×
۱۶۵,۰۰۰ تومان

آموزش جعبه ابزار شناسایی سیستم در متلب

آموزش جعبه ابزار شناسایی سیستم در متلب

هزینه آموزش
۱۶۵,۰۰۰ تومان

تعداد دانشجو
۲۳۸ نفر
مدت زمان
۱۱ ساعت و ۱۰ دقیقه
محتوای این آموزش
تضمین کیفیت
۳ بازخورد (مشاهده نظرات)

برخی از مهمترین الگوریتم‌های شناسایی در تولباکس عبارتند از: Maximum Likelihood, Prediction Error Minimization و Least Square. برای شناسایی سیستم‌های غیر خطی مدل‌ Hammerstein-Wiener و مدل‌های ARX غیر خطی با هسته‌ شبکه Wavelet و شبکه Sigmoid در دسترس است. همچنین این تولباکس می‌تواند پارامترهای سیستم تعریف ‌شده توسط کاربر را نیز بهینه‌سازی کند. بنابراین با شناسایی سیستم‌ها می‌توان به آنالیز سیستم و پیش‌بینی رفتار آینده آن پرداخت. هدف از این فرادرس این است که به صورت کاربردی به آموزش تولباکس شناسایی سیستم‌ها در متلب بپردازیم و روش‌های مختلف شناسایی خطی، غیر خطی، حوزه زمان، حوزه فرکانس، تابع تبدیل، فضای حالت، پیوسته، گسسته و… را از طریق مثال‌های کاربردی مورد بررسی قرار دهیم.

آموزش جعبه ابزار شناسایی سیستم در متلب

تعداد دانشجو
۲۳۸ نفر
مدت زمان
۱۱ ساعت و ۱۰ دقیقه
هزینه آموزش
۱۶۵,۰۰۰ تومان
محتوای این آموزش
۳ بازخورد (مشاهده نظرات)

امید زندی

دانشجوی دکتری تخصصی مهندسی برق – کنترل

ایشان دانشجوی دکتری مهندسی برق – گرایش کنترل در دانشگاه علم و صنعت ایران هستند و موفق به کسب رتبه اول (مدال طلا) المپیاد علمی دانشجویی مهندسی برق کشور در سال ۹۴ و همچنین رتبه سوم (مدال برنز) المپیاد علمی دانشجویی کشوری در سال ۱۳۹۳ در رشته برق شده‌اند.

توضیحات تکمیلی

در دنیای مدرن امروزی، اغلب، دینامیک تحلیلی از سیستم‌های صنعتی وجود ندارد و یا اینکه معادلات تحلیلی خیلی پیچیده می‌شوند و قابل استفاده نیستند، لذا باید با انجام یک سری آزمایش‌های تجربی و ثبت‌ داده‌های ورودی و خروجی سیستم، مدل‌سازی را انجام داد. منظور از مدل‌سازی یا شناسایی سیستم این است که یک مدل دینامیکی مشخصی تعریف شود که به بهترین شکل بتواند داده‌های تجربی را برازش کند. تولباکس شناسایی سیستم‌ها (System Identification Toolbox)، توابع و بلوک‌های سیمولینک متعددی را در نرم‌افزار قدرتمند متلب (MATLAB) برای رسیدن به این هدف در اختیار ما قرار داده است.

در برخی از کاربردها داده‌های حوزه زمان و در برخی دیگر از سیستم‌ها، داده‌های فرکانسی وجود دارند. در برخی از کاربردها لازم است سیستم گسسته و در برخی دیگر سیستم پیوسته تقریب زده شود. به همین صورت در برخی کاربردها لازم است سیستم خطی و در برخی دیگرسیستم غیر خطی به فرم فضای حالت تقریب زده شود. برای همه این اهداف و اهداف مشابه می‌توان از تولباکس شناسایی سیستم‌ها در متلب استفاده کرد.

برخی از مهمترین الگوریتم‌های شناسایی در تولباکس عبارتند از: Maximum Likelihood, Prediction Error Minimization و Least Square. برای شناسایی سیستم‌های غیر خطی مدل‌ Hammerstein-Wiener و مدل‌های ARX غیر خطی با هسته‌ شبکه Wavelet و شبکه Sigmoid در دسترس است. همچنین این تولباکس می‌تواند پارامترهای سیستم تعریف ‌شده توسط کاربر را نیز بهینه‌سازی کند. بنابراین با شناسایی سیستم‌ها می‌توان به آنالیز سیستم و پیش‌بینی رفتار آینده آن پرداخت. هدف از این فرادرس این است که به صورت کاربردی به آموزش تولباکس شناسایی سیستم‌ها در متلب بپردازیم و روش‌های مختلف شناسایی خطی، غیر خطی، حوزه زمان، حوزه فرکانس، تابع تبدیل، فضای حالت، پیوسته، گسسته و… را از طریق مثال‌های کاربردی مورد بررسی قرار دهیم.

 

فهرست سرفصل‌ها و رئوس مطالب مطرح شده در اين مجموعه آموزشی، در ادامه آمده است:
  • فصل یکم: پیش‌پردازش داده‌ها
    • درس یکم: مفاهیم مقدماتی شناسایی سیستم‌ها
    • درس دوم: تولید سیگنال ورودی برای شناسایی سیستم - بخش یکم
    • درس سوم: تولید سیگنال ورودی برای شناسایی سیستم - بخش دوم
    • درس چهارم: شبیه‌سازی سیستم‌های خطی و غیر خطی - بخش یکم
    • درس پنجم: شبیه‌سازی سیستم‌های خطی و غیر خطی - بخش دوم
    • درس ششم: جمع‌آوری داده در حوزه فرکانس و حذف ترند سیگنال‌ها
    • درس هفتم: بازیابی داده‌های گم‌شده
    • درس هشتم: فیلتر کردن سیگنال‌ها
  • فصل دوم: شناسایی مدل‌های خطی
    • درس نهم: تخمین پاسخ ضربه
    • درس دهم: تخمین پاسخ ضربه در متلب - بخش یکم
    • درس یازدهم: تخمین پاسخ ضربه در متلب - بخش دوم
    • درس دوازدهم: تخمین پاسخ فرکانسی
    • درس سیزدهم: تخمین پاسخ فرکانسی در متلب
    • درس چهاردهم: شناسایی مدل‌های چندجمله‌ای
    • درس پانزدهم: شناسایی مدل‌های چندجمله‌ای در متلب - بخش یکم
    • درس شانزدهم: شناسایی مدل‌های چندجمله‌ای در متلب - بخش دوم
    • درس هفدهم: شناسایی مدل‌های BJ و OE
    • درس هجدهم: شناسایی مدل‌های فرایندی
    • درس نوزدهم: شناسایی حلقه‌بسته - بخش یکم
    • درس بیستم: شناسایی حلقه‌بسته - بخش دوم
    • درس بیست‌و‌یکم: شناسایی مدل‌های تابع تبدیل - بخش یکم
    • درس بیست‌و‌دوم: شناسایی مدل‌های تابع تبدیل - بخش دوم
    • درس بیست‌و‌سوم: شناسایی مدل‌های فضای حالت و GUI شناسایی سیستم‌ها
  • فصل سوم: شناسایی مدل‌های غیر خطی
    • درس بیست‌و‌چهارم: مدل ARX غیر خطی
    • درس بیست‌و‌پنجم: شناسایی مدل ARX غیر خطی - بخش یکم
    • درس بیست‌و‌ششم: شناسایی مدل ARX غیر خطی - بخش دوم
    • درس بیست‌و‌هفتم: شناسایی مدل غیر خطی همرشتاین - وینر
  • فصل چهارم: تخمین مدل‌های Grey-Box
    • درس بیست‌و‌هشتم: شناسایی Grey-Box مدل خطی موتور جریان مستقیم - بخش یکم
    • درس بیست‌و‌نهم: شناسایی Grey-Box مدل خطی موتور جریان مستقیم - بخش دوم
    • درس سی‌ام: شناسایی Grey - Box مدل غیر خطی یک سیستم بنچمارک (Benchmark) - بخش یکم
    • درس سی‌ویکم: شناسایی Grey - Box مدل غیر خطی یک سیستم بنچمارک - بخش دوم
  • فصل پنجم: آنالیز و ارزیابی مدل
    • درس سی‌ودوم: مقدمه‌ای بر سری زمانی
    • درس سی‌وسوم: مدل‌سازی خطی سری زمانی جریان ترانسفورماتور قدرت - بخش یکم
    • درس سی‌وچهارم: مدل‌سازی خطی سری زمانی جریان ترانسفورماتور قدرت - بخش دوم
    • درس سی‌وپنجم: مدل‌سازی غیر خطی سری زمانی مساله شکار و شکارچی - بخش یکم
    • درس سی‌وششم: مدل‌سازی غیر خطی سری زمانی مساله شکار و شکارچی - بخش دوم
    • درس سی‌وهفتم: مدل‌سازی غیر خطی سری زمانی مساله شکار و شکارچی - بخش سوم
    • درس سی‌وهشتم: مدل‌سازی غیر خطی سری زمانی مساله شکار و شکارچی - بخش چهارم
  • فصل ششم: آنالیز سری‌های زمانی
    • درس سی‌ونهم: تخمین پارامتر آنلاین
    • درس چهلم: تخمین آنلاین مدل ARX - بخش یکم
    • درس چهل‌ویکم: تخمین آنلاین مدل ARX - بخش دوم
    • درس چهل‌ودوم: کنترل پیش‌بینی مدل تطبیقی
    • درس چهل‌وسوم: فیلترهای کالمن (Kalman Filter)
    • درس چهل‌وچهارم: کدنویسی فیلتر کالمن خطی در متلب - بخش یکم
    • درس چهل‌وپنجم: کدنویسی فیلتر کالمن خطی در متلب - بخش دوم
    • درس چهل‌وششم: کدنویسی فیلتر کالمن EKF در متلب - بخش یکم
    • درس چهل‌وهفتم: کدنویسی فیلتر کالمن EKF در متلب - بخش دوم

 

مفید برای
  • تمام رشته‌های مهندسی 
  • علوم محض

پیش نیاز


آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس

نرم افزارهای مرتبط با آموزش

MATLAB 2021a

پیش نمایش‌ها

۱. مفاهیم مقدماتی شناسایی سیستم‌ها
۲. تولید سیگنال ورودی برای شناسایی سیستم - بخش یکم
۳. تولید سیگنال ورودی برای شناسایی سیستم - بخش دوم
۴. شبیه‌سازی سیستم‌های خطی و غیر خطی - بخش یکم
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. شبیه‌سازی سیستم‌های خطی و غیر خطی - بخش دوم
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. جمع‌آوری داده در حوزه فرکانس و حذف ترند سیگنال‌ها
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. بازیابی داده‌های گم‌شده
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. فیلتر کردن سیگنال‌ها
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. تخمین پاسخ ضربه
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. تخمین پاسخ ضربه در متلب - بخش یکم
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۴۸ جلسه ویدئویی با مجموع ۱۱ ساعت و ۱۰ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش جعبه ابزار شناسایی سیستم در متلب
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۷۹۸۷۶ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVMA003
مدت زمان ۱۱ ساعت و ۱۰ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۱ گیگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.
آموزش‌های مرتبط با آموزش جعبه ابزار شناسایی سیستم در متلب




نظرات

تا کنون ۲۳۸ نفر از این آموزش استفاده کرده اند و ۳ نظر ثبت شده است.
فائزه
فائزه
۱۴۰۰/۱۱/۲۵

من در خصوص رشته ی دانشگاهیم نیاز داشتم که این آموزشو تهیه کنم.مدرس آقای زندی واقعا خوب توضیح میدن.

مهدی
مهدی
۱۴۰۰/۰۸/۲۸

این پسر نابغه ست.

مهرداد فردی
مهرداد فردی
۱۴۰۰/۰۷/۱۱

به نام خدا
حتما تهیه این آموزش را به تمامی دانشجویان تحصیلات تکمیلی کنترل، پیشنهاد می‌کنم.

برچسب‌ها:
ARX model | BJ Model | Eliminate signal trend | Estimation of process models | Estimation of state variables | Filtering data | Greybox identification | Hammerstein Wiener Model | Hammerstein-Wiener | Identify the gray box | Kalman Filter | Kalman Filter Extended EKF | Kalman Filters | Kalman linear filter | Least Square | LS least squares algorithm | MATLAB software | Maximum Likelihood | Nonlinear arx model | OE Model | Online parameter estimation | Optimal state estimation | Prediction Error Minimization | pulse signal | Random binary signal | Recover lost data | Sinusoidal signal | state space estimation | System Identification | System Identification Toolbox | System Identification Toolbox in MATLAB | Time series analysis | transfer function estimation | آموزش تولباکس شناسایی سیستم ‌ها | آنالیز سری زمانی | آنالیز سری‌ های زمانی | آنالیز سیستم در متلب | آنالیز مدل غیر خطی | ارزیابی مدل غیر خطی | الگوریتم حداقل مربعات LS | الگوریتم ‌های شناسایی در تولباکس | بلوک ‌های سیمولینک در متلب | پیاده‌ سازی فیلتر کالمن در متلب | پیش بینی سیستم در متلب | پیش پردازش داده ها | تخمین آنلاین مدل ARX | تخمین پارامتر آنلاین | تخمین پاسخ پله | تخمین پاسخ ضربه | تخمین پاسخ ضربه در متلب | تخمین پاسخ فرکانسی | تخمین پاسخ فرکانسی در متلب | تخمین تابع تبدیل | تخمین حالت بهینه | تخمین متغیرهای حالت | تخمین مدل فضای حالت | تخمین مدل‌ های Grey-Box | تخمین مدل های فرایندی | توابع سیمولینک در متلب | تولباکس شناسایی سیستم‌ ها | تولباکس شناسایی سیستم‌ ها در متلب | جریان ترانسفورماتور قدرت | جعبه ابزار شناسایی سیستم | جمع ‌آوری داده در حوزه فرکانس | حداقل مربعات بازگشتی RLS | حذف ترند سیگنال | حذف ترند سیگنال ‌ها | حذف نویز با فیلتر کالمن | دینامیک تحلیلی سیستم های صنعتی | سری زمانی مساله شکار | سری زمانی مساله شکارچی | شبیه سازی سیستم های خطی | شبیه سازی سیستم های غیر خطی | شناسایی Grey-Box | شناسایی Grey-Box مدل غیر خطی | شناسایی GUI شناسایی سیستم ‌ها | شناسایی جعبه خاکستری | شناسایی جعبه سیاه | شناسایی حلقه ‌بسته | شناسایی سیستم در متلب | شناسایی سیستم های غیر خطی | شناسایی مدل ARX غیر خطی | شناسایی مدل BJ در متلب | شناسایی مدل OE در متلب | شناسایی مدل ‌های تابع تبدیل | شناسایی مدل‌ های چند جمله ‌ای | شناسایی مدل ‌های خطی | شناسایی مدل‌ های غیر خطی | شناسایی مدل ‌های فرایندی | شناسایی مدل ‌های فضای حالت | فیلتر کالمن EKF | فیلتر کالمن EKF در متلب | فیلتر کالمن توسعه‌ یافته EKF | فیلتر کالمن خطی | فیلتر کالمن خطی در متلب | فیلتر کردن سیگنال ‌ها | فیلترهای کالمن | کدنویسی فیلتر کالمن EKF در متلب | کدنویسی فیلتر کالمن خطی در متلب | کنترل پیش‌ بینی مدل تطبیقی | مدل ARX غیر خطی | مدل arx غیرخطی | مدل‌ سازی خطی سری زمانی | مدل سازی سیستم در متلب | مدل غیر خطی همرشتاین-وینر | مدل همرشتین وینر | مدل‌های چند جمله‌ ای در متلب | مفاهیم شناسایی سیستم ‌ها | مقدمه ‌ای بر سری زمانی | نرم افزار MATLAB | نرم افزار متلب
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۴۸ جلسه ویدئویی
×