دانلود شبیه سازی روش سریعترین فرود یا Steepest Descent

خلاصه:

پیدا کردن مینیمم یک تابع در بسیاری از موارد عملی بسیار ضروری می باشد. روش های بسیار زیادی برای پیدا کردن مینیمم یک تابع بیان شده است که یکی از این روش ها روش سریعترین فرود یا Steepest Descent است. در این پروژه این روش به صورت تابع (فانکشن) در متلب پیاده سازی شده است و به همراه گزارش کار و یک مثال ساده از نحوه استفاده در اختیار محققان عزیز قرار می گیرد.

متلب
قیمت دانلود مقاله
12,000تومان
گزارشکار: یک فایل انگلیسی که شامل توضیحات مساله است شبیه سازی : دارد (فایل های شبیه سازی در متلب با فرمت .m)
شرح موضوع

Steepest Descent ( سریعترین فرود)

الگوریتم سریعترین فرود یا Steepest Descent یک الگوریتم برای پیدا کردن نزدیک ترین حداقل محلی یا local minimum از یک تابع که مشتق پذیر بوده و می توان گرادینت تابع را می توان محاسبه کرد، است. روش سریعترین فرود، روش شیب گرادیان نامیده نیز می شود، و از یک نقطه شرو کرده و تا رسیده به نقطه مینیمم محلی به کار خود در جهت کاهش گرادیان ادامه می دهد.

این روش یکی از روش های حل تابع و محاسبه حداقل محلی (مینیمم محلی) تابع است که در درس فیلتر های تطبیقی مورد استفاده قرار می گیرد. همچنین در پیدا کردن مینیمم توابع در پردازش سیگنال ها می توان از این تابع استفاده نمود. این روش یک روش همگرا می باشد و برای پیدا کردن جواب همگرا در حل معادلات استفاده می شود، همچنین این روش دارای سرعت همگرایی بالایی است.

شبیه سازی ها برای این تابع در متلب صورت گرفته است و به همراه یک فایل آموزشی و مثال بعد از خرید قابل دانلود می باشد. این تابع برای استفاده به صورت عمومی به صورت فانکشن نوشته شده و برای تمام معادلات قابل استفاده می باشد.

در ادامه یک مثال ساده از این روش نشان داده شده است.

روش سریعترین فرود

روش سریعترین فرود


نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “دانلود شبیه سازی روش سریعترین فرود یا Steepest Descent”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

شانزده + چهار =

آموزش برنامه نویسی

پشتیبانی

ارتباط با ما

  • شماره تماس : 09360147484
  • ایمیل : info@sigmaland.ir

نماد اعتماد الکترونیکی

لوگو طلایی

logo-samandehi
تمامی حقوق مادی و معنوی برای سایت سیگمالند محفوظ است.