دانلود با لینک مستقیم و پر سرعت .
این محصول در قالب پی دی اف و 75 صفحه می باشد.
این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-کنترل طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.
چکیده:
نقش سلول های چهره در قشر گیجگاهی مغز در فرآیند بازشناسی چهره چیست؟ گروهی از نرون ها در قشر گیجگاهی به صورت گزینشی به تصاویر چهره پاسخ می دهند، ولی نقش دقیق آنها و مزیت محاسباتی این سلول ها در شناسایی چهره به درستی مشخص نشده است.
ما شبکه عصبی ماژولاری شبیه سازی کردیم که به طور ساده ای ستون های ویژگی در قشر گیجگاهی را مدل می کرد. سلول های این ناحیه به اشیاء با پیچیدگی متوسط پاسخ می دهند. در ادامه، شبکه دو لایه ای ساختیم که پس از لایه اول ذکر شده، دارای لایه دوم بود که سلول های چهره را مدل می کرد.
این لایه تصاویر چهره را به صورت یک کل ذخیره می کند. شبکه ها دارای نروهای تحریکی – مهاری با تابع فعالیت آستانه خطی هستند که دارای پارامترهای مطابق با مقادیر واقعی بیولوژیکی هستند. ورودی به شبکه ها چهره های انتخابی تصادفی از پایگاه داده کیت چهره بود.
یکی از اجزای چهره تغییر می کرد یا به صورت ناقص به شبکه ارائه می شد، سپس کارایی شبکه در دو وظیفه فراخوانی و بازشناسی محاسبه می گردید. نتایج ما برتری شبکه دو لایه را در بازشناسی چهره نشان می داد، در شرایطی که لایه اول به جزء چهره غلط در بیشتر آزمایش ها میل می کرد، لایه دوم با داشتن اطلاعات ارتباط بین اجزاء چهره به جزء چهره هدف میل می کرد. از طریق این شبیه سازی ها ما دریافتیم که یکی از نقش های سلول های چهره وارد کرد هویت در شبکه است که این کار با ارتباط برقرار کردن بین اجزاء یک محرک ترکیبی همچون چهره انجام می گیرد. ما پیشنهاد می کنیم این ساختار کمک به نمایان ساختن تغییرات کوچک در محرک می کند.
یک آزمایش سایکو – فیزیک طراحی گردید که در آن به افراد یک سری چهره از پایگاه داده نشان داده می شد. یک نام به هرکدام از چهره ها اختصاص پیدا کرده بود. فاز تست از دو قسمت تشکیل شده بود. در قسمت اول، به افراد یک جزء چهره به تنهایی نشان داده می شد. در قسمت دوم، از افراد خواسته می شد که چهره های کامل را که فقط در جزء قسمت اول فرق داشتند شناسایی کنند.
نتایج آزمایش نشان می دهد که افراد در شناسایی اجزای چهره وقتی که در کل چهره ظاهر شده باشند بهتر هستند نسبت به وقتی که به تنهایی ظاهر شوند. این نتیجه، نتایج شبیه سازی های ما را نیز تایید می کند: اطلاعات درباره ارتباط بین اجزاء چهره کمک به بازشناسی و فراخوانی آن جزء می کند.
این پروژه با حمایت مالی (Post Graduate Fellowship) دانشگاه SISSA کشور ایتالیا، و دو ماه فرصت مطالعاتی اینجانب در آزمایشگاه (LIMBO Lab) پروفسور Alessandro Treves انجام پذیرفته است.
مقدمه
چهره جزو مهمترین محرک هایی است که به سیستم بینایی اعمال می شود. ثبت های الکترودی از تک نرون ها در میمون Macaque نشان داده است که بعضی از نرون ها به طور اساسی به چهره جواب می دهند و به محرک های دیگر پاسخ نمی دهند. این نرون ها در جلوی قسمت بالایی شیار گیجگاهی یا STS و در ناحیه TE یافت شده اند. این سلول ها برای پاسخ دادن نیاز به وجود تمام اجزای صورت را دارند.
از طرفی، نشان داده شده است که بعضی از سلول ها به تنها یکی از اجزای صورت مانند (چشم ها، دهان، موها) یا زیر مجموعه ای از اجزاء پاسخ می دهند. این سلول ها پاسخ افت کننده ای به جزء دیگر صورت یا کل صورت دارند. هرکدام از این سلول ها از طریق سیناپس ها به یکدیگر متصل می باشند که تشکیل یک شبکه عصبی را می دهند.
هدف این پروژه آنالیز این نکته است که وجود جاذب های مجزا برای اجزا صورت مانند چشم، گوش، بینی و مو در کنار جاذب ها برای کل صورت چقدر فرآیندهای ذخیره سازی و بازشناسی کل چهره را تسهیل می سازد. سوال اصلی دیگری که در اینجا مطرح است این است که ذخیره سازی اجزاء به صورت جاذب در یک ناحیه کرتکس چقدر به ذخیره سازی و بازیابی یک حافظه ترکیبی کمک می کنند. با این حال قصد اصلی این پروژه تاکید بر بازیابی صورت در مغز برای پاسخ به این پرسش است. این کار به وسیله مدلسازی انجام می پذیرد به این ترتیب که شبکه عصبی مورد نظر برای مدلسازی پیاده سازی می شود و نتایج بررسی خواهد شد.
یکی از مدلهای مشابه که توسط Treves و همکارانش در SISSA شبیه سازی شده است، از شبکه عصبی ماژولار تشکیل شده است که هریک از ماژول ها برای کد کردن و ذخیره سازی یک از اجزای صورت استفاده شده اند. در این شبیه سازی شبکه ای برای سلول های کد کننده کل صورت یا سلول چهره در نظر گرفته نشده است و فقط تفاوت در وجود یا نبود اتصالات بین ماژول ها در عمل بازشناسی چهره مورد بررسی قرار گرفته است.
فهرست
عنوان مطالب / شماره صفحه
چکیده ١
مقدمه ٢
فصل اول: سیستم بینایی ٣
١- شبکیه چشم انسان ٤ - ١
١- پاسخ سلولھای دوقطبی ٦ -١- ١
٢- سلولھای گانگلیون ٧ -١-١
١- پاسخ سلول ھای گنگلیون شبکیه به نور ٧
٢-کورتکس ھای مختلف بینایی ١١ - ١
١- سلول ھای ساده در کورتکس اولیه بینایی ١٦ -٢- ١
٢- سلول ھای مرکب ١٧ -٢- ١
٣- سلولھای فوق مرکب ١٨ -٢-١
٣- ساختار سلولی کورتکس بینایی ٢٠ - ١
٤- میدان بینایی ٢٢ - ١
٥- مقصدھای عصب بینایی ٢٣ - ١
١- مسیر ھای مرکزی دیداری ٢٣ -٥- ١
٦- جمعبندی: مغز به عنوان یک سیستم عظیم پردازش اطلاعات ٢٧ - ١
فصل دوم: سلول چھره ٢٨
١- تاریخچه ٣٠ -٢
٢- آیا واقعا این سلول ھا حساس به چھره ھستند؟ ٣١ -٢
٣- ویژگی ھای سلول ھای چھره ٣٤ -٢
٤- جمعبندی: چراسلول چھره؟ ٣٥ -٢
ز
فصل سوم :عملکرد شبکه ھای عصبی در مغز ٣٧
٣- شبکه ھای عصبی ٣٨
١- حافظة ارتباط الگو ٣٨ - ٣
١- ساختار و عملکرد ٣٨ -١- ٣
٢- یادگیری ٤٠ -١- ٣
٣- یادآوری ٤٠ -١- ٣
٤- یک مدل ساده ٤١ -١- ٣
٥- تفسیر برداری ٤٣ -١- ٣
٦- کلی نگری ٤٥ -١- ٣
٧- تلرانس خطا ٤٥ -١- ٣
٨- اھمیت توزیع نمایش الگو ٤٦ -١- ٣
٩- ظرفیت ٤٧ -١- ٣
٢- شبکه ھای انجمنی خطی ٤٨ - ٣
١- شبکه ھای انجمنی با نورونھای غیرخطی ٤٩ -٢- ٣
٢- تداخل ٤٩ -٢- ٣
٣- کدگذاری دوباره به صورت توسعه یافته ٥٠ -٢- ٣
٣- حافظة خودانجمنی ٥١ - ٣
١- ساختار و عملکرد ٥١ -٣- ٣
٢- یادگیری ٥٢ -٣- ٣
٣- یادآوری ٥٣ -٣- ٣
٤- آشنایی با تحلیل عملکرد شبکه ھای خودانجمنی ٥٣ -٣- ٣
٥- خصوصیات ٥٥ -٣- ٣
٦- ظرفیت ٥٦ -٣- ٣
٧- وضعیتھای ترکیبی ٥٧ -٣- ٣
٤- شبکه ھای رقابتی، شامل مدلھای خودسازمانده ٥٧ - ٣
١- ساختار ٥٨ -٤- ٣
٢- الگوریتم ٥٩ -٤- ٣
٣- کشف ویژگی با خودسازماندھی ٦٠ -٤- ٣
٤- از بین بردن زوائد ٦١ -٤- ٣
ح
٥- جداسازی و الگوھای جداپذیر غیرخطی ٦٢ -٤- ٣
فصل چھارم : نتیجه گیری و پیشنھادات ٦٣
