سخنرانی 3. برنامه نویسی در متلب.
1. M-فایل. ................................................ .......................................................... .......................................................... .........
1.1. کار در ویرایشگر M-فایل ها ................................................ .......................................................... .............
1.2. انواع فایل های M برنامه های فایل. ................................................ ...................................................
1.3. توابع فایل ................................................ .......................................................... ..........................................
توابع فایل با یک آرگومان ورودی......................................................................................
توابع فایل با چندین آرگومان ورودی.......................................................................
توابع فایل با چندین آرگومان خروجی....................................................................
1.4. تابع های فرعی ................................................ .......................................................... .......................................................... ..
2. ساختارهای زبان برنامه نویسی را کنترل کنید....................................................................
2.1. عملگرهای حلقه.............................................................................................................................
حلقه for. ................................................ .......................................................... .......................................................... ......
در حالی که حلقه. ................................................ .......................................................... ..........................................................
2.2. اپراتورهای شعب...................................................................................................................
اپراتور مشروطاگر . ................................................ .......................................................... ............... .................
بیانیه سوئیچ. ................................................ .......................................................... ..........................................................
2.3. شکستن، ادامه دادن و برگرداندن بیانیه ها. ................................................ ..........................................
2.4. درباره تکنیک های برنامه نویسی منطقی در متلب........................................................

بسیاری از سیستم های ریاضی با این فرض ایجاد شدند که کاربر مشکلات خود را با برنامه نویسی کم یا بدون برنامه حل می کند. با این حال، از همان ابتدا مشخص بود که روش مشابهدارای معایبی است و روی هم رفتهشریر، بدجنس، حیوان صفت. بسیاری از مشکلات نیازمند ابزارهای برنامه نویسی توسعه یافته ای هستند که نوشتن الگوریتم های آنها را ساده می کند و گاهی اوقات روش های جدیدی را برای ایجاد الگوریتم باز می کند.

از یک طرف، MATLAB شامل تعداد زیادی عملگر و توابع داخلی (نزدیک به هزار) است که با موفقیت بسیاری از مشکلات عملی را حل می کند، که قبلاً لازم بود برنامه های کاملاً پیچیده تهیه شود. به عنوان مثال، اینها توابعی برای معکوس کردن یا جابجایی ماتریس ها، محاسبه مقادیر مشتق یا انتگرال و غیره و غیره هستند. تعداد این توابع با در نظر گرفتن بسته های توسعه سیستم، در حال حاضر به هزاران نفر می رسد و به طور مداوم در حال افزایش است. اما، از سوی دیگر، سیستم متلب از لحظه ایجاد خود به عنوان یک زبان برنامه نویسی قدرتمند ریاضی گرا برای محاسبات فنی ایجاد شد. سطح بالا. و بسیاری به درستی این را به عنوان یک مزیت مهم سیستم می‌دانستند که نشان‌دهنده امکان استفاده از آن برای حل پیچیده‌ترین مسائل ریاضی جدید است.

سیستم متلب دارای یک زبان ورودی است که یادآور بیسیک (با ترکیبی از فرترن و پاسکال) است. ضبط برنامه ها در سیستم سنتی است و بنابراین برای اکثر کاربران کامپیوتر آشنا است. علاوه بر این، این سیستم امکان ویرایش برنامه ها را با استفاده از هر ویرایشگر متنی آشنا برای کاربر فراهم می کند. همچنین ویرایشگر خود را با دیباگر دارد. زبان سیستم متلب از نظر برنامه نویسی محاسبات ریاضی بسیار غنی تر از هر زبان دیگری است. زبان جهانیبرنامه نویسی سطح بالا تقریباً تمام ابزارهای برنامه نویسی شناخته شده از جمله برنامه نویسی شی گرا و بصری را پیاده سازی می کند. این به برنامه نویسان با تجربه فرصت های بی پایانی برای ابراز وجود می دهد.

1. M-فایل.

که در در سخنرانی‌های قبلی، نمونه‌های نسبتاً ساده‌ای را بررسی کردیم که اجرای آن‌ها نیازمند تایپ چند دستور در خط فرمان است. برای بیشتر وظایف پیچیدهتعداد دستورات افزایش می یابد و کار روی خط فرمان بی نتیجه می شود. با استفاده از تاریخچه فرمان،

صرفه جویی در متغیرهای محیط کار یا نگه داشتن دفترچه خاطرات با استفاده از دفتر خاطرات ناچیز است

افزایش بهره وری کار یک راه حل موثر این است که الگوریتم های خود را در قالب برنامه ها (M-files) طراحی کنید که می توانند از محیط کار یا از ویرایشگر راه اندازی شوند. ویرایشگر M-file تعبیه شده در MATLAB به شما این امکان را می دهد که نه تنها متن برنامه را تایپ کنید و آن را به صورت کامل یا جزئی اجرا کنید، بلکه الگوریتم را نیز اشکال زدایی کنید. طبقه بندی دقیق فایل های M در زیر آورده شده است.

1.1. کار در ویرایشگر M-file.

یک ویرایشگر چند پنجره ای ویژه برای آماده سازی، ویرایش و اشکال زدایی فایل های m استفاده می شود. این برنامه مانند یک برنامه معمولی ویندوز طراحی شده است. ویرایشگر را می توان با دستور ویرایش از خط فرمان یا دستور منوی اصلی File | فراخوانی کرد جدید | M-فایل. پس از آن، در پنجره ویرایشگر می توانید فایل خود را ایجاد کنید، از ابزارهایی برای اشکال زدایی و راه اندازی آن استفاده کنید. قبل از اجرای یک فایل، باید با استفاده از File | روی دیسک نوشته شود همانطور که در منوی ویرایشگر ذخیره کنید.

شکل 1 پنجره ویرایشگر/اشکال زدا را نشان می دهد. متن آماده شده فایل (این ساده ترین و اولین برنامه ما در زبان برنامه نویسی متلب است) را می توان روی دیسک نوشت. برای این کار از دستور Save As استفاده می شود که استفاده می کند پنجره استانداردویندوز برای نوشتن فایل از نام داده شده. لازم به ذکر است که نام فایل M باید منحصر به فرد باشد و لازمه نام فایل همانند نام ها است. متغیرهای محیطیمتلب. پس از نوشتن فایل روی دیسک، می توانید دستور Run را در نوار ابزار یا منوی Debug اجرا کنید یا به سادگی کلیک کنید. .، به منظور اجرای فایل m.

در نگاه اول، ممکن است به نظر برسد که ویرایشگر/دباگر به سادگی یک پیوند اضافی در زنجیره «user - MATLAB» است. در واقع، متن فایل می تواند وارد پنجره سیستم شود و همان نتیجه را بگیرد. با این حال، در واقعیت، ویرایشگر/اشکال‌زدا نقش مهمی را ایفا می‌کند. این به شما امکان می دهد یک فایل m (برنامه) بدون "پوسته" های متعددی که کار در آن را همراهی می کند ایجاد کنید. حالت فرمان. متن چنین فایلی تحت بررسی کامل نحوی قرار می گیرد که طی آن بسیاری از خطاهای کاربر شناسایی و حذف می شوند. به این ترتیب، ویرایشگر کنترل نحوی فایل را فراهم می کند.

ویرایشگر ابزارهای اشکال زدایی مهم دیگری نیز دارد - این امکان را به شما می دهد تا علامت های خاصی را در متن فایل تنظیم کنید که به آن نقاط شکست می گویند. با رسیدن به آنها، محاسبات به حالت تعلیق در می آیند و کاربر می تواند نتایج میانی محاسبات را ارزیابی کند (مثلاً مقادیر متغیرها)، اجرای صحیح حلقه ها و غیره را بررسی کند. در نهایت، ویرایشگر به شما اجازه می دهد تا یک فایل با فرمت متن بنویسید و کار خود را در سیستم فایل متلب جاودانه کنید.

برای سهولت کار با ویرایشگر/اشکال‌زدا، خطوط برنامه به ترتیب شماره‌گذاری می‌شوند. ویرایشگر چند پنجره ای است. پنجره هر برنامه به صورت تب طراحی شده است. ویرایشگر دیباگر مشاهده مقادیر متغیر را آسان می کند. برای انجام این کار، فقط نشانگر ماوس را روی نام متغیر ببرید و آن را نگه دارید - یک راهنمای ابزار با نام متغیر و مقدار آن ظاهر می شود.

یکی از ویژگی های بسیار راحت ویرایشگر M-file این است اجرای برخی از دستوراتبرای انجام این کار، از دستور Evaluate Selection از منوی زمینه یا main menuText یا به سادگی از کلید تابع استفاده کنید. ، که به شما امکان می دهد متن برنامه انتخاب شده را اجرا کنید.

برنج. 1. پنجره ویرایشگر M-file.

1.2. انواع فایل های M برنامه های فایل.

دو نوع M-Files در MATLAB وجود دارد: Script M-Files که حاوی یک سری دستورات است و Function M-Files که توابع تعریف شده توسط کاربر را توصیف می کند.

برنامه های فایل ساده ترین نوع فایل M هستند. آنها هیچ آرگومان ورودی یا خروجی ندارند و بر روی متغیرهایی کار می کنند که در زمان اجرا وجود دارند یا می توانند متغیرهای جدیدی ایجاد کنند. شما برنامه فایل mydemo را هنگام خواندن قسمت قبل نوشتید. تمام متغیرهای اعلام شده در برنامه فایل پس از اجرای آن در محیط کاری موجود می شوند. برنامه فایل mydemo نشان داده شده در لیست شکل 1 را اجرا کنید. به پنجره Workspace بروید و مطمئن شوید که تمام متغیرهای وارد شده در فایل M در فضای کاری ظاهر می شوند. تمامی متغیرهای ایجاد شده در حین اجرای M-file پس از اتمام آن در محیط کاری باقی می مانند و می توان از آنها در سایر برنامه های فایل و در دستورات اجرا شده از خط فرمان استفاده کرد.

دو راه برای راه اندازی یک برنامه فایل وجود دارد.

1. از ویرایشگر M-file همانطور که در بالا توضیح داده شد.

2. از خط فرمان یا موارد دیگرفایل برنامه که در آن از نام فایل M (بدون پسوند) به عنوان دستور استفاده می شود. استفاده از روش دوم بسیار راحت تر است، به خصوص اگر برنامه فایل ایجاد شده به طور مکرر در آینده استفاده شود. فایل M واقعی که ایجاد می شود به دستوری تبدیل می شود که متلب آن را درک می کند.

تمام پنجره های گرافیکی را ببندید و mydemo را در خط فرمان تایپ کنید، یک پنجره گرافیکی مربوط به دستورات فایل برنامه mydemo.m ظاهر می شود. پس از وارد کردن دستور mydemo، متلب اقدامات زیر را انجام می دهد.

1. بررسی می کند که آیا دستور وارد شده یک نام است یا خیرهر یک از متغیرهای تعریف شده

V محیط کار. اگر متغیری وارد شود، مقدار آن نمایش داده می شود.

2. اگر ورودی یک متغیر نباشد، متلب به دنبال دستور وارد شده در میان توابع داخلی می گردد. اگر معلوم شود که دستور یک تابع داخلی است، اجرا می شود.

3. اگر ورودی یک متغیر یا یک تابع داخلی نباشد، MATLAB جستجو را آغاز می کند M-فایل با نام تیم و پسوند m. جستجو با شروع می شود پوشه کنونی(پوشه کنونی)؛ اگر فایل M در آن یافت نشد، متلب به دایرکتوری های مشخص شده در مسیر جستجو (مسیر) نگاه می کند. (برای تنظیم دایرکتوری فعلی می توانید از پنجره انتخابی به همین نام در نوار ابزار یا دستور cd استفاده کنید. تنظیم مسیرهای جستجو با

با استفاده از دستور Set Path از دستور منوی File یا با استفاده از دستور addpath).

اگر هیچ یک از اقدامات فوق موفقیت آمیز نبود، مثلاً اگر خطایی رخ داده باشد، پیامی در پنجره فرمان نمایش داده می شود.

دنباله جستجوی متلب نشان می دهد که نامگذاری صحیح برنامه فایل خود هنگام ذخیره آن در یک فایل M بسیار مهم است. اول اینکه نام آن نباید با نام یک تابع موجود در متلب یکی باشد. با استفاده از تابع exist می توانید بفهمید که آیا یک نام گرفته شده است یا خیر.

ثانیاً، نام فایل نباید با یک عدد، علائم "+" یا "-" یا هر کاراکتری که می تواند توسط MATLAB به عنوان خطا در هنگام وارد کردن عبارت تفسیر شود، شروع شود. به عنوان مثال، اگر یک فایل M را با یک فایل برنامه 5prog.m نامگذاری کنید، زمانی که آن را از منوی ویرایشگر یا توسط پیغام خطا دریافت خواهید کرد. این تعجب آور نیست، زیرا متلب انتظار دارد که از 5 + prog (یا 5، prog) برای ارزیابی یک عبارت حسابی با متغیر prog استفاده کنید (یا 5 را به عنوان اولین عنصر به prog بردار ردیف اضافه کنید). بنابراین، نام صحیح prog5.m (یا حداقل p5rog.m) خواهد بود، اما فقط با یک حرف شروع می شود.

لطفاً توجه داشته باشید که اگر دستورات انتخابی (همه دستورات را می توان انتخاب کرد) از یک فایل M با نام اشتباه با استفاده از ، پس هیچ خطایی وجود نخواهد داشت. در واقع، یک اجرای متوالی دستورات وجود دارد که هیچ تفاوتی با فراخوانی آنها از خط فرمان و عملکرد یک برنامه فایل ندارد.

یکی دیگر از اشتباهات بسیار رایج هنگام تعیین نام یک برنامه فایل است که در نگاه اول پیامدهای غیرقابل توضیحی دارد: برنامه فقط یک بار راه اندازی می شود. راه اندازی مجددمنجر به اجرای برنامه نمی شود. بیایید با استفاده از برنامه فایل نمونه از Listing 5.1 که در فایل mydemo.m ذخیره کرده اید، به این وضعیت نگاه کنیم. نام فایل را به x.m تغییر دهید، سپس تمام متغیرهای فضای کاری را از پنجره مرورگر متغیر Workspace یا از خط فرمان حذف کنید:

>> پاک کردن همه

برنامه فایل را برای مثال از ویرایشگر با کلیک کردن اجرا کنید . یک پنجره گرافیکی با دو نمودار ظاهر می شود و هیچ چیزی نشان دهنده یک نتیجه نیست. حالا پنجره گرافیک را ببندید و دوباره برنامه را اجرا کنید. پنجره گرافیکی دیگر ایجاد نمی شود، اما مقادیر آرایکس مطابق با اولین نقطه الگوریتم جستجوی MATLAB که در بالا ارائه شده است، در پنجره فرمان نمایش داده می شود. هنگام انتخاب نام برنامه فایل باید این شرایط را در نظر گرفت. یک سوال به همان اندازه مهم مربوط به سومین نقطه الگوریتم جستجوی متلب است - کاتالوگ فعلی و مسیرهای جستجو. به طور معمول، M-فایل های بومی در دایرکتوری های کاربر ذخیره می شوند. برای اینکه MATLAB آنها را پیدا کند، باید مسیرهایی را برای نشان دادن مکان فایل های M تنظیم کنید.

1.3. توابع فایل

برنامه های فایلی که در بالا مورد بحث قرار گرفت، دنباله ای از دستورات متلب هستند؛ آنها آرگومان های ورودی یا خروجی ندارند. برای حل مشکلات محاسباتی و نوشتن برنامه های کاربردی خود در MATLAB، اغلب باید توابع فایلی را برنامه ریزی کنید که اقدامات لازم را روی آرگومان های ورودی انجام دهند و نتیجه را در آرگومان های خروجی برگردانند. تعداد آرگومان‌های ورودی و خروجی به مشکلی که حل می‌شود بستگی دارد - فقط یک آرگومان ورودی و یک خروجی، چندین آرگومان از هر دو، یا فقط آرگومان ورودی وجود دارد.

ممکن است هیچ آرگومان ورودی یا خروجی وجود نداشته باشد. این بخش شامل چندین مثال ساده برای کمک به درک نحوه کار با توابع فایل است. توابع فایل و همچنین برنامه های فایل در ویرایشگر M-file ایجاد می شوند.

توابع فایل با یک آرگومان ورودی.

فرض کنید اغلب باید از مقدار یک تابع در محاسبات استفاده کنید:

		- xx 2

منطقی است که یک تابع فایل را یک بار بنویسیم، و سپس آن را در هر کجا که لازم است برای محاسبه این تابع برای یک آرگومان داده شده فراخوانی کنیم. برای انجام این کار، باید آن را در ویرایشگر M-file باز کنید فایل جدیدو متن را تایپ کنید:

تابع f = myfun(x)

کلمه تابع در خط اول مشخص می کند که این فایلحاوی یک فایل تابع خط اول است هدر تابع،که حاوی نام تابع و لیست آرگومان های ورودی و خروجی است. آرگومان های ورودی بعد از نام تابع در پرانتز نوشته می شوند. در مثال ما فقط یک آرگومان ورودی وجود دارد - x. آرگومان خروجی f در سمت چپ علامت مساوی در هدر تابع مشخص شده است. هنگام انتخاب نام تابع فایل، باید مراقب بود که از تداخل با نام های اشغال شده در MATLAB جلوگیری شود. سوال مشابهی را در بالا مورد بحث قرار دادیم: چگونه یک فایل برنامه را در یک فایل با یک نام منحصر به فرد ذخیره کنیم. می توانید از همان رویکرد فراخوانی تابع exist برای نامگذاری یک تابع فایل استفاده کنید.

پس از هدر، بدنه تابع فایل قرار می گیرد - یک یا چند عملگر (می تواند تعداد زیادی از آنها وجود داشته باشد) که الگوریتمی را برای به دست آوردن مقدار متغیرهای خروجی از متغیرهای ورودی پیاده سازی می کنند. در مثال ما، الگوریتم ساده است - با توجه به x، یک عبارت حسابی محاسبه می شود و نتیجه به f نوشته می شود.

اکنون باید فایل را در دایرکتوری کاری خود یا مکان دیگری که MATLAB شناخته شده است ذخیره کنید. وقتی Save یا Save as... را از منوی File انتخاب می کنید، به طور پیش فرض نام فایلی پیشنهاد می شود که با نام تابع myfun مطابقت داشته باشد. شما باید فایل تابع را با این نام پیشنهادی ذخیره کنید. اکنون تابع ایجاد شده را می توان به همان روشی مانند sin ، cos و موارد دیگر استفاده کرد ، به عنوان مثال از خط فرمان:

>> y=myfun(1.3) y =

هنگامی که تابع فایل myfun را ایجاد کردیم، با پایان دادن به دستور انتساب با یک نقطه ویرگول، مقدار f را از چاپ در پنجره فرمان حذف کردیم. اگر این کار انجام نشد، هنگام فراخوانی y=myfun(1.3) نمایش داده می شود. به عنوان یک قاعده کلی، بهتر است از چاپ نتایج محاسبات میانی در یک تابع فایل در پنجره فرمان خودداری کنید.

تابع فایل نشان داده شده در مثال قبلی یک اشکال مهم دارد. تلاش برای محاسبه مقادیر تابع از یک آرایه به جای برگرداندن مقادیر آرایه به روشی که هنگام استفاده از توابع داخلی انجام می دهد، منجر به خطا می شود.

>>x=;

>> y=myfun(x)

??? خطا در استفاده از ==> ^ ماتریس باید مربع باشد.

خطا در ==> C:\MATLAB6p5\work\myfun.m

در خط 2 ==> f = exp(-x)*sqrt((x^2 + 1)/(x^4 + 0.1));

بدیهی است که برای جلوگیری از این خطا باید از عملیات عنصری استفاده کرد. به طور خاص، برای اینکه عملکرد ما به درستی کار کند، لازم است که متن تابع را به شکل زیر بازنویسی کنیم:

تابع f = myfun(x)

f = exp(-x).*sqrt((x.^2 + 1)./(x.^4 + 0.1));

حالا آرگومان تابع myfun می تواند یک عدد یا یک بردار یا ماتریسی از مقادیر باشد، به عنوان مثال:

>>x=;

>> y=myfun(x)

متغیر y که نتیجه فراخوانی تابع myfun را ذخیره می کند، به طور خودکار به یک بردار با اندازه مورد نیاز تبدیل می شود.

بیایید به مثالی از استفاده از توابع نگاه کنیم. ما تابع myfun را با استفاده از یک برنامه فایل یا از خط فرمان روی یک قطعه رسم می کنیم:

>> x=0:0.5:4;

>> y=myfun(x);

>>طرح (x,y)

حل مسائل محاسباتی با استفاده از MATLAB مستلزم این است که بتوانید توابع فایلی را که مطابق با وظیفه در دست انجام است (به عنوان مثال سمت راست سیستم) برنامه ریزی کنید. معادلات دیفرانسیلیا تابع انتگرال).

اکنون فقط یک مثال ساده از اینکه چگونه استفاده از توابع فایل، تجسم توابع ریاضی را آسان‌تر می‌کند، بررسی می‌کنیم. ما به تازگی یک نمودار را با استفاده از نمودار رسم کرده ایم. توجه داشته باشید که برای محاسبه بردار y لازم نیست myfun را فراخوانی کنید - می توانید بلافاصله یک عبارت برای آن بنویسید و سپس parx و y را در نمودار مشخص کنید. تابع فایلی که در اختیار ماست myfun به ما امکان می دهد به fplot تابع ویژه دسترسی پیدا کنیم که نیاز به مشخص کردن نام تابع فایل خود (به صورت آپستروف) یا اشاره گر به آن (با عملگر @ در جلوی نام تابع) و مرزهای آن دارد. قطعه برای رسم (در بردار دو عنصر)

>> fplot ("myfun"، )

>> fplot(@myfun، )

یک الگوریتم برای تابع fplot باید اضافه شود که به طور خودکار مرحله آرگومان را انتخاب می کند و آن را در مناطقی که تغییر سریع در تابع مورد مطالعه دارد کاهش می دهد که به کاربر نمایش خوبی از داده ها می دهد.

توابع فایل با چندین آرگومان ورودی.

نوشتن توابع فایل با چندین آرگومان ورودی عملاً با نوشتن یک آرگومان منفرد تفاوتی ندارد. همه آرگومان های ورودی در لیستی قرار می گیرند که با کاما از هم جدا شده اند. مثال زیر حاوی یک تابع فایل است که طول بردار شعاع یک نقطه سه بعدی را محاسبه می کند

فاصله x 2 + y 2 + z 2 .

تابع r = شعاع3(x,y,z) r = sqrt(x.^2 + y.^2 + z.^2);

>> R = شعاع 3 (1، 1، 1)

علاوه بر توابع با آرگومان های متعدد، متلب به شما اجازه می دهد تا توابعی ایجاد کنید که چندین مقدار را برمی گرداند، یعنی دارای چندین آرگومان خروجی باشد.

توابع فایل با آرگومان های خروجی متعدد.

توابع فایل با آرگومان های خروجی متعدد برای ارزیابی توابعی که چندین مقدار را برمی گرداند مفید هستند (که در ریاضیات توابع برداری نامیده می شود). آرگومان‌های خروجی به فهرست آرگومان‌های خروجی الحاق می‌شوند که با کاما از هم جدا می‌شوند و خود فهرست در براکت‌های مربع قرار می‌گیرد. مثال زیر یک تابع فایل hms را برای تبدیل زمان مشخص شده بر حسب ثانیه به ساعت، دقیقه و ثانیه ارائه می دهد:

تابع = hms (sec) ساعت = طبقه (sec/3600);

هنگام فراخوانی توابع فایل با آرگومان های خروجی متعدد، نتیجه باید در بردار با طول مناسب نوشته شود:

>> = hms (10000) H =

اگر هنگام استفاده از این تابع به صراحت پارامترهای خروجی را مشخص نکنید، نتیجه فراخوانی تابع تنها اولین آرگومان خروجی خواهد بود:

>> hms(10000) ans =

اگر فهرست آرگومان‌های خروجی خالی باشد، به‌عنوان مثال، هدر به این صورت است: تابع myfun(a, b) یا function = myfun(a, b)

سپس تابع فایل هیچ مقداری را بر نمی گرداند. چنین عملکردهایی نیز گاهی اوقات مفید واقع می شوند.

توابع MATLAB یک کیفیت مفید دیگر دارند - امکان به دست آوردن اطلاعات در مورد آنها با استفاده از دستور help، به عنوان مثال، help fplot. همچنین می توانید این ویژگی را با استفاده از خطوط نظر به توابع فایل خود اختصاص دهید. تمام خطوط نظرات بعد از هدر و قبل از بدنه تابع یا خط خالی با دستور help در پنجره فرمان چاپ می شوند. به عنوان مثال، برای عملکرد ما می توانید یک اشاره ایجاد کنید:

تابع = hms (ثانیه) %hms - تبدیل ثانیه به ساعت، دقیقه و ثانیه

% تابع hms برای تبدیل ثانیه است

% به ساعت دقیقه و ثانیه

% = hms (ثانیه)

ساعت = طبقه (ثانیه/3600)؛

دقیقه = طبقه((ثانیه - ساعت*3600)/60); ثانیه = ثانیه - ساعت * 3600 - دقیقه * 60;

1.4. تابع های فرعی

بیایید نوع دیگری از تابع - تابع های فرعی را در نظر بگیریم. استفاده از توابع فرعی مبتنی بر جداسازی بخشی از الگوریتم به یک تابع مستقل است که متن آن در همان فایل تابع اصلی موجود است. بیایید با یک مثال به این موضوع نگاه کنیم.

عملکرد ساده؛

% تابع اصلی a = 2*pi;

fl = f(1.1، 2.1) f2 = f(3.1، 4.2)-a f3 = f(-2.8، 0.7)+a

تابع z = f(x, y)% تابع فرعی

z = x^3 - 2*y^3 - x*y + 9;

اولین تابع ساده این است عملکرد اصلیدر simple.m، این دستورات آن هستند که در صورتی اجرا می شوند که کاربر ساده را مثلاً از خط فرمان فراخوانی کند. هر فراخوانی به تابع فرعی f در تابع اصلی منجر به انتقال به عملگرهای واقع در تابع فرعی و بازگشت بعدی به تابع اصلی می شود.

یک فایل تابع می تواند شامل یک یا چند تابع فرعی با پارامترهای ورودی و خروجی خود باشد، اما تنها یک تابع اصلی می تواند وجود داشته باشد. عنوان یک تابع فرعی جدید نیز نشانه پایان کار قبلی است. تابع اصلی فقط از طریق پارامترهای ورودی و خروجی اطلاعات را با زیر تابع ها مبادله می کند. متغیرهای تعریف شده در تابع های فرعی و در تابع اصلی محلی هستند، آنها در محدوده عملکرد خود در دسترس هستند.

یکی از گزینه های ممکناستفاده از متغیرهایی که برای همه توابع M-file مشترک هستند، به این معنی است که این متغیرها را در ابتدای تابع اصلی و تابع فرعی به عنوان جهانی، با استفاده از global با لیستی از نام متغیرها که با یک فاصله از هم جدا شده اند، اعلام کنیم.

2. ساختارهای زبان برنامه نویسی را کنترل کنید.

توابع فایل و برنامه های فایلی که در دو فصل قبل ایجاد کردید ساده ترین نمونه برنامه ها هستند. تمام دستورات متلب موجود در آنها اجرا می شوند به صورت متوالیبسیاری از مشکلات جدی‌تر نیازمند برنامه‌هایی هستند که در آن اقدامات به صورت دوره‌ای تکرار می‌شوند و بسته به شرایط خاص، بخش‌های مختلف برنامه اجرا می‌شوند. این فصل ساختارهای کنترلی زبان برنامه نویسی متلب را توضیح می دهد که می تواند هنگام نوشتن برنامه های فایل و توابع فایل استفاده شود.

2.1. عملگرهای حلقه

اقدامات مشابه و تکراری با استفاده از دستورات حلقه for و while انجام می شود. حلقه for برای انجام تعداد معینی از اقدامات تکراری طراحی شده است، در حالی که حلقه awhile برای اقداماتی طراحی شده است که تعداد آنها از قبل مشخص نیست، اما شرط ادامه حلقه مشخص است.

حلقه for.

استفاده از for به شرح زیر است:

برای count = start:step:final

دستورات متلب

در اینجا count متغیر حلقه است، start مقدار اولیه آن است، نهایی مقدار نهایی است، asste مرحله ای است که با هر بار وارد شدن حلقه تعداد آن افزایش می یابد. به محض اینکه مقدار شمارش از نهایی بیشتر شود، حلقه به پایان می رسد. یک متغیر حلقه می تواند نه تنها مقادیر صحیح، بلکه مقادیر واقعی هر علامت را نیز بگیرد. در اینجا مثالی از استفاده از حلقه for آورده شده است. فرض کنید می خواهید نمودارهایی از خانواده ای از منحنی ها را برای x نمایش دهید که

با تابع y (x,a)= e - ax sinx مشخص می شود، بسته به پارامتر، برای مقادیر پارامتر از 0.1- تا

0.1 در افزایش 0.02. البته می توانید y(x, a) را به صورت متوالی محاسبه کنید و نمودارهای آن را برای مقادیر مختلف بسازید، اما استفاده از حلقه for بسیار راحت تر است. متن فایل برنامه:

شکل % یک پنجره گرافیکی ایجاد می کند

x = 0:pi/30:2*pi; % بردار مقادیر آرگومان را محاسبه می کند

% حلقه زدن از طریق مقادیر پارامتربرای = -0.1:0.02:0.1

% محاسبه بردار مقادیر تابع برای مقدار فعلی ...

پارامتر

y = exp(-a*x).*sin(x); % اضافه کردن نگه داشتن بر روی نمودار تابع

نمودار (x, y) پایان

در نتیجه اجرای این فایل برنامه، یک پنجره گرافیکی ظاهر می شود که در شکل. 2 که شامل خانواده منحنی های مورد نیاز است.

برنج. 2. خانواده منحنی ها.

حلقه‌های For را می‌توان درون یکدیگر قرار داد، اما متغیرهای حلقه‌های تودرتو باید متفاوت باشند. حلقه های تو در تو برای پر کردن ماتریس ها مفید هستند. نمونه ای از ایجاد ماتریس هیلبرت:

a = صفر (n); برای i = 1:n

برای j = 1:n

a(i، j) = 1/(i+j-1);

برای پایان دادن به این بخش، یک ویژگی دیگر از حلقه for را یادداشت می کنیم، که به همراه توانایی تعیین یک شمارنده حلقه واقعی با یک گام ثابت، حلقه for را کاملاً جهانی می کند. آرایه ای از مقادیر را می توان به عنوان مقادیر متغیر حلقه استفاده کرد:

برای شمارش = A

دستورات متلب

اگر A یک بردار ردیف باشد، count به صورت متوالی مقدار عناصر آن را هر بار که وارد حلقه می‌شود، می‌گیرد. در مورد یک آرایه دو بعدی A، در مرحله i-ام حلقه، تعداد شامل ستون A(:,i) است. البته اگر A یک بردار ستونی باشد، حلقه فقط یک بار با مقدار شمارش A اجرا می شود.

حلقه for هنگام انجام تعداد محدودی از اقدامات مفید است. الگوریتم هایی با تعداد تکرار نامشخص وجود دارند که می توانند با استفاده از حلقه while انعطاف پذیرتر پیاده سازی شوند.

در حالی که حلقه.

حلقه while برای سازماندهی تکرارهای همان نوع اعمال در مواردی استفاده می شود که تعداد تکرارها از قبل ناشناخته باشد و با انجام یک شرط مشخص شود. بیایید نمونه ای از بسط سری sin(x) را در نظر بگیریم:

			x 2k + 1
	S (x)= ∑ (- 1)
			(2k + 1)!
	k = 0

البته امکان جمع آوری تا بی نهایت وجود نخواهد داشت، اما می توانید مقدار را با دقت معین مثلاً 10-10 جمع آوری کنید. بدیهی است که تعداد اصطلاحات سری در این مورد ناشناخته است، بنابراین استفاده از عملگر for غیرممکن است. راه حل این است که از یک حلقه while استفاده کنید که در حالی اجرا می شود که شرط حلقه برآورده می شود:

شرط تکرار حلقه while

دستورات متلب

که در در این مثال شرط تکرار چرخه این است که مدول عبارت جاری باشد

x 2 k + 1 (2k + 1) ! بیش از 10-10. متن تابع فایل mysin که مجموع یک سری را بر اساس محاسبه می کند

رابطه عود:

						k − 1
				2k (2k + 1)

تابع s = mysin(x)

% محاسبه بسط سینوس به سری

% استفاده: y = mysin(x)،-pi< х < pi

% محاسبه اولین جمله جمع برای k = O k = 0;

% محاسبه متغیر کمکی

در حالی که abs(u) > 1.0e-10 k = k + 1;

u = -u* x2/(2*k)/(2*k + 1); s = s + u;

این پنجره اصلی ترین در MatLAB است. نمادهای دستوراتی را که کاربر تایپ می کند روی صفحه نمایش نمایش داده می شود، نتایج اجرای این دستورات، متن برنامه در حال اجرا و اطلاعات مربوط به خطاهای اجرای برنامه شناسایی شده توسط سیستم را نمایش می دهد.

نشانه آمادگی MatLAB برای پذیرش و اجرای دستور بعدی، ظاهر در خط آخر است فیلد متنیپنجره ای با اعلان ">>" و به دنبال آن یک نوار عمودی چشمک زن.

در بالای پنجره (زیر عنوان) یک نوار منو وجود دارد که شامل منوهای File, Edit, View, Windows, Help است. برای باز کردن یک منو، نشانگر ماوس را روی آن قرار دهید و دکمه سمت چپ را فشار دهید. عملکرد دستورات منو بعداً در بخش "رابط و دستورات MatLab" با جزئیات بیشتر توضیح داده خواهد شد. همه منظوره. نوشتن M-book."

در اینجا فقط به آن اشاره می کنیم برای خارج شدن از محیط MatLAB، کافیست منوی File را باز کنید و دستور Exit MATLAB را در آن انتخاب کنید، یا به سادگی با فشار دادن دکمه سمت چپ ماوس، پنجره فرمان را ببندید، زمانی که نشانگر ماوس روی تصویر سمت راست بالای دکمه این پنجره قرار دارد (با یک مایل نشان داده شده است. صلیب).

1.2. عملیات با اعداد

1.2.1. وارد کردن اعداد واقعی

وارد کردن اعداد از صفحه کلید از قوانین کلی اتخاذ شده برای زبان های برنامه نویسی سطح بالا پیروی می کند:

برای جدا کردن قسمت کسری آخوندک یک عدد، از نقطه اعشار (به جای کاما در نماد معمولی) استفاده می شود.;

نماگر اعشاری یک عدد به صورت یک عدد صحیح بعد از نماد قبلی "e" نوشته می شود.;

بین مانتیس یک عدد و نماد "e"(که مانتیس را از نما جدا می کند) هیچ شخصیتی نباید وجود داشته باشد, از جمله نماد پرش.

برای مثال اگر خط را در پنجره فرمان MatLAB وارد کنید

سپس پس از فشار دادن کلید<Еnter>یک ورودی در این پنجره ظاهر می شود:

لازم به ذکر است که نتیجه در یک فرم (فرمت) خروجی است که با فرمت از پیش تعیین شده برای نمایش اعداد تعیین می شود. این قالب را می توان با استفاده از دستور تنظیم کرد اولویت هامنو فایل(شکل 1.3). پس از فراخوانی، پنجره ای به همین نام روی صفحه ظاهر می شود (شکل 1.4). یکی از بخش های این پنجره نام دارد عددی قالب. برای تنظیم و تغییر فرمت نمایش اعدادی که در پنجره فرمان در طول فرآیند محاسبه نمایش داده می شوند، طراحی شده است. فرمت های زیر ارائه شده است:

کوتاه (پیش فرض) - ورودی کوتاه (به طور پیش فرض استفاده می شود).

ورود طولانی - طولانی؛

هگز - علامت گذاری به عنوان یک عدد هگزادسیمال.

بانک - ضبط به صدم.

به علاوه - فقط علامت عدد ثبت می شود.

E کوتاه - نماد کوتاه در قالب ممیز شناور.

Long E – رکورد طولانی در قالب ممیز شناور.

G کوتاه - فرم دوم یادداشت کوتاهدر قالب ممیز شناور؛

Long G - شکل دوم نماد ممیز شناور طولانی.

گویا - نمادگذاری به شکل کسری گویا.

انتخاب با ماوس نوع مناسبنمایش اعداد، می توانید اطمینان حاصل کنید که اعداد متعاقباً در پنجره فرمان در این فرم نمایش داده می شوند.

همانطور که در شکل دیده میشود. 1.2، عدد نمایش داده شده روی صفحه با عدد وارد شده مطابقت ندارد. این به دلیل این واقعیت است که فرمت پیش فرض برای نمایش اعداد ( کوتاه) به شما اجازه خروجی بیشتر از 6 را نمی دهد ارقام قابل توجه. در واقع عدد وارد شده در MatLAB با درج تمامی ارقام آن ذخیره می شود. برای مثال، اگر دکمه انتخابگر طولانی را با ماوس انتخاب کنید E(یعنی فرمت مشخص شده را برای نمایش اعداد تنظیم کنید)، سپس با تکرار همان مراحل، دریافت می کنیم:

جایی که همه اعداد قبلاً به درستی نمایش داده شده اند (شکل 1.5).

چیز هایی برای به یاد آوردن:

- عدد وارد شده و نتایج تمامی محاسبات در سیستم Ma tLAB با خطای نسبی حدود 2.10-16 در حافظه رایانه شخصی ذخیره می شوند(یعنی با مقادیر دقیق در 15 رقم اعشار):

- محدوده نمایش مدول اعداد حقیقی بین 10-308 و 10+308.

1.2.2. عملیات ساده حسابی

نمادهای زیر از عملیات حسابی در عبارات حسابی MatLAB استفاده می شود:

+ – اضافه

- - منها کردن؛

* - ضرب؛

/ – تقسیم از چپ به راست؛

\ – تقسیم از راست به چپ؛

^ - توانمندی.

استفاده از MatLAB در حالت ماشین حساب می تواند به سادگی با نوشتن در آن انجام شود خط فرماندنباله ای از عملیات حسابی با اعداد، یعنی یک عبارت حسابی منظم، به عنوان مثال: 4.5^2*7.23 - 3.14*10.4.

اگر پس از وارد کردن این دنباله از صفحه کلید، کلید را فشار دهید ، نتیجه اجرا در پنجره فرمان به شکل نشان داده شده در شکل ظاهر می شود. 1.6، یعنی نتیجه عمل آخرین دستور اجرا شده با نام متغیر system ans روی صفحه نمایش داده می شود.

به طور کلی، خروجی اطلاعات میانی به پنجره فرمان از قوانین زیر پیروی می کند:

- اگر رکورد اپراتور به نماد ختم نشود";", نتیجه این عملگر بلافاصله در پنجره فرمان نمایش داده می شود.

- اگر عبارت با یک کاراکتر تمام شود";", نتیجه عمل آن در پنجره فرمان نمایش داده نمی شود;

- اگر اپراتور دارای علامت تخصیص نباشد(= ), یعنی صرفاً یک رکورد از توالی اعمال روی اعداد و متغیرها است, مقدار نتیجه به یک متغیر سیستم خاص به نام اختصاص داده می شودپاسخ ;

- مقدار متغیر دریافت کردپاسخ می توان با استفاده از این نام در دستورات محاسباتی زیر استفاده کردپاسخ باید به خاطر داشت که مقدار متغیر سیستمپاسخ پس از عمل عملگر بعدی بدون علامت تخصیص تغییر می کند;

- در حالت کلی، شکل ارائه نتیجه در پنجره فرمان به نظر می رسد:

<Имя переменной> = <результат>.

مثال. فرض کنید باید عبارت (25+17)*7 را محاسبه کنیم. می توان از این طریق انجام داد. ابتدا دنباله 25+17 را وارد کرده و فشار دهید . نتیجه را روی صفحه در فرم دریافت می کنیم پاسخ = 42. حالا دنباله را یادداشت می کنیم پاسخ * 7و فشار دهید . ما گرفتیم پاسخ = 294 (شکل 1.7). برای جلوگیری از خروجی نتیجه میانی عمل 25+17، کافی است پس از نوشتن این دنباله علامت ";" را اضافه کنید. سپس نتایج را به شکل ارائه شده در شکل خواهیم داشت. 1.8.

با استفاده از MatLAB به عنوان یک ماشین حساب، می توانید از نام متغیرها برای نوشتن نتایج میانی در حافظه رایانه شخصی استفاده کنید. برای انجام این کار، از عملیات انتساب استفاده کنید که با علامت مساوی "=" مطابق با طرح معرفی شده است:<Имя переменной> = <выражение>[;]

نام متغیر می تواند حداکثر 30 کاراکتر داشته باشد و نباید با نام توابع، رویه های سیستم و متغیرهای سیستم مطابقت داشته باشد. در این حالت، سیستم حروف بزرگ و کوچک را در متغیرها تشخیص می دهد.بنابراین، نام های "amenu"، "Amenu"، "aMenu" در MatLAB نشان دهنده متغیرهای مختلف است.

عبارت سمت راست علامت تخصیص می تواند یک عدد ساده، یک عبارت حسابی، رشته ای از کاراکترها باشد (پس آن کاراکترها باید در آپستروف ها محصور شوند)، یا یک عبارت کاراکتری. اگر عبارت با ";" ختم نشود، پس از فشار دادن کلید<Еnter>در پنجره فرمان، نتیجه اجرا به شکل زیر ظاهر می شود:

<نام متغیر> = <نتیجه>.

برنج. 1.7. برنج. 1.8.

برای مثال، اگر خط " را وارد کنید ایکس= 25 + 17"، یک ورودی روی صفحه ظاهر می شود (شکل 1.9).

سیستم MatLAB دارای چندین نام متغیر است که توسط خود سیستم استفاده می شود و در نام های رزرو شده گنجانده شده است:

i، j - واحد خیالی (ریشه دوم -1)؛ pi - شماره p (ذخیره شده به عنوان 3.141592653589793)؛ inf - تعیین بی نهایت ماشین. Na - تعیین یک نتیجه تعریف نشده (به عنوان مثال، نوع 0/0 یا inf/inf)؛ eps - خطای عملیات روی اعداد ممیز شناور. ans - نتیجه آخرین عملیات بدون علامت انتساب. realmax و realmin حداکثر و حداقل مقادیر ممکن عددی هستند که می توان از آنها استفاده کرد.

از این متغیرها می توان در عبارات ریاضی استفاده کرد.

1.2.3. وارد کردن اعداد مختلط

زبان سیستم MatLAB، بر خلاف بسیاری از زبان های برنامه نویسی سطح بالا، شامل محاسبات اعداد مختلط داخلی است که استفاده از آن بسیار آسان است. اکثر توابع ریاضی ابتدایی اعداد مختلط را به عنوان آرگومان می پذیرند و نتایج را به صورت اعداد مختلط تولید می کنند. این ویژگی زبان آن را برای مهندسان و دانشمندان بسیار راحت و مفید می کند.

برای نشان دادن واحد خیالی در زبان MatLAB، دو نام i و j رزرو شده است. وارد کردن مقدار یک عدد مختلط از صفحه کلید با نوشتن خطی مانند این در پنجره فرمان انجام می شود:

<نام متغیر پیچیده> = <مقدار PM> + من[j] * <مقدار MP>,

جایی که DC قسمت واقعی یک عدد مختلط است، MP قسمت خیالی است. مثلا:

از مثال بالا می توانید ببینید که چگونه سیستم اعداد مختلط را روی صفحه نمایش (و در حالت چاپ) نمایش می دهد.

1.2.4. توابع پایه ریاضی

شکل کلی استفاده از تابع در MatLAB به صورت زیر است:

<نام نتیجه> = <نام تابع>(<فهرست آرگومان ها یا مقادیر آنها >).

زبان MatLAB توابع حسابی ابتدایی زیر را ارائه می دهد.

توابع مثلثاتی و هذلولی

گناه (z) - سینوس عدد z.

گناه(ز) - سینوس هذلولی.

asin (z) - آرکسین (به رادیان، در محدوده از تا );

آگناه(ز) - سینوس هذلولی معکوس.

باس(ز) – کسینوس؛

сosh(z) – کسینوس هذلولی.

acos (z) – کسینوس قوس الکتریکی (در محدوده 0 تا پ);

همچنینش(ز) – کسینوس هذلولی معکوس.

برنزه (ز) – مماس؛

tanh (ز) - مماس هذلولی.

قهوهای مایل به زرد (z) – تانژانت (در محدوده از تا );

atap2 (X, Y) - چهار ربع قطبی (زاویه در محدوده از -) پبه + پبین پرتوی راست افقی و پرتویی که با مختصات از نقطه عبور می کند ایکسو Y);

atanh (z) - مماس هذلولی معکوس;

sec (z) – secant;

sec (z) - secant hyperbolic;

asec (z) – arcscant;

asech (z) – معکوس هذلولی.

csc (z) – cosecant;

csch (z) - هذلولی.

acsc (z) - arccosecant;

acsch (z) - هذلولی معکوس.

cot (z) – cotangent;

coth (z) - کوتانژانت هذلولی.

acot (z) – cotangent قوس;

acoth (z) - کوتانژانت هذلولی معکوس

توابع نمایی

exp (z) - توان عدد z.

ورود به سیستم(ز) - لگاریتم طبیعی؛

ورود به سیستم10 (ز) - لگاریتم اعشاری؛

sqrt(z) - جذر عدد z.

abs (z) - مدول عدد z.

توابع عدد صحیح

ثابت (z) - گرد کردن به نزدیکترین عدد صحیح به سمت صفر.

طبقه (z) - گرد شدن به نزدیکترین عدد صحیح به سمت بی نهایت منفی.

ceil (z) - گرد شدن به نزدیکترین عدد صحیح به سمت بی نهایت مثبت.

دور (z) - گرد کردن عادی عدد z به نزدیکترین عدد صحیح.

mod (X, Y) - تقسیم عدد صحیح X به Y.

رم(X, Y) - محاسبه باقی مانده هنگام تقسیم X بر Y.

امضا کردن(z) - محاسبه تابع علامت عدد z

(0 در z = 0، -1 در z< 0, 1 при z > 0)

1.2.5. توابع ویژه ریاضی

علاوه بر موارد ابتدایی، زبان MatLAB تعدادی توابع ریاضی خاص را ارائه می دهد. در زیر لیست و خلاصه ای از این توابع آورده شده است. کاربر می تواند قوانین دسترسی و استفاده از آنها را در توضیحات این توابع بیابد که اگر دستور help را تایپ کرده و نام تابع را در همان خط مشخص کنید، روی صفحه نمایش داده می شود.

توابع تبدیل هماهنگ

سبد خرید2 sph- تبدیل مختصات دکارتی به کروی.

سبد خرید2 pol- تبدیل مختصات دکارتی به قطبی.

pol2 سبد خرید- تبدیل مختصات قطبی به دکارتی

sph2 سبد خرید- تبدیل مختصات کروی به دکارتی.

توابع بسل

besselj- تابع بسل از نوع اول؛

به طرز ناپسندی- تابع بسل از نوع دوم؛

بسلی- عملکرد بسل اصلاح شده از نوع اول؛

سفارشی- تابع بسل اصلاح شده از نوع دوم.

ویژگی های بتا

بتا- عملکرد بتا؛

بتاینک- عملکرد بتا ناقص؛

بتالن- لگاریتم تابع بتا.

توابع گاما

گاما- تابع گاما؛

gammainc- تابع گامای ناقص؛

گامالن- لگاریتم تابع گاما.

توابع و انتگرال های بیضوی

elipj- توابع بیضوی ژاکوبی؛

ellipke- انتگرال کامل بیضی؛

منقضی کردن- تابع انتگرال نمایی.

توابع خطا

erf- تابع خطا؛

erfc- عملکرد خطای اضافی؛

erfcx- تابع خطای اضافی مقیاس‌شده؛

erflnvتابع خطای معکوس است.

توابع دیگر

gcd- بزرگترین مقسوم علیه مشترک؛

فرا گرفتن- حداقل مضرب مشترک؛

افسانه- تابع لژاندر تعمیم یافته؛

log2- لگاریتم به پایه 2؛

pow2- افزایش 2 به توان مشخص شده؛

موش صحرایی- نمایش یک عدد به شکل کسری گویا.

موش ها- نمایش اعداد در قالب کسرهای گویا.

1.2.6. اقدامات ابتدایی با اعداد مختلط

ساده ترین عملیات با اعداد مختلط - جمع، تفریق، ضرب، تقسیم و توان - به ترتیب با استفاده از علائم حسابی معمول +، –، *، /، \ و ^ انجام می شود.

نمونه های استفاده در شکل نشان داده شده است. 1.11.

توجه داشته باشید. قطعه بالا از تابع استفاده می کند دیسپ (از کلمه "نمایش")، که همچنین نتایج محاسبات یا متنی را در پنجره فرمان نمایش می دهد. در این حالت، نتیجه عددی، همانطور که مشاهده می شود، بدون نشان دادن نام متغیر یا پاسخ

1.2.7. توابع آرگومان پیچیده

تقریبا همه پایه توابع ریاضیارائه شده در بند 1.2.4، برای مقادیر مختلط آرگومان محاسبه می شوندو در نتیجه مقادیر نتیجه پیچیده به دست می آید.

به لطف این، برای مثال، تابع sqrt برخلاف سایر زبان های برنامه نویسی، ریشه دوم یک آرگومان منفی و تابع را محاسبه می کند. عضلات شکم با توجه به مقدار مختلط آرگومان، مدول یک عدد مختلط را محاسبه می کند. نمونه هایی در شکل نشان داده شده است. 1.12.

MatLAB چندین تابع اضافی دارد که فقط یک آرگومان پیچیده را می گیرند:

واقعی (z) - بخش واقعی آرگومان مختلط z را انتخاب می کند.

і ماگ (ز) - بخش خیالی استدلال پیچیده را برجسته می کند.

زاویه (z) - مقدار آرگومان عدد مختلط z را محاسبه می کند (به رادیان در محدوده -p تا +p).

conj (z) - عددی را برمی‌گرداند که مزدوج مختلط نسبت به z است.

نمونه هایی در شکل نشان داده شده است. 1.13.

برنج. 1.12. برنج. 1.3.

علاوه بر این، MatLAB دارای یک تابع خاص cplxpair (V) است که یک بردار داده شده V را با عناصر پیچیده مرتب می کند به گونه ای که جفت های مزدوج مختلط این عناصر در بردار نتیجه به ترتیب افزایش قطعات واقعی خود مرتب می شوند. عنصر با قسمت خیالی منفی همیشه اول قرار می گیرد. عناصر واقعی جفت های مزدوج پیچیده را کامل می کنند. به عنوان مثال، در بیشتر در مثال هایی از دستورات که از صفحه کلید تایپ می شوند, به صورت پررنگ نوشته خواهد شد, و نتیجه اجرای آنها با فونت معمولی است):

>> v = [ -1، -1+2i،-5،4،5i،-1-2i،-5i]

ستون های 1 تا 4

1.0000 -1.0000 +2.0000i -5.0000 4.0000

ستون 5 تا 7

0 + 5.0000i -1.0000-2.0000i 0 - 5.0000i

>> disp(cplxpair(v))

ستون های 1 تا 4

1.0000 - 2.0000i -1.0000 + 2.0000i 0 - 5.0000i 0 + 5.0000i

ستون 5 تا 7

5.0000 -1.0000 4.0000

سازگاری اکثر توابع MatLAB برای کار با اعداد مختلط، ساخت محاسبات با اعداد واقعی را بسیار ساده تر می کند، که نتیجه آن پیچیده است، به عنوان مثال، یافتن ریشه های پیچیده معادلات درجه دوم.

1. Gultyaev A.K. MatLAB 5.2. شبیه سازی در محیط ویندوز: راهنمای عملی. - سنت پترزبورگ: چاپ CORONA، 1999. - 288 ص.

2. Gultyaev A.K. مدل سازی بصری در متلب: دوره آموزشی. - سن پترزبورگ: پیتر، 2000. - 430 ص.

3. کتاب Dyakonov V.P. در مورد استفاده از سیستم PC MatLAB. - م.: فیزمتلیت، 1993. - 113 ص.

4. Dyakonov V. Simulink 4. کتاب مرجع ویژه. - سن پترزبورگ: پیتر، 2002. – 518 ص.

5. Dyakonov V., Kruglov V. بسته های الحاقی ریاضی MatLAB. کتاب مرجع ویژه. - سن پترزبورگ: پیتر، 2001. - 475 ص.

6. Krasnoproshina A. A.، Repnikova N. B.، Ilchenko A. A. تحلیل مدرنسیستم های کنترل با استفاده از متلب، سیمولینک، سیستم کنترل: آموزش. - K.: "Korniychuk"، 1999. - 144 ص.

7. Lazarev Yu. F. Cobs برنامه نویسی در محیط MatLAB: Uch. کمک هزینه - K.: "Korniychuk"، 1999. - 160 p.

8. Lazarev Yu. MatLAB 5.x. - ک.: "ایرینا" (BHV)، 2000. - 384 ص.

9. Medvedev V. S.، Potemkin V. G. جعبه ابزار سیستم کنترل. MatLAB 5 برای دانش آموزان. - G.: "DIALOG-MEPhI"، 1999. - 287 p.

10. Potemkin V. G. MatLAB 5 for students: مرجع. کمک هزینه - M.: "DIALOG-MEPhI"، 1998. - 314 ص.

1. درس 23. مقدمه ای بر بسته ها پسوندهای متلب

درس شماره 23.

آشنایی با بسته های الحاقی متلب

بسته های توسعه را لیست کنید

سیمولینک برای ویندوز

کیسه پلاستیکی ریاضیات نمادین

بسته های ریاضی

بسته هایی برای تجزیه و تحلیل و سنتز سیستم های کنترل

بسته های شناسایی سیستم

ابزار Simulinc اضافی

بسته های پردازش سیگنال و تصویر

سایر بسته ها برنامه های کاربردی

در این درس به طور خلاصه با ابزار اصلی گسترش حرفه ای سیستم و تطبیق آن برای حل کلاس های خاصی از مسائل ریاضی، علمی و فنی - با بسته های الحاقی برای سیستم متلب آشنا می شویم. شکی نیست که حداقل بخشی از این بسته ها باید به یک دوره آموزشی یا کتاب مرجع جداگانه، شاید بیش از یک مورد، اختصاص داده شود. در مورد اکثر این پسوندها کتابهای جداگانه ای در خارج از کشور منتشر شده است و حجم مستندات آنها به صدها مگابایت می رسد. متأسفانه، دامنه این کتاب تنها یک قدم زدن کوتاه در بسته های توسعه اجازه می دهد تا به خواننده ایده ای از جهت هایی که سیستم در آن در حال توسعه است، بدهد.

2. لیست بسته های توسعه

بسته های توسعه را لیست کنید

ترکیب کامل سیستم MATLAB 6.0 شامل تعدادی مؤلفه است که نام، شماره نسخه و تاریخ ایجاد آنها با دستور ver قابل نمایش است:

MATLAB نسخه 6.0.0.88 (R12) در PCWIN MATLAB شماره مجوز: 0

	جعبه ابزار متلب	نسخه 6.0		06-0ct-2000
		نسخه 4.0
		نسخه 4.0		04-0ct-2000
	کدگذار جریان دولت	نسخه 4.0		04-0ct-2000
	کارگاه بیدرنگ	نسخه 4.0
	مجموعه بلوک مرجع COMA	نسخه 1.0.2
	مجموعه بلوک های ارتباطات	نسخه 2.0
	جعبه ابزار ارتباطات	نسخه 2.0
	جعبه ابزار سیستم کنترل	نسخه 5.0
	DSP Blockset	نسخه 4.0
	جعبه ابزار اکتساب داده	نسخه 2.0		05-0ct-2000
	جعبه ابزار پایگاه داده	نسخه 2.1
	جعبه ابزار Datafeed	نسخه 1.2
	Dials & Gauges Blockset	نسخه 1.1
	جعبه ابزار طراحی فیلتر	نسخه 2.0
	جعبه ابزار مشتقات مالی	نسخه 1.0
	جعبه ابزار سری زمانی مالی	نسخه 1.0
	جعبه ابزار مالی	نسخه 2.1.2
	مجموعه بلوک های نقطه ثابت	نسخه 3.0
	منطق فازیجعبه ابزار	نسخه 2.1
	جعبه ابزار GARCH	نسخه 1.0
	تصویر جعبه ابزار پردازش	نسخه 2.2.2

	جعبه ابزار کنترل ابزار	نسخه 1.0
	جعبه ابزار کنترل LMI	نسخه 1.0.6
	کامپایلر متلب	نسخه 2.1
	گزارش مولد متلب	نسخه 1.1
	جعبه ابزار نقشه برداری	نسخه 1.2
		نسخه 1.0.5
	کیت توسعه دهنده موتورولا DSP	نسخه 1.1		اول سپتامبر-2000
	جعبه ابزار Mi-Analysis و Synthesis	نسخه 3.0.5
	جعبه ابزار شبکه عصبی	نسخه 4.0
	مجموعه بلوک های طراحی کنترل غیرخطی	نسخه 1.1.4
	جعبه ابزار بهینه سازی	نسخه 2.1
	جعبه ابزار معادلات دیفرانسیل جزئی	نسخه 1.0.3
	بلوک سیستم قدرت	نسخه 2.1
	زمان واقعی کارگاه آدا کدگذار	نسخه 4.0
	زمان واقعی کارگاه کدگذار تعبیه شده	نسخه 1.0
	رابط مدیریت نیازمندی ها	نسخه 1.0.1
	جعبه ابزار کنترل قوی	نسخه 2.0.7
	SB2SL (SystemBuild را به Simu تبدیل می کند	نسخه 2.1
	جعبه ابزار پردازش سیگنال	نسخه 5.0
	شتاب دهنده سیمولینک	نسخه 1.0
	تفاوت مدل برای سیمولینک و...	نسخه 1.0
	ابزار پوشش مدل سیمولینک	نسخه 1.0
	Simulink Report Generator	نسخه 1.1
	جعبه ابزار Spline	نسخه 3.0
	جعبه ابزار آمار	نسخه 3.0
	جعبه ابزار ریاضی نمادین	نسخه 2.1.2
		نسخه 5.0
	جعبه ابزار موجک	نسخه 2.0
		نسخه 1.1
	xPC Target Embedded Option	نسخه 1.1

لطفاً توجه داشته باشید که تقریباً تمام بسته های افزودنی در متلب 6.0 به روز شده اند و به سال 2000 باز می گردند. شرح آنها به طور قابل توجهی گسترش یافته است، که در قالب PDF در حال حاضر بیش از ده هزار صفحه را اشغال می کند. در زیر آورده شده توضیح کوتاهبسته های توسعه اصلی

3. Simulink برای ویندوز

سیمولینک برای ویندوز

بسته الحاقی Simulink برای مدل سازی شبیه سازی مدل های متشکل از بلوک های گرافیکی با خصوصیات (پارامترهای) مشخص استفاده می شود. اجزای مدل نیز به نوبه خود بلوک ها و مدل های گرافیکی هستند که در تعدادی کتابخانه قرار دارند و می توانند با استفاده از ماوس به پنجره اصلی منتقل شوند و با اتصالات لازم به یکدیگر متصل شوند. این مدل ها ممکن است شامل منابع سیگنال از انواع مختلف، ابزار ضبط مجازی و ابزارهای انیمیشن گرافیکی باشند. با دوبار کلیک کردن روی یک بلوک مدل، پنجره ای با لیستی از پارامترهای آن نمایش داده می شود که کاربر می تواند تغییر دهد. اجرای یک شبیه سازی مدل سازی ریاضی مدل ساخته شده را با نمایش بصری واضح نتایج ارائه می دهد. این بسته بر اساس ساخت نمودارهای بلوک با انتقال بلوک ها از کتابخانه مؤلفه به پنجره ویرایش مدل ایجاد شده توسط کاربر است. سپس مدل راه اندازی می شود. در شکل شکل 23.1 روند مدل سازی یک سیستم ساده - یک سیلندر هیدرولیک را نشان می دهد. نظارت با استفاده از اسیلوسکوپ های مجازی انجام می شود - در شکل. شکل 23.1 صفحه نمایش دو اسیلوسکوپ و پنجره یک زیر سیستم ساده از مدل را نشان می دهد. مدل سازی سیستم های پیچیده متشکل از زیرسیستم های زیادی امکان پذیر است.

Simulink معادلات حالت مدل را گردآوری و حل می کند و به شما امکان می دهد انواع ابزارهای اندازه گیری مجازی را به نقاط مورد نظر متصل کنید. وضوح ارائه نتایج شبیه سازی قابل توجه است. تعدادی مثال از استفاده از بسته سیمولینک قبلاً در درس 4 آورده شده است. نسخه قبلی بسته با جزئیات کافی در کتاب ها توضیح داده شده است. نوآوری اصلی پردازش سیگنال های ماتریسی است. اضافه بسته های فردیبهبود عملکرد Simulink مانند Simulink Accelerator برای کامپایل کد مدل، Simulink profiler برای تجزیه و تحلیل کد و غیره.

برنج. 23.1.نمونه ای از مدل سازی یک سیستم سیلندر هیدرولیک با استفاده از پسوند Simulink

1.gif

تصویر:

1b.gif

تصویر:

4. Real Time Windows Target و Workshop

Real Time Windows Target and Workshop

یک زیرسیستم قدرتمند شبیه‌سازی بلادرنگ متصل به Simulink (با سخت‌افزار اضافی در قالب کارت‌های توسعه رایانه)، که توسط بسته‌های توسعه Real Time Windows Target و Workshop ارائه می‌شود، ابزاری قدرتمند برای مدیریت اشیا و سیستم‌های واقعی است. علاوه بر این، این افزونه ها به شما امکان می دهند کدهای مدل اجرایی ایجاد کنید. برنج. شکل 4.21 در درس 4 نمونه ای از چنین مدل سازی را برای سیستمی نشان می دهد که توسط معادلات دیفرانسیل غیرخطی واندرپل توصیف شده است. مزیت چنین مدلسازی وضوح ریاضی و فیزیکی آن است. در اجزای مدل Simulink، می‌توانید نه تنها پارامترهای ثابت، بلکه روابط ریاضی را نیز تعیین کنید که رفتار مدل‌ها را توصیف می‌کنند.

5. ایجاد گزارش برای متلب و سیمولینک

ایجاد گزارش برای متلب و سیمولینک

گزارش مولدها، ابزاری که در MATLAB 5.3.1 معرفی شده است، اطلاعاتی در مورد عملکرد سیستم متلب و بسته الحاقی Simulink ارائه می دهد. این ابزار هنگام اشکال زدایی الگوریتم های محاسباتی پیچیده یا شبیه سازی سیستم های پیچیده بسیار مفید است. مولدهای گزارش با دستور Report راه اندازی می شوند. گزارش ها را می توان به صورت برنامه ارائه و ویرایش کرد.

مولدهای گزارش می توانند دستورات و قطعات برنامه موجود در گزارش ها را اجرا کنند و به شما امکان نظارت بر رفتار محاسبات پیچیده را می دهند.

6. جعبه ابزار شبکه های عصبی

جعبه ابزار شبکه های عصبی

بسته ای از برنامه های کاربردی حاوی ابزارهایی برای ساخت شبکه های عصبی بر اساس رفتار یک آنالوگ ریاضی یک نورون. این بسته پشتیبانی موثری را برای طراحی، آموزش و شبیه سازی انواع پارادایم های شبکه شناخته شده، از مدل های پرسپترون پایه تا مدرن ترین شبکه های انجمنی و خودسازماندهی ارائه می دهد. این بسته را می توان برای کشف و اعمال شبکه های عصبی برای مشکلاتی مانند پردازش سیگنال، کنترل غیرخطی و مدل سازی مالی استفاده کرد. امکان تولید کد سی پرتابل با استفاده از Real Time Workshop فراهم شده است.

این بسته شامل بیش از 15 عدد می باشد انواع شناخته شدهشبکه ها و قوانین یادگیری که به کاربر این امکان را می دهد تا مناسب ترین الگو را برای یک برنامه کاربردی یا مشکل تحقیقی خاص انتخاب کند. برای هر نوع معماری و قوانین یادگیری، توابعی برای مقداردهی اولیه، آموزش، تطبیق، ایجاد و شبیه سازی، نمایش و مثال کاربرد شبکه وجود دارد.

برای شبکه‌های تحت نظارت، می‌توانید یک معماری رو به جلو یا بازگشتی را با استفاده از انواع قوانین یادگیری و تکنیک‌های طراحی مانند پرسپترون، انتشار پس‌پشتی، انتشار پس‌انداز Levenberg، شبکه‌های پایه شعاعی و شبکه‌های تکراری انتخاب کنید. شما به راحتی می توانید هر معماری، قوانین یادگیری یا توابع انتقال را تغییر دهید یا موارد جدیدی را اضافه کنید - همه بدون نوشتن یک خط C یا FORTRAN. نمونه ای از استفاده از بسته برای تشخیص تصویر حرف در درس 4 آورده شده است. شرح مفصل نسخه قبلی بسته را می توان در کتاب یافت.

7. جعبه ابزار منطق فازی

جعبه ابزار منطق فازی

بسته کاربردی منطق فازی به نظریه مجموعه های فازی (فازی) مربوط می شود. از روش های خوشه بندی فازی مدرن و شبکه های عصبی فازی تطبیقی ​​پشتیبانی می کند. ابزارهای گرافیکی بسته به شما این امکان را می دهد که به طور تعاملی رفتار سیستم را نظارت کنید.

ویژگی های اصلی پکیج:

• تعریف متغیرها، قوانین فازی و توابع عضویت.
• مشاهده تعاملی استنتاج منطقی فازی؛
• روش های مدرن: استنتاج فازی تطبیقی ​​با استفاده از شبکه های عصبی، خوشه بندی فازی.
• در ارتباط بودن مدل سازی پویادر سیمولینک؛

تولید کد سی قابل حمل با استفاده از Real-Time Workshop.

این مثال به وضوح تفاوت در رفتار مدل را در زمانی که منطق فازی در نظر گرفته شده و بدون چنین ملاحظه ای نشان می دهد.

8. جعبه ابزار ریاضی نمادین

جعبه ابزار ریاضی نمادین

بسته ای از برنامه های کاربردی که به سیستم MATLAB اساساً قابلیت های جدیدی می دهد - توانایی حل مسائل به صورت نمادین (تحلیلی) از جمله اجرای حساب دقیق عمق بیت دلخواه. این بسته مبتنی بر استفاده از هسته ریاضی نمادین یکی از قدرتمندترین سیستم های جبر رایانه ای - Maple V R4 است. تمایز و ادغام نمادین، محاسبه مجموع و محصولات، بسط در سری های تیلور و مکلارین، عملیات با چند جمله ای توان (چند جمله ای ها)، محاسبه ریشه های چندجمله ای ها، حل معادلات غیرخطی به صورت تحلیلی، انواع تبدیل های نمادین، جانشینی ها و بسیاری از موارد را فراهم می کند. بیشتر. دارای دستوراتی برای دسترسی مستقیم به هسته سیستم Maple V.

این پکیج به شما اجازه می دهد تا رویه هایی را با سینتکس زبان برنامه نویسی سیستم Maple V R4 تهیه کرده و در سیستم متلب نصب کنید. متأسفانه، این بسته از نظر قابلیت‌های ریاضی نمادین بسیار پایین‌تر است سیستم های تخصصیجبر کامپیوتری، مانند آخرین نسخه های Maple و Mathematica.

9. بسته های ریاضی

بسته های ریاضی

متلب شامل بسته های توسعه بسیاری است که توانایی های ریاضی سیستم را افزایش می دهد و سرعت، کارایی و دقت محاسبات را افزایش می دهد.

جعبه ابزار بنیاد NAG 10

جعبه ابزار بنیاد NAG

یکی از قدرتمندترین کتابخانه های توابع ریاضی که توسط گروه خاصی از گروه الگوریتم های عددی ایجاد شده است. این بسته شامل صدها ویژگی جدید است. نام توابع و نحو برای فراخوانی آنها از کتابخانه معروف بنیاد NAG به عاریت گرفته شده است. در نتیجه کاربران مجرب NAG FORTRAN می توانند به راحتی با بسته NAG در متلب کار کنند. کتابخانه بنیاد NAG توابع خود را در قالب کدهای شی و فایل های m مربوطه برای فراخوانی آنها ارائه می کند. کاربر به راحتی می تواند این فایل های MEX را در سطح کد منبع تغییر دهد.

بسته ویژگی های زیر را ارائه می دهد:

ریشه های چند جمله ای ها و روش لاگر اصلاح شده.

محاسبه مجموع یک سری: تبدیل فوریه گسسته و هرمیتی-گسسته.

معادلات دیفرانسیل معمولی: روش های آدامز و رانگ-کوتا.

معادلات دیفرانسیل جزئی;

درون یابی;

محاسبه مقادیر ویژه و بردارها، اعداد منفرد، پشتیبانی از ماتریس های پیچیده و واقعی؛

تقریب منحنی ها و سطوح: چند جمله ای ها، خطوط مکعبی، چند جمله ای چبیشف.

به حداقل رساندن و به حداکثر رساندن توابع: برنامه ریزی خطی و درجه دوم، حداکثر توابع چندین متغیر.

تجزیه ماتریس؛

حل سیستم معادلات خطی;

معادلات خطی (LAPACK)؛

محاسبات آماری، از جمله آمار توصیفی و توزیع احتمال؛

تحلیل همبستگی و رگرسیون: خطی، چند متغیره و تعمیم یافته مدل های خطی;

روش های چند بعدی: اجزای اصلی، چرخش های متعامد.

تولید اعداد تصادفی: توزیع نرمال، توزیع پواسون، وایبول و کوشی.

آمار ناپارامتریک: فریدمن، کروسکال-والیس، من ویتنی. درباره سری های زمانی: تک متغیره و چند متغیره.

تقریب توابع ویژه: نمایی انتگرال، تابع گاما، توابع بسل و هانکل.

در نهایت، این بسته به کاربر اجازه می دهد تا برنامه های FORTRAN را ایجاد کند که به صورت پویا به MATLAB پیوند می دهد.

11. جعبه ابزار Spline

بسته کاربردی برای کار با splines. از درون یابی و تقریب یک بعدی، دو بعدی و چند بعدی اسپلاین پشتیبانی می کند. ارائه و نمایش داده های پیچیده و پشتیبانی گرافیکی را ارائه می دهد.

این بسته به شما امکان می دهد تا درون یابی، تقریب و تبدیل splines را از B-form به چند جمله ای تکه ای، درون یابی با splines مکعبی و صاف کردن، انجام عملیات بر روی splines انجام دهید: محاسبه مشتق، انتگرال و نمایش.

بسته Spline مجهز به برنامه هایی برای کار با B-splines است که در کار "راهنمای عملی برای Splines" توسط Karl DeBoer، خالق splines و نویسنده بسته Spline توضیح داده شده است. ویژگی‌های این بسته، همراه با زبان متلب و یک کتابچه راهنمای کاربر دقیق، درک spline را آسان کرده و به طور موثر برای مشکلات مختلف به کار می‌روند.

این بسته شامل برنامه هایی برای کار با دو شکل پرکاربرد نمایش اسپلاین است: فرم B و چند جمله ای تکه ای. فرم B در مرحله ساخت اسپلاین راحت است، در حالی که شکل چند جمله ای تکه ای در طول کار کارآمدتر است. شغل دائمبا اسپلاین این بسته شامل توابعی برای ایجاد، نمایش، درون یابی، تقریب و پردازش splines در فرم B و به عنوان بخش های چند جمله ای است.

12. جعبه ابزار آمار

جعبه ابزار آمار

یک بسته کاربردی آماری که به طور چشمگیری قابلیت های سیستم متلب را در اجرای محاسبات آماری و پردازش داده های آماری گسترش می دهد. شامل مجموعه ای بسیار نماینده از ابزارها برای تولید اعداد تصادفی، بردارها، ماتریس ها و آرایه ها با قوانین توزیع مختلف و همچنین بسیاری از توابع آماری است. لازم به ذکر است که رایج ترین توابع آماریبخشی از هسته سیستم متلب (شامل توابع تولید داده های تصادفی با توزیع یکنواخت و نرمال) هستند. ویژگی های اصلی پکیج:

آمار توصیفی؛

توزیع احتمال؛

تخمین پارامتر و تقریب.

آزمایش فرضیه؛

رگرسیون چندگانه؛

رگرسیون گام به گام تعاملی؛

شبیه سازی مونت کارلو;

تقریب در فواصل

کنترل فرآیند آماری؛

برنامه ریزی آزمایش؛

مدل سازی سطح پاسخ؛

تقریب مدل غیر خطی.

تجزیه و تحلیل اجزای اصلی؛

نمودارهای آماری;

رابط کاربر گرافیکی.

این بسته شامل 20 توزیع احتمال مختلف از جمله t (Student's)، F و Chi-square می باشد. انتخاب پارامتر، نمایش گرافیکی توزیع ها و روشی برای محاسبه بهترین تقریب ها برای همه انواع توزیع ها ارائه شده است. ابزارهای تعاملی زیادی برای تجسم و تجزیه و تحلیل داده های پویا وجود دارد. رابط های تخصصی برای مدل سازی سطح پاسخ، تجسم توزیع ها، تولید اعداد تصادفی و خطوط سطح وجود دارد.

13. جعبه ابزار بهینه سازی

جعبه ابزار بهینه سازی

بسته مسائل کاربردی - برای حل مسائل بهینه سازی و سیستم های معادلات غیر خطی. از روش های اساسی برای بهینه سازی توابع تعدادی از متغیرها پشتیبانی می کند:

بهینه سازی بدون قید و شرط توابع غیرخطی؛

روش حداقل مربعات و درونیابی غیرخطی.

حل معادلات غیر خطی;

برنامه ریزی خطی؛

برنامه نویسی درجه دوم؛

کمینه سازی مشروط توابع غیرخطی؛

روش حداقلی؛

بهینه سازی چند معیاره

مثال های مختلف استفاده موثر از توابع بسته را نشان می دهد. با کمک آنها می توانید نحوه حل یک مشکل را با روش های مختلف مقایسه کنید.

14. جعبه ابزار معادلات دیفرانسیل جزئی

جعبه ابزار معادلات دیفرانسیل جزئی

یک بسته کاربردی بسیار مهم حاوی توابع زیادی برای حل سیستم معادلات دیفرانسیل جزئی. ابزار مؤثری برای حل چنین سیستم‌هایی از معادلات، از جمله سیستم‌های صلب فراهم می‌کند. بسته از روش اجزای محدود استفاده می کند. می توان از دستورات بسته و رابط کاربری گرافیکی استفاده کرد مدل سازی ریاضیمعادلات دیفرانسیل جزئی برای طیف وسیعی از کاربردهای مهندسی و علمی، از جمله مسائل مربوط به مقاومت مواد، محاسبات دستگاه الکترومغناطیسی، مسائل انتقال گرما و جرم، و مشکلات انتشار اعمال می‌شود. ویژگی های اصلی پکیج:

یک رابط گرافیکی کامل برای پردازش معادلات دیفرانسیل جزئی مرتبه دوم.

انتخاب شبکه خودکار و تطبیقی؛

تنظیم شرایط مرزی: دیریکله، نویمان و مخلوط.

فرمول بندی مشکل انعطاف پذیر با استفاده از نحو MATLAB.

مش بندی تمام اتوماتیک و انتخاب اندازه اجزای محدود.

طرح های طراحی غیرخطی و تطبیقی؛

توانایی تجسم فیلدهای پارامترها و عملکردهای مختلف راه حل، نشان دادن پارتیشن پذیرفته شده و جلوه های انیمیشن.

بسته به طور مستقیم شش مرحله حل PDE را با استفاده از روش اجزای محدود دنبال می کند. این مراحل و حالت های مربوط به بسته به شرح زیر است: تعریف هندسه (حالت ترسیم)، تنظیم شرایط مرزی (حالت شرایط مرزی)، انتخاب ضرایب تعیین کننده مشکل (حالت PDE)، گسسته سازی اجزای محدود (حالت مش). ، تنظیم شرایط اولیه و حل معادلات (حالت حل)، پردازش بعدی حل (حالت نمودار).

15. بسته های تجزیه و تحلیل و سنتز سیستم های کنترل

بسته هایی برای تجزیه و تحلیل و سنتز سیستم های کنترل

جعبه ابزار سیستم کنترل

پکیج Control System برای مدلسازی، تحلیل و طراحی سیستم های کنترل خودکار - هم پیوسته و هم گسسته - در نظر گرفته شده است. توابع بسته روش های تابع انتقال سنتی و روش های فضای حالت مدرن را پیاده سازی می کنند. پاسخ های فرکانس و زمان، نمودارهای قطب صفر را می توان به سرعت محاسبه کرد و روی صفحه نمایش داد. بسته شامل:

مجموعه کاملی از ابزارها برای تجزیه و تحلیل سیستم های MIMO (چند خروجی ورودی چندگانه).

ویژگی های زمانی: توابع انتقال و انتقال، پاسخ به نفوذ دلخواه.

مشخصات فرکانس: نمودارهای Bode، Nichols، Nyquist و غیره.

توسعه حلقه های بازخورد؛

طراحی کنترلرهای LQR/LQE؛

ویژگی های مدل ها: کنترل پذیری، مشاهده پذیری، کاهش ترتیب مدل ها.

پشتیبانی از سیستم ها با تاخیر

ویژگی های اضافی ساختمان مدل به شما امکان می دهد مدل های پیچیده تری بسازید. پاسخ زمانی را می توان برای یک ورودی پالس، یک ورودی تک مرحله ای یا یک سیگنال ورودی تصادفی محاسبه کرد. همچنین توابعی برای تجزیه و تحلیل اعداد مفرد وجود دارد.

یک محیط تعاملی برای مقایسه زمان و پاسخ فرکانسی سیستم‌ها، کنترل‌های گرافیکی را در اختیار کاربر قرار می‌دهد تا همزمان پاسخ‌ها را نمایش داده و بین آنها سوئیچ کند. ویژگی های مختلف پاسخ مانند زمان افزایش سرعت و زمان افزایش می تواند محاسبه شود.

بسته سیستم کنترل حاوی ابزارهایی برای انتخاب پارامترهای بازخورد است. روش های سنتی عبارتند از: تجزیه و تحلیل نقاط منفرد، تعیین بهره و ضرایب میرایی. از جمله روش های مدرن: کنترل خطی- درجه دوم و غیره. پکیج Control System شامل تعداد زیادی الگوریتم برای طراحی و تحلیل سیستم های کنترل می باشد. علاوه بر این، دارای یک محیط قابل تنظیم است و به شما امکان می دهد فایل های m خود را ایجاد کنید.

16. جعبه ابزار طراحی کنترل غیرخطی

جعبه ابزار طراحی کنترل غیرخطی

مجموعه بلوک های طراحی کنترل غیرخطی (NCD) یک روش بهینه سازی پویا را برای طراحی سیستم کنترل پیاده سازی می کند. این ابزار که برای استفاده با Simulink طراحی شده است، به طور خودکار پارامترهای سیستم را بر اساس محدودیت های زمانی تعریف شده توسط کاربر تنظیم می کند.

این بسته از کشیدن ماوس برای تغییر محدودیت‌های زمان‌بندی مستقیماً روی نمودارها استفاده می‌کند، به شما امکان می‌دهد به راحتی متغیرها را تنظیم کنید و پارامترهای تعریف‌نشده را مشخص کنید، بهینه‌سازی تعاملی را ارائه می‌دهد، شبیه‌سازی مونت کارلو را پیاده‌سازی می‌کند، از طراحی SISO (یک ورودی - یک خروجی) و کنترل MIMO پشتیبانی می‌کند. سیستم‌ها، امکان مدل‌سازی سرکوب تداخل، ردیابی و سایر انواع پاسخ‌ها را فراهم می‌کند، از تکرار مشکلات پارامترها و مشکلات کنترل سیستم‌ها با تاخیر پشتیبانی می‌کند و امکان انتخاب بین محدودیت‌های ارضا شده و دست نیافتنی را فراهم می‌کند.

17. جعبه ابزار کنترل قوی

جعبه ابزار کنترل قوی

بسته کنترل قوی شامل ابزارهایی برای طراحی و تجزیه و تحلیل سیستم های کنترل قوی چند متغیره است. اینها سیستم هایی با خطاهای مدل سازی هستند که دینامیک آنها به طور کامل مشخص نیست یا ممکن است پارامترهای آنها در طول مدل سازی تغییر کند. الگوریتم های قدرتمند بسته به شما امکان می دهد محاسبات پیچیده را با در نظر گرفتن تغییرات در بسیاری از پارامترها انجام دهید. ویژگی های پکیج:

سنتز کنترل کننده های LQG بر اساس به حداقل رساندن هنجارهای یکنواخت و یکپارچه.

پاسخ فرکانسی چند پارامتری؛

ساخت مدل فضایی حالت؛

تبدیل مدل ها بر اساس مقادیر منفرد.

کاهش ترتیب مدل؛

فاکتورسازی طیفی

بسته کنترل قوی بر اساس توابع است بسته کنترلیسیستم، ضمن ارائه مجموعه ای پیشرفته از الگوریتم ها برای طراحی سیستم کنترل. این بسته پلی بین تئوری کنترل مدرن و کاربردهای عملی ایجاد می کند. عملکردهای زیادی دارد که روش های مدرن را برای طراحی و تجزیه و تحلیل کنترلرهای مقاوم چند متغیره پیاده سازی می کند.

مظاهر عدم قطعیت هایی که پایداری سیستم ها را نقض می کنند متنوع هستند - نویز و اختلالات در سیگنال ها، عدم دقت مدل تابع انتقال، دینامیک غیر خطی بدون مدل. بسته کنترل قوی به شما اجازه می دهد تا حد پایداری چند پارامتری را تحت عدم قطعیت های مختلف تخمین بزنید. از جمله روش های مورد استفاده: الگوریتم پرون، تجزیه و تحلیل ویژگی های توابع انتقال و غیره.

بسته کنترل قوی روش‌های طراحی بازخورد مختلفی را ارائه می‌کند، از جمله: LQR، LQG، LQG/LTR، و غیره. نیاز به کاهش ترتیب مدل در موارد متعددی ایجاد می‌شود: کاهش مرتبه یک شی، کاهش ترتیب کنترل‌کننده، مدل‌سازی بزرگ سیستم های. یک روش کیفی برای کاهش ترتیب یک مدل باید از نظر عددی پایدار باشد. رویه های موجود در بسته کنترل قوی با موفقیت با این کار کنار می آیند.

18. جعبه ابزار کنترل پیشگویانه مدل

جعبه ابزار کنترل پیشگویانه مدل

بسته کنترل پیش‌بینی مدل شامل مجموعه کاملی از ابزارها برای اجرای استراتژی کنترل پیش‌بینانه (پیش‌گیرانه) است. این استراتژی برای حل مشکلات عملی کنترل فرآیندهای چند کاناله پیچیده با محدودیت‌های متغیرهای حالت و کنترل توسعه داده شد. روش های کنترل پیش بینی در صنایع شیمیایی و برای کنترل سایر فرآیندهای پیوسته استفاده می شود. بسته ارائه می دهد:

مدل سازی، شناسایی و تشخیص سیستم ها؛

پشتیبانی از MISO (ورودی های متعدد - یک خروجی)، MIMO، ویژگی های گذرا، مدل های فضای حالت.

تجزیه و تحلیل سیستم ها;

تبدیل مدل ها به اشکال مختلف نمایش (فضای حالت، توابع انتقال).

ارائه آموزش و دمو.

رویکرد پیش بینی برای کنترل مسائل از یک خطی صریح استفاده می کند مدل پویاهدف برای پیش بینی تأثیر تغییرات آتی در متغیرهای کنترلی بر رفتار شی. مسئله بهینه سازی به عنوان یک مسئله برنامه نویسی درجه دوم با محدودیت ها فرموله شده است که در هر مرحله شبیه سازی مجددا حل می شود. این بسته به شما اجازه می دهد تا کنترل کننده هایی را برای اشیاء ساده و پیچیده ایجاد و آزمایش کنید.

این بسته شامل بیش از پنجاه عملکرد تخصصی برای طراحی، تجزیه و تحلیل و مدل سازی سیستم های پویا با استفاده از کنترل پیش بینی است. از انواع سیستم های زیر پشتیبانی می کند: زمان پالسی، پیوسته و گسسته، فضای حالت. فرآوری شده انواع مختلفاغتشاشات. علاوه بر این، محدودیت‌های متغیرهای ورودی و خروجی را می‌توان به صراحت در مدل گنجاند.

ابزارهای شبیه سازی امکان ردیابی و تثبیت را فراهم می کنند. ابزارهای تجزیه و تحلیل شامل محاسبه قطب های حلقه بسته، پاسخ فرکانسی و سایر مشخصات سیستم کنترل است. برای شناسایی مدل، بسته دارای عملکردهایی برای تعامل با بسته شناسایی سیستم است. این بسته همچنین شامل دو تابع Simulink است که به شما امکان می دهد مدل های غیر خطی را آزمایش کنید.

19. mu - تجزیه و تحلیل و سنتز

(Mu)-تحلیل و سنتز

بسته P-Analysis and Synthesis شامل توابعی برای طراحی سیستم های کنترل قوی است. این پکیج از هنجار یکنواخت و بهینه سازی پارامترهای تکی استفاده می کند و. این بسته شامل یک رابط گرافیکی برای ساده سازی دستکاری بلوک در طول طراحی است. تنظیم کننده های بهینه. خواص پکیج:

• طراحی رگولاتورهایی که در هنجارهای یکنواخت و یکپارچه بهینه هستند.
• تخمین پارامتر منفرد واقعی و مختلط مو

تکرارهای D-K برای تقریبی مو-سنتز؛

رابط کاربری گرافیکی برای تجزیه و تحلیل پاسخ حلقه بسته.

ابزار کاهش سفارش مدل؛

اتصال مستقیم بلوک های جداگانه سیستم های بزرگ.

یک مدل فضای حالت را می توان بر اساس ماتریس های سیستم ایجاد و تجزیه و تحلیل کرد. این بسته از کار با مدل های پیوسته و گسسته پشتیبانی می کند. این بسته دارای یک رابط گرافیکی کامل است، از جمله: امکان تنظیم محدوده داده های ورودی، یک پنجره ویژه برای ویرایش خواص تکرارهای D-Kو نمایش گرافیکیویژگی های فرکانس دارای توابعی برای جمع ماتریس، ضرب، تبدیل های مختلف و سایر عملیات روی ماتریس ها. امکان کاهش ترتیب مدل ها را فراهم می کند.

20. جریان دولتی

Stateflow بسته ای برای مدل سازی سیستم های رویداد محور بر اساس تئوری ماشین های حالت محدود است. این بسته برای استفاده با بسته مدل سازی سیستم های پویا Simulink در نظر گرفته شده است. شما می توانید یک نمودار Stateflow (یا نمودار SF) را در هر مدل Simulink وارد کنید، که رفتار اجزای شی (یا سیستم) مدل سازی را منعکس می کند. نمودار SF متحرک است. با استفاده از بلوک ها و اتصالات رنگی آن، می توانید تمام مراحل عملکرد سیستم یا دستگاه شبیه سازی شده را ردیابی کنید و عملکرد آن را به رویدادهای خاصی وابسته کنید. برنج. شکل 23.6 مدل سازی رفتار خودرو را در هنگام وقوع یک وضعیت اضطراری در جاده نشان می دهد. یک نمودار SF (به طور دقیق تر، یک فریم از عملکرد آن) در زیر مدل خودرو قابل مشاهده است.

برای ایجاد نمودارهای SF، بسته دارای یک ویرایشگر راحت و ساده و همچنین ابزارهای رابط کاربری است.

21. جعبه ابزار نظریه بازخورد کمی

جعبه ابزار نظریه بازخورد کمی

این بسته شامل توابعی برای ایجاد سیستم های قوی (پایدار) با بازخورد است. QFT (نظریه بازخورد کمی) یک روش مهندسی است که از مدل‌های نمایش فرکانس برای برآوردن الزامات مختلف کیفیت در حضور ویژگی‌های نامشخص کارخانه استفاده می‌کند. این روش مبتنی بر مشاهده است که بازخورد در مواردی که برخی از ویژگی‌های یک شی نامشخص است و/یا اختلالات ناشناخته در ورودی آن اعمال می‌شود، ضروری است. ویژگی های پکیج:

ارزیابی محدودیت های فرکانس عدم قطعیت ذاتی در بازخورد؛

رابط کاربری گرافیکی که به شما امکان می دهد فرآیند یافتن پارامترهای بازخورد مورد نیاز را بهینه کنید.

توابع برای تعیین تأثیر بلوک های مختلف وارد شده به مدل (مولتی پلکسرها، جمع کننده ها، حلقه های بازخورد) در حضور عدم قطعیت.

پشتیبانی از مدل سازی حلقه های بازخورد آنالوگ و دیجیتال، آبشارها و مدارهای چند حلقه.

حل عدم قطعیت در پارامترهای گیاه با استفاده از مدل های پارامتریک و ناپارامتریک یا ترکیبی از این نوع مدل ها.

نظریه بازخورد، گسترش طبیعی رویکرد فرکانس کلاسیک برای طراحی است. هدف اصلی آن طراحی کنترل‌کننده‌های ساده و کوچک با حداقل پهنای باند است که ویژگی‌های عملکرد را در حضور عدم قطعیت برآورده می‌کند.

بسته به شما امکان محاسبه را می دهد پارامترهای مختلفبازخوردها، فیلترها، آزمایش رگولاتورها در فضای پیوسته و گسسته. این دارای یک رابط گرافیکی مناسب است که به شما امکان می دهد کنترل کننده های ساده ای ایجاد کنید که نیازهای کاربر را برآورده کند.

QFT به شما اجازه می دهد تا کنترل کننده هایی را طراحی کنید که نیازهای متفاوتی را برآورده کنند، علیرغم تغییر در پارامترهای مدل. داده های اندازه گیری شده را می توان به طور مستقیم برای طراحی کنترل کننده، بدون نیاز به شناسایی پاسخ سیستم پیچیده استفاده کرد.

22. جعبه ابزار کنترل LMI

جعبه ابزار کنترل LMI

بسته کنترل LMI (Linear Matrix Inequality) یک محیط یکپارچه برای طرح و حل مسائل برنامه ریزی خطی فراهم می کند. این بسته، که در اصل برای طراحی سیستم های کنترل در نظر گرفته شده است، به شما امکان می دهد تا هر گونه مشکل برنامه ریزی خطی را در تقریباً هر زمینه ای از فعالیت که چنین مشکلاتی ایجاد می شود، حل کنید. ویژگی های اصلی پکیج:

حل مسائل برنامه ریزی خطی: مشکلات سازگاری با محدودیت ها، به حداقل رساندن اهداف خطی در حضور محدودیت های خطی، به حداقل رساندن مقادیر ویژه.

تحقیق در مورد مسائل برنامه ریزی خطی;

ویرایشگر گرافیکی برای مسائل برنامه نویسی خطی.

تعیین محدودیت در شکل نمادین؛

طراحی چند معیاره رگولاتورها؛

بررسی پایداری: پایداری درجه دوم سیستم‌های خطی، پایداری لیاپانوف، تأیید معیار پوپوف برای سیستم‌های غیرخطی.

بسته LMI Control شامل الگوریتم‌های سیمپلکس مدرن برای حل مسائل برنامه‌نویسی خطی است. از یک نمایش ساختار یافته از محدودیت های خطی استفاده می کند که کارایی را بهبود می بخشد و نیازهای حافظه را به حداقل می رساند. این پکیج دارای ابزارهای تخصصی برای تحلیل و طراحی سیستم های کنترلی مبتنی بر برنامه ریزی خطی می باشد.

حل کننده های برنامه ریزی خطی می توانند به راحتی پایداری سیستم ها و سیستم های دینامیکی را با اجزای غیرخطی آزمایش کنند. پیش از این، این نوع تحلیل برای پیاده سازی بسیار پیچیده در نظر گرفته می شد. این بسته حتی ترکیبی از معیارهایی را که قبلاً بیش از حد پیچیده و تنها با کمک رویکردهای اکتشافی قابل حل در نظر گرفته می شد، اجازه می دهد.

این بسته یک ابزار قدرتمند برای حل مسائل بهینه سازی محدب است که در زمینه هایی مانند کنترل، شناسایی، فیلتر کردن، طراحی ساختاری، نظریه گراف، درون یابی و جبر خطی ایجاد می شود. بسته LMI Control شامل دو نوع رابط کاربری گرافیکی است: ویرایشگر مسائل برنامه نویسی خطی (LMI) ویرایشگر) و رابط Magshape. ویرایشگر LMI به شما امکان می دهد محدودیت ها را به صورت نمادین تنظیم کنید و Magshape ابزارهای مناسبی را برای کار با بسته در اختیار کاربر قرار می دهد.

23. بسته های شناسایی سیستم

بسته های شناسایی سیستم

جعبه ابزار شناسایی سیستم

بسته شناسایی سیستم شامل ابزارهایی برای ایجاد مدل های ریاضی سیستم های پویا بر اساس داده های ورودی و خروجی مشاهده شده است. دارای یک رابط گرافیکی انعطاف پذیر است که به شما در سازماندهی داده ها و ایجاد مدل ها کمک می کند. روش‌های شناسایی موجود در بسته برای طیف گسترده‌ای از مشکلات، از طراحی سیستم‌های کنترل و پردازش سیگنال گرفته تا تجزیه و تحلیل سری‌های زمانی و ارتعاش، قابل استفاده هستند. خواص اصلی پکیج:

رابط کاربری ساده و انعطاف پذیر؛

پیش پردازش داده ها، از جمله پیش فیلتر کردن، حذف گرایش ها و سوگیری ها؛ О انتخاب محدوده داده برای تجزیه و تحلیل.

تجزیه و تحلیل پاسخ در زمان و دامنه بسامد;

نمایش صفرها و قطب های تابع انتقال سیستم؛

تجزیه و تحلیل باقیمانده در هنگام آزمایش مدل؛

ساختن نمودارهای پیچیده مانند نمودار نایکیست و غیره.

رابط گرافیکی پیش پردازش داده ها و همچنین فرآیند شناسایی مدل تعاملی را ساده می کند. همچنین امکان کار با بسته در حالت فرمان و با استفاده از پسوند Simulink وجود دارد. عملیات بارگیری و ذخیره داده ها، انتخاب محدوده، حذف افست ها و روندها با حداقل تلاش انجام می شود و در منوی اصلی قرار دارد.

ارائه داده ها و مدل های شناسایی شده به صورت گرافیکی سازماندهی شده است به گونه ای که در طی فرآیند شناسایی تعاملی کاربر می تواند به راحتی به مرحله قبلی کار بازگردد. برای مبتدیان، گزینه ای برای مشاهده مراحل احتمالی بعدی وجود دارد. ابزارهای گرافیکی به متخصص این امکان را می دهد که هر یک از مدل های قبلی را پیدا کند و کیفیت آن را در مقایسه با مدل های دیگر ارزیابی کند.

با شروع با اندازه گیری خروجی و ورودی، می توانید یک مدل پارامتریک از سیستم ایجاد کنید که رفتار آن را در طول زمان توصیف می کند. این بسته از تمام ساختارهای مدل سنتی، از جمله رگرسیون خودکار، Box-Jenkins و غیره پشتیبانی می‌کند. از مدل‌های فضای حالت خطی، که می‌توانند در فضای گسسته و پیوسته تعریف شوند، پشتیبانی می‌کند. این مدل ها می توانند شامل تعداد دلخواه ورودی و خروجی باشند. این بسته شامل توابعی است که می تواند به عنوان داده های آزمایشی برای مدل های شناسایی شده استفاده شود. شناسایی مدل خطی به طور گسترده ای در طراحی سیستم های کنترلی استفاده می شود که نیاز به ایجاد مدلی از یک شی باشد. در مسائل پردازش سیگنال می توان از مدل ها برای پردازش سیگنال تطبیقی ​​استفاده کرد. روش های شناسایی نیز با موفقیت در برنامه های مالی به کار گرفته شده اند.

24. جعبه ابزار شناسایی سیستم دامنه فرکانس

جعبه ابزار شناسایی سیستم دامنه فرکانس

بسته شناسایی سیستم دامنه فرکانس ابزارهای تخصصی برای شناسایی سیستم های دینامیکی خطی بر اساس زمان یا زمان آنها ارائه می دهد. پاسخ فرکانس. هدف روش‌های مبتنی بر فرکانس شناسایی سیستم‌های پیوسته است که مکمل قدرتمندی برای تکنیک گسسته سنتی‌تر است. روش های پکیج را می توان برای مشکلاتی مانند مدل سازی سیستم های الکتریکی، مکانیکی و صوتی به کار برد. خواص پکیج:

اختلالات دوره ای، ضریب پیک، طیف بهینه، توالی های باینری شبه تصادفی و گسسته.

محاسبه فواصل اطمینان برای دامنه و فاز، صفر و قطب.

شناسایی سیستم های پیوسته و گسسته با تاخیر نامعلوم.

تشخیص مدل، از جمله مدل سازی و محاسبه باقیمانده.

تبدیل مدل ها به قالب جعبه ابزار شناسایی سیستم و بالعکس.

با استفاده از رویکرد فرکانس می توان به آن دست یافت بهترین مدلدر حوزه فرکانس؛ اجتناب از خطاهای نمونه گیری؛ به راحتی می توان جزء DC سیگنال را جدا کرد. به طور قابل توجهی نسبت سیگنال به نویز را بهبود می بخشد. برای به دست آوردن سیگنال های اغتشاش، بسته توابعی برای تولید توالی های دوتایی، به حداقل رساندن بزرگی پیک و بهبود ویژگی های طیفی ارائه می کند. این بسته شناسایی سیستم‌های استاتیک خطی پیوسته و گسسته، تولید خودکار سیگنال‌های ورودی، و همچنین نمایش گرافیکی صفرها و قطب‌های تابع انتقال سیستم حاصل را فراهم می‌کند. توابع برای آزمایش مدل شامل محاسبه باقیمانده ها، توابع انتقال، صفرها و قطب ها و اجرای مدل با استفاده از داده های آزمایشی است.

25. بسته های افزونه MATLAB اضافی

بسته های افزودنی متلب اضافی

جعبه ابزار ارتباطات

بسته ای از برنامه های کاربردی برای ساخت و مدل سازی دستگاه های مختلف مخابراتی: خطوط دیجیتالارتباطات، مودم ها، مبدل های سیگنال و غیره. دارای مجموعه ای غنی از مدل های طیف گسترده ای از دستگاه های ارتباطی و مخابراتی است. شامل تعدادی نمونه مدل سازی جالب است ابزار های ارتباطیبه عنوان مثال، یک مودم که با استفاده از پروتکل v34 کار می کند، یک مدولاتور برای ارائه مدولاسیون یک طرفه و غیره.

26. مجموعه بلوک پردازش سیگنال دیجیتال (DSP).

مجموعه بلوک پردازش سیگنال دیجیتال (DSP).

بسته کاربردی برای طراحی دستگاه ها با استفاده از پردازنده پردازش دیجیتالسیگنال ها اینها اول از همه فیلترهای دیجیتال بسیار کارآمد با پاسخ فرکانسی (پاسخ فرکانس) مشخص شده یا سازگار با پارامترهای سیگنال هستند. نتایج شبیه سازی و طراحی دستگاه های دیجیتالبا استفاده از این بسته می توان از فیلترهای دیجیتالی بسیار کارآمد استفاده کرد ریزپردازنده های مدرنپردازش سیگنال دیجیتال

27. Fixed-Point Blockset

مجموعه بلوک های نقطه ثابت

این بسته ویژه بر روی مدل سازی سیستم های کنترل دیجیتال و فیلترهای دیجیتال به عنوان بخشی از بسته سیمولینک متمرکز شده است. مجموعه خاصی از اجزا به شما امکان می دهد تا به سرعت بین محاسبات ثابت و شناور (نقطه) جابجا شوید. می توانید طول کلمه 8، 16 یا 32 بیتی را مشخص کنید. بسته دارای تعدادی خواص مفید است:

استفاده از محاسبات بدون علامت یا باینری؛

انتخاب کاربر موقعیت نقطه باینری.

تنظیم خودکار موقعیت نقطه باینری؛

مشاهده حداکثر و حداقل دامنه سیگنال مدل؛

بین محاسبات ثابت و شناور سوئیچ کنید.

تصحیح سرریز و در دسترس بودن اجزای کلیدی برای عملیات نقطه ثابت. عملگرهای منطقی، جداول جستجوی یک بعدی و دو بعدی.

28. بسته های پردازش سیگنال و تصویر

بسته های پردازش سیگنال و تصویر

جعبه ابزار پردازش سیگنال

پکیج قدرتمندی برای تجزیه و تحلیل، مدل سازی و طراحی دستگاه هایی برای پردازش انواع سیگنال ها، ارائه فیلتر آنها و بسیاری از دگرگونی ها.

بسته پردازش سیگنال قابلیت های بسیار جامعی را برای ایجاد برنامه های پردازش سیگنال برای کاربردهای علمی و مهندسی مدرن فراهم می کند. این بسته از انواع تکنیک های فیلترینگ و جدیدترین الگوریتم های تحلیل طیفی استفاده می کند. این بسته شامل ماژول هایی برای توسعه سیستم های خطی و تجزیه و تحلیل سری های زمانی است. این بسته به ویژه در زمینه هایی مانند پردازش اطلاعات صوتی و تصویری، مخابرات، ژئوفیزیک، وظایف کنترلی مفید خواهد بود. حالت واقعیزمان، اقتصاد، مالی و پزشکی. خواص اصلی پکیج:

مدل سازی سیگنال ها و سیستم های خطی؛

طراحی، تحلیل و اجرای فیلترهای دیجیتال و آنالوگ؛

تبدیل فوریه سریع، کسینوس گسسته و تبدیل های دیگر.

ارزیابی طیف و پردازش سیگنال آماری.

پردازش پارامتریک سری های زمانی؛

تولید سیگنال با اشکال مختلف

بسته پردازش سیگنال یک پوسته ایده آل برای تجزیه و تحلیل و پردازش سیگنال است. از الگوریتم‌های آزمایش شده برای حداکثر کارایی و قابلیت اطمینان استفاده می‌کند. این بسته شامل طیف گسترده ای از الگوریتم ها برای نمایش سیگنال ها و مدل های خطی است. این مجموعه به کاربر یک رویکرد نسبتاً انعطاف پذیر برای ایجاد یک اسکریپت پردازش سیگنال اجازه می دهد. این بسته شامل الگوریتم هایی برای تبدیل یک مدل از یک نمایش به دیگری است.

بسته پردازش سیگنال شامل مجموعه ای کامل از تکنیک ها برای ایجاد فیلترهای دیجیتال با ویژگی های مختلف است. این به شما امکان می دهد تا به سرعت فیلترهای بالا و پایین گذر، فیلترهای باند گذر و توقف گذر، فیلترهای چند باند از جمله Chebyshev، Yule-Walker، فیلترهای بیضوی و غیره را توسعه دهید.

رابط گرافیکی به شما این امکان را می دهد که فیلترها را با مشخص کردن الزامات آنها در حالت کشیدن اشیا با ماوس طراحی کنید. این بسته شامل روش های جدید طراحی فیلتر زیر است:

روش چبیشف تعمیم یافته برای ایجاد فیلترهایی با پاسخ فاز غیرخطی، ضرایب پیچیده یا پاسخ دلخواه. این الگوریتم توسط مک لنان و کرم در سال 1995 توسعه یافت.

حداقل مربعات محدود به کاربر اجازه می دهد تا به صراحت حداکثر خطا را کنترل کند (صاف کردن).

روش محاسبه حداقل سفارشفیلتر با پنجره Kaiser.

یک روش تعمیم یافته باترورث برای طراحی فیلترهای کم گذر با حداکثر نوارهای عبور و تضعیف یکنواخت.

بر اساس الگوریتم بهینه تبدیل فوریه سریع، پردازش سیگنال عملکرد بی نظیری را برای تحلیل فرکانس و تخمین طیفی ارائه می دهد. این بسته شامل توابعی برای محاسبه تبدیل فوریه گسسته، تبدیل کسینوس گسسته، تبدیل هیلبرت و سایر تبدیل‌هایی است که اغلب برای تحلیل، کدگذاری و فیلتر کردن استفاده می‌شوند. این بسته روش های تحلیل طیفی مانند روش ولچ، روش حداکثر آنتروپی و غیره را پیاده سازی می کند.

رابط گرافیکی جدید به شما امکان می دهد ویژگی های سیگنال را مشاهده و ارزیابی بصری کنید، فیلترها را طراحی و اعمال کنید، تجزیه و تحلیل طیفی انجام دهید، و تأثیر را بررسی کنید. روش های مختلفو پارامترهای آنها در نتیجه حاصل. رابط گرافیکی به ویژه برای تجسم سری های زمانی، طیف ها، ویژگی های زمانی و فرکانس، و مکان صفرها و قطب های توابع انتقال سیستم ها مفید است.

بسته پردازش سیگنال مبنایی برای حل بسیاری از مشکلات دیگر است. به عنوان مثال، ترکیب آن با بسته پردازش تصویر، سیگنال ها و تصاویر دو بعدی قابل پردازش و تجزیه و تحلیل هستند. هنگامی که با بسته شناسایی سیستم جفت می شود، بسته پردازش سیگنال، مدل سازی پارامتری دامنه زمانی سیستم ها را امکان پذیر می کند. هنگامی که با بسته‌های شبکه عصبی و منطق فازی ترکیب می‌شوند، می‌توان ابزارهای مختلفی را برای پردازش داده یا استخراج ویژگی طبقه‌بندی ایجاد کرد. ابزار تولید سیگنال به شما امکان می دهد سیگنال های پالسی با اشکال مختلف ایجاد کنید.

29. جعبه ابزار آنالیز طیفی مرتبه بالاتر

جعبه ابزار آنالیز طیفی مرتبه بالاتر

بسته تحلیل طیفی مرتبه بالاتر شامل الگوریتم های ویژه ای برای تجزیه و تحلیل سیگنال ها با استفاده از گشتاورهای مرتبه بالاتر است. این بسته فرصت های فراوانی را برای تجزیه و تحلیل سیگنال های غیر گاوسی فراهم می کند، زیرا حاوی الگوریتم هایی برای شاید پیشرفته ترین روش ها برای تجزیه و تحلیل و پردازش سیگنال ها است. ویژگی های اصلی پکیج:

ارزیابی طیف های مرتبه بالا؛

رویکرد سنتی یا پارامتریک؛

بازیابی دامنه و فاز؛

پیش بینی خطی تطبیقی؛

بازسازی هارمونیک؛

تخمین تاخیر؛

بلوک پردازش سیگنال

بسته تحلیل طیفی مرتبه بالاتر به شما امکان می دهد سیگنال های آسیب دیده توسط نویز غیر گاوسی و فرآیندهای رخ داده در سیستم های غیرخطی را تجزیه و تحلیل کنید. طیف های مرتبه بالا، که بر حسب گشتاورهای مرتبه بالا سیگنال تعریف می شوند، حاوی اطلاعات اضافی هستند که با استفاده از همبستگی خودکار یا تجزیه و تحلیل طیف توان سیگنال به تنهایی نمی توان آنها را به دست آورد. طیف های مرتبه بالا اجازه می دهد:

سرکوب نویز گاوسی رنگ افزودنی.

شناسایی سیگنال های فاز غیر حداقل؛

برجسته کردن اطلاعات به دلیل ماهیت غیر گاوسی نویز.

شناسایی و تجزیه و تحلیل خواص غیرخطی سیگنال ها

کاربردهای احتمالی آنالیز طیفی مرتبه بالا شامل آکوستیک، زیست پزشکی، اقتصاد سنجی، زلزله شناسی، اقیانوس شناسی، فیزیک پلاسما، رادار و رادار است. توابع اصلی بسته از طیف های مرتبه بالا، تخمین طیفی متقاطع، مدل های پیش بینی خطی و تخمین تاخیر پشتیبانی می کنند.

30. جعبه ابزار پردازش تصویر

جعبه ابزار پردازش تصویر

پردازش تصویر طیف گسترده ای از ابزارها را برای پردازش و تجزیه و تحلیل تصویر دیجیتال در اختیار دانشمندان، مهندسان و حتی هنرمندان قرار می دهد. جعبه ابزار پردازش تصویر که با محیط توسعه برنامه MATLAB همراه شده است، شما را از کدگذاری زمان بر و اشکال زدایی الگوریتم ها رها می کند و به شما امکان می دهد روی حل مشکل اصلی علمی یا عملی تمرکز کنید. خواص اصلی پکیج:

بازسازی و برجسته سازی جزئیات تصویر؛

کار با یک منطقه انتخاب شده از تصویر؛

تجزیه و تحلیل تصویر؛

فیلتراسیون خطی؛

تبدیل تصویر؛

تحولات هندسی؛

افزایش کنتراست جزئیات مهم؛

تبدیل های دودویی؛

پردازش تصویر و آمار؛

تغییر رنگ؛

تغییر پالت؛

تبدیل نوع تصویر

بسته پردازش تصویر قابلیت های گسترده ای را برای ایجاد و تجزیه و تحلیل فراهم می کند تصاویر گرافیکیدر محیط متلب این بسته یک رابط بسیار منعطف ارائه می دهد که به شما امکان می دهد تصاویر را دستکاری کنید، تصاویر گرافیکی را به صورت تعاملی توسعه دهید، مجموعه داده ها را تجسم کنید و نتایج را حاشیه نویسی کنید. توضیحات فنی، گزارش ها و انتشارات. انعطاف‌پذیری، ترکیب الگوریتم‌های بسته با ویژگی MATLAB مانند توصیف ماتریس-بردار، بسته را برای حل تقریباً هر مشکلی در توسعه و ارائه گرافیک بسیار مناسب می‌سازد. نمونه هایی از استفاده از این بسته در محیط MATLAB در درس 7 آورده شده است. متلب شامل رویه های طراحی شده ویژه برای بهبود کارایی است. پوسته گرافیکی. به طور خاص می توان به ویژگی های زیر اشاره کرد:

اشکال زدایی تعاملی هنگام توسعه گرافیک.

پروفایلر برای بهینه سازی زمان اجرای الگوریتم.

ابزارهایی برای ساخت یک رابط کاربری گرافیکی تعاملی (GUI Builder) برای سرعت بخشیدن به توسعه قالب های رابط کاربری گرافیکی، به شما این امکان را می دهد که آن را برای وظایف کاربر سفارشی کنید.

این بسته به کاربر اجازه می دهد تا زمان و تلاش بسیار کمتری را صرف ایجاد گرافیک استاندارد کند و در نتیجه تلاش خود را بر روی جزئیات و ویژگی های مهم تصاویر متمرکز کند.

متلب و بسته پردازش تصویر حداکثر برای توسعه و پیاده سازی ایده ها و روش های جدید کاربر سازگار هستند. برای این منظور، مجموعه ای از بسته های مرتبط با هدف حل انواع مشکلات و مشکلات خاص در یک محیط غیر متعارف وجود دارد.

پردازش تصویر در حال حاضر به طور گسترده توسط بیش از 4000 شرکت و دانشگاه در سراسر جهان استفاده می شود. در عین حال، طیف بسیار گسترده ای از مشکلات وجود دارد که کاربران با کمک این بسته حل می کنند، به عنوان مثال، تحقیقات فضایی، توسعه نظامی، نجوم، پزشکی، زیست شناسی، رباتیک، علم مواد، ژنتیک و غیره.

31. جعبه ابزار موجک

بسته Wavelet مجموعه کاملی از برنامه ها را برای مطالعه پدیده های غیر ثابت چند بعدی با استفاده از موجک ها (بسته های موج کوتاه) در اختیار کاربر قرار می دهد. روش‌هایی که اخیراً در بسته Wavelet ایجاد شده‌اند، قابلیت‌های کاربر را در مناطقی که معمولاً از تکنیک تجزیه فوریه استفاده می‌شود، گسترش می‌دهند. این بسته می تواند برای کاربردهایی مانند پردازش گفتار و صدا، مخابرات، ژئوفیزیک، امور مالی و پزشکی مفید باشد. خواص اصلی پکیج:

رابط کاربری گرافیکی بهبود یافته و مجموعه ای از دستورات برای تجزیه و تحلیل، سنتز، فیلتر سیگنال ها و تصاویر.

تبدیل سیگنال های پیوسته چند بعدی؛

تبدیل سیگنال گسسته؛

تجزیه و تجزیه و تحلیل سیگنال ها و تصاویر.

طیف گسترده ای از توابع پایه، از جمله تصحیح اثرات مرزی.

پردازش دسته ای سیگنال ها و تصاویر؛

تجزیه و تحلیل بسته مبتنی بر آنتروپی؛

فیلترینگ با قابلیت تنظیم آستانه های سخت و نرم.

فشرده سازی سیگنال بهینه

با استفاده از بسته، می‌توانید ویژگی‌هایی را که سایر روش‌های تحلیل سیگنال از دست می‌دهند، یعنی روندها، نقاط دورافتاده، شکسته شدن مشتقات مرتبه بالا را تجزیه و تحلیل کنید. این بسته به شما امکان می دهد سیگنال ها را بدون تلفات آشکار فشرده و فیلتر کنید، حتی در مواردی که نیاز به حفظ اجزای فرکانس بالا و پایین سیگنال دارید. الگوریتم های فشرده سازی و فیلترینگ برای پردازش دسته ایسیگنال ها برنامه های فشرده سازی حداقل تعداد ضرایبی را انتخاب می کنند که اطلاعات اصلی را با بیشترین دقت نشان می دهد، که برای مراحل بعدی سیستم فشرده سازی بسیار مهم است. این پکیج شامل مجموعه های پایه موجک زیر می باشد: biorthogonal، Haar، Mexican Hat، Mayer و غیره. همچنین می توانید پایه های خود را به بسته اضافه کنید.

یک کتابچه راهنمای کاربر گسترده نحوه کار با روش های بسته را توضیح می دهد که همراه با مثال های متعدد و یک بخش مرجع کامل است.

32. سایر بسته های کاربردی

سایر بسته های کاربردی

جعبه ابزار مالی

بسته ای از برنامه های کاربردی برای محاسبات مالی و اقتصادی که برای دوره اصلاحات بازار ما کاملاً مرتبط است. شامل بسیاری از توابع برای محاسبه سود مرکب، معاملات سپرده بانکی، محاسبات سود و موارد دیگر. متأسفانه، به دلیل تفاوت های متعدد (اگرچه، به طور کلی، نه چندان اساسی) در فرمول های مالی و اقتصادی، استفاده از آن در شرایط ما همیشه معقول نیست - برنامه های داخلی زیادی برای چنین محاسباتی وجود دارد، به عنوان مثال "حسابداری 1C". اما اگر می خواهید از طریق بسته متلب Datafeed Toolbox به پایگاه های خبرگزاری های مالی – Bloom-berg, IDC متصل شوید، البته حتما از بسته های افزونه مالی متلب استفاده کنید.

بسته مالی مبنایی برای حل انواع مشکلات مالی در متلب است، از محاسبات ساده تا برنامه های کاربردی توزیع شده در مقیاس کامل. بسته مالی را می توان برای محاسبه نرخ بهره و سود، تجزیه و تحلیل درآمد مشتقه و سپرده ها و بهینه سازی سبد سرمایه گذاری استفاده کرد. ویژگی های اصلی پکیج:

پردازش داده ها؛

تجزیه و تحلیل واریانس کارایی سبد سرمایه گذاری؛

تجزیه و تحلیل سری زمانی؛

محاسبه بازده اوراق بهادار و ارزیابی نرخ ها؛

تجزیه و تحلیل آماری و حساسیت بازار؛

محاسبه درآمد سالانه و محاسبه جریان نقدی؛

روشهای محاسبه استهلاک و استهلاک

با توجه به اهمیت تاریخ یک تراکنش مالی خاص، بسته مالی شامل چندین عملکرد برای دستکاری تاریخ ها و زمان ها در قالب های مختلف است. بسته مالی به شما امکان می دهد قیمت ها و بازده سرمایه گذاری های اوراق قرضه را محاسبه کنید. کاربر این امکان را دارد که هنگام بازپرداخت قبوض، برنامه‌های غیراستاندارد از جمله برنامه‌های نامنظم و متناقض برای تراکنش‌های بدهکار و اعتبار و تسویه نهایی را تنظیم کند. توابع حساسیت اقتصادی را می توان با در نظر گرفتن سررسیدهای مختلف محاسبه کرد.

الگوریتم‌های بسته مالی برای محاسبه شاخص‌های جریان نقدی و سایر داده‌های منعکس‌شده در حساب‌های مالی به شما این امکان را می‌دهند که به ویژه محاسبه کنید: نرخ بهرهدر مورد وام ها و اعتبارات، نسبت های سودآوری، دریافت های وام و اقلام تعهدی نهایی، ارزیابی و پیش بینی ارزش سبد سرمایه گذاری، محاسبه شاخص های استهلاک و غیره. ) (به ترتیب دریافتی های نقدی مازاد بر پرداخت ها یا پرداخت های نقدی بیش از دریافتی ها).

بسته مالی شامل الگوریتم هایی است که به شما امکان می دهد سبد سرمایه گذاری، پویایی و عوامل حساسیت اقتصادی را تجزیه و تحلیل کنید. به طور خاص، هنگام تعیین اثربخشی سرمایه گذاری ها، عملکردهای بسته به شما امکان می دهد یک نمونه کار ایجاد کنید که مشکل کلاسیک G. Markowitz را برآورده کند. کاربر می تواند الگوریتم های بسته را برای محاسبه نسبت شارپ و نرخ بازده ترکیب کند. تجزیه و تحلیل پویایی و عوامل حساسیت اقتصادی به کاربر این امکان را می‌دهد تا موقعیت‌های معاملات استرادل، پوشش ریسک و معاملات با نرخ ثابت را تعیین کند. بسته مالی همچنین قابلیت های گسترده ای را برای ارائه و ارائه داده ها و نتایج در قالب نمودارها و نمودارهای سنتی برای حوزه های اقتصادی و مالی فراهم می کند. وجه نقد به صلاحدید کاربر در قالب های اعشاری، بانکی و درصدی قابل نمایش است.

33. جعبه ابزار نقشه برداری

بسته Mapping یک رابط گرافیکی و خط فرمان برای تجزیه و تحلیل داده های جغرافیایی، نمایش نقشه ها و دسترسی به منابع داده های جغرافیایی خارجی را فراهم می کند. علاوه بر این، بسته برای کار با بسیاری از اطلس های شناخته شده مناسب است. تمامی این ابزارها در ترکیب با متلب تمامی شرایط را در اختیار کاربران قرار می دهند کار مولدبا داده های جغرافیایی علمی ویژگی های اصلی پکیج:

تجسم، پردازش و تجزیه و تحلیل داده های گرافیکی و علمی؛

بیش از 60 پیش بینی نقشه (مستقیم و معکوس)؛

طراحی و نمایش نقشه های برداری، ماتریسی و ترکیبی.

رابط گرافیکی برای ساخت و پردازش نقشه ها و داده ها.

اطلس های داده جهانی و منطقه ای و رابط با داده های دولتی با وضوح بالا.

آمار جغرافیایی و توابع ناوبری؛

نمایش سه بعدی نقشه ها با برجسته سازی و سایه زنی داخلی؛

مبدل های فرمت های رایج داده های جغرافیایی: DCW، TIGER، ETOPO5.

بسته نقشه برداری شامل بیش از 60 مورد از شناخته شده ترین پیش بینی ها، از جمله استوانه ای، شبه استوانه ای، مخروطی، چند مخروطی و شبه مخروطی، ازیموتال و شبه آزیموتال است. پیش بینی های رو به جلو و معکوس امکان پذیر است، همچنین انواع غیر استانداردی از طرح ریزی که توسط کاربر مشخص شده است.

در بسته Mapping با کارتهر متغیر یا مجموعه ای از متغیرها که یک مقدار عددی را منعکس یا اختصاص می دهد نامیده می شود نقطه جغرافیایییا مناطق این بسته به شما امکان می دهد با نقشه های برداری، ماتریس و داده های ترکیبی کار کنید. یک رابط گرافیکی قدرتمند، تجربیات نقشه تعاملی را فراهم می کند، مانند توانایی حرکت اشاره گر به یک شی و کلیک روی آن برای دریافت اطلاعات. رابط گرافیکی MAPTOOL یک محیط توسعه برنامه کامل برای کار با نقشه ها است.

شناخته شده ترین اطلس های جهان، آمریکا و اطلس های نجومی در بسته بندی موجود است. ساختار داده های جغرافیایی استخراج و پردازش داده ها از اطلس ها و نقشه ها را ساده می کند. ساختار داده‌های جغرافیایی و عملکرد برای تعامل با داده‌های جغرافیایی خارجی در قالب‌های نمودار دیجیتال جهان (DCW)، TIGER، TBASE و ETOPO5 گرد هم آمده‌اند تا ابزاری قدرتمند و انعطاف‌پذیر برای دسترسی به پایگاه‌های اطلاعاتی جغرافیایی موجود و آینده ارائه کنند. تجزیه و تحلیل دقیق داده های جغرافیایی اغلب نیازمند روش های ریاضی است که در یک سیستم مختصات کروی عمل می کنند. بسته Mapping زیرمجموعه ای از توابع جغرافیایی، آماری و ناوبری را برای تجزیه و تحلیل داده های جغرافیایی فراهم می کند. ویژگی های ناوبری قابلیت های قدرتمندی را برای انجام وظایف سفر مانند تعیین موقعیت و برنامه ریزی مسیر فراهم می کند.

34. بلوک سیستم قدرت

جعبه ابزار اکتساب داده و جعبه ابزار کنترل ابزار

جعبه ابزار جمع‌آوری داده یک بسته توسعه‌یافته مرتبط با زمینه جمع‌آوری داده‌ها از طریق بلوک‌های متصل به گذرگاه داخلی رایانه، ژنراتورهای تابع، تحلیل‌گرهای طیف است - به طور خلاصه، ابزارهایی که به طور گسترده برای اهداف تحقیقاتی برای به دست آوردن داده‌ها استفاده می‌شوند. آنها توسط یک پایگاه محاسباتی مناسب پشتیبانی می شوند. بلوک جدید Instrument Control Toolbox به شما امکان می دهد ابزارها و دستگاه ها را با آن متصل کنید رابط سریالو با کانال عمومی و رابط های VXI.

36. جعبه ابزار پایگاه داده و جعبه ابزار واقعیت مجازی

جعبه ابزار پایگاه داده و جعبه ابزار واقعیت مجازی

سرعت جعبه ابزار پایگاه داده بیش از 100 برابر افزایش یافته است که به کمک آن اطلاعات با تعدادی از سیستم های مدیریت پایگاه داده از طریق درایورهای ODBC یا JDBC رد و بدل می شود:

• دسترسی 95 یا 97 مایکروسافت؛

  Microsoft SQL Server 6.5 یا 7.0.

  Sybase Adaptive Server 11;

  Sybase (سابق Watcom) SQL Server Anywhere 5.0;

  IBM DB2 Universal 5.0;

• Computer Associates Ingres (همه نسخه ها).

همه داده ها از قبل به یک آرایه سلولی در MATLAB 6.0 تبدیل می شوند. در MATLAB 6.1 می توانید از آرایه ای از ساختارها نیز استفاده کنید. Visual Query Builder به شما این امکان را می دهد که پرس و جوهای پیچیده دلخواه را در گویش های SQL این پایگاه داده ها ایجاد کنید، حتی بدون دانش SQL. بسیاری از پایگاه های داده ناهمگن را می توان در یک جلسه باز کرد.

جعبه ابزار واقعیت مجازی با MATLAB 6.1 در دسترس است. به شما امکان می دهد انیمیشن و انیمیشن سه بعدی از جمله مدل های Simulink را انجام دهید. زبان برنامه نویسی - VRML - زبان مدلسازی واقعیت مجازی (Virtual Reality Modeling Language). انیمیشن را می توان از هر کامپیوتر مجهز به مرورگری که از VRML پشتیبانی می کند، مشاهده کرد. تأیید می کند که ریاضیات علم روابط کمی و اشکال فضایی هر دنیای واقعی یا مجازی است.

37. لینک اکسل

به شما امکان استفاده می دهد مایکروسافت اکسل 97 به عنوان یک پردازنده MATLAB I/O. برای انجام این کار، فقط فایل excllinkxla ارائه شده توسط Math Works را به عنوان یک تابع افزودنی در اکسل نصب کنید. در اکسل باید Service را تایپ کنید > Add-ons > Browse، فایل را در پوشه \matlabrl2\toolbox\exlink انتخاب کنید و آن را نصب کنید. اکنون، هر بار که اکسل را راه اندازی می کنید، پنجره دستور MATLAB و پنل ظاهر می شود مدیریت اکسلبا دکمه های getmatrix، putmatrix، evalstring تکمیل خواهد شد. برای بستن MATLAB از اکسل، کافیست =MLC1ose() را در هر سلول اکسل تایپ کنید. برای باز کردن پس از اجرای این دستور، باید یا بر روی یکی از دکمه‌های getmatrix، putmatrix، evalstring کلیک کنید یا در Excel Tools > Macro > Execute mat تایپ کنید! آبی نی تی. با انتخاب ماوس بر روی طیف وسیعی از سلول های اکسل، می توانید روی getmatrix کلیک کرده و نام آن را تایپ کنید متغیر متلب. ماتریس در اکسل ظاهر می شود. هنگامی که محدوده ای از سلول های اکسل را با اعداد پر کردید، می توانید محدوده را برجسته کنید، روی putmatrix کلیک کنید و نام متغیر MATLAB را وارد کنید. بنابراین عملیات بصری است. برخلاف MATLAB، لینک اکسل به حروف بزرگ و کوچک حساس نیست: I و i، J و j معادل هستند.

فراخوانی نسخه ی نمایشی بسته های افزونه.

اکثر توسعه دهندگان در درک نحو و قابلیت های آن مشکل دارند. موضوع این است که این زبان به طور مستقیم با یک محصول نرم افزاری محبوب مرتبط است که هزینه آن می تواند به مقادیر شگفت انگیزی برسد. بنابراین، سوال اصلی این است: آیا خود زبان Matlab اینقدر خوب است؟ و آیا می تواند برای شما مفید باشد؟

استفاده

اجازه دهید نه با یک گشت و گذار استاندارد در تاریخ و بحث در مورد جوانب مثبت و منفی زبان، بلکه با محیط نرم افزار MATLAB/Simulink شروع کنیم - تنها جایی که قهرمان این متن می تواند مفید باشد. فقط یک ویرایشگر گرافیکی را تصور کنید که در آن بتوانید هر یک از ایده های خود را بدون داشتن چندین سال تجربه و تحصیلات مرتبط در پشت سر خود تحقق بخشید. و با یک بار ایجاد نمودار تعامل بین ابزارها، یک اسکریپت با کیفیت بالا برای استفاده مکرر دریافت خواهید کرد.

MATLAB چنین ویرایشگری در دنیای داده است. دامنه کاربرد آن بی نهایت گسترده است: اینترنت اشیا، امور مالی، پزشکی، فضا، اتوماسیون، روباتیک، سیستم های بی سیمو بسیاری بسیار دیگر. به طور کلی، امکانات تقریبا نامحدودی برای جمع آوری و تجسم داده ها و همچنین پیش بینی وجود دارد، اما به شرطی که فرصت خرید بسته مناسب را داشته باشید.

در مورد قیمت، تقریبا هیچ محدودیت بالایی وجود ندارد، اما حد پایین حدود 99 دلار است. برای ربودن چنین محصول قدرتمندی با پول نسبتاً کمی، باید دانشجو باشید. و البته شما یک محصول نسبتاً محدود دریافت خواهید کرد.

ویژگی های زبان

زبان متلب ابزاری است که تعامل یک اپراتور (اغلب حتی یک برنامه نویس) را با همه تضمین می کند. فرصت های موجودتجزیه و تحلیل، جمع آوری و ارائه داده ها. دارای مزایا و معایب آشکار زبانی است که در یک اکوسیستم بسته زندگی می کند.

ایرادات:

زبانی کند و پر بار با عملگرها، دستورات و توابع که هدف اصلی آن بهبود ادراک بصری است.

متمرکز باریک. دیگر وجود ندارد پلت فرم نرم افزاری، جایی که MATLAB مفید خواهد بود.

هزینه بالای نرم افزار اگر دانشجو نیستید یا آماده شوید که جیب خود را خالی کنید یا از خط قانون عبور کنید. و حتی اگر دانشجو هستید، قیمت مناسب است.

تقاضای کم علیرغم علاقه زیاد به متلب تقریباً در همه زمینه ها، فقط تعداد کمی از آنها به طور واقعی و قانونی از آن استفاده می کنند.

مزایای:

یادگیری زبان آسان است و نحوی ساده و قابل فهم دارد.

فرصت های بزرگ اما این بیشتر مزیت محصول به عنوان یک کل است.

به روز رسانی های مکرر، معمولاً تغییرات مثبت قابل توجه حداقل چند بار در سال رخ می دهد.

محیط نرم افزاربه شما امکان می دهد آن را به کد "سریع" در C، C ++ تبدیل کنید.

مخاطب هدف

البته همه به متلب نیاز ندارند. علیرغم طیف گسترده ای از برنامه های کاربردی، تصور اینکه یک توسعه دهنده نرم افزار معمولی به دانش این زبان نیاز داشته باشد دشوار است. MATLAB در زمینه هایی که به پردازش داده های قوی نیاز دارند، مانند سیستم های خلبان خودکار در خودروها یا سیستم های اویونیک هواپیما، بسیار مفید است.

یعنی اگر زیاد برنامه نویس نیستید، اما به هر نحوی حرفه شما به نیاز به پردازش داده های برنامه ای مرتبط است، یک محصول MATLAB/Simulink با زبان مناسب می تواند کارهای روزمره شما را تا حد زیادی ساده کند.

ادبیات

مرور زبان را مثل همیشه با فهرستی از ادبیات آموزشی به پایان می بریم. البته، در میان آنها شما کتاب هایی را به طور انحصاری در مورد زبان پیدا نمی کنید، اما این فقط درک زبان را آسان تر می کند:

آیا تجربه کار با متلب را دارید؟ و کدام؟

برای کسانی که می خواهند برنامه نویس شوند - .