آشنایی با نرم افزار متلب

اگر به برنامه‌نویسی علاقه‌مند باشید، مطمئنا بارها نام نرم‌افزار متلب را شنیده‌اید. متلب (Matlab) نام یک زبان برنامه‌نویسی نسل چهارم و هم‌چنین یک محیط نرم‌افزاری برای انجام محاسبات عددی، تجسم و توسعه نرم‌افزارهای تجاری است. برای آشنایی بیشتر با این نرم افزار با ما همراه باشید.

معرفی نرم افزار Matlab

در اواخر دهه 70 میلادی، متلب توسط Cleve Moler -یکی از موسسان کمپانی خصوصی Mathworks واقع شده در ایالت ماساچوست آمریکا- توسعه و عرضه شد. او که یک استاد ریاضی بود، به منظور دسترسی آسان تر دانشجویان دانشگاه نیومکزیکو به LINPACK و EISPACK، بدون نیاز به یادگیری زبان های برنامه نویسی دیگر مانند فرترن، متلب را ایجاد کرد. اولین برنامه ای که وی با متلب نوشت، یک محاسبه گر ماتریس بود. در سال 2000 متلب بازنویسی شد و با اضافه شدن کتابخانه های کاربردی فراوان، در حوزه های مختلف صنعت، کنترل، مخابرات، پزشکی، فضانوردی و… مورد توجه و استفاده متخصصان قرار گرفت. در واقع می توان گفت که متلب برای استفاده مهندسان و دانشمندان طراحی شده است. آن ها با کمک متلب می توانند به راحتی ماتریس ها و آرایه های ریاضی را به طور مستقیم در برنامه ها استفاده کنند. این موضوع در مورد تجزیه و تحلیل داده ها، پردازش سیگنال و تصویر، جبر خطی و طراحی کنترل نیز صادق است. Matlab به برنامه نویسان کمک می کند تا مسائل پیچیده ریاضی را به زبان کامپیوتر ترجمه کرده و با سرعت بالا آن ها را حل کنند. لوگوی متلب از آغاز تا کنون تغییر زیادی نداشته و نمایشی از معادله ی طول موج است.

ویژگی های زبان متلب و کاربردهای آن

متلب یک زبان برنامه نویسی سطح بالا (نزدیک به زبان انسان)، مفسری و شی گرا است. این زبان برخلاف بسیاری از زبان های برنامه نویسی، متن باز نیست و برای تهیه آن باید هزینه پرداخت کنید (حدودا 50 هزار دلار!) البته استفاده از آن به مدت 30 روز رایگان است. متلب در مقایسه با رقبایش از جمله Fusion، Mathematica و… فضای رم بیش تری مصرف می کند؛ اما از جمله مزیت های آن می توان به امکان گرفتن خروجی C و ++C و همچنین خروجی گرافیکی به صورت نمودار و منحنی از کدهای متلب اشاره کرد. کدهای متلب با کمک API به راحتی با زبان های دیگر مثل جاوا و سی ادغام می شوند و می توان از آن ها در هر بستری استفاده کرد. همچنین می توان با نصب پکیج Hardware Support، برای ابزارهایی مانند رزبری پای، آردوینو، دستگاه های پزشکی مثل MRI و… با استفاده از متلب برنامه نوشت. شما می توانید زبان متلب را تنها در نرم افزار متلب نوشته و اجرا کنید و اجرای آن در سایر محیط های توسعه ی برنامه نویسی امکان پذیر نیست. متلب کاربردهای گسترده ای در رشته های مهندسی، فیزیک، ریاضی و شیمی دارد. برخی از کاربردهای برنامه های ساخته شده با متلب عبارتند از:

• پردازش سیگنال و مخابرات
• پردازش فیلم و تصویر
• سیستم های کنترل خودکار
• تست و اندازه گیری
• امور مالی محاسباتی
• زیست شناسی محاسباتی
• قدرت محاسبات ریاضی Matlab

محاسبات ریاضی رایج با متلب عبارتند از:

• رسم و گرافیک 2 و 3 بعدی
• جبر خطی
• معادلات جبری
• توابع غیر خطی
• آمار
• تحلیل داده ها
• حساب و معادلات دیفرانسیل
• محاسبات عددی
• ادغام
• تبدیل
• ایجاد منحنی و..

کتابخانه های Matlab

متلب در زمینه های مختلف از جمله پردازش سیگنال، هوش مصنوعی، شبکه های عصبی، یادگیری ماشین، حل معادلات دیفرانسیل و فوریه و… دارای کتابخانه های کاربردی فراوان است و امکان ایجاد و افزودن کتابخانه های مجزا نیز وجود دارد. علاوه بر این می توان از پلاگین هایی با عنوان Add-ones نیز استفاده کرد. توابع و دستورات استفاده از کتابخانه ها در بخش Documetation این زبان به صورت کامل موجود هستند و شما به منبع دیگری برای یادگیری نیاز نخواهید داشت.

چه نوع شرکت هایی از متلب استفاده می کنند؟

متلب ابزارهای کاربردی فراوانی در اختیار برنامه نویسان قرار داده است. به همین دلیل بسیاری از صنایع به خصوص صنایع هوافضا و دفاعی به آن نیاز دارند. این شرکت ها از متلب در نمونه گیری اولیه و تست و آزمایشات خود استفاده می کنند. در صنعت تولید خودرو نیز از متلب در توسعه سیستم های کنترل و مصرف سوخت استفاده می شود. صنعت دیگری که استفاده گسترده ای از متلب دارد، صنعت روباتیک است زیرا کمپانی Mathworks از سخت افزارهای بسیاری پشتیبانی می کند که این موضوع ساخت ربات هایی با قابلیت های بسیار پیشرفته را نسبت به گذشته تا حد زیادی آسان تر کرده است.

شروع برنامه نویسی متلب

پس از نصب نرم افزار Matlab با محیطی شبیه به تصویر زیر رو به رو می شوید. صفحه command window جاییست که کدهای شما در آن نوشته می شوند. پنجره Current Folder، فایل ها و پوشه های مرتبط با پروژه شما را نشان می دهد و پنجره Workspace فضای کاری شماست که داده های برنامه در آن نمایش داده می شود.

تعریف متغیرها در Matlab

متغیرها مکان هایی از حافظه هستند که می توان در آن ها داده ها را ذخیره کرده و در قسمت های دیگر برنامه از آن استفاده کرد. برای تعریف متغیرها در متلب تنها کافیست یک نام نمادین (حداکثر 63 کاراکتر) انتخاب کرده و مقدار مورد نظر را به آن تخصیص دهید. لازم به ذکر است که از نام های رزرو شده (مانند sin، tan، cot و…) و علائم (مانند +،-، * و…) نمی توان برای نام متغیرها استفاده کرد. نمونه ای از تعریف متغیر در متلب: A = 3

توجه داشته باشید که زبان متلب Case sensitive بوده و به بزرگ یا کوچک بودن حروف حساس است. استفاده از توابع در Matlabدر برنامه نویسی کاربردهای فراوانی دارند. تابع قطعه کدی است که یک بار نوشته شده و می توان در قسمت های مختلف برنامه بارها آن را فراخوانی کرد. همان طور که پیش تر نیز گفته شد، توابع آماده زیادی در متلب وجود دارند؛ همچنین شما می توانید توابع مورد نیاز خود را تعریف کرده و از آن ها استفاده کنید. برای مثال تابعی که بتواند میانگین اعضای آرایه ورودی را محاسبه کند به این صورت نوشته می شود: function ave = average(x) ave = sum(x(:))/numel(x)

نتیجه گیری

می توان گفت زبان قدرتمند متلب برای استفاد در کاربردهای مهندسی و محاسبات پیچیده ریاضی مناسب است اما به دلیل مصرف بالای منابع سخت افزاری برای استفاده هایی مانند طراحی و توسعه ی وب مناسب نیست. Matlab زبانی مفسری است و در هر بار اجرا، کدها تفسیر می شود به همین دلیل سرعت زبان های مفسری نسبت به زبان های کامپایلری پایین تر است اما مزایایی همچون راحتی استفاده و یادگیری، کتابخانه های کاربردی فراوان و قدرتمند و پشتیبانی توسط سیستم های عامل محبوب Windows، Linux و Mac موجب علاقه مندی بسیاری از برنامه نویسان به این زبان شده است.

• برگرفته از ساعد نیوز
• برای مشاهده لیست همه ی  پرسشنامه های استاندارد لطفا همین جا روی پرسشنامه استاندارد  کلیک فرمایید.
• تحلیل داده های آماری برای پایان نامه و مقاله نویسی ،تحلیل داده های آماری شما با نرم افزارهای کمی و کیفی ،مناسب ترین قیمت و کیفیت عالی انجام می گیرد.نرم افزار های کمی: SPSS- PLS – Amosنرم افزار کیفی: Maxqudaتعیین حجم نمونه با:Spss samplepower
• روش های تماس:Mobile :  09143444846  واتساپ – تلگرام کانال
• تلگرام سایت: برای عضویت در کانال تلگرام سایت اینجا کلیک کنید(البته قبلش فیلتر شکن روشن شود!!) مطالب جالب علمی و آموزشی در این کانال درج می گردد.

صفر تا صد نرم افزار لیزرل

نرم‌ افزار لیزرل یکی از مهم ترین نرم افزارهای تحلیل داده می باشد که بیشتر برای ترسیم مدل معادلات ساختاری و تحلیل عاملی تاییدی و تحلیل مسیر به کار می آید. در این مقاله با آموزش لیزرل همراه  ما باشید تا به روش کاربردی صفر تا صد برنامه لیزرل به صورت کلی بررسی می شود.

نرم افزار لیزرل چیست ؟

نرم‌ افزار LISREL یکی از پر کاربردترین نرم افزار های آماری برای تحلیل عاملی است. این نرم افزار ابتدا توسط کارل یورسکاگ (Karl Jöreskog) و دگ سوربوم (Dag Sörbom) خلق شد. لیزرل Lisrel در واقع به عبارت linear structural relations اشاره دارد که به معنی روابط ساختاری خطی می باشد. زمانی که پژوهشگر قصد دارد روایی یک آزمون را با استفاده از تحلیل عاملی (CFA) بررسی کند این نرم افزار مکمل نرم افزار spss خواهد بود. همین طور با این نرم افزار می توانید به مدل سازی معادلات ساختاری بپردازید که امکان آن در spss موجود نمی باشد.

کاربرد نرم افزار لیزرل

به صورت کلی این نرم افزار برای ترسیم معادلات ساختاری بین متغیرها و بررسی روایی ازمون ها استفاده می شود. این نرم افزار بر اساس روش همبستگی (Correlation) و روش کوواریانس (Covariance) ، بارهای عاملی که بر روی یک متغیر وجود دارد را بررسی می کند و ما می توانیم تشخیص دهیم که ان سوال را از مقیاس حذف کنیم یا نگه داریم. هیمن طور این نرم افزار واریانس و متغیرهای پنهان را برای ما مشخص می کند. در اصل ما با این نرم افزار بر اساس متغیر های قابل مشاهده (Observable) تحقیق به متغیر های پنهان تحقیق دست پیدا می کنیم. به صورت کلی اقداماتی که می توان در این نرم افزار انجام داد شامل این موارد است:

• بررسی متغیرهای پنهان
• تحلیل عاملی تاییدی
• تحلیل مسیر (مدل‌سازی علت و معلولی برای متغیرهای پنهان)
• تحلیل ساختار کوواریانس (Linear Structural Relations – LSR)
• معادلات ساختاری SEM

تحلیل عاملی با لیزرل

برای آموزش لیزرل از تحلیل عاملی شروع می کنیم. زمانی که شما قصد دارید یک مقیاس را در پژوهش کنید باید یکبار تحلیل عاملی تاکیدی را بر روی سوالات این مقیاس پیاده سازی نمایید. با استفاده از این نرم افزار می توان هر دو نوع تحلیل عاملی را بررسی کرد یعنی :

1. Exploratory Factor Analysis
2. Confirmatory Factor Analysis

مثال برای تحلیل عاملی تاکیدی (Factor Analysis)

مثلا ما یک مقیاسی را در زمینه سنجش رفتار شهروندی سازمانی طراحی کرده ایم و قصد داریم بررسی کنیم که سوالات این مقیاس چند عامل را می سنجند؟

factor analysis چیست ؟

در نظر بگیرید برای سنجش یک سازه 30 سوال را طراحی کرده ایم . در علم آمار مشخص شده است که این سوالات ممکن است سازه های دیگری را بسنجند و در اصل ما متغیر های پنهان داریم . متغیر های پنهان متغیر هایی هستند که ما در مورد آن ها اطلاعاتی نداریم ولی داریم آن ها را می سنجیم . زمانی که ساختار زیربنایی سوالات را بررسی می کنیم و از آن ها کوواریانس می گیریم مشخص می شود که هر سوالی به یک سری دیگر از سوالات ارتباط دارد و حول بک متغیر مشخص و یکسان هستند . بر حسب صفات مشترک در این سوالات یا گویه ها محقق می تواند کل سوالات را به دو يا چند دسته تقسیم کند. در آمار به اين دسته ها ، عامل گفته می شود. هر عامل یک متغیر پنهان است که از تركيب چند سوال (آن ها را هم متغیر محسوب می کنیم) که با هم رابطه بالایی دارند، ساخته می شود.  تحليل عاملي یک روش آماری است که به كشف این عامل ها در یک مقیاس می پردازد و مشخص می کند ما چند عامل داریم و کدام سوالات مربوط به کدام عامل ها است ؟

تحلیل عاملی اکتشافی

در نظر بگیرید که شما یک پرسشنامه جدید را ایجاد کرده اید . سوالی که پیش می اید این است که این گویه ها و یا سوالات مقیاس جدید شما (پرسشنامه محقق ساخته) چند عامل را بررسی می کند؟ در چنین موردی از تحلیل عاملی اکتشافی استفاده می شود . تحلیل عاملی اکتشافی (EFA ) یکی از روش های تحلیل عاملی است که در آن هدف ما بررسی این موضوع می باشد که در سئوالات مقیاس ما و به طور کلی آنچه داریم می سنجیم ، چند عامل پنهان وجود دارد؟ در واقع ما می خواهیم یک مدل برای سئوالات یا متغیر های تحقیق خود ترسیم نماییم و بار عاملی هر متغیر را بررسی کنیم (در مدلی که ترسیم می کنیم) . تحلیل عاملی اکتشافی زمانی استفاده می شود که از پیش برای روابط بین متغیرهای مقیاس ما مدلی ترسیم نشده باشد و پیش‌ فرضی وجود ندارد که چند عامل پنهان وجود دارد . هدف بررسی تحلیل عاملی این است که عامل‌هایی را پیدا کنیم که بیشترین پراکندگی متغیرها را در اطراف خود دارد و به اصطلاح بار عاملی زیر متغیرهای آن بالا باشد. روش اکتشافی بر این مبنا کار می کند که واریانس مشترک بین متغیر های تحقیق (یک مقیاس) را شناسایی می کند . روش کشف عامل ها از طریق ترسیم ماتريس همبستگي بين متغيرها بدست می باشد.

آموزش تحلیل عاملی تاییدی در نرم افزار لیزرل

تحلیل عاملی تاییدی (CFA) به بررسی مدلی که در گام قبلی توسط تحلیل عاملی اکتشافی ارایه شده می پردازد و محقق قصد دارد ، این تحلیل و مدل بدست آمده را تایید یا رد کند. عموما زمانی که شما می خواهید از مقیاس های از پیش ساخته استفاده کنید برای بررسی روایی مقیاس از تحلیل عاملی تاییدی استفاده می شود . این روش متغیر هایی را که در مدل بدست آمده موثر است را شناسایی می کند و متغیرهای فرعی را حذف می‌کند. برای اجرای تحلیل عامل تایید در لیزرل باید پس از وارد کردن داده های تحقیق در نرم افزار گزینه Path Diagram را انتخاب نمایید.

بعد از مشخص کردن مکان پروژه باید متغیرهای نهان و آشکار خود را تعریف کنید. برای این کار باید ابتدا بر روی گزینه Add/Read/variable در زیر بخش Observed variables بزنید، تا متغیرهای آشکار را تعریف کنید.

در کادر باز شده باید روی گزینه مشخص شده (گزینه دوم) کلیک نمایید. گزینه اول لیست سیستمی فایل لیزرل است که برای داده های کوواریانسی به کار می رود و گزینه دوم برای داده های خام می باشد. سپس بر روی browse کلیک کنید و فایل داده ها را فراخوانی کنید.

در مرحله بعدی باید به تعریف سازه ها یا متغیرهای پنهان یا همان عامل های تحقیق بپردازید. برای این کار باید از بخش Latent variables گزینه را Add/Read/variable را بزنید.

در پایان تعداد نمونه ها را مشخص نمایید و بر روی گزینه ok بزنید.

شما اکنون می توانید مدل خود را ترسیم کنید و با فلش متغیرها را به هم وصل نمایید.

آموزش مدل معادلات ساختاری در نرم افزار لیزرل

یکی از مبانی بررسی داده ها در نرم افزار لیزرل ، تجزیه و تحلیل ساختارهای کوواریانس بین سئوالات است که به آن مدل یابی معادلات ساختاری (Structural equation modeling) هم می گویند . هدف پیش‌ بینی و تشخیص روابط بین متغیر های مستقل و وابسته می باشد . این روش به همراه همبستگی بین متغیر ها چهار کاربرد اصل دارد :

1. این روش برای پیدا کردن روابط علت و معلولی بین متغیرها استفاده می شود (در اصل می توان با این روش تاثیرات همزمان متغیرهای مستقل روی یک متغیر وابسته را بررسی نمود )
2. همین طور جایگاه هر یک از متغیر های میانجی (کنترلی، مداخله گر و تعدیل کننده) را تشخیص داد
3. متغیرهای پنهان (Latent Variable) در تحلیل و آزمون های ما که در اصل در روش تحقیق به آن ها سازه هم گفته می شود را می توان مشخص کرد (مثلا عزت نفس یک سازه است که به صورت مستقیم نمی توان آن را سنجش نمود )
4. نقش متغیر های پنهان را در مدل پیش‌بین، می توان بررسی نمود

برای اجرای این عمل در نرم افزار لیزرل باید داده ها را در نرم افزار تعریف نمایید و سپس  LISREL project را انتخاب کنید و Path Diagram را بزنید. البته می توانید گزینه LISREL project را نیز انتخاب کنید.سپس باید اسم پروژه را وارد کنید و آن را ذخیره کنید.

سپس باید متغیرهای آشکار و پنهان خود را تعریف کنید. بر روی گزینه Add/Read/variable در زیر بخش Observed variables بزنید، تا متغیرهای آشکار را تعریف کنید. در کادر باز شده باید فایل داده ها را فراخوانی کنید تا متغیرها به لیست متغیرهای آشکار اضافه شود. در گام بعدی باید به تعریف سازه ها یا متغیرهای پنهان بپردازید. برای این کار باید از بخش Latent variables گزینه را Add/Read/variable را بزنید.

در مرحله بعدی باید تعداد نمونه تحقیق خود را وارد کنید و سپس باید روی گزینه next بزنید.

سپس باید مشخص کنید که سوالات متغیرهای مکنون و آشکار و مستقل و وابسته کدام هستند. در مرحله اول باید سوالات متغیر مکنون برون زا یا همان مستقل را به عنوان x و سوالات متغیر دورن زا یا وابسته را به عنوان y تعریف نمایید. همین کار را برای متغیرهای مکنون و آشکار نیز انجام دهید و در پایان مدل را اجرا نمایید.

آموزش تحلیل مسیر در نرم افزار لیزرل

روش تحلیل مسیر از الگوی رگرسیون چند متغیره برای تحلیل داده ها استفاده می کند و به جای استفاده از ضرایب وزنی هر گویه، میانگین وزنی گویه ها را محاسبه می کند و به جای متغیر پنهان در مدل قرار می گیرد.  برای اجرای این روش آماری باید داده ها را وارد نرم افزار spss نمایید و متغیرهای خود را تعریف کنید. در مرحله بعدی وارد نرم افزار لیزرل شوید و یک پروژه جدید تعریف نمایید.

در گام بعدی گزینه Path Diagram را انتخاب نمایید.سپس باید متغیرهای آشکار خود را تعریف نمایید.

قسمت متغیر مکنون را خالی بگذارید و گزینه next را بزنید.

تعداد نمونه را وارد کنید. سپس باید از بخش matrix to be analyzed گزینه correlation را انتخاب نمایید. در پایان روی ok بزنید.

در گام بعدی باید مدل خود را ترسیم کنید و آن ها را با فلش به هم وصل نمایید.

در نهایت بعد از وصل شدن متغیرها باید گزینه Run LISREL را بزنید.

آموزش شاخص های برازش و اصلاح مدل در لیزرل

در ادامه آموزش لیزرل باید اشاره کرد، شاخص های برازش مدل اهمیت بسیار بالایی در استفاده از نرم افزار لیزرل دارد. سوال این است که داده های گردآوری شده تا چه حد حمایت کننده مدلی است که به لحاظ نظری تدوین شده است؟

انواع شاخص های برازش مدل

• شاخص های برازش مطلق
• شاخص های برازش تطبیقی
• شاخص های برازش مقتصد

برگرفته از: کیارا آکادمی 

برای مشاهده لیست همه ی  پرسشنامه های استاندارد لطفا همین جا روی پرسشنامه استاندارد  کلیک فرمایید.

تحلیل داده های آماری برای پایان نامه و مقاله نویسی ،تحلیل داده های آماری شما با نرم افزارهای کمی و کیفی ،مناسب ترین قیمت و کیفیت عالی انجام می گیرد.نرم افزار های کمی: SPSS- PLS – Amosنرم افزار کیفی: Maxqudaتعیین حجم نمونه با:Spss samplepower

روش های تماس:Mobile :  09143444846  واتساپ – تلگرامکانال تلگرام سایت: برای عضویت در کانال تلگرام سایت اینجا کلیک کنید(البته قبلش فیلتر شکن روشن شود!!) مطالب جالب علمی و آموزشی در این کانال درج می گردد.