: 25.000 تومان

قابليت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه لبه يابی و قطعه سازی تصوير با الگوريتم خوشه بندی K-means با نرم افزار MATLAB

عكس خروجی برنامه

عكس 1

عكس 2

عكس 3

عكس 4

عكس 5

عكس 6

برای خريد اين پروژه با شماره 09360703858

يا آدرس ايميل nn4e@aol.com در تماس باشيد.

فروش پروژه الگوريتم خوشه بندی فازی برای لبه يابی تصوير و هيستوگرام با نرم افزار MATLAB

كد: 513

عنوان پروژه: فروش پروژه الگوريتم خوشه بندی فازی برای لبه يابی تصوير و هيستوگرام با نرم افزار MATLAB

قالب بندی: m

دسته: كامپيوتر – MATLAB

قيمت: 20.000 تومان

قابليت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه الگوريتم خوشه بندی فازی برای لبه يابی تصوير و هيستوگرام با نرم افزار MATLAB

عكس خروجی برنامه

برای خريد اين پروژه با شماره 09360703858

يا آدرس ايميل nn4e@aol.com در تماس باشيد.

فروش پروژه استفاده از الگوريتم خوشه بندی C ميانگين (Fuzzy C-Means) برای تصوير با نرم افزار MATLAB

كد: 510

عنوان پروژه: فروش پروژه استفاده از الگوريتم خوشه بندی C ميانگين (Fuzzy C-Means) برای تصوير با نرم افزار MATLAB

قالب بندی: m

دسته: كامپيوتر – MATLAB

قيمت: 20.000 تومان

قابليت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه استفاده از الگوريتم خوشه بندی C ميانگين (Fuzzy C-Means) برای تصوير با نرم افزار MATLAB

عكس خروجی برنامه

عكس 1

عكس 2

عكس 3

برای خريد اين پروژه با شماره 09360703858

يا آدرس ايميل nn4e@aol.com در تماس باشيد.

فروش پروژه استفاده از الگوريتم خوشه بندی K-means با نرم افزار MATLAB

كد: 509

عنوان پروژه: فروش پروژه استفاده از الگوريتم خوشه بندی K-means با نرم افزار MATLAB

قالب بندی: m

دسته: كامپيوتر – MATLAB

قيمت: 20.000 تومان

قابليت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه استفاده از الگوريتم خوشه بندی K-means با نرم افزار MATLAB

عكس خروجی برنامه

برای خريد اين پروژه با شماره 09360703858

يا آدرس ايميل nn4e@aol.com در تماس باشيد.

فروش پروژه پياده سازی الگوريتم خوشه بندی C ميانگين (Fuzzy C-Means) با نرم افزار MATLAB

كد: 508

عنوان پروژه: فروش پروژه پياده سازی الگوريتم خوشه بندی C ميانگين (Fuzzy C-Means) با نرم افزار MATLAB

قالب بندی: m

دسته: كامپيوتر – MATLAB

قيمت: 40.000 تومان

قابليت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه پياده سازی الگوريتم خوشه بندی C ميانگين (Fuzzy C-Means) با نرم افزار MATLAB

یکی از مهمترین و پرکاربردترین الگوریتم های خوشه بندی، الگوریتم c میانگین می باشد. در این الگوریتم نمونه ها به c خوشه تقسیم می شوند و تعداد c از قبل مشخص شده است. در نسخه فازی این الگوریتم نیز تعداد خوشه ها (c) از قبل مشخص شده است. در الگوریتم خوشه بندی c میانگین فازی تابع هدف بصورت زیر می باشد:

در فرمول فوق m یک عدد حقیقی بزرگتر از 1 است که در اکثر موراد برای m عدد 2 انتخاب می شود. اگر در فرمول فوق m را برابر 1 قرار دهیم تابع هدف خوشه بندی c میانگین (کلاسیک) غیر فازی بدست می آید. در فرمول فوق xk نمونه k ام و vi نماینده یا مرکز خوشه i ام و n تعداد نمونه ها می باشد.uikمیزان تعلق نمونه i ام در خوشه k ام را نشان می دهد. علامت ||*|| میزان تشابه (فاصله) نمونه با (از) مرکز خوشه می باشد که می توان از هر تابعی که بیانگر تشابه نمونه و مرکز خوشه باشد استفاده کرد. از روی uikمی توان یک ماتریس U تعریف کرد که دارای c سطر و n ستون می باشد و مولفه های آن  هر مقداری بین 0 تا 1 را می توانند اختیار کنند. اگر تمامی مولفه های ماتریس U بصورت 0 و یا 1 باشند الگوریتم مشابه c میانگین کلاسیک خواهد بود. با اینکه مولفه های ماتریس U می توانند هر مقداری بین 0 تا 1 را اختیار کنند اما مجموع مولفه های هر یک از ستونها باید برابر 1 باشد و داریم:

   

معنای این شرط این است که مجموع تعلق هر نمونه به c خوشه باید برابر 1 باشد. برای بدست آوردن فرمولهای مربوط به uik و vi باید تابع هدف تعریف شده را می نیمم کنیم. با استفاده از شرط فوق و برابر صفر قرار دادن مشتق تابع هدف خواهیم داشت:

 

و

 

با استفاده از دو فرمول محاسبه شده الگویتم خوشه بندی c میانگین فازی بصورت زیر می باشد.

مراحل الگوریتم:

        1.مقدار دهی اولیه برای c، m و U0. خوشه های اولیه حدس زده شوند.

        2.مراکز خوشه ها محاسبه شوند (محاسبه viها).

        3.محاسبه ماتریس تعلق از روی خوشه های محاسبه شده در 2.

        4.اگر ||Ul+1Ul|| £ e الگوریتم خاتمه می یابد و در غیر اینصورت برو به مرحله 2.

برای مشاهده عملکرد خوشه بندی فازی به مثال زیر توجه کنید. در شکل زیر یک توزیع یک بعدی از نمونه های ورودی را آورده شده است.

 

اگر از الگوریتم c میانگین کلاسیک استفاده کنیم داده های فوق به دو خوشه مجزا تقسیم خواهند شد و هر نمونه تنها متعلق به یکی از خوشه ها خواهد بود. بعبارت دیگر تابع تعلق هر نمونه مقدار 0 یا 1 خواهد داشت. نتیجه خوشه بندی کلاسیک مطابق شکل زیر است:

شکل 2 تابع تعلق مربط به خوشه A را نشان می دهد. تابع تعلق خوشه B متمم تابع تعلق A می باشد. همانطور که مشاهده می کنید نمونه های ورودی تنها به یکی از خوشه ها تعلق دارند و بعبارت دیگر ماتریس U بصورت باینری می باشد. حال اگر از خوشه بندی فازی استفاده کنیم خواهیم داشت:

 

مشاهده می کنید که در این حالت منحنی تابع تعلق هموارتر است و مرز بین خوشه ها بطور قطع و یقین مشخص نشده است. بعنوان مثال نمونه ای که با رنگ قرمز مشخص شده است با درجه تعلق 0.2 به خوشه A و با درجه تعلق 0.8 به خوشه B نسبت داده شده است.

نقاط قوت الگوریتم c میانگین فازی:

  • همیشه همگرا می شود.

  • بدون نظارت بودن الگوریتم.

نقاط ضعف الگوریتم c میانگین فازی:

  • زمان محاسبات زیاد است.

  • حساس به حدسهای اولیه میباشد و ممکن در مینیمم های محلی متوقف شود.

  • حساس به نویز می باشد.

اگر معیار تشابه در تابع هدف بر اساس فاصله تعریف شود می توان از تعاریف مختلفی که در مورد فاصله وجود دارد استفاده کرد که در زیر چند نمونه از این توابع آورده شده است:

 

الگوریتم خوشه بندی cمیانگین برای داده های نویزی:

همانطور که در بالا اشاره شد روش c میانگین حساسیت زیادی به نویز دارد. بهمین روش هایی ابداع شده که کمتر به نویز حساس باشند. یکی از روشهایی که در مورد داده های نویزی مطرح شده این است که یک خوشه برای داده های نویزی در نظر گرفته شود و نمونه هایی که نویز هستند با درجه تعلق زیاد به این خوشه نسبت داده شوند و نمونه هایی که نویز نیستند تعلق کمتری به این خوشه داشته باشند. میزان تعلق بردار ویژگی (نمونه) xk به خوشه نویز بر طبق رابطه زیر تعریف شود:

 با این اگر نمونه k ام نویز نباشد سیگمای فرمول فوق باید مقدار بزرگی باشد (نزدیک به 1) و اگر نمونه نویز باشد باید مقدار سیگما نزدیک صفر باشد. بنابر تعریف فوق مجموع درجه تعلقات نمونه ها به c خوشه اولیه کمتر از 1 باید باشد، برخلاف روش c میانگین اولیه که این مجموع باید مساوی 1 شود:

 تابع هدفی که برای این خوشه بندی تعریف شده  بصورت زیر میباشد:

 

با مشتق گیری از تابع هدف و با در نظر گرفتن شرط مربوط به مجموع تعلقات نمونه ها به خوشه های اولیه، داریم:

در فرمول بالا δ عدد ثابتی است که برابر است با فاصله مرکز خوشه نویز با تمامی نمونه ها. اگر نمونه k ام نویز باشد جمله دوم فرمول فوق بزرگ می شود و میزان تعلق این نمونه به خوشه ها کم می شود و در نتیج میزان تعلق این نمونه به خوشه نویز افزایش می یابد.

از آنجا که جمله اضافه شده به تابع هدف این الگوریتم به vi بستگی ندارد برای محاسبه مقادیر vi می توان از فرمول ارائه شده برای “الگوريتم C ميانگين فازى”  استفاده کرد. با پیدا کردن یک مقدار مناسب برای δ این الگوریتم نتایج بهتری نسبت به روش c میانگین اولیه خواهد داشت.

الگوریتم خوشه بندی c میانگین با استفاده از نمونه های برچسب گذاری شده:

در بعضی از کاربردها علاوه بر نمونه های بدون برچسب، تعداد کمی نمونه بر چسب دار نیز موجود می باشد. در چنین حالتی می توان از روی این نمونه های بر چسب دار حدس های اولیه بهتری برای مراکز خوشه ها بدست آورد. فرض کنید که تعداد نمونه  n باشد و M نمونه از این تعداد برچسب دار باشد. در این کاربردها تابع هدف به صورت زیر تعریف می شود:

بردار b نیز بدین صورت تعریف می شود که اگر نمونه k ام برچسب داشته باشد bk =1 و در غیر اینصورت bk =0 است و lik مولفه های ماتریس L می باشند که درجه تعلق نمونه های برچسب دار را نشان می دهند. ضریب α برابر نسبت n به M در نظر گرفته می شود. مشابه قسمتهای قبل با مشتق گرفتن از تابع هدف می توان فرمول های بروز رسانی uik ها را محاسبه کرد و همچنین برای محاسبه مراکز خوشه ها از فرمول ارائه شده در الگوریتم c میانگین استاندارد استفاده می شود. مراحل الگوریتم نیز مشابه مراحل خوشه بندی c میانگین استاندارد می باشد. در این نوع خوشه بندی ها اگر M=n باشد الگوریتم خوشه بندی را با ناظر و اگر M

عكس خروجی برنامه

عكس 1

عكس 2

عكس 3

برای خريد اين پروژه با شماره 09360703858

يا آدرس ايميل nn4e@aol.com در تماس باشيد.

فروش پروژه راديوی چند كاناله با استاندارد 802.11b با نرم افزار MATLAB

كد: 507

عنوان پروژه: فروش پروژه راديوی چند كاناله با استاندارد 802.11b با نرم افزار MATLAB

قالب بندی: m

دسته: كامپيوتر – MATLAB

قيمت: 20.000 تومان

قابليت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه راديوی چند كاناله با استاندارد 802.11b با نرم افزار MATLAB

عكس خروجی برنامه

برای خريد اين پروژه با شماره 09360703858

يا آدرس ايميل nn4e@aol.com در تماس باشيد.

فروش پروژه خوشه بندی Kmeans با نرم افزار MATLAB

كد: 506

عنوان پروژه: فروش پروژه خوشه بندی Kmeans با نرم افزار MATLAB

قالب بندی: m

دسته: كامپيوتر – MATLAB

قيمت: 30.000 تومان

قابليت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه خوشه بندی Kmeans با نرم افزار MATLAB

اين روش على ‌رغم سادگى آن يک روش پايه براى بسيارى از روش‌هاى خوشه‌بندى ديگر (مانند خوشه‌بندى فازى) محسوب مى ‌شود. اين روش روشى انحصارى و مسطح محسوب مى ‌شود. براى اين الگوريتم شکلهاى مختلفى بيان شده است. ولى همه آنها داراى روالى تکرارى هستند که براى تعدادى ثابت از خوشه ‌ها سعى در تخمين موارد زير دارند:

·بدست آوردن نقاطى به عنوان مراکز خوشه ‌ها اين نقاط در واقع همان ميانگين نقاط متعلق به هر خوشه هستند.

·   نسبت دادن هر نمونه داده به يک خوشه که آن داده کمترين فاصله تا مرکز آن خوشه را دارا باشد.

در نوع ساده‌ اى از اين روش ابتدا به تعداد خوشه ‌‌هاى مورد نياز نقاطى به صورت تصادفى انتخاب مى ‌شود. سپس در داده‌ها با توجه با ميزان نزديکى (شباهت) به يکى از اين خوشه‌ ها نسبت داده‌ مى ‌شوند و بدين ترتيب خوشه ‌هاى جديدى حاصل مى ‌شود. با تکرار همين روال مى ‌توان در هر تکرار با ميانگين ‌گيرى از داده‌ها مراکز جديدى براى آنها محاسبه کرد و مجدادا داده‌ ها را به خوشه‌ هاى جديد نسبت داد. اين روند تا زمانى ادامه پيدا مى ‌کند که ديگر تغييرى در داده‌ ها حاصل نشود. تابع زير به عنوان تابع هدف مطرح است.

که ║║ معيار فاصله بين نقاط و cjمرکز خوشه j ام است.

<=”” span=””> الگوريتم زير الگوريتم پايه براى اين روش محسوب مى ‌شود:

  1. در ابتدا K نقطه به عنوان به نقاط مراکز خوشه‌ ها انتخاب مى شوند.
  2. هر نمونه داده به خوشه ‌اى که مرکز آن خوشه کمترين فاصله تا آن داده را داراست، نسبت داده‌ مى ‌شود.
  3. پس تعلق تمام داده ‌ها به يکى از خوشه ‌ها براى هر خوشه يک نقطه جديد به عنوان مرکز محاسبه مى ‌شود. (ميانگين نقاط متعلق به هر خوشه)
  4. مراحل 2<=”” span=””> و 3 تکرار مى ‌شوند تا زمانى که ديگر هيچ تغييرى در مراکز خوشه‌ ها حاصل نشود. 

عكس خروجی برنامه

عكس 1

عكس 2

برای خريد اين پروژه با شماره 09360703858

يا آدرس ايميل nn4e@aol.com در تماس باشيد.