داده های GIS شهر شیراز

اختصاصی از فی بوو داده های GIS شهر شیراز دانلود با لینک مستقیم و پر سرعت .

شهر شیراز، مرکز استان فارس به طول ۴۰ کیلومتر و عرضی متفاوت بین ۱۵ تا ۳۰ کیلومتر با مساحت ۱۲۶۸ کیلومتر مربع به شکل مستطیل و از لحاظ جغرافیایی در جنوب غربی ایران و در بخش مرکزی فارس قرار دارد. اطراف شیراز را رشته کوه‌های نسبتاً مرتفعی به شکل حصاری استوار، احاطه کرده‌اند که از لحاظ سوق‌الجیشی و حفظ شهر اهمیت ویژه‌ای دارند. این شهر از سمت غرب به کوه دراک، از سمت شمال به کوه‌های بمو، سبزپوشان، چهل‌مقام و باباکوهی (از رشته‌کوه‌های زاگرس) محدود شده‌است. مختصات جغرافیایی شیراز عبارتست از ۲۹ درجه و ۳۶ دقیقه شمالی و ۵۲ درجه و ۳۲ دقیقه و ارتفاع آن از سطح دریا بین ۱۴۸۰ تا ۱۶۷۰ متر در نقاط مختلف شهر متغیر است. رودخانهٔ خشک شیراز رودخانهٔ فصلی است که پس از عبور از شهر شیراز به سمت جنوب شرقی حوضهٔ خود متمایل شده و به دریاچه مهارلو می‌ریزد.

این مجموعه شامل لایه های وکتوری از شهرستان شیراز می باشد

1- شبکه کامل معابر شهر و شهرستان شیراز

2- فایل های مربوط به کاربری های خاص داخل شهر و شهرستان

3- لایه روستاهای شهرستان شیراز

4- لایه مربوط به خاک(رده خاک برای بعضی از مناطق شهرستان شیراز)

5 -خطوط آبراهه

6 - مناطق حفاظت شده

7- ایستگاه های باران سنجی

8- ایستگاه های کیلیماتولوژی

9 - مرز سیاسی شهرستان شیراز

...

این مجموعه به صورت یک فایل ژئو دیتابیس می باشد که فقط با نرم افزار ARC GIS باز می شود.

مشخصات لایه ها

Geographic Coordinate System:    GCS_WGS_1984
Datum:     D_WGS_1984
Prime Meridian:     Greenwich
Angular Unit:     Degree

یکپارچه سازی پایگاه داده اطلاعات تصویر برداری عصبی پروتکل خاص

اختصاصی از فی بوو یکپارچه سازی پایگاه داده اطلاعات تصویر برداری عصبی پروتکل خاص دانلود با لینک مستقیم و پر سرعت .

عنوان انگلیسی: 

Database integration of protocol-specific neurological imaging datasets

عنوان فارسی:

یکپارچه سازی پایگاه داده اطلاعات تصویر برداری عصبی پروتکل خاص

تعداد صفحات مقاله اصلی: 5 صفحه

تعداد صفحات ترجمه: 12 صفحه

سال انتشار: 2014

مجله

http://www.journals.elsevier.com/neuroimage

For many years now, Magnetic Resonance Innovations (MR Innovations), a magnetic resonance imaging (MRI) software development, technology, and research company, has been aggregating a multitude of MRI data from different scanning sites through its collaborations and research contracts. The majority of the data has adhered to neuroimaging protocols developed by our group which has helped ensure its quality and consistency. The pro- tocols involved include the study of: traumatic brain injury, extracranial venous imaging for multiple sclerosis and Parkinson's disease, and stroke. The database has proven invaluable in helping to establish disease bio- markers, validate findings across multiple data sets, develop and refine signal processing algorithms, and estab- lish both public and private research collaborations. Myriad Masters and PhD dissertations have been possible thanks to the availability of this database. As an example of a project that cuts across diseases, we have used the data and specialized software to develop new guidelines for detecting cerebral microbleeds. Ultimately, the database has been vital in our ability to provide tools and information for researchers and radiologists in diagnos- ing their patients, and we encourage collaborations and welcome sharing of similar data in this database

چکیده

طی سالهای متمادی، شرکت نوآوریهای تشدید (رزونانس) مغناطیسی (نوآوری MR)، که یک شرکت تحقیقاتی و توسعه دهنده فن آوری نرم افزار تصویربرداری تشدید مغناطیسی (MRI) می باشد، داده های MRI فراوانی از مکانهای اسکن کننده مختلف را از طریق همکاری ها و قراردادهای تحقیقاتی اش با آنها، جمع آوری نموده است. اکثر داده هایی که به پروتکل های تصویربرداری عصبی پیوست داده شده است توسط گروه ما توسعه داده شده که این امر کمک می کند نسبت به کیفیت و ثبات آنها اطمینان حاصل شود. پروتکل های وارد در این بحث شامل مطالعه: آسیب مغزی ناشی از ضربه، تصویربرداری وریدی بیرونی برای اسکلروزهای چندگانه و بیماری پارکینسون، و سکته مغزی می باشد. ثابت شده است پایگاه داده در کمک به ایجاد نشانگرهای زیستی بیماری، اعتبارسنجی یافته ها در مجموعه داده های مختلف، توسعه و اصلاح الگوریتم های پردازشگر سیگنال و ایجاد همکاری های تحقیقاتی در هر دو بخش دولتی و خصوصی ارزشمند بوده است. پایان نامه های کارشناسی و تزهای دکتری بی شماری از امکان در دسترس بودن اطلاعات این پایگاه داده قدردانی نموده اند. به عنوان مثالی از یک پروژه مرتبط با بیماری ها، ما از این داده ها و نرم افزار تخصصی برای توسعه راهکارهای جدید جهت شناسایی خونریزیهای جزیی (ریز) مغزی استفاده کرده ایم. در نهایت، پایگاه داده در توانایی ما برای تهیه ابزارها و اطلاعات برای محققان و رادیولوژیست ها در تشخیص بیماران حیاتی بوده است، و ما از هر نوع همکاری و به اشتراک گذاری داده های مشابه با این پایگاه داده استقبال می کنیم.

انتخاب داده به صورت روش آنتروپی-mutual information

اختصاصی از فی بوو انتخاب داده به صورت روش آنتروپی-mutual information دانلود با لینک مستقیم و پر سرعت .

در فایل زیر شبیه سازی در انتخاب داده به کمک روش انتروپی ارائه شده است. داده ها از یک اکسل دریافت می شوند و سپس بعد از انتخاب بهترین داده در اکسل دیگری ذخیره می نماید.

توضیحات زیر با فرمول ها به صورت تایپ شده در وردی جداگانه در کنار شبیه سازی قرار داده شده است. 

اما برخی توضیحات در مورد الگوریتم انتخاب داده در زیر داده شده است:

معیار آنتروپی H(X) برای مجموعه اعداد نامنظم X بر اساس توزیع احتمالاتی P(X) به صورت زیر قابل‌بیان می‎باشد:

(21)                           

اگر مقادیر X1, X2, …, Xn به عنوان مقادیر تصادفی ورودی با تابع احتمالاتی P(X1), P(X2), …, P(Xn) تعریف شوند. در این صورت H(X) به صورت زیر قابل بازنویسی خواهد بود:

(22)                           

بر اساس دو رابطه (21) و (22) آنتروپی اغلب یک مقدار از عدم قطعیت را در نظر می‎گیرد. به منظور شفاف شدن بحث، فرض نمایید که متغیر X وجود از بیماری D را نشان می‎دهد. بنابراین اگر عدم قطعیت در مورد بیماری وجود نداشته باشد در این صورت  و یا اگر بیماری اصلاً وجود ندارد در این صورت  در نتیجه آنتروپی برابر با صفر می‎باشد. اگر وجود یا عدم وجود بیماری به صورت عدم قطعیت اعمال شود در این صورت  و مقدار آنتروپی برابر با 1 خواهد شد. به طور کلی اگر هر یک N بیماری دارای احتمال باشد در این صورت H(X) دارای بیش‌ترین مقدار log2(N) می‎باشد. برای تعمیم این بحث، مجموع آنتروپی با دو عضو X و Y به صورت زیر قابل‌بیان خواهد بود:

(23)      

با در نظر گرفتن عدم قطعیت برای یک سرای از داده‌ها، مقدار عدم قطعیت سایر متغیرها به صورت زیر تعریف می‌شوند:

(24)          

بنابراین مقدار کل آنتروپی به صورت زیر قابل‌بیان می‎باشد:

(25)  

به منظور مرتب‎سازی داده‎ها روش تقابلی به صورت فرموله می‎شود:

(26) 

مقدار عددی بزرگ برای فرمول (26) نشان از همبستگی بالا بین دو عضو X و Y می‌باشد و بالعکس. نحوه فرمول‌بندی برای روش تقابلی و آنتروپی در شکل 4 نشان داده شده است.

(27)                              

(28)                               

(29)                  

(30)                                           

(31)                                               

شکل 4. توزیع و انتخاب بر اساس تابع تقابلی

انتخاب داده به صورت روش آنتروپی-mutual information

اختصاصی از فی بوو انتخاب داده به صورت روش آنتروپی-mutual information دانلود با لینک مستقیم و پر سرعت .

در فایل زیر شبیه سازی در انتخاب داده به کمک روش انتروپی ارائه شده است. داده ها از یک اکسل دریافت می شوند و سپس بعد از انتخاب بهترین داده در اکسل دیگری ذخیره می نماید.

توضیحات زیر با فرمول ها به صورت تایپ شده در وردی جداگانه در کنار شبیه سازی قرار داده شده است. 

اما برخی توضیحات در مورد الگوریتم انتخاب داده در زیر داده شده است:

معیار آنتروپی H(X) برای مجموعه اعداد نامنظم X بر اساس توزیع احتمالاتی P(X) به صورت زیر قابل‌بیان می‎باشد:

(21)                           

اگر مقادیر X1, X2, …, Xn به عنوان مقادیر تصادفی ورودی با تابع احتمالاتی P(X1), P(X2), …, P(Xn) تعریف شوند. در این صورت H(X) به صورت زیر قابل بازنویسی خواهد بود:

(22)                           

بر اساس دو رابطه (21) و (22) آنتروپی اغلب یک مقدار از عدم قطعیت را در نظر می‎گیرد. به منظور شفاف شدن بحث، فرض نمایید که متغیر X وجود از بیماری D را نشان می‎دهد. بنابراین اگر عدم قطعیت در مورد بیماری وجود نداشته باشد در این صورت  و یا اگر بیماری اصلاً وجود ندارد در این صورت  در نتیجه آنتروپی برابر با صفر می‎باشد. اگر وجود یا عدم وجود بیماری به صورت عدم قطعیت اعمال شود در این صورت  و مقدار آنتروپی برابر با 1 خواهد شد. به طور کلی اگر هر یک N بیماری دارای احتمال باشد در این صورت H(X) دارای بیش‌ترین مقدار log2(N) می‎باشد. برای تعمیم این بحث، مجموع آنتروپی با دو عضو X و Y به صورت زیر قابل‌بیان خواهد بود:

(23)      

با در نظر گرفتن عدم قطعیت برای یک سرای از داده‌ها، مقدار عدم قطعیت سایر متغیرها به صورت زیر تعریف می‌شوند:

(24)          

بنابراین مقدار کل آنتروپی به صورت زیر قابل‌بیان می‎باشد:

(25)  

به منظور مرتب‎سازی داده‎ها روش تقابلی به صورت فرموله می‎شود:

(26) 

مقدار عددی بزرگ برای فرمول (26) نشان از همبستگی بالا بین دو عضو X و Y می‌باشد و بالعکس. نحوه فرمول‌بندی برای روش تقابلی و آنتروپی در شکل 4 نشان داده شده است.

(27)                              

(28)                               

(29)                  

(30)                                           

(31)                                               

شکل 4. توزیع و انتخاب بر اساس تابع تقابلی

انتخاب داده به صورت روش آنتروپی-mutual information

اختصاصی از فی بوو انتخاب داده به صورت روش آنتروپی-mutual information دانلود با لینک مستقیم و پر سرعت .

در فایل زیر شبیه سازی در انتخاب داده به کمک روش انتروپی ارائه شده است. داده ها از یک اکسل دریافت می شوند و سپس بعد از انتخاب بهترین داده در اکسل دیگری ذخیره می نماید.

توضیحات زیر با فرمول ها به صورت تایپ شده در وردی جداگانه در کنار شبیه سازی قرار داده شده است. 

اما برخی توضیحات در مورد الگوریتم انتخاب داده در زیر داده شده است:

معیار آنتروپی H(X) برای مجموعه اعداد نامنظم X بر اساس توزیع احتمالاتی P(X) به صورت زیر قابل‌بیان می‎باشد:

(21)                           

اگر مقادیر X1, X2, …, Xn به عنوان مقادیر تصادفی ورودی با تابع احتمالاتی P(X1), P(X2), …, P(Xn) تعریف شوند. در این صورت H(X) به صورت زیر قابل بازنویسی خواهد بود:

(22)                           

بر اساس دو رابطه (21) و (22) آنتروپی اغلب یک مقدار از عدم قطعیت را در نظر می‎گیرد. به منظور شفاف شدن بحث، فرض نمایید که متغیر X وجود از بیماری D را نشان می‎دهد. بنابراین اگر عدم قطعیت در مورد بیماری وجود نداشته باشد در این صورت  و یا اگر بیماری اصلاً وجود ندارد در این صورت  در نتیجه آنتروپی برابر با صفر می‎باشد. اگر وجود یا عدم وجود بیماری به صورت عدم قطعیت اعمال شود در این صورت  و مقدار آنتروپی برابر با 1 خواهد شد. به طور کلی اگر هر یک N بیماری دارای احتمال باشد در این صورت H(X) دارای بیش‌ترین مقدار log2(N) می‎باشد. برای تعمیم این بحث، مجموع آنتروپی با دو عضو X و Y به صورت زیر قابل‌بیان خواهد بود:

(23)      

با در نظر گرفتن عدم قطعیت برای یک سرای از داده‌ها، مقدار عدم قطعیت سایر متغیرها به صورت زیر تعریف می‌شوند:

(24)          

بنابراین مقدار کل آنتروپی به صورت زیر قابل‌بیان می‎باشد:

(25)  

به منظور مرتب‎سازی داده‎ها روش تقابلی به صورت فرموله می‎شود:

(26) 

مقدار عددی بزرگ برای فرمول (26) نشان از همبستگی بالا بین دو عضو X و Y می‌باشد و بالعکس. نحوه فرمول‌بندی برای روش تقابلی و آنتروپی در شکل 4 نشان داده شده است.

(27)                              

(28)                               

(29)                  

(30)                                           

(31)                                               

شکل 4. توزیع و انتخاب بر اساس تابع تقابلی