این فایل حاوی مطالعه پردازش تحلیلی بر خط برای پشتیبانی تصمیم می باشد که به صورت فرمت PowerPoint در 34 اسلاید در اختیار شما عزیزان قرار گرفته است، در صورت تمایل می توانید این محصول را از فروشگاه خریداری و دانلود نمایید.
فهرست
مقدمه
پایگاه داده تحلیلی
قابلیت های OLAP
بررسی مدل داده ای چند بعدی و رابطه ای
دسته بندی های OLAP
جمع بندی
تصویر محیط برنامه
تعداد صفحات : 15 صفحه -
قالب بندی : word
ترکیب روشهای مبتنی بر مدل و پردازش چندباندی گفتار برای مقاوم سازی بازشناسی گفتار نسبت به نویز
چکیده: سیستمهای بازشناسی چندباندی گفتار که بر اساس مکانیزم شنوایی انسان عمل می کنند، نرخ بازشناسی را نسبت به سیستم تمام باند به ویژه در حضور نویز بهبود می بخشند. در بازشناسی چندباندی گفتار، سیگنال گفتار ابتدا به چند زیرباند فرکامسی تقسیم می شود و پس از استخراج بردارهای ویژگی از هر زیرباند، این بردارها یا احتمال تخمینی برای آنها با یکدیگر ترکیب می شوند. در کار حاضر سیستم چندباندی بازشناسی گفتار بر مبنای ترکیب ویژگیها مد نظر قرار گرفته است و ترکیب این شیوه با یک شیوه مبتنی بر مدل موسوم به معیار تصویردهی وزن دار پیشنهاد گردیده است. نتایج آزمایشها نشان می دهند که علاوه بر بهتر بودن کارآیی شیوه ترکیب ویژگیها نسبت به سیستم تمام باند، روش پیشنهادی نیز سبب بهبود چشمگیر کارآیی روش ترکیب ویژگیها می گردد.
کلمات کلیدی: باشناسی چندباندی گفتار، زیرباند، ترکیب ویژگیها، تبدیل موجک، معیار تصویردهی وزن دار
1-مقدمه
مسئله مقاوم سازی سیستمهای بازشناسی گفتار در برابر نویز را می توان به صورت کاهش میزان عدم تطبیق میان شرایط آموزش و آزمون سیستم درنظر گرفت. روشهایی را که برای کاهش این عدم تطبیق بکار یم روند، می توان به سه گروه اصلی تقسیم کرد: روشهای مبتنی بر داده، روشهای مبتنی بر مدل و شیوه های پردازش چندباندی. روشهای مبتنی بر داده تلاش می کنند تا تاثیرات نویز را بر سیگنالهای گفتار یا ویژگیهای آن کاهش دهند، حال آنکه روشهای مبتنی بر مدل بحای خود سیگنال گفتار یا ویژگیهای آن مدل آلکوستیک گفتار را اصلاح می نمایند. شیوه پردازش چندباندی معمولاً در مورد نویزهایی بکار گرفته می شود که سبب تخریب بخشی از طیف فرکانسی سیگنال گفتار می شوند. در شیوه بازشناسی چندباندی، گفتار تمام باند به چندین زیرباند فرکانسی تقسیم می شود و پس از استخراج بردارهای ویژگی از هر زیرباند، بردارهای ویژگی زیرباندها یا احتمال تخمینی برای آنها توسط بازشناس متناظر با هر زیرباند، با یکدیگر ترکیب می شوند و به این ترتیب پاسخ بازشناسی بدست می آید.روشهای مبتین بر داده را می توان معمولاً به دو گروه عمده تقسیم کرد: شیوه بهبود گفتار و روشهای جبران ویژگی. شیوه های بهبود گفتار مستقیماً با سیگنال نویزی گفتار سر و کار دارند و با تخمین سیگنال تمیز از سیگنال نویزی در جهت کاهش میزان عدم تطبیق تلاش می کنند. روش تفاضل طیف و آستانه گذاری ضرایب تبدیل موجک سیگنال گفتار نمونه هایی از این دسته هستند. روشهای جبران ویژگی معمولاً عدم تطبیق را به دو طریق کاهش می دهند. در طریق اول، یک تبدیل به ویژگیها اعمال یم شود تا اثر نویز از آنها حذف گردد. تفاضل میانگین ضرایب کپسترال (CMS) و RASTA PLP از جمله چنین روشهایی هتسند. در طریق دیگر، ویژگیهای جدیدی استخراج می شوند که نسبت به تاثیرات نویز مقاوم باشند، همانند ویژگیهای خود همبستگی فاز.
روشهای مبتنی بر مدل، مدل آماری محیط را به نحوی اصلاح می کنند که با شرایط جدید محیطی همانند شرایط نویزی تطبیق یابد. در این تطبیق هیچ نوع فرض یا دانش خاصی در باره خود سیگنال گفتار لازم نیست. این روشها معمولاً نیازمند آموزش برون خط برروی دادگان گفتار نویزی هستند. به عنوان نمونه ای از این روشها می توان به ترکیب موازی مدلها (PMC) و بازگشت خطی با بیشترین شباهت (MLLR) اشاره کرد.
در بازشناسی چند باندی گفتار، ابتدا سیگنال به چند باند فرکانسی تقسیم می شود. به این ترتیب می توان بخشهای تخریب شده طیق گفتار را از دیگر بخشهای طیف جدا کرد. سپس یک بردار ویژگی از هر زیرباند استخراج می شود که زیربردار ویژگی نامیده می شود. دو روش برای برخورد با این زیربردارها وجود دارد. در روش اول می توان آنها را در کنار یکدیگر قرار داد و به عنوان جایگزینی برای ویژگیهای اصلی استفاده نمود که این شیوه ترکیب ویژگیها نامیده می شود. در روش دیگر زیربردارهای ویژگی بوسیله بازشناس مجزای متناظر یا هر زیرباند، مورد پردازش قرار می گیرند و احتمالی برای آنها تخمین شده می شود و این احتمالات به شیوه خطی یا غیرخطی با یکدیگر ترکیب می شوند. این شیوه ترکیب احتمالات یا ترکیب مدلها نامیده می شود.
در کار حاضر، ما ترکیبی از روشهای مبتنی بر مدل و بازسازی چندباندی گفتار را برای بهبود کارآیی روش بازشناسی مقاوم چندباندی گفتار ارائه می کنیم. در این مقاله، سیستم ترکیب ویژگیها در بازشناسی چندباندی گفتار مد نظر قرار گرفته است و با بکاربردن یک روش مبتنی بر مدل موسوم به معیار تصویردهی وزن دار (WPM)، کارآیی آن بهبود داده شده است. ساختار ادامه مقاله به این صورت است. بخش دوم به بررسی اصول بازشناسی چندباندی گفتار و ترکیب ویژگیها می پردازد. در بخش سوم چگونگی استفاده از تبدیل موجک برای تقسیم سیگنال گفتار به زیرباندهای فرکانسی شرح داده می شود. بخش چهارم معیار تصویردهی وزن دار را بررسی می کند. در بخش پنجم نتایج آزمایشها ذکر می شود. بخش ششم نیز به جمع بندی و نتیجه گیری کلی اختصاص دارد.
نوع فایل: word
قابل ویرایش 100 صفحه
چکیده:
در دنیای امروز کاربردهای پردازش تصویر هر روزه در حال افزایش است .در زمینه پزشکی ،رباتیک و هواشناسی تحقیقات و پژوهش های بسیاری در این زمینه شده است و از کاربردهای آن در این زمینه استفاده های بسیاری می شود.اما درمورد پردازش احساسات انسانی توسط ربات تحقیقات کمتری صورت گرفته و از موضوع پردازش چهره فراتر می باشد . در مقاله پیش روسعی بر این بوده است تا در ابتدا موارد کلی و مفاهیم اصلی در رابطه با موضوع یعنی پردازش احساسات توسط ماشینها آورده شود ، مفاهیمی از قبیل هوش مصنوعی و مفاهیم مرتبط با آن ، بازیابی معنایی عاطفی تصویر ، تشخیص چهره با استفاده از شش حالت اصلی چهره و دیگر مفاهیمی که برای پیاده سازی و ارائه مطالب مورد نیاز است . در قدم بعدی مطالب و مقاله هایی که پیش از این توسط افراد دیگر در رابطه با موضوع مورد نظر گردآوری شده است آورده شده ، که از این مقالات برای نتیجه گیری بهتر و ملموس تر کردن موارد جمع آوری شده استفاده می کنیم . در قدم آخر هم نتایج مطالعات و تحقیقات انجام شده برای ارائه روشی به صرفه در آشنایی با پردازش و مدلسازی احساسات درونی توسط رباتها با استفاده از الگوریتم های به کار رفته آورده می شود .
در این فصل با مفاهیم اولیه و واژه هایی که مربوط به پروژه می باشد آشنا می شوید و با مطالعه این فصل می توانید به راحتی مطالب فصول دیگر را بهتر درک نمایید .بحث اصلی این پروژه بر روی علم هوش مصنوعی می باشد ، که به وسیله این علم شما می توانید دنیای رباتیک را بهتر درک کنید . در این فصل شما با مفاهیم دیگر همچون : هوش محاسباتی و کاربردهای مختلف آن ، واقعیت مجازی که در دنیای امروز واژه ای بسیار آشنا می باشد ، مفاهیم اولیه پردازش تصویر و کاربردهای آن در زمینه های مختلف علمی که در فصول دیگر به طور کلی تر راجع به آن بحث شده است وغیره که با مطالعه این فصل می توانید با آنها آشنا شوید .
مقدمه:
از زمان طرح آزمون تورینگ در هوش مصنوعی ،توسعه پردازش زبان طبیعی و ساختن ماشینی مانند انسان ،از آرزوها و موضوعات علوم کامپیوتر بوده است . یکی از چالشهای مهم در زمینه پردازش عواطف و احساسات انسانی مانند خوشحالی ،ناراحتی ،خشم ،عشق و نفرت توسط ماشین است ،طوری که مثلا ماشینها یا رباتها نسبت به هم گذشت داشته باشند یا یکی از عملکرد دیگری خشمگین یا خوشحال شود.در این راستا و در همین تحقیق روشهای پردازش احساسات و مخصوصا احساسات قابل انتقال و تشخیص از حالتهای چهره بررسی و تحلیل شده و مزایا و معایب هر کدام بیان می شود .
فهرست مطالب:
چکیده
فصل اول: مفاهیم اولیه
1-1 مقدمه
1-2 هوش مصنوعی
1-2-1 نظریه و تست الن تورینگ
1-2-2 پردازش زبان طبیعی
1-2-3 هوش اجتماعی
1-2-4 حرکت و جابجا کردن اجسام
1-2-5 ادراک
1-3 هوش محاسباتی
1-3-1 محاسبات تکاملی
1-3-2 هوش ازدحامی
1-3-3 شبکه های عصبی مصنوعی
1-3-4 سیستم های فازی
1-4 محاسبات نرم
1-4-1 مقایسه محاسبات نرم با محاسبات سخت
1-5 معرفی نرم افزار WINCC برای ارتباط انسان با ماشین
1-5-1 سیستم های فرعی در این نرم افزار عبارتند از
1-6 واقعیت مجازی
1-6-1 ویژگی های واقعیت مجازی
1-6-2 کاربردهای واقعیت مجازی
1-7 پردازش تصاویردیجیت
1-8 پردازش تصویر
1-8-1 آشنایی با مفاهیم اولیه پردازش تصویر
1-8-3 کاربردهای نظامی
نتیجه گیری
فصل دوم : تحقیقات انجام شده توسط دیگران
2-1 استخراج هوشمند و خودکار منحنی دقیق دور لب
2-1-1 مقدمه
2-1-2 فضای رنگی جدید
2-1-3 یافتن آستانه بهینه
2-1-4 یافتن نقاط کلیدی و رسم منحنی دور لب
2-1-5 نتایج آزمایشات
2-2 مروری بر روشهای بازیابی معنایی عاطفی تصویر
2-2-1 مقدمه
2-2-2 روشهای بازیابی تصاویر بر اساس معانی عاطفی
2-3 تشخیص حالت های چهره از روی تصاویر متحرک با استفاده از Optical Flow و شبکه عصبیRBF
2-3-1 مقدمه
2-3-2 نقاط مشخصه صورت (FCP)
2-3-3 پایگاه داده استفاده شده
2-3-4 روش محاسبه Optical Flow
2-3-5 سیستم تشخیص حالت های چهره توسط شبکه عصبیRBF
نتیجه گیری
فصل 3 : مدلسازی و پردازش عواطف انسانی توسط ماشین
3-1 مقدمه
3-2 الگوریتم ارتباطات عاطفی
3-3 ویژگی های ورودی الگوریتم
3-4 ویژگی های خروجی الگوریتم
3-5 اجرا
3-6 اعتبار سنجی بسترهای نرم افزاری تجربی
3-7 راه اندازی آزمایشی
3-8 آزمایش
3-9 نتیجه گیری
فصل چهارم: نتیجه گیری نهایی
فصل پنجم: پیشنهادات
منابع و مراجع
ضمیمه 1 : الگوریتم مسیریابی ربات آتش نشان
ضمیمه 2 : نیو ربات احساساتی
منابع و مأخذ:
1-ARTIFICIAL INTELLIGENCE (AI)
2- Intelligent machines
3- Turing Test
4- Creative Commons Attribution/Share- Alike
5-http://www.iranictnews.ir
6- http://www.hccmr.com/news-507.aspx
7- http://www.farsiebook.com/ebook/8955.htm
8-Digital Image Processing,Rafael C.Gonzalez,Richard E.Woods,2ndEdition,Prentice Hall,2001.
9-Digital Image Processing Using Matlab,Rafael C.Gonzalez,Richard E.Woods, Steven Eddins,1stEdition,Pearson,2003.
10-Digital Image Processing , William K. Pratt,4th Edition, John Wiley ,2007.
11-L.Putzara, I.Goerendta,T.Heeda,G.Richardb,C.Buchelc,B.Rodera.The neural basis of lip- reading capabilities is altered by early visual deprivation ,Neuropsychologia, Vol. 48,No.10,pp. 2158-2166 ,2010.
12- W. C. Ooi, C. Jeon, K. Kim, D. K. Han and H. Ko, “Effective Lip Localization and Tracking for Achieving Multimodal Speech Recognition”, IEEE. Int. Conf. Multisensor Fusion and Integration for Intelligent Systems. Korea ,pp. 90-93, 2008.
13- N. Eveno, A. Caplier, and P. Y. Coulon, “Accurate and Quasi- Automatic Lip Tracking”, IEEE trans. Circuits and Systems for Video Technology, Vol. 14, No. 5, pp. 706-715, 2004.
14- ] S. Igawa, A. Ogihara, A. Shintani, and S. Takamatsu, “Speech recognition based on fusion of visual and auditory information using full-frame color image”, IEICE trans. on fundamentals of electronics, communications and computer sciences, Vol. E79A, No. 11, pp. 1836-1840, 1996.
15- N. Eveno, A. Caplier, P. Y. Coulon, “Key Points Based Segmentation of Lips”, IEEE Int. Conf. on Multimedia and Expo Segmentation of Lips”, IEEE Int. Conf. on Multimedia and Expo (ICME 02), Lauzanne, pp. 125-128, 2002.
16- R.L.Hsu, M.Abdel, A.K.Jain, “Face Detection in Color Images”, IEEE Trans. Pattern Analysis & Machine Intelligence, Vol. 24, No. 5, pp. 696-706, 2002.
17-A. Savran, B. Sankur, M. T. Bilge, "Facial action unit detection: 3D versus 2D modality", IEEE CVPR'10 Workshop on Human Communicative Behavior Analysis, San Francisco, California, USA, June 2010.
18- N.Otsu, “A threshold selection method from gray-level histograms”, IEEE Trans. on Systems Man Cybernetics, Vol. 9, No. 1, pp.62-66, 1979.
19- J.j.Zhao and J.j.Chen and Y.Qiang, "The Ontology-Cored Emotional Semantic Search Model",Advances in Wireless Networks and Information Systems, LNEE 72, pp. 209–215.
20- ] J.Machajdik and A. Hanbury, "Affective Image Classification using Features Inspired by Psychology and Art Theory", pp. 1-12,2004.
21- ] S.Bae Cho and J.Young Lee, " A Human-Oriented Image Retrieval System Using Interactive Genetic Algorithm", IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS PART A: SYSTEMS AND HUMANS, VOL. 32, NO. 3, pp 452-458,2002.
22- ] A.Lakdashti and M. Shahram Moin and K.Badie, " A Novel Semantic–Based Image Retrieval Method", IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS
PART A: SYSTEMS AND HUMANS, VOL. 52 , NO. 3, pp 969-974,2008.
23- S.Yong Hong and H.Yeon Choi, "COLOR IMAGE SEMANTIC INFORMATION RETRIEVAL SYSTEM USING HUMAN SENSATION AND EMOTION ",Issues in Information Systems, Volume VII, No. 2, pp140-145, 2006.
24- M.Solli and R.Lenz, " Color Semantics for Image Indexing ", 5th European Conference on Colour in Graphics, Imaging, and Vision, Joensuu, Finland, pp353-358,2010.
25- S.Bae Cho, " Emotional Image and Musical Information Retrieval With Interactive Genetic Algorithm", PROCEEDINGS OF THE IEEE, VOL. 92, NO. 4,702-711, 2004.
26- K.A.Olkiewicz and U.M.Kaczmar, "Emotion-based Image Retrieval-an Artificial Neural Network Approach", International Multiconference on Computer Science and Information
Technology, Wisla, POLAND, pp 89-96 , 2010.
27- W.NING WANG and Y.LIN YU, " IMAGE EMOTIONAL SEMANTIC QUERY BASED ON COLOR SEMANTIC DESCRIPTION ", Fourth International Conference on Machine Learning and Cybernetics, Guangzhou, pp4571-4576, 2005.
28- H.Chang Yang and C.Hong Lee, " Image semantics discovery from web pages for semantic-based image retrieval using selforganizing maps", Elsevier, Expert Systems with Applications 34, pp266–279, 2008.
29- N.Liu and E.Dellandr and C.Zhu and Y.Zhang and C.E.Bichot and S.Bres and B.Tellez and L.Chen, " LIRIS-Imagine at ImageCLEF2011 Photo Annotation task", pp 1-9.
30- N. Magesh and Dr. P. Thangaraj, " Semantic Image Retrieval Based on Ontology and SPARQL Query", International Conference on Advanced Computer Technology,pp1-9, 2011.
31- ] W.Wang and Y.Song and A.Zhang, " Semantics-based Image Retrieval by Region Saliency", pp 1-9, 2010.
32- H.Kong and M.Hwang and P.Kim, " The Study on the Semantic Image Retrieval based on the Personalized Ontology", International Journal of Information Technology, Vol. 12 No. 2, pp35-46,2006.
33-] H. Kobayashi and F. Hara," Recognition of Six Basic Facial Expressions and Their Stength by Neural Network ," Proc. of ROMAN' 92,pp381-386 ,1992.
34- T. Goto, S. Kshirsagar and N. Magnenat, "Automatic Face Cloning and Animation ," IEEE signal processing Magazine, pp. 17-25, May 2001.
35- L. Franco and A. Treves ,"A Neural Network Facial Expression Recognition System using Unsupervised Local Processing ," IEEE Trans.in Neural Networks, PP. 626-672 ,2001.
36- H. Kobayashi and F. Hara, "Real - Time Recognition of Six Basic Facial Expression," IEEE Int.Workshop on Robot and Human Communication,PP. 179- 185,1995.
37- H. Kobayashi and F. Hara ,"Analysis of the Neural Network Recognition Characteristics of 6 Basic Facial Expressions ," Int. Workshop on Robot and Human Communication ,PP. 222-226 , 1994.
38- ] H. Ushida , T. Takagi and T. Yamaguchi, "Recognition of Facial Expressions using Conceptual Fuzzy Sets ," IEEE Int. Conf. on Fuzzy Systems Vol.1 Mar. 1993.
39- A. Ralescu and H. Iwamoto," Recognition of and A. Ralescu and H. Iwamoto," Recognition of and IEEE Int.Workshop on Robot and Human Communication ,PP. 259-264 ,1993.
40- H. Ebine and O. Nakamura ," The Rocognition of Facial Exprossion Based on Fuzzy Expert System," IEICE 1998,General Conf.,D-12-163,PP. 262-265,1998.
41- ] M. Rosenblum , Y. Yacoob and L. Davis ,"Human Expression Recognition from Motion using a Radial Basis Function Network Architecture," IEEE Trans. on Neural Networks ,vol.7,No.5,september 1996.
42- Y. Yacoob and L. Davis,"Computing Spatio- Temporal Representation of Human Faces," Proc.of Computer Vision and Pattern Recognition Conf. ,pp. 70-75,1994.
43- M.j. Black and Y.Yacoob,"Recognizing Facial Expressions in Image Sequences Using Local Parameterized Model of Image Motion," Int. Joumal of Computer Vision,March 1995.
44- F. Piat and N. Tsapatsoulis , "Exploring the Time Course of Facial Expressions with a Fuzzy System ," ICME 2000 , PP. 615-618 , NY, U.S.A ,2000.
45- T. Kanade , J. Cohn, and Y. Tian. Comprehensive database for facial expression analysis, 2000.
46- J. Moody and C. Darken, "Learning with Localized receptive fields" in proc, 1988 Connectionist Models ummer School. San Matco. CA:Morgan-Kaufmann 1988.
47- Azad, P.; Asfour, T.; and Dillmann, R. 2007. Toward an Unified Representation for Imitation of Human Motion on Humanoids. In ICRA.
48- Bar-Cohen, Y., and Breazeal, C. 2003. Biologically Inspired Intelligent Robots. SPIE Press.
49- Breazeal, C. 2002. Designing Sociable Robots. The MIT Press.
50- Brock, O.; Fagg, A.; Grupen, R.; Platt, R.; Rosenstein, M.; and Sweeney, J. 2005. A Framework for Learning and Control in Intelligent Humanoid Robots. International Journal of Humanoid Robotics 2(3):301–336.
51- Brooks, R.; Aryananda, L.; Edsinger, A.; Fitzpatrick, P.; Kemp, C.; O’Reilly, U.-M.; Torres-Jara, E.; Varshavskaya, P.; andWeber, J. 2004. Sensing and manipulating built-forhuman environments. International Journal of Humanoid Robotics 1(1):1–28.
52- Deegan, P.; Thibodeau, B.; and Grupen, R. 2006. Designing a Self-Stabilizing Robot For Dynamic Mobile Manipulation. In Robotics: Science and Systems - Workshop on Manipulation for Human Environments.
53- Edsinger, A., and Kemp, C. C. 2006. Manipulation in Human Environments. In IEEE/RSJ International Conference on Humanoid Robotics.
54- Katz, D., and Brock, O. 2007. Interactive Perception: Closing the Gap Between Action and Perception. In ICRA 2007.
55- Workshop: From features to actions - Unifying perspectives in computational and robot vision.
56- Katz, D.; Horrell, E.; Yang, Y.; Burns, B.; Buckley, T.; Grishkan, A.; Zhylkovskyy, V.; Brock, O.; and Learned- Miller, E. 2006. The UMass Mobile Manipulator UMan: An Experimental Platform for Autonomous Mobile Manipulation. In Workshop on Manipulation in Human Environments at Robotics: Science and Systems.
57- Khatib, O.; Yokoi, K.; Brock, O.; Chang, K.-S.; and Casal, A. 1999. Robots in Human Environments: Basic Autonomous Capabilities. International Journal of Robotics Research 18(7):684–696.
تحقیق حساسیت زدایی از طریق حرکت چشم و پردازش مجدد در 26 صفحه با فرمت ورد شامل بخش های زیر می باشد:
بحث
فرهنگ توصیفی
چکیده
این مقاله کاوشی است در یافته های جاری عصب زیست شناسی در حیطه سیستم لیمبیک[1]،خواب نا به روال[2] و آسیب های روانشناختی[3]. ساخت و قوام حافظه و عاطفه در این مقاله مورد بحث قرار گرفته است. تحقیقات آناتومی واسطه و فیزیولوژی خواب نا به روال رابه تفصیل بیان می کند، بخصوص عملکرد خواب نا به روال در پردازش خاطره. گذرگاههای آسیب روانی مختصرا شرح داده می شود. سپس فرضیه های مبتنی بر این یافته ها همچون فرضیه هایی در مورد مکانیزم های زیربنایی "ای.ام.دی.آر"[4] ارائه می شوند.
بحث
فرضیه های مطرح شده دراین مقاله ارائه شده اند تا بحث و پژوهش بیشتری را در مورد مکانیزم های زیربنایی "ای.ام.دی.آر" برانگیزند. این فرضیه ها حاصل یافته های تجربی اخیر در حیطه سیستم لیمبیک ، عصب زیست شناسی آسیب روانی وخواب نا به روال هستند. این مقاله در احتمال اینکه پردازش "ای.ام.دی.آر" تدریجا قابلیت بالاتر عملکردهای مغزی را جهت لغو درونداد ساخت های لیمبیک فراهم می کند و از این رهگذر تسهیل کاهش فعالیت لیمبیک، کاهش برافروختگی و در نتیجه تلفیق تالاموس، آمیگدال،هیپوکامپال و عملکرد مغزی منسجم را به دنبال دارد به کاوش می پردازد.بنظر می رسد"ای.ام.دی.آر"برتری جانبی نیمکره ای را تصحیح کرده وبه مغز اجازه میدهد عملکرد درون نیمکره ای متعادلی را به خودی خودحفظ کند. فرانسین شاپیرو[5] عنوان می کند که یکی از ساده ترین راههای توصیف اثرات انسجام بخش "ای.ام.دی.آر" این است که بگوییم حادثه هدف پردازش نشده باقی مانده و این بدین جهت است که پاسخ های زیست شناختی فوری به آسیب روانی،آنرا تنها در حالت سکون عصب زیست شناختی باقی گذاشته اند. مکانیزم پردازش "ای.ام.دی.آر" به لحاظ فیزیولوژیک به صورتی شکل گرفته است که بتواند اطلاعات به خوبی پردازش نشده را به یک سطح انطباقی برساند (شاپیرو، 95 و 94). جهت درک اینکه این قضیه چگونه در یک سطح عصب زیست شناختی رخ می دهد، معتقدم که فهم ارتباط بین آمیگدال و سایر ساختارهای لیمبیک؛ قشر تازه مخ[6]؛ آناتومی واسطه ،فیزیولوژی عملکرد خوابی که در آن رویا می بینیم ؛ و انتقال دهنده های عصبی خاصی که بر این ارتباطات کالبد شناختی و عملکردها اثر می گذاردند ضروری است. امروزه مفهوم سیستم لیمبیک به مسئله ای بحث انگیز در رشته های کالبدشناسی و علوم اعصاب تبدیل شده است. آنهایی که مخالف در نظر گرفتن ساختارهای لیمبیک بعنوان یک سیستم هستند به فقدان ساختاری عینی و ملاکی عملکردی که لازمه یک موجودیت کالبد شناختی است استناد می کنند (برادل[7] ، 1980 ؛ لِدوکس[8] ، 1992 ؛ والش[9] ، 1987). اما ، این قضیه فراسوی منظور این مقاله است . برای اهداف این ارائه ، واژه سیستم لیمبیک استفاده می شود تا یک گروه از ساختارهای سیستم لیمبیک را نشان بدهد و آنرا بعنوان ترکیبی از مجموعا بخش هایی از تالاموس ،هیپوتالاموس، هیپوکامپوس، آمیگدال، هسته دمی[10]، دیواره [11]، میان مغز[12] و شکنج سینگولا مشخص می کند. این مقاله در باب ساختارهای خاص اساسی لیمبیک که به بحث فعلی مربوط می شود توضیح می دهد.
آمیگدال بخشی بادامی شکل از ساختارهای درون مرتبط قرار گرفته بر روی ساقه مغز، نزدیک انتهای حلقه لیمبیک است. آمیگدال از دوساختار تشکیل می شود (قشر میانی[13] و گروههای هسته قاعده جانبی[14])، دریک طرف مغز ، در قطعه گیجگاهی درست زیر پیشامدگی میانی قسمت جلوئی شیار پاراهیپوکامپی منزل گزیده. هسته های قشر میانی عمدتاً با پیاز بویایی، هیپوتالاموس و هسته های اندرونی ساقه مغز مرتبط اند. هسته های قاعده جانبی با تالاموس و بخش هایی از قشر مخ مرتبط اند. هیپوتالاموس هم در قطعه گیجگاهی قرار گرفته و یک بر آمدگی بزرگتر از اندازه معمول را در شاخ گیجگاهی بطن جانبی تالاموس شکل می دهد. اما تالاموس بزرگترین بخش مغز میانین، در قطعه گیجگاهی در پیرامون بطن سوم قرار گرفته ( برادل ، 1992). دیواره نیز در قطعه گیجگاهی قرار دارد ، دروندادهای عصبی را از هیپوکامپوس دریافت می کند و دروندادهایی را به هیپوتالاموس می فرستد (بلوم[15] و لازارسن[16]؛ 1998 ؛ برادل ، 1992 )....
.
.
.
آدرنالین : Adrenaline
مشتق شده از واژه تعادل زیستی . تلاش مغز جهت حفظ تعادل با وجود ادامه یافتن آسیب روانی و / یا انتظار ادامه یافتن آسیب روانی . گرچه تعادل آلوستاتیک بهایی است که توسط سایر سیستمها پرداخت می شود یعنی افزایش در کنش های آدرنژیک ، ترشح گلوکورتیکوید ، ترشح اِندورفین و غیره . این تغییرات به نوبه خود نشانه های کلاسیک اختلال استرس پس از سانحه را تسهیل می کنند.
قدامی ، پیشین Anterior
قرار گرفته در جلو یا بخش پیشین یک عضو یا ساختار .
ناحیه بروکا Broca’s area
ناحیه أی از قشر پیش پیشانی چپ مسئول تولید کلماتی که به تجارب درونی الحاق شده و به فرد اجازه می دهند تجارب شخصی را در قالب زبان ارتباطی درآورد .
دوپامین Dopamine
یک انتقال دهنده عصبی . فقدان آن سبب بیماری پارکینسون می شود که در این بیماری شخص مبتلا توانائی خود را در انجام حرکات کنترل شده از دست می دهد .دوپامینی که به قطعه پیشانی می رود جریان اطلاعاتی را که از سایر نواحی مغز می آیند تنظیم می کند . بروز اشکال در جریان یافتن دوپامین ممکن است سبب اختلال یا از هم گسیختگی همچون آنچه در اسکیزوفرنیا ( روان گسیختگی ) می بینیم شود . در اختلالهایی با شدت کمتر میزان فوق العاده زیاد دوپامین در سیستم لیمبیک و میزان کمتر از اندازه آن در قشر مخ ممکن است شخصیتی با سوء ظن زیاد را بوجود آورد و منجر به حالت موقت پارانویا یا بازداری تعامل اجتماعی می شود . میزان کم دوپامین در قطعه پیشانی ممکن است سبب فقر حافظه کار (مورد استفاده ) شود . تصور می رود که دوپامین ( ماده شیمیائی لذت بخش ) احساس شادی بوجود آورد . میزان زیاد دوپامین در قطعه پیشانی درد را کاهش داده و لذت را افزایش می دهد .
پشتی ، خلفی ، عقبی ، پسین Dorsal
بخشی در عقب یا پشت یک سطح . شبیه به بخش پسین یا عقبی کالبد انسان .
کاهش فعالیت Downregulation
کاهش فعالیت در یک فرایند یا یک سیستم .
پتانسیلهای الکتریکی Electerical potentials
فعالیت الکتریکی در مسیرهای عصبی که یک فرآیند را بر می انگیزاند .
اِندورفین Endorfins
میانجی درد در محل گیرنده ها . در آسیب جسمی گیرنده هایی در پوست پیامهای الکتریکی را می سازند که از نخاع تا مغز می رود . سپس مغز با رها کردن ازبین برنده های درد با نام اِندورفین که جهت میانجیگری در درد به گیرنده های مخدر می چسبند به ارزیابی درد می پردازد. اِندورفین بر مسیر دوپامین که قطعه پیشانی را تغذیه می کند اثر می گذارد . میزان زیادی اِندورفین رها می شود و سلولهای عصبی مسیر جریان دوپامین به قطعه پیشانی را مسدود می کند بنابراین لذت به جای درد می آید .
اپی نفرین Epinephrine
نام دیگر آدرنالین . بوسیله غده فوق کلیوی ترشح می شود . یک محرک قوی شبیه به نوراپی نفرین در فعالیت سیستم سمپاتیک است ....
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه35
فهرست مطالب تعریف رشته‌ها ویژگیهای دستورالعملهای رشتهای
دستورات repz ,repnz ,repne ,repe ,rep
تکرار اجرای دستورالعملهای رشتهای تعیین جهت پردازش رشته کپی کردن رشته‌ها
دستورالعمل LODS
مقایسه رشته
دستورالعملSTOS
جستجوی رشته
نوشتن برنامه‌های مقیم در حافظه : دستورالعمل پردازش داده‌های رشتهای رشته عبارت‌از مجموعه‌ای از کاراکترهای به هم پیوسته و متوالی است. رشته می‌تواند حاوی هر کارکتر قابل چاپ باشد. مقایسه رشته‌ها، کپی‌رشته‌ها، جستجو در رشته و انتقال آنها نمونه‌های از اعمال رشتهای هستند. تعریف رشته‌ها برای تعریف رشته‌ها از شبه دستورات DB یا DW استفاده می‌شود. نمونه هایی از تعریف رشته در زیر آمده است.
100 dup (‘*’)
Db
Str1
50 dup (?)
Dw
Str2
75 dup (?)
Dw
Str3
“ abcdef ”
Dd
Str4
جدول حالتهای سه‌گانه دستورالعملهای رشتهای:
دستورالعمل بایت
دستورالعمل کد
دستورالعمل کلمه مضاعف
MOVS
MOVSB
MOVSW
MOVSD
LODS
LODSB
LODSW
LODSD
STOS
STOSB
STOSW
STOSD
CMPS
CMPSB
CMPSW
CMPSD
SCAS
SCASB
SCASW
SCASD
معرفی دستورالعملهای رشتهای
این دستورالعملها عبارتنداز movs برای کپی کردن رشته‌ها، lods برای بارکردن رشته‌ها، stos برای ذخیره رشته‌ها، cmps برای مقایسه رشته‌ها، scas برای جستجوی رشته‌ها به کار می‌روند. دستورالعملهای رشتهای می‌توانند بر روی بایت، کلمه یا کلمه مضاعف عمل کنند، لذا هر دستورالعمل رشتهای سه حالت دارد : بایت ،کلمه، کلمه‌مضاعف. برای مثال سه حالت دستورالعمل movs عبارتنداز movsb , movsw movsd در این حالتها حرف S به معنی رشته، B به معنی بایت، W به معنی کلمه و D به معنی کلمه مضاعف است.
ویژگیهای دستورالعملهای رشتهای
دستورالعملهای رشتهای بر روی دو رشته عمل می‌کنند برای مثال رشتهای را در رشته دیگر کپی می‌کند، رشتهای را در ثباتی ذخیره می‌نمایند و یا رشتهای را از ثبات به محلی از حافظه بار می‌کند. به هر حال، دستورالعملهای رشته دو عملوند دارند ولی عملوندها جزئی از دستورات نیستند. عملوندهای دستورالعملهای رشتهای، قبل از اجرای دستورات باید مقداردهی شوند به همین دلیل، این عملوندها را عملوندهای ضمنی گویند.
دستورالعملهای رشتهای معمولاً بر روی دو رشته عمل می‌کنند که یکی از آنها رشته منبع و دیگری را رشته مقصد گویند. آدرس رشته منبع باید در ثبات SI و آدرس رشته مقصد باید در ثباتDI قرار گیرد. ثبات SI معمولاً با ثبات DS به صورت DS:SI و ثبات DI معمولاً با ثبات DS به صورت ES:DI بکار می‌روند، لذا در بسیاری از دستورالعملهای رشتهای هنگامی که فایل EXE ایجاد می‌شود ثبات ES باید با آدرس موجود در ثبات DS مقدار دهی شوند.
;address of data segment
Ax , datasg
Mov
.
Dx , ax
Mov
.
Es , ax
Mov
تکرار اجرای دستورالعملهای رشتهای
دستورالعملهای رشتهای می‌توانند رشته‌هایی از یک بایت، یک کلمه یا یک کلمه مضاعف را پردازش کنند. اگر طول رشته بیش از یک کلمه مضاعف باشد، باید اجرای دستورات رشتهای برای پردازش تکرار شود. برای مثال، برای کپی کردن رشتهای به طول10 می‌توان دستور movsb را 10 بار تکرار کرد. برای تکرار اجرای دستورات رشتهای از پیشوند rep استفاده می‌شود. تعداد دفعات تکرار باید در ثبات cx قرار گیرد. پیشوند rep، دستور پردازش رشته را آنقدر تکرار می‌کند تا ثبات cx به صفر برسد. تکرار اجرای دستورات با پیشوندهای دیگری نیز امکان‌پذیر است.