🍀🍀 آموزش کاربرد متلب در کنترل خطی و کنترل مدرن 🍀🍀
____________________________
💡 جلسه ششم
💡 استاد : مهندس ورمقانی
____________________________
همانطور که میدانیم برای زمان برخاست و زمان نشست تعاریف (معیارهای) مختلفی وجود دارد.
در دستور stepinfo میتوان این معیارها را تغییر داد:
S = stepinfo(sys,'SettlingTimeThreshold',ST)
در این دستور معیار زمان نشست را تغییر میدهیم به طور پیش فرض مقدار 0.02 یعنی 2 درصد برای زمان نشت در نظر گرفته میشود اما در این دستور مقدار ST برای ان در نظر گرفته شده است.

____________________________
#Modern_Control
#آموزش_مقدماتی
#جلسه_ششم
#ورمقانی
#کنترل_مدرن
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________

🍀🍀 آموزش کاربرد متلب در کنترل خطی و کنترل مدرن 🍀🍀
____________________________
💡 جلسه ششم
💡 استاد : مهندس ورمقانی
____________________________
مثال:
میخواهیم معیار زمان نشست را به 5 درصد تغییر دهیم:
clc
clear

num=[1 5];
den=[1 3 5];
[A,B,C,D]=tf2ss(num,den);
sys=ss(A,B,C,D);
S = stepinfo(sys,'SettlingTimeThreshold',0.02)
نتیجه:
S =

RiseTime: 0.8042
SettlingTime: 2.4750
SettlingMin: 0.9134
SettlingMax: 1.0674
Overshoot: 6.7417
Undershoot: 0
Peak: 1.0674
PeakTime: 1.6272

____________________________
#Modern_Control
#آموزش_مقدماتی
#جلسه_ششم
#ورمقانی
#کنترل_مدرن
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________

🍀🍀 آموزش کاربرد متلب در کنترل خطی و کنترل مدرن 🍀🍀
____________________________
💡 جلسه ششم
💡 استاد : مهندس ورمقانی
____________________________
میخواهیم معیار زمان برخاست را تغییر دهیم:
S = stepinfo(sys,'RiseTimeLimits',RT)
در این دستور RT بازه مورد نظر را میدهد. به طور پیش فرض ستور stepinfo برای زمان نشست معیار 10 درصد تا 90 درصد پاسخ نهایی را در نظر میگیرد.
در مثال زیر میخواهیم این معیار را به 5 درصد تا 95 درصد تغییر دهیم.
مثال:
clc
clear

num=[1 5];
den=[1 3 5];
[A,B,C,D]=tf2ss(num,den);
sys=ss(A,B,C,D);
S = stepinfo(sys,'RiseTimeLimits',[0.05,0.95])

____________________________
#Modern_Control
#آموزش_مقدماتی
#جلسه_ششم
#ورمقانی
#کنترل_مدرن
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________

🍀🍀 آموزش کاربرد متلب در کنترل خطی و کنترل مدرن 🍀🍀
____________________________
💡 جلسه ششم
💡 استاد : مهندس ورمقانی
____________________________
نتیجه :
S =

RiseTime: 0.9471
SettlingTime: 2.4750
SettlingMin: 0.9583
SettlingMax: 1.0674
Overshoot: 6.7417
Undershoot: 0
Peak: 1.0674
PeakTime: 1.6272

____________________________
#Modern_Control
#آموزش_مقدماتی
#جلسه_ششم
#ورمقانی
#کنترل_مدرن
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________

🍀🍀 آموزش کاربرد متلب در کنترل خطی و کنترل مدرن 🍀🍀
____________________________
💡 جلسه ششم
💡 استاد : مهندس ورمقانی
____________________________
در مثال زیر هر دو معیار زمان نشست و زمان برخاست را تغییر میدهیم:
مثال:
clc
clear

num=[1 5];
den=[1 3 5];
[A,B,C,D]=tf2ss(num,den);
sys=ss(A,B,C,D);
S = stepinfo(sys,'RiseTimeLimits',[0.05,0.95],'SettlingTimeThreshold',0.02)
نتیجه:
S =

RiseTime: 0.9471
SettlingTime: 2.4750
SettlingMin: 0.9583
SettlingMax: 1.0674
Overshoot: 6.7417
Undershoot: 0
Peak: 1.0674
PeakTime: 1.6272


____________________________
#Modern_Control
#آموزش_مقدماتی
#جلسه_ششم
#ورمقانی
#کنترل_مدرن
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________

🍀🍀 آموزش کاربرد متلب در کنترل خطی و کنترل مدرن 🍀🍀
____________________________
💡 جلسه ششم
💡 استاد : مهندس ورمقانی
____________________________
توجه داشته باشید که در دستورهای اخیر به جای sys میتوانیم از اطلاعات پاسخ پله استفاده کنیم:
مثال:
clc
clear

num=[1 5];
den=[1 3 5];
[y,x,t]=step(num,den);

S = stepinfo(y,t,1,'RiseTimeLimits',[0.05,0.95],'SettlingTimeThreshold',0.02)
نتیجه :
S =

RiseTime: 0.9471
SettlingTime: 2.4750
SettlingMin: 0.9583
SettlingMax: 1.0674
Overshoot: 6.7417
Undershoot: 0
Peak: 1.0674
PeakTime: 1.6272
____________________________
#Modern_Control
#آموزش_مقدماتی
#جلسه_ششم
#ورمقانی
#کنترل_مدرن
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________

🍀🍀 آموزش کاربرد متلب در کنترل خطی و کنترل مدرن 🍀🍀
____________________________
💡 جلسه ششم
💡 استاد : مهندس ورمقانی
____________________________
پایان جلسه ششم
فایل مربوط به این آموزش در ادامه ارسال خواهد شد
باتشکر
____________________________
#Modern_Control
#آموزش_مقدماتی
#جلسه_ششم
#ورمقانی
#کنترل_مدرن
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________

🍀🍀 آموزش مقدماتی پردازش تصویر 🍀🍀
____________________________
💡 جلسه پنجم
💡 استاد : مهندس بنی فخر
____________________________
این جلسه در مورد اعمال فیلترهای حوزه مکان به تصویر صحبت خواهیم کرد.
فیلتر های حوزه مکان بصورت نقاب روی تصویر قرار میگیرند و مقادیر سطح خاکستری هر پیکسل در وزن مربوطه در نقاب ضرب خواهد شد و نهایتا حاصلجمع آنها در پیکسلی که معمولا مرکز نقاب می باشد جایگزین می شود
نکته ای که وجود دارد این است که معمولا ابعاد نقاب بصورت فرد در نظر گرفته می شود برای مثال 3*3 تا تقارن موجود در نقاب تا جای ممکن به ساختار تصویر لطمه نزد

____________________________
#Image_processing
#آموزش_مقدماتی
#جلسه_پنجم
#بنی_فخر
#پردازش_تصویر
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________

🍀🍀 آموزش مقدماتی پردازش تصویر 🍀🍀
____________________________
💡 جلسه پنجم
💡 استاد : مهندس بنی فخر
____________________________
نکته بعدی این است که معمولا مجموع وزن های موجود در فیلتر برابر1 می باشد که سطح خاکستری بیشتر از 255( سفید) ایجاد نگردد
اولین فیلتر فیلتر میانگین گیر می باشد که ساختار یک نمونه *3*3 آن را در زیر مشاهده می کنید:
____________________________
#Image_processing
#آموزش_مقدماتی
#جلسه_پنجم
#بنی_فخر
#پردازش_تصویر
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________
yon.ir/JQD6

🍀🍀 آموزش مقدماتی پردازش تصویر 🍀🍀
____________________________
💡 جلسه پنجم
💡 استاد : مهندس بنی فخر
____________________________

فیلتر میانگین گیری باعث میشود که تصویر کمی مات تر شود و لبه های تیز موجود در تصویر کمی نرمتر شوند
دستور فیلتر میانگین گیر در متلب صورت زیر قابل پیاده سازی است:
imfilter(sss,[1/9 1/9 1/9;1/9 1/9 1/9;1/9 1/9 1/9])

____________________________
#Image_processing
#آموزش_مقدماتی
#جلسه_پنجم
#بنی_فخر
#پردازش_تصویر
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________

🍀🍀 آموزش مقدماتی پردازش تصویر 🍀🍀
____________________________
💡 جلسه پنجم
💡 استاد : مهندس بنی فخر
____________________________
دستور فوق برای هر نقاب با ابعاد دیگر و مشخصات دیگر نیز قابل استفاده است
در تصویر لبه ها و تغییرات تند تصویر در دسته محتویات فرکانس بالا تصویر می باشند و چون فیلتر میاگین گیر موجب حذف آنها می شود از این نوع فیلتر به عنوان فیلتر پایین گدر نیز یاد می شود


____________________________
#Image_processing
#آموزش_مقدماتی
#جلسه_پنجم
#بنی_فخر
#پردازش_تصویر
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________

🍀🍀 آموزش مقدماتی پردازش تصویر 🍀🍀
____________________________
💡 جلسه پنجم
💡 استاد : مهندس بنی فخر
____________________________
در جلسه آینده در مورد فیلتر میانه صحبت می کنیم و چند نمونه دیگر از این فیلتر ها را در حوزه مکان معرفی می کنیم مانند فیلتر میانه و ...

____________________________
#Image_processing
#آموزش_مقدماتی
#جلسه_پنجم
#بنی_فخر
#پردازش_تصویر
#مثال

© @MATLAB_tutorial
© @MATLAB_files
____________________________