مقاله کامل در مورد بیماریهای عصبی MS

اختصاصی از فی لوو مقاله کامل در مورد بیماریهای عصبی MS دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 4
فهرست مطالب:

بیماریهای عصبی MS

برای مقابله با خستگی :

محافظت روده:

جلوگیری از لرزش و رعشه:

کاهش علائم مثانه

کاهش مشکلات در بلعیدن غذا

کاهش درد قبل از تزریق 

رفع کمبود خواب

برای رفع بی خوابی:

بیماریهای عصبی MS

خستگی ایجاد شده در بیماران MS به علت: خود بیماری، داروهای کاهش دهنده ی علائم بیماری، کمبود خواب، افسردگی، تلاش جسمی و روانی (به علت ضعف در عضلات، سخت راه رفتن و عدم تعادل، فرد خسته می شود) و عفونت مانند سرماخوردگی یا آنفولانزا است.

خستگی باعث کاهش اشتها و کاهش فعالیت می شود.

برای مقابله با خستگی :

- حجم غذا را کم و تعداد وعده های غذایی را زیاد کنید.

- بین وعده های غذایی نباید بیشتر از 4 ساعت فاصله بیافتد.

- از غذاهای پرپروتئین استفاده کنید، نظیر: پنیر، ماست و یا کره بادام زمینی.

- از مصرف دسرهای شیرین خودداری کنید.

- نوشیدنی های کافئین دار( قهوه، چای، نوشابه سیاه) را باید کم مصرف کنید، زیرا این نوشیدنی ها باعث کم خوابی، از دست دادن آب بدن و عصبانیت می شوند.

محافظت روده:

فیبرهای محلول را مصرف کنید، مثل: انجیر، آلو، گوجه برقانی، برنج قهوه ای، غلات و نان های سبوس دار.

مقاله سیستم های مبتنی بر شبکه عصبی

اختصاصی از فی لوو مقاله سیستم های مبتنی بر شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

نوع فایل : Word

تعداد صفحات : 53

شرح مختصر : 

شبکه‌های عصبی مصنوعی Artificial Neural Network – ANN)  ) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. مثلا با اعمال سوزش به سلول‎های عصبی لامسه، سلول‎ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‎ها وزن سیناپس‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند. توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‎ای از عناصر پردازش ساده (نورونها) است، که می‌تواند رفتار پیچیده کلی تعیین شده‎ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسون‎ها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفته‌است، که یکی از قابل توجه‎ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می‎دهد. در یک مدل شبکه عصبی، گره‎های ساده (بطور گسترده نورون، نئورونها، “PE” ها (عناصر پردازش) یا واحدها) برای تشکیل شبکه‎ای از گره‎ها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح”شبکه‎های عصبی” اطلاق می‎شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد. با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکه‌ها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.

فهرست :

مقدمه ای بر شبکه‌های عصبی مصنوعی

تاریخچه شبکه‌های عصبی مصنوعی

شبکه عصبی چیست؟

شبکه  عصبی چه قابلیتهائی دارد؟

الهام از طبیعت

شبکه های عصبی در مقایسه با کامپیوترهای سنتی

مسائل مناسب برای یادگیری شبکه های عصبی

پرسپترون

الگوریتم یادگیری پرسپترون

الگوریتم gradient descent

مشکلات روش gradient descent

تقریب افزایشی gradient descent

الگوریتم  Back propagation

قدرت نمایش توابع

انواع آموزش شبکه

برخی زمینه های شبکه های عصبی

سبکهای معماری شبکه‌های عصبی

قواعد یادگیری در شبکه‌های عصبی

آموزش شبکه‌های عصبی

آموزش unsupervised یا تطبیقی (Adaptive)

تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره

انواع یادگیری برای شبکه های عصبی

یادگیری با ناظر

یادگیری تشدیدی

یادگیری بدون ناظر

معایب شبکه های عصبی

مزیتهای شبکه های عصبی

سیستم خبره

سیستم خبره چیست؟

ساختار یک سیستم خبره‌

استفاده از  منطق فازی

مزایا و محدودیت‌های سیستم‌های خبره

کاربرد سیستم‌های خبره‌

چند سیستم خبره مشهور

مروری بر کاربردهای تجاری

بازاریابی

بانکداری و حوزه های مالی

پیش بینی

پیش بینی

تبیین مفهوم ورشکستگی

متغیرهای مدل تحقیق

اطلاعات شرکتهای نمونه تحقیق

تعیین ‌مدل شبکه عصبی سه لایه برای پیش‌بینی ورشکستگی شرکتها

تعیین مدل بهینه شبکه عصبی چهار لایه برای پیش‌بینی ورشکستگی شرکتها

مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیش‌بینی ورشکستگی اقتصادی

پیش‌بینی ورشکستگی اقتصادی شرکتها در سالهای  و

روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره ـ

جمع‌بندی و نتیجه‌گیری

منابع

ارائه مدل شبکه عصبی جهت تخمین عملکرد بازیاب حرارتی موتور استرلینگ بر اساس نتایج تجربی

اختصاصی از فی لوو ارائه مدل شبکه عصبی جهت تخمین عملکرد بازیاب حرارتی موتور استرلینگ بر اساس نتایج تجربی دانلود با لینک مستقیم و پر سرعت .

سال انتشار: ۱۳۸۸

تعداد صفحات: ۵ | زبان ارائه مقاله: فارسی

چکیده مقاله:

هدف از این مقاله طراحی یک مدل شبکه عصبی هوشمند جهت بررسی راندمان حرارتی موتور استرلینگ و تخمین عملکرد بازتاب حرارتی می باشد که بر اساس فرکانس عملکردی موتور و مقدار جرم سیال عامل قابل دستیابی است. موتور استرلینگ یک موتور حرارتی برونسوز است که به دلیل مزایایی از قبیل استفاده از انواع سوخت های فسیلی و غیر فسیلی، آلایندگی پایین، عملکرد آرام و بدون ارتعاش و... امروزه از سوی مراکز تحقیقاتی مورد توجه قرار گرفته است. بازیاب حرارتی یکی از قسمت های مهم سیکل استرلینگ می باشد که مدل سازی آن به دلیل تاثیرپذیری از پارامترهای مختلف بسیار پیچیده است. بازتاب حرارتی با ذخیره سازی و باز پس دادن حرارت، تأثیر زیادی بر میزان بازدهی موتور استرلینگ داشته و به شکل قابل توجهی تابع شرایط کاری موتور می باشد. با آگاهی از میزان بازدهی حرارتی بازتاب در شرایط کاری مختلف و با توجه به مدل موتور، تخمین دقیق تری از میزان توان خروجی و راندمان حرارتی موتور خواهیم داشت. از این رو ابتدا به کمک مدل های ترمودینامیکی، توزیع دمای مبدل های حرارتی و نیز راندمان بازیاب محاسبه شده و در ادامه دمای مناطق سرد و گرم یک موتور استرلینگ آزمایشگاهی در فرکانس ها و مقدار جرم های متفاوت گاز عامل داخل محفظه موتور اندازه گیری شده است. با کمک مدل توزیع دمای مربوط به مبدل های حرارتی، کاریابی بازیاب در شرایط مختلف محاسبه گردیده و سپس به کمک یک شبکه عصبی هوشمند MLP، برای شرایط مختلف کاری موتور جهت تخمین عملکرد بازیاب تعمیم داده شده است. اطلاعات تجربی از یک موتور استرلینگ آزمایشگاهی نوع گاما که در مرکز تحقیقات موتور دانشگاه صنعتی مالک اشتر طراحی و ساخته شده بدست آمده است. نتایج مطلوب حاصل از مدل و تطبیق آن ها با نتایج آزمایشگاهی صحت مدل شبکه عصبی ارائه شده را تصدیق می کند

کلیدواژه‌ها:

راندمان بازیاب حرارتی، موتور استرلینگ، توزیع دما، مبدل های حرارتی، شبکه عصبی

 

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

غفاری, علی؛ عباس علی آبادی؛ نصرت الله حسینقلی ارباب و مصطفی نظری، ۱۳۸۸، ارائه مدل شبکه عصبی جهت تخمین عملکرد بازیاب حرارتی موتور استرلینگ بر اساس نتایج تجربی، هشتمین همایش انجمن هوافضای ایران، اصفهان، انجمن هوافضای ایران، 

 

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (غفاری, علی؛ عباس علی آبادی؛ نصرت الله حسینقلی ارباب و مصطفی نظری، ۱۳۸۸)
برای بار دوم به بعد: (غفاری؛ علی آبادی؛ حسینقلی ارباب و نظری، ۱۳۸۸)

پایان نامه ترکیب سیستم های خبره و شبکه های عصبی و کاربرد آن در پزشکی

اختصاصی از فی لوو پایان نامه ترکیب سیستم های خبره و شبکه های عصبی و کاربرد آن در پزشکی دانلود با لینک مستقیم و پر سرعت .

چکیده فارسی: در یک تعریف کلی می توان گفت سیستم های خبره،برنامه های کامپیوتری هستند که نحوه تفکر یک متخصص در یک زمینه خاص را شبیه سازی می کنندودر واقع این نرم افزار ها،الگوهای منطقی ای را که یک متخصص بر اساس آن ها تصمیم گیری می کند،شناسایی می نمایند و سپس بر اساس آن الگوها،مانند انسان ها تصمیم گیری می کنند. شبکه عصبی نیز یک سیستم پردازش داده هاست که از تعداد زیادی عناصر پردازشگر ساده و بسیار مرتبط با هم (یعنی همان اعصاب مصنوعی) تشکیل شده است و در ساختار آن از پوسته دماغی مغز الهام گرفته شده است. آنچه در نهایت می توان گفت این است که یکی از مزیت های ترکیب سیستم های خبره و شبکه های عصبی این است که می توانند در کنار متخصصان انسانی مورد استفاده قرار بگیرند که ماحصل آن تصمیم گیری مبتنی بر تخصص انسانی و دقت ماشینی است.این فناوری از دید تجاری نیز برای توسعه دهندگان آن سود آور است. صفحه عنوان فصل اول : مقدمه ای برسیستم های خبره 7 — 1-1 مقدمه 7 — 1-2 سیستم خبره چیست؟ 10 — 1-3 تفاوت های سیستم خبره با یک برنامه عادی 12 — 1-4 مفاهیم عمومی سیستم های خبره 14 — 1-5 ویژگی های یک سیستم خبره 18 — 1-6 توسعه تکنولوژی سیستم های خبره 19 — 1-7 محدوده ها و کاربردهای سیستم های خبره 25 — 1-8 اجزای یک سیستم خبره 30 — 1-9 خلاصه فصل دوم : طراحی سیستم های خبره 32 — 2-1مقدمه 32 — 2-2 انتخاب مسئله مناسب 33 — 2-2-1 انتخاب الگوی مناسب 33 — 2-2-2 عواید سیستم 33 — 2-2-3 ابزارها 34 — 2-3 مراحل ایجاد یک سیستم خبره 37 — 2-4 خطاها در مراحل ایجاد 40 — 2-5 مهندسی نرم افزار و سیستم های خبره 43 — 2-6 چرخه حیات سیستم خبره 46 — 2-7 یک مدل چرخه حیات تفضیلی 47 — 2-7-1 طراحی 48 — 2-7-2 تعریف دانش 49 — 2-7-3 طراحی دانش 52 — 2-7-4 تصدیق بر دانش 53 — 2-7-5 ارزیابی سیستم 54 — 2-8 خلاصه فصل3- مبنای شبکه های عصبی 56 — 3-1 مقدمه 56 — 3-2 مبنای پزشکی شبکه های عصبی 57 — 3-3 اعصاب مصنوعی 58 — 3-4 شبکه های عصبی مصنوعی 61 — 3-4-1 شبکه های عصبی و بازخور 62 — 3-4-2 شبکه های عصبی در یک نگاه 62 — 3-4-3 شبکه های عصبی شرکت پذیر 64 — 3-5 یادگیری و فراخوانی 66 — 3-5-1 یادگیری تحت نظارت 73 — 3-6 خصوصیات شبکه های عصبی مصنوعی 75 — 3-7 تاریخچه پیشرفت شبکه های عصبی 75 — 3-7-1 پرسپترون روزنبلات 78 — 3-7-2 پرسپترون های مینسکی و پیپرت فصل4-ترکیب سیستم های خبره و شبکه های عصبی 80 — 4-1مقدمه 81 — 4-2تفاوت های سیستم خبره و شبکه عصبی 81 — 4-2-1 سیستم خبره 82 — 4-2-2: شبکه های عصبی 82 — 4-2-3خصوصیات و تفاوت های سیستم های خبره و شبکه های عصبی 85 — 4-3کاربرد سیستم های خبره و شبکه های عصبی در پزشکی 85 — 4-3-1 استفاده از سیستم های خبره در علم پزشکی 85 — 4-3-2 مقالات کاربرد شبکه های عصبی در پزشکی 106 — 4-4 ترکیب سیستم خبره و شبکه عصبی 109 نتیجه گیری

ترجمه یک سیستم خبره فازی – عصبی برای تشخیص

اختصاصی از فی لوو ترجمه یک سیستم خبره فازی – عصبی برای تشخیص دانلود با لینک مستقیم و پر سرعت .

منطق فازی،یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند.با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند ، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی میکند که از داده های نمونه یاد گرفته و این اجازه را می دهد که قوانین فازی برای دانش پایه را استخراج کنیم.تشخیص electroencephalograms با تفسیر عناصر نموداری بعنوان یک نوع مشاهده در روش ما بکار گرفته می شود. نتایج اولیه نشان دهنده احتمالات مورد نظر با استفاده از روش ما می باشد.
تعداد صفحه 15