دسته بندی سیگنالهای الکترومیوگرافی با شبکه عصبی موجک

چکیده

یک وسیله دقیق و محاسباتی کارآمد برای دسته بندی الگوی سیگنال های الکترومیوگرافی، موضوع بحث بسیاری از پژوهشگران در سال های اخیر بوده است. تجزیه تحلیل های کمیتی سیگنال های EMG، منبع اطلاعاتی مهمی برای تشخیص اختلالات عصبی-عضلانی می باشد. با پیگیری توسعه های اخیر تجهیزات EMG کامپیوتری، روش های مختلفی در حوزه زمان و حوزه فرکانس برای تحلیل های کمیتی، انجام گرفته است. در این بررسی، دسته بندی کننده های مبنی بر شبکه های عصبی مصنوعی پس-انتشار خطای پیشخور (FEBANN) و شبکه های عصبی موجک (WNN) در دقت در دسته بندی سیگنال های EMG با هم مقایسه شده اند. در این روش ها، ما از یک مدل خودبازگشت (اتورگرسیو) (AR) سیگنال های EMG، به عنوان ورودی سیستم دسته بندی، استفاده کردیم. مقدار کل 1200 MUP که از 7 مورد طبیعی، 7 مورد دارای بیماری میوپاتی، و 13 مورد دارای بیماری های با ریشه عصبی به دست آمدند، آنالیز شده اند. میزان موفقیت برای روش WNN 90.7% و برای روش FEBANN 88% بوده است. مقایسه بین دسته بندی کننده های توسعه یافته، نخست بر مبنای تعدادی اندازه گیری های عددی مربوط به دسته بندی می باشد. دسته بندی کننده مبنی بر WNN، بر همتای FEBANN خود برتری دارد. دسته بندی WNN ارایه شده، می تواند تصمیم گیری های کارشناسانه را پشتیبانی کرده و به تشخیص افتراقی EMG کمک کند.

کلیدواژه: الکترومیوگرافی، پتانسیل واحد موتور، روش اتورگرسیو، شبکه عصبی موجک

مقدمه

بیش از 100 اختلال عصبی و ماهیچه ای وجود دارد که بر روی نخاع، عصب، و ماهیچه اثر می گذارد. تشخیص بموقع این بیماری ها توسط معاینه های درمانگاهی و تست های آزمایشگاهی، برای مدیریتکردن آنها و نیز پیشبینی آنها با استفاده از تشخیص پیش از تولد و مشاوره های ژنتیکی، حیاتی می باشد. این اطلاعات همچنین در ازوهش موجود می باشد، که می تواند منجر به فهم طبیعت این بیماری ها، و سرانجام بیماری آنها گردد. مورفولوژی (ریخت شناسی) واحد موتور، را می توان با ثبت فعالیت های الکتریکی معروف به الکترومیوگرافی (EMG) بررسی کرد. در EMG درمانگاهی، پتانسیل های واحد موتور (MUP) با استفاده از یک الکترود سوزنی در اقباض ارادی کم، ثبت می شود.

مطالب مرتبط

• دسته بندی سیگنال های الکترومیوگرافی با استفاده از شبکه عصبی موجک
• طبقه بندی سری زمانی با با مدل ترکیب گاوس از فضای مراحل بازسازی شده
• طبقه بندی سری زمانی با استفاده از مدل گاوس
• شبکه عصبی آموزشی رقابتی پیشرفته: تشخصی نفوذ به شبکه و شناسایی تقلب
• تعیین هویت گوینده مستقل از متن، توسط مدل مخلوط گاوس ساختاری و شبکه

سیستم کشف اطلاعات مبتنی بر آمیب (ترجمه)

چکیده

ما سیستم کشف اطلاعات مبتنی بر آمیب یا سیستم داده کاوی را مطرح می کنیم که با استفاده از ارگانیسم آمیبی شکل و سیستم کنترل مرتبط به آنبه اجر در می آید. سیستم امیب به عنوان یکی از الگوهای محاسباتی غیرسنتی جدید مد نظر قرار گرفته، که می تواند محاسبات موازی انبوه و پیچیده ای را انجام داده که ازفعالیت های پیچیده امیب اسنفاده می کند. سیستم مورد نظر ما ترکیبی از واحدهای سنتی مبتنی بر اطلاعات بوده که بر روی کامپیوترهای معمولی و واحد جستجوی مبتنی بر امیب با رابط واحد کنترل امیب به اجرا در می آید. راه حل ها در سیستم ما دارای مسیردهی یک به یک نسبت به راه حل های شناخته شده دیگر همانند شبکه های عصبی و الگوریتم های ژنتیکی می باشد. این قابلیت مسیردهی، چنین امکانی را برای امیب ایجاد می کند تا تکنیک هایی را که در حوزه های دیگر ایجاد شده است بکار گرفته و مورد استفاده قرار دهد. شکل های مختلفی از مراحل کشف اطلاعات معرفی شده اند. همچنین انواع جدیدی از تکنیک کشف اطلاعات به نام «حل مسئله مستقل» مورد بحث قرار می گیرد.

کلیدواژه: محاسبات مبتنی بر امیب؛ کشف اطلاعات؛ داده کاوی؛ الگوی محاسباتی جدید

مقدمه

کشف اطلاعات- یعنی مفهوم کامپیوترهایی که بطور اتوماتیک اطلاعات مفیدی را جستجو می کنند به عنوان یک جنبه جذاب و نوید بخش برنامه های کاربردی به منظور کاربرد عملی آن می باشد. الگوهای محاسباتی جدید- در 40 سال گذشته سخت افزار کامپیوتر تحت سلطه CMOS سنتی یا مدارهای مجتمع مبتنی بر سیلیکون بوده است (که همچنین به نام معماری مبتنی بر سیلیکون می باشد). امروزه، مفاهیم معماری کامپیوتر بر مبنای اصول کلی جدید به غیر از فناوری مبتنی بر سیلیکون توجه زیادی را به سمت خود جلب کرده است. این مقاله طرح کشف اطلاعات را مطرح می کند که از سیستم مبتنی بر امیب، که یکی از الگوهای محاسباتی جدید می باشد، مطرح می کند.

مطالب مرتبط

• کشف اطلاعات بر اساس آمیب
• پاور پوینت سیستمهای اطلاعاتی
• طبقه بندی سری زمانی با با مدل ترکیب گاوس از فضای مراحل بازسازی شده
• کاربردهای سیستم پشتیبانی تصمیم گیری و سیستم اطلاعاتی اداری در…
• خدمات هوشمند با استفاده از ip – ترکیب داده شبکه بزرگ

تبادل دوره آموزشی بین سیستم آموزش هوشمند

چکیده

در سال های اخیر تلاش های زیادی به منظور ایجاد سیستم آموزشی هوشمند انجام شده که نزدیک به روش تدریس انسان باشد. بعضی از مضرات سیستم هایی که قبلا ایجاد شده اند، غیرممکن بودن اشتراک دوره های آموزشی بین سیستم های آموزشی هوشمند مخلف و مشکل در ایجاد آن ها بوده است. زمانی که سیستم آموزشی هوشمند ایجاد شد، ایجاد یک دوره آموزشی جدید به عنوان کار پرهزینه ای می باشد که نیازمند دخالت بسیاری از افرادی که در حوزه های مختلف کارشناس هستند، می باشد. در این مقاله ابزارهای مناسب قابل توسعه و کامل به منظور ایجاد دوره های اموزشی برای سیستم های اموزشی هوشمند مختلف نشان داده می شود. این ابزارهای مناسب، امکان ایجاد دوره های آموزشی را برای انواع متفاوتی از سیستم های آموزشی هوشمند فراهم می کند. زمانی که یک دوره آموزشی ایجاد شد، می توان ان را به سیستم آموزشی هوشمند دیگری انتقال داد، و از مدل غالبی که آن دوره اموزشی ارائه می کند، استفاده مجدد کرد. نمونه ابزارهای مناسب، با دو سیستم آموزشی هوشمند ساده تست شدند.

کلیدواژه: سیستم آموزشی هوشمند، ابزارهای مناسب، جامع، ابررسانه، نظریات طرح آموزشی

مقدمه

سیستم های آموزشی هوشمند (ITS) سیستم های مبتنی بر کامپیوتر می باشند که آموزش مجزایی را برای دانشجویان ایجاد می کند. در حدود 20 سال پیش، پژوهش انجام شده توسط بنجامین بلوم و افراد دیگر نشان داد که دانشجویانی که آموزش های یکطرفه را دریافت می کنند دو انحراف معیار بهتری را نسبت به دانشجویانی که در کلاس های سنتی حضور می یابند، به اجرا در می آورند. یعنی، متوسط دانشجویان آموزش دیده به اندازه 2% دانشجویان سطح بالایی که در کلاس های سنتی اموزش می بینند، می باشد. علاوه بر این تحقیقات بر روی سیستم های نمونه نشان می دهد که دانشجویانی که از طریق ITS آموزش می بینند معمولا یادگیری شان سریعتر بوده و یادگیری ان ها از نظر بهبود عملکرد بهتر از دانشجویان آموزش دیده در کلاس می باشد.

مطالب مرتبط

• تبادل دوره آموزشی بین سیستم های آموزش هوشمند مختلف
• تبادل دوره آموزشی بین سیستم آموزش هوشمند مختلف
• مقدمات تکنولوژی آموزشی
• رویکردهای نوین برای طراحی تکنولوژی آموزشی (ترجمه)
• مهارتهای آموزشی و پرورشی

استفاده از امکان Replace all در Microsoft Office Word 2007، 2010 and 2013

استفاده از امکان Replace all در Microsoft Office Word 2007

کلمات کلیدی: ترفندهایی از ورد، ترفندهایی از word، تغییر یک کلمه به صورت گروهی در word، استفاده از امکان Replace در word، جایگزینی گروهی واژگان در ورد

یکی از جالب‌ترین امکانات word، پنجرۀ Replace است. با این امکان قادر خواهید بود در یک متن مثلاً 100 صفحه‌ای به صورت یکجا، یک کلمه را که بارها در متن تکرار شده است تغییر داده و یا ویرایش کنید. هر چند که بسیاری از افراد از این امکان استفاده می‌کنند، ولی تعداد معدودی هستند که به درستی از آن بهره می‌برند. با خواندن این مقاله می‌توانید از این امکان لذت ببرید.

ممکن است که استفاده از امکان Replace بسیار ساده باشد، ولی در عین ساده بودن، یکسری از ترفندها را نیاز دارید. به عنوان مثال وقتی شما قصد دارید کلمۀ "مکان" را در متن به کلمۀ "محل" تبدیل کنید، اگر از این ترفندها استفاده نکنید، کلماتی که در متن ترتیب "م.ک.ا.ن" را دارند نیز دچار تغییر می‌شوند؛ مثلاً "امکانات" نیز به "امحلات" تبدیل می‌شود، برای پیش نیامدن این‌چنین اشکالاتی باید از راهکار زیر استفاده کرد.

ابتدا با استفاده از دستور Ctrl+H پنجرۀ Replace را اجرا کنید. اگر مایل به استفاده از این دستور نیستید، تصویر را مشاهده نمایید.



با اجرای دستور Ctrl+H، با پنجره‌ای همانند تصویر زیر روبرو می‌شوید.



با کلیک بر روی کلید مشخص شده در تصویر، گزینه‌های پیشرفته را نمایان کنید (همانند تصویر زیر).



حال کلمه‌ای که قرار است ویرایش شود در قسمت بالا (در اینجا، مکان) و کلمه‌ای را که جایگزین آن می‌شود در قسمت پایین (در اینجا، محل) بنویسید.

با تیک زدن گزینۀ مشخص شده در تصویر (Find whole words only، یعنی فقط کلمات کامل را بیاب) از اشتباه شدن کلماتی که دارای همان ترتیب حروف هستند (در اینجا امکانات)، جلوگیری کنید.

پس از نوشتن کلمات و تیک زدن گزینۀ Find whole words only بر روی کلید Replace All کلید نمایید.

لطفاً پس از مطالعه این مطلب، نظر خود را با ما درمیان بگذارید.

معماری طراحی شراکتی سخت افزار / نرم افزار برای آزمایش آنلاین در ریزپزدازنده های تراشه

عنوان انگلیسی مقاله: Hardware/Software Codesign Architecture forOnline Testing in Chip Multiprocessors
عنوان فارسی مقاله: معماری طراحی شراکتی سخت افزار / نرم افزار برای آزمایش آنلاین در ریزپزدازنده های تراشه
طبقه بندی: کامپیوتر
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 41

چکیده
همانطور که صنعت نیمه رسانا فشار بی رحمانه خود را به وسیله فناوری های نانو CMOS ادامه می دهد، قابلیت اطمینان طولانی مدت دستگاه و وقوع خطاهای دشوار به عنوان نگرانی عمده ای پدیدار شده است. قابلیت اطمینان طولانی مدت دستگاه شامل تنزل پارامتری است که منجر به اتلاف عملکرد و نیز خطاهای دشوار می گردد که موجب اتلاف functionality می شود. در نقشه جاده ITRS گزارش شده است که تأثیر آزمایش سوختن مرسوم در افزایش عمر محصول در حال فرسوده شدن است. بنابراین به منظور حصول اطمینان از قابلیت اطمینان کافی محصول، کشف خطا و پیکربندی مجدد سیستم می بایست در زمان اجرا در میدان انجام شود. گرچه ساختارهای حافظه منظم در مقابل خطاهای دشوار با استفاده از کدهای تصحیح خطا حفاظت شده اند، بسیاری از ساختارها در داخل هسته ها فاقد حفاظ باقی مانده اند. چندین روش آزمایش آنلاین مطرح شده به آزمایش همزمان متکی اند یا به صورت دوره ای در فواصل معین صحت را کنترل می کنند. این روش ها به علت تلاش طراحی قابل توجه و هزینه سخت افزار ی جالب توجه اما محدود هستند. علاوه بر این کمبود قابل مشاهده بودن و قابل کنترل بودن حالات ریزمعماری منجر به رکود طولانی و ذخیره سازی وسیعی از الگوهای Golden می گردد. ما در این مقاله یک الگوی کم هزینه را به منظور کشف و اشکال زدایی خطاهای دشوار به وسیله دانه دانه بودن ریز در داخل هستته ها و در حال کار نگه داشتن هسته های معیوب با قابلیت و عملکرد تحلیل رفته بالقوه پیشنهاد می کنیم. راه حل شامل هر دو سخت افزار و نرم افزار زمان اجرا بر اساس مفهوم ماشین مجازی طراحی شراکتی می باشد که دارای قابلیتی جهت کشف، اشکال زدایی و تفکیک خطاهای مشکل در ساختارهای آرایه غیر پنهان کوچک، واحدهای اجرایی، و منطق ترکیبی در داخل هسته ها است. ثبات های signature سخت افزار ی به منظور تسخیر ردّپای اجرا در خروجی واحد های در حال کار در داخل هسته ها مورد استفاده قرار می گیرند. یک لایه نرم افزار ی زمان اجرای (microvisor) تابعی را همزمان بر روی چند هسته به منظور تسخیر ردپای signature در سرتاسر هسته ها جهت کشف، اشکال زدایی و تفکیک خطاهای دشوار آغاز می نماید. نتایج نشان می دهند که با استفاده از مجموعه هدفمندی از دنباله آزمایش تابعی، خطاها می توانند برای یک سطح دانه دانه ریز در داخل هسته ها اشکال زدایی گردند. هزینه سخت افزار ی الگو کمتر از سه درصد است، در حالی که وظایف نرم افزار در سطح بالا انجام شده است و منجر به یک تلاش و هزینه طراحی نسبتا پایین می گردد.