دانلود پروژه دسته بندی جامعه آماری با استفاده از الگوریتم خوشه بندی فازی

اختصاصی از فی دوو دانلود پروژه دسته بندی جامعه آماری با استفاده از الگوریتم خوشه بندی فازی دانلود با لینک مستقیم و پر سرعت .

عنوان پروژه : دسته بندی جامعه آماری با استفاده از الگوریتم خوشه بندی فازی‎

قالب بندی : PDF, excel, matlab

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.

کلمات کلیدی : پروژه خوشه بندی با متلب، پروژه رایگان متلب، پروژه دسته بندی با متلب، پروژه دسته بندی جامعه آماری، کدنویسی متلب، الگوریتم خوشه بندی فازی، الگوریتم های فازی، اجرای پروژه در متلب، تحلیل کدهای متلب، دانلود پروژه متلب، وارد کردن داده های اکسل در متلب،

تحقیق درباره قطعه بندی تصاویر رنگی با استفاده از سیستمهای فازی

اختصاصی از فی دوو تحقیق درباره قطعه بندی تصاویر رنگی با استفاده از سیستمهای فازی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word  (لینک دانلود پایین صفحه) تعداد صفحات 29 صفحه

چکیده:

در این پروژه قصد داریم روش جدیدی جهت قطعه بندی تصاویر رنگی بااستفاده از سیستمهای فازی معرفی نماییم.به عبارتی دیگر در تصاویر رنگی ، نواحی مشابه از لحاظ رنگ  را جدا کرده و تصویررا به قطعات مشابه تقسیم می نماییم. با توجه به این که به طور معمول تصاویر رنگی در فضای RGB ذخیره می شوند وسیستم FIS ما به پارامترهای  فضای HSL نیاز دارد لذا در ابتدا تصاویر ورودی را به فضای موردنظر برده سپس هر پیکسل از تصویر را به سیستم FIS می دهیم تا رنگ پیکسل موردنظر را تشخیص دهد ودر انتها پیکسلهایی که از لحاظ رنگ مشابه بودند رابه صورت جداگانه  نمایش می دهیم.

در این پروژه علاوه بر پیاده سازی روش مقاله مورد نظر، کمی تغییرات در نحوه پیاده سازی ایجاد نمودیم که باعث افزایش سرعت تشخیص شد.و آن استفاده از روابط موجود بین همسایگان یک پیکسل می باشد که توضیحات کامل آن در قسمت شبیه سازی آورده شده است.

1. مقدمه:

قطعه بندی عملیاتی جهت تقسیم بندی تصویر به نواحی یکنواخت می باشد. بنابراین قطعه بندی عملیاتی مقدماتی جهت تشخیص اشیا موجود در تصویر است. هدف از این پروژه دسته بندی تصاویر رنگی  به کمک روش فازی می باشد. هر شی یک رنگ منحصر به فرد دارد. هدف تشخیص هر شی بر اساس رنگ آن است.

کاربردها :

قطعه بندی تصویر از مسائل مهم در زمینه های مختلف پردازش می باشد که از جمله کاربردهای می توان به موارد زیر اشاره نمود :

• کاربرد در پزشکی
• تشخیص محتوای سایت ها
• تشخیص پوست در تصاویر
• فیلتر کردن سایت های غیر اخلا قی

روشها :

برای پیاده سازی، روشهای متفاوتی ارائه شده است که از جمله آنها می توان support vector machines ، روشهای هیستوگرام وروشهای فازی را نام برد.

در روشهای هیستوگرام سگمنت بندی براساس شباهت رنگ انجام می گیرد ودر بعضی  الگوریتم ها بر اساس ناحیه ،سگمنت بندی انجام می گیرد.

تکنیک های قطعه بندی تصاویر با استفاده از رنگ را می توان در پنچ دسته گنجاند :

• قطعه بندی بر اساس پیکسل [2]
• قطعه بندی براساس تشخیص لبه [5][4]
• قطعه بندی ترکیبی براساس لبه وناحیه [6]
• قطعه بندی بر اساس خوشه بندی [10][9][8][7]

قطعه بندی تصاویر رنگی بااستفاده از دسته بندی فازی یکی از روشهای قطعه بندی بر اساس پیکسل می باشد. به این ترتیب که سیستم فازی مشخص می کند هر پیکسل به کدام دسته رنگ تعلق دارد .بنابراین هدف ایجاد یک سیستم فازی است که بتواند رنگهای بیشتری را دسته بندی نماید.

برای این کار نیاز به یک فرد خبره است که با توجه به داه های آموزشی ، قوانین و توابع راتنظیم نماید که امری وقت گیر می باشد .لذا نیاز به یک روش اتوماتیک است که باتوجه به داده های آموزشی قوانین وتوابع عضویت فازی را ایجاد نماید .روشهای زیادی برای این منظور ابداع شده است که از جمله تقسیم کردن فضای وردیهای سیستم فازی می باشد.

1. دسته بندی رنگ فازی:

دسته بندی فازی یک روش یادگیری با ناظر است که جهت قطعه بندی تصاویر استفاده می شود .این سیستم هر پیکسل رنگی از تصویر ورودی را در یک دسته رنگ قرار می دهد.

فضاهای رنگ متنوعی مانند HSV,YIQ,HSL,RGB در پردازش تصاویر استفاده می شود.[1]

فضای رنگ RGB

یکی از فضا های رنگ متداول فضای رنگ RGB می باشد که شامل سه رنگ قرمز وآبی وسبز  می باشد وهر کدام در بازه صفر تا یک ویا 0 تا 255 تغییر می کنند حداقل مقدار (رنگ سیاه ) (0و0و0) بوده وحداکثر مقدار (رنگ سفید )(255و255و255) می باشد.

این فضای رنگ اغلب در روشهای هیستوگرام استفاده می گردد بطوریک رنگ هر پیکسل در سه رنگ آبی وسبز وقرمز توزیع می شود. وبراساس میزان شباهت عمل می کند. اما روش هیستوگرام روش سختی بوده و همچنین نمی توان براحتی درجه تابع را برای آن تعریف نمود.

فضای رنگ HSL

این فضا از بهترین فضاهای رنگ برای الگوریتم های قطعه بندی می باشد. دلایل آن را می توان اینگونه بیان کرد:

• دراین فضا رنگ به صورت مستقیم توسط پارامتر Hue مشخص می شود واکثر رنگ ها به استثنا رنگ های که خیلی کم رنگ وپررنگ می باشند براحتی توسط این پارامتر قابل تشخیص می باشندکه این امکان در فضا های رنگ دیگر وجود ندارد.
• ویژگیهای ادراکی رنگ ازقبیل Hue(H) , Saturation(S) ,  Lightness(L) که توسط این فضا قابل توصیف می باشد توسط فضاهای رنگ دیگر قابل بیان  نمی باشد.
• این فضا خیلی به سیستم بینایی انسان شبیه می باشد.
• در این فضا رنگ(H) و روشنایی (L) از هم قابل تفکیک هستند.

مقاله در مورد مدل های فازی

اختصاصی از فی دوو مقاله در مورد مدل های فازی دانلود با لینک مستقیم و پر سرعت .

لینک خرید و دانلود در پایین صفحه

فرمت: word (قابل ویرایش و آماده پرینت)

تعداد صفحات: 38

فهرست:

«نظریه مجموعه‌های فازی»

فصل 2

«منطق فازی»

مجموعه های فازی درواقع تعمیمی برتئوری مجموعه های قراردادی[1] می باشد که درسال 1965 به عنوان روشی ریاضی برای روشن کردن ابهامات درزندگی روزمره توسط زاده[2] معرفی شد. [1].

ایده اصلی مجموعه های فازی ساده است وبه راحتی می توان آن را دریافت. فرض کنید هنگامی که به چراغ قرمز می رسید باید توصیه ای به یک دانش آموز راننده درباره زمان ترمز کردن بکنید. شما می گویید « در74 فوتی چهارراه ترمزکن » یا توصیه ی شما شبیه به این است « خیلی زود از ترمزها استفاده کن »؟ البته دومی ؛ دستورالعمل اول برای انجام دادن بسیار دقیق است. این نشان می دهد که دقت می تواند بی فایده باشد ، تا زمانی که راه های مبهم وغیر دقیق می توانند تفسیر وانجام گیرند. زبان روزمره مثال دیگری است از استفاده وانتشار ابهامات. بچه ها بسرعت تفسیر وانجام دستورالعمل های فازی را یاد می گیرند. (ساعت 10 به رختخواب برو). همه ما اطلاعات فازی نتایج مبهم واطلاعات غیر دقیق را به خاطر می سپاریم وازآن ها استفاده می کنیم وبه خاطر همین مسئله قادر هستیم تا در موقعیت‌هایی که به یک عنصر تصادفی وابسته است تصمیم گیری کنیم.

تحقیق درباره آشنایی با مدل های فازی

اختصاصی از فی دوو تحقیق درباره آشنایی با مدل های فازی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word  (لینک دانلود پایین صفحه) تعداد صفحات 33 صفحه

مقدمه

مجموعه های فازی درواقع تعمیمی برتئوری مجموعه های قراردادی[1] می باشد که درسال 1965 به عنوان روشی ریاضی برای روشن کردن ابهامات درزندگی روزمره توسط زاده[2] معرفی شد. [1].

ایده اصلی مجموعه های فازی ساده است وبه راحتی می توان آن را دریافت. فرض کنید هنگامی که به چراغ قرمز می رسید باید توصیه ای به یک دانش آموز راننده درباره زمان ترمز کردن بکنید. شما می گویید « در74 فوتی چهارراه ترمزکن » یا توصیه ی شما شبیه به این است « خیلی زود از ترمزها استفاده کن »؟ البته دومی ؛ دستورالعمل اول برای انجام دادن بسیار دقیق است. این نشان می دهد که دقت می تواند بی فایده باشد ، تا زمانی که راه های مبهم وغیر دقیق می توانند تفسیر وانجام گیرند. زبان روزمره مثال دیگری است از استفاده وانتشار ابهامات. بچه ها بسرعت تفسیر وانجام دستورالعمل های فازی را یاد می گیرند. (ساعت 10 به رختخواب برو). همه ما اطلاعات فازی نتایج مبهم واطلاعات غیر دقیق را به خاطر می سپاریم وازآن ها استفاده می کنیم وبه خاطر همین مسئله قادر هستیم تا در موقعیت‌هایی که به یک عنصر تصادفی وابسته است تصمیم گیری کنیم. بنابراین مدل های محاسباتی از سیستم‌های حقیقی باید قادر باشند که عدم قطعیت های آماری وفازی را تشخیص دهند ، مشخص کنند ، تحت کنترل خود درآورند ، تفسیر کنند وازآن استفاده کنند.

تفسیر فازی ازاطلاعات یک راه بسیار طبیعی ، مستقیم و خوش‌ظاهر برای فرموله کردن وحل مسائل مختلف است. مجموعه های قراردادی شامل اشیایی است که برای عضویت در ویژگی‌های دقیقی صدق می کنند. مجموعه H که اعداد از6 تا 8 می باشد یک CRISP است ؛ ما می نویسیم   . به طور مشابه H توسط تابع عضویت (MF)[3]  که مطابق زیرتعریف می شود نیز توصیف می گردد.

مجموعه H ونمودار  درسمت چپ شکل 1 نشان داده شده اند هرعدد حقیقی r یا درH است یا نیست از آنجا که  کلیه اعداد حقیقی  را به دو نقطه (1،0) می‌برد ، مجموعه Crisp معادل منطق دو مقداره است : هست یا نیست ، روشن یا خاموش ، سیاه یا سفید ، 1 یا 0 . درمنطق مقادیر  مقادیر حقیقت[4] نامیده می شوند، با ارجاع به این پرسش « آیا r درH است؟ » جواب مثبت است اگروتنها اگر   ؛ درغیراین صورت نه.

مجموعه دیگرF ازاعداد حقیقی که نزدیک به 7 هستند را درنظر بگیرید ازآنجا که ویژگی «نزدیک به 7» نامعلوم است ، تابع عضویت یکتایی برای F وجود ندارد . به هرحال مدل کننده براساس پتانسیل کاربرد و ویژگی ها F باید تصمیم بگیرد که  چه باشد . ویژگی هایی که برای F به نظرخوب می رسد شامل این موارد است (I) حالت عادی یا طبیعی  (ii) یکنواختی (برای r نزدیکتر به7 ،‌ به 1 نزدیکتراست وبرعکس) و (iii) تقارن (اعدادی که فاصله مساوی از چپ وراست 7 دارند باید عضویت یکسانی داشته باشند).

با توجه به این موارد ضروری هرکدام از توابع نشان داده شده درطرف راست شکل 1 می‌تواند نمایش مناسبی برای F باشد.  گسسته است درحالی  پیوسته است ولی هموارنیست (نمودار مثلثی) یک نفر می تواند به راحتی یک MF برای F بسازد به نحوی که هرعدد عضویت مثبتی در F داشته باشد ولی انتظار نداریم برای اعداد « خیلی دوراز7» برای مثال 2000097 زیاد داشته باشیم! یکی از بزرگترین تفاوت ها بین مجموعه های Crisp ومجموعه‌های فازی این است که اولی همیشه MF یکتایی دارد درحالی که هرمجموعه فازی بی‌نهایت MF دارد که می توانند آن را نشان دهند. این درواقع هم ضعف است وهم قدرت ؛ یکتایی قربانی می شود ، ولی سود پیوسته ای که به خاطر انعطاف پذیری همراه خواهد داشت.

مدل فازی را قادر می سازد که با بیشترین سود دریک موقعیت داده شده تطبیق داده شود. درتئوری مجموعه های قراردادی ، مجموعه های اشیایی واقعی برای مثال اعداد در H معادلند و به صورت ایزومورفیک[5] با یک تابع عضویت یکتا مانند  توصیف می شوند. ولی معادل مجموعه ای ، از اشیای واقعی  وجود ندارد. مجموعه های فازی همواره ( وفقط) توابعی هستند از «مجموعه جهانی[6]» به نام X به [] . این مسئله درشکل 2 نشان داده شده است که درواقع مشخص می سازد مجموعه فازی تابع   است از X به [] . همانطور که تعریف شده هرتابع [‌] یک مجموعه فازی است.

 

شبیه سازی موتورDC با دو ورودی با شبکه عصبی شعاعیGRNN

اختصاصی از فی دوو شبیه سازی موتورDC با دو ورودی با شبکه عصبی شعاعیGRNN دانلود با لینک مستقیم و پر سرعت .

این فایل حاوی برنامه نویسی و شبیه سازی موتور DC میباشد که روی آن کنترل فازی پیاده سازی شده و سپس برای بهینه سازی بهتر آن روی آن از شبکه عصبی شعاشیGRNN استفاده شده که عملکرد موتور را بهبود بخشیده است و .....