محصولات آموزشی دکتر جوادی

محصولات آموزشی دکتر جوادی

  1. –

    @ali, متاسفانه امکانش نیست که این solver رو در اختیار هیچ کسی بذارم ولی قطعا میتونید الگوریتم های تکراری رایگان پیدا کنید که مسایل quasi-convex رو براتون حل بکنه. موفق باشید

  2. (مهمان) –

    @علی جوادی, ممنون که جواب دادید. قید من quasi-convex است. بازم اگه لطف کنید برام ایمیل کنید ممنون میشم ازتون.

  3. –

    @ali, نسخه‌ای که من دارم صرفا برای مصارف تحقیقاتی بوده و برای دانشگاه علم و صنعت ایران خریداری شده و فقط دانشجویان این دانشگاه اجازه استفاده از اون رو دارند و من اجازه ندارم اونو در اختیار عموم قرار بدم. هر فرد یا دانشگاهی که نیاز داشته باشه باید اون رو خریداری کنه. البته توصیه میکنم نسخه آکادمیکش رو از طریق دانشگاهتون تهیه کنید که ارزونتره. اجازه بدید یه توصیه کلیتر هم بکنم. همیشه سعی کنید مساله رو طوری فرمولبندی کنید که به LMI برسید و بنابراین نیازی به solver هایی مثل PENBMI نداشته باشید. این کار دو مزیت داره: 1) نیازی به هزینه کردن برای خرید PENBMI نیست. 2) معمولا دید خوبی نسبت به مسایل غیرمحدب در بین داوران ژورنالهای معتبر وجود نداره و بنابراین اگر مقاله‌ای نگارش کنید که باید توش یه شرط BMI حل بشه احتمال رد شدن مقاله وجود داره. موفق باشید

  4. (مهمان) –

    @علی جوادی, یعنی شما هم آن را ندارید؟

  5. –

    @ali, با سلام. دوست عزیز همانطور که داخل فیلمها هم اشاره کردم، PENBMI یک solver رایگان نیست و باید برای استفاده از آن خریداری شود. درود

  6. (مهمان) –

    سلام. اگر می شود لطفا PENBMI را برای دانلود قرار دهید.

  7. –

    @ابراهیم, سلام به امید خدا انسیس هم گفته میشه. درود

  8. (مهمان) –

    سلام دکتر بهتر نبود انسیس رو به جای ترنسیس تو الویت قرار میدادید؟ انسیس خیلی پرکاربردتر و جامع تره

  9. –

    @ابراهیم, سلام و درود بر مهندس عزیز ممنون بابت نظرتون 1- تمام سعیم اینه که این مجموعه رو خودم استارت بزنم. 2 - اول اینکه حق با شماست و این هم تجربه ای هستش که خودمون کسب کردیم. اما در مورد بچه های مکانیک یکی از اساتید که دانشجوی دکتری مکانیک هست در حال حاضر هفت جلسه از نرم افزار ترنسیس رو ضبط کرده و تا آخر همین ماه قولشو به ما داده که تمومش کنه. در مورد اطلاعیه ما توی کانال از همون موقع که اطلاعیش قرار داده شد ایشون استارت کار رو زدن ولی هم ایشون هم همه بچه های تیم به کارشون حساسن و میخوان بهترین کارشون رو ارائه کنن. بنابراین این پروسه کمی زمانبر هستش. با همه این اوصاف بابت تاخیری که بوجود آمد از شما عذرخواهی میکنیم سپاس

  10. (مهمان) –

    سلام اگه آموزشش رو بذارید خیلی بهتره مخصوصا واسه بچه های مکانیک 2 - تو کانال هم گفته بودید آموزش های رشته مکانیک اما هیچ خبری نشد لطفا تا خبری نیست اطلاع رسانی نکنید و گرنه متهم به دروغ گویی میشید و خودتون ضرر می کنید

  11. –

    @یاسمن, برای بهتر شدن دقت شاید بهتر باشه از تولباکس YALMIP با solver MOSEK استفاده کنید. درود

  12. (مهمان) –

    فراااااوااااان سپاااااااااس :-) حل شد فقط دقتش مناسب نیست.

  13. –

    @یاسمن, با سلام اولا که تمام مجهولات شما چه ماتریسی، چه برداری و چه اسکالر همگی جزو متغیرهای LMI هستند و همگی داخل بردار تصمیم گیری یا x قرار دارند و شما با دستور mincx میتونید هر ترکیب خطی از این متغیرها رو (که همون cx باشه) مینیمم کنید. تنها کاری که شما باید بکنید اینه که محل اون متغیر دلخواه رو تو بردار تصمیم گیری پیدا کنید تا بردار c رو تعیین کنید (مثلا ضریب متناسب با اون متغیر تصمیم گیری رو تو بردار c یک کنید و بقیه رو صفر کنید). روشهای مختلفی برای این کار وجود داره که تو جلسه چهارم (تقریبا دقایق 4 تا 12) با یک مثال کاربردی مفصلا بحث شده. در واقع یکی از روشها دستور defcx هستش که تو فیلم به طور کامل توضیح داده شده. موفق باشید

  14. (مهمان) –

    سلام وقت بخیر آقای دکتر آیا دستور mincx فقط برای حالت مینیم سازی بصورت cx قابل استفاده است؟ مثلا اگر یک پارامتر را (نه یک تابع) را بخواهیم مینیمم کنیم چطور؟ مثلا قرار است نامساوی ماتریسی حل شود به شرط مینیمم سازی پارامتر d. که در ماتریس هم، پارامتر d بصورت ضرب در ماتریس واحد روی قطرهای اصلی قرار دارد. مثلا سطر اول به این صورت است... [dI BP-GC] (متاسفانه امکان اتچ کردن تصویر وجود ندارد و امکانات ویرایش هم در این صفحه محدود می باشد) G,P هم ماتریس های نامعلوم هستند که با حل LMI بدست می آیند. جناب دکتر جوادی قبلا از پاسخگویی شما سپاسگزارم

  15. (مهمان) –

    @روح الله, من هم مثل آقا روح الله منتظر رویتگر مد لغزشی میمانم.

  16. –

    @ابراهیم, سلام مهندس بله ولی یه مشکلی برای ایشون پیش اومد انشاالله بعد از رفع مشکلشون در اسرع وقت شروع خواهند کرد. من واقعا از شما عذرخواهی میکنم

  17. (مهمان) –

    سلام فیلتر کالمن رو که تو کانال فرموده بودید رو منظورمه

  18. (مهمان) –

    @آنیتا, با سلام و تشکر از لطف شما از اونجایی که سالهاست که در زمینه تاخیر مطالعه داشتم و یکی از موضوعات مورد علاقمه، من هم امیدوارم که بتونم هرچه زودتر موضوع جذاب تاخیر رو هم شروع کنم. در آینده قطعا به سیستمهای تاخیردار هم خواهم پرداخت ولی فعلا درگیر یک سری آموزشهای دیگه هستم و شاید به این زودی ها نشه به این موضوع بپردازم. لطفا کمی صبور باشید و به من مهلت بدید. درود فراوان

  19. (مهمان) –

    با سلام تشکر می کنم از شما بابت آموزش های دقیق ، روان و مفهومی تون بسیار مفید بود برای من اگر ممکن هست اموزش کنترل مقاوم در حضور تاخیرزمانی رو هم قرار بدید. با سپاس فراوان

  20. –

    @ابراهیم, سلام تاریخ کدوم آموزش رو؟