دانلود پروژه پایان نامه کارشناسی ارشد برق کنترل تعامل بین جاذب های اجزاء چهره و جاذب های چهره کامل در قشر گیگجاهی مغز,پایان نامه کارشناسی ارشد برق,پروژه کارشناسی ارشد رشته برق,دانلود رایگان پروژه کارشناسی ارشد برق,دانلود رایگان پایان نامه word رشته برق,دانلود پایان نامه و پروژه pdf و word کارشناسی ارشد برق,خرید و فروش و انجام پایان نامه و پروژه کارشناسی ارشد برق,دانلود پروژه پایان نامه مهندسی ارشد رشته برق گرایش کنترل,پروژه و پایان نامه ارشد برق گرایش کنترل,دانلود تحقیق و مقاله کارشناسی ارشد مهندسی برق کنترل,دانلود پایان نامه درباره تعامل بین جاذب های اجزاء چهره و جاذب های چهره کامل در قشر گیگجاهی مغز,دانلود پروپوزال کارشناسی ارشد رشته مهندسی برق گرایش کنترل,دانلود پروژه و پایان نامه آماده دانشجویی رشته برق کنترل
با سلام گرم خدمت تمام دانشجویان عزیز و گرامی . در این پست دانلود پروژه پایان نامه کارشناسی ارشد برق کنترلتعامل بین جاذب های اجزاء چهره و جاذب های چهره کامل در قشر گیگجاهی مغز رو برای عزیزان دانشجوی رشته برق گرایش کنترل قرار دادیم . این پروژه پایان نامه در قالب ۱۰۴ صفحه به زبان فارسی میباشد . فرمت پایان نامه به صورت پی دی اف PDF هست و قیمت پایان نامه نیز با تخفیف ۵۰ درصدی فقط ۱۵ هزار تومان میباشد …
از این پروژه و پایان نامه آماده میتوانید در نگارش متن پایان نامه خودتون استفاده کرده و یک پایان نامه خوب رو تحویل استاد دهید .
پایان نامه جهت دریافت درجه کارشناسی ارشد
رشته برق – گرایش کنترل
عنوان پایان نامه : تعامل بین جاذب های اجزاء چهره و جاذب های چهره کامل در قشر گیگجاهی مغز
رشته برق – گرایش کنترل
عنوان پایان نامه : تعامل بین جاذب های اجزاء چهره و جاذب های چهره کامل در قشر گیگجاهی مغز
عنوان مطالب شماره صفحه
چکیده ١
مقدمه ٢
ساختارپایان نامه ٣
فصل اول: سیستم بینایی ٤
١- شبکیه چشم انسان ٦ – 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- جمع بندی: چراسلول چھره؟ ٣٥ -٢
فصل سوم :عملکرد شبکه ھای عصبی در مغز ٣٧
٣- شبکه ھای عصبی ٣٨
١- حافظة ارتباط الگو ٣٨ – ٣
ز
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
٥- جداسازی و الگوھای جداپذیر غیرخطی ٦٢ -٤- ٣
فصل چھارم: مدلسازی ٦٣
ح
١- رابطه جزء و کل در بازشناسی چھره: دیدگاه روانشناسی – علم اعصاب ٦٤ – ٤
٢- جاذب ھا در فضای صورت ٦٥ – ٤
٣- شبیه سازی با شبکه ٦٦ – ٤
١- ساختار شبکه ٦٧ -٣- ٤
٢- مدار نرونی حافظه ٦٨ -٣- ٤
٣- الگوی سیناپس ھا ٦٨ -٣- ٤
٤- دینامیک فعالیت ٦٩ -٣- ٤
٥- آزمایش شبیه سازی ٧١ -٣- ٤
٦- الگوریتم فراخوانی ٧١ -٣- ٤
٧- الگوریتم بازشناسی ٧٢ -٣- ٤
٨- نتایج و بحث ٧٢ -٣- ٤
٩- شبکه با تصاویر باینری ٧٥ -٣- ٤
٤- مدلسازی توسط شبکه ھای رقابتی ٧٧ – ٤
١- نا ھمبسته سازی داده ھا ٧٧ -٤- ٤
٢- ساختار شبکه ٧٨ -٤- ٤
٣- کدگذاری اجزاء چھره در لایه اول ٧٨ -٤- ٤
٤- کد گذاری چھره کامل در لایه دوم ٧٩ -٤- ٤
٥- معیار اندازه گیری ٨٠ -٤- ٤
٦- نتایج شبیه سازی ٨١ -٤- ٤
١ – لایه اول ٨١
٢ – لایه دوم ٨٣
٧- مقایسه ٨٤ -٤- ٤
٨- جمعبندی ٨٥ -٤- ٤
فصل پنجم: آزمایش سایکوفیزیک ٨٦
١- متد ٨٧ – ٥
١- افراد ٨٧ -١- ٥
٢- ابزار ٨٧ -١- ٥
٣- مراحل ٨٧ -١- ٥
ط
٢- فاز یادگیری ٨٧ – ٥
٣- فاز تست ٨٨ – ٥
٤- نتایج و بحث ٨٩ – ٥
فصل ششم : نتیجه گیری و پیشنھادات ٩٠
منابع و مراجع ٩٥
ی
فھرست جدول ھا
عنوان ش م ا ر ه ص ف ح ه
١ پارامترھای استفاده شده در شبیه سازی شبکه ٧١ – جدول ٤
١ درصد درست ٨٩ – جدول ٥
ک
فھرست شکل ھا
عنوان شماره صفحه
١: نمایی از ساختار داخلی چشم ٤ – شکل ١
را در شبکیه نشان می دھد ٥ fovea ٢: شکل مکان – شکل ١
٣: ساختار سلولی شبکیه ٦ – شکل ١
٤: پاسخ سلولھای دوقطبی به باریکه نور ٧ – شکل ١
٥: میدان گیرندگی سلولھای گانگلیون ٨ – شکل ١
٦: پاسخ سلول ھای گانگلیون به محرک در حالت ھای مختلف ٩ – شکل ١
٧: نحوه پاسخ سلول ھا ی مختلف شبکیه به نور ٩ – شکل ١
از سلول ھای گانگلیون ١٠ M و P ٨ : دو نوع – شکل ١
١١ P ٩ : ساختار تقابل رنگ در سلول ھای نوع – شکل ١
١٠ : تعدادی از مناطق مربوط به بینایی ١٢ – شکل ١
١١ : نواحی مختلف کرتکس بینایی ١٤ – شکل ١
١٢ : مکان ھای مختلف در مغز که در ادراک بینایی نقش دارند ١٥ – شکل ١
١٣ : تصویری از ارتباط و عملکرد مناطق مختلف مربوط به بینایی در – شکل ١
مغز ١٦
١٤ : پاسخ سلول ھای ساده به محرک ١٧ – شکل ١
١٥ : ھمگرایی میدانھای گیرندگی در شبکیه برای ساخت میدان – شکل ١
١٧ V گیرندگی سلول ھای ساده در ١
١٦ : پاسخ سلول ھای مرکب به محرک با جھت گیری با زوایای – شکل ١
مختلف ١٨
١٧ : پاسخ سلولھای فوق مرکب به محرک با جھت حرکت ھای مخالف ١٩ – شکل ١
١٨ : مراحل مختلف تحلیل تصویر در سیستم بینایی ١٩ – شکل ١
١٩ : ساختار عمودی و افقی کورتکس اولیه بینایی ٢٠ – شکل ١
٢٠ : ساختار سلولی کورتکس اولیه بینایی ٢١ – شکل ١
٢٢ V ٢١ : نمایی از یک فوق ستون در ١ – شکل ١
٢٢ : میدان بینایی و مسیر اطلاعات به سمت کورتکس اولیه بینایی ٢٢ – شکل ١
ل
٢٣ : مسیر ھای دیداری در چشم انسان ٢٣ – شکل ١
٢٤ LGN ٢٤ : ساختار لایه ای – شکل ١
٢٤ : مکان ھسته بالشتک بر روی تصویر قابل ملاحظه است ٢٦ – شکل ١
٢٥ : ارتباطات مختلف مناطق مربوط به بینایی در مغز ٢٨ – شکل ١
١: برخی مناطقی که در آن سلول چھره پیدا شده است ٣١ – شکل ٢
میمون که به چھره IT ٢ : پاسخ برخی از سلول ھا در کرتکس – شکل ٢
حساس بودند ٣٢
میمون که به نیمرخ چھره IT ٣ : پاسخ برخی از نرونھای کرتکس – شکل ٢
بھترین پاسخ را می دادند ٣٣
١: حافظة انجمنی ٣٩ – شکل ٣
١٠ : دوباره کد کردن به صورت توسعه یافته. یک شبکة رقابتی به – شکل ٣
ھمراه ارتباط دھندة الگو که الگوھایی را که به صورت خطی جداناپذیرند را
قادر می سازد که یاد گرفته شوند.
٥١
١١ : ساختار حافظة خودانجمنی ٥٢ – شکل ٣
١٢ : ساختار یک شبکة رقابتی ٥٨ – شکل ٣
١٣ : یادگیری رقابتی. نقطه ھا نشان دھندة جھت بردارھای ورودی – شکل ٣
ھستند، و ضربدرھا بردار وزن سه نورون می باشند. الف) قبل از یادگیری.
ب) بعد از یادگیری
٦١
١ : مدل سونگ، نمایش دھنده رابطه بین کل و جزء ٦٦ – شکل ٤
٢ : کیت چھره استفاده شده در شبیه سازی ھا ٦٧ – شکل ٤
٣ : ساختار شبکه استفاده شده در شبیه سازی ھا ٦٨ – شکل ٤
٤ : نرخ آتش در برابر ورودی برای نرونھای تحریکی مھاری ٧٠ – شکل ٤
٥ : فلوچارت آزمایش ھای شبیه سازی ٧٢ – شکل ٤
٦ : نتایج شبیه سازی برای شبکه تک لایه ٧٣ – شکل ٤
٧: نتایج شبیه سازی برای شبکه دو لایه ٧٣ – شکل ٤
٨ :مثال از فعالیت شبکه در مراحل مختلف. بالا: چھره ھا ، پائین : – شکل ٥
بینی ٧٤
٩: مقایسه میانگین کوتاه مدت ٧٥ – شکل ٤
١٠ : کارایی شبکه تک لایه با تصاویر باینری ٧٦ – شکل ٤
١١ : کارایی شبکه دو لایه با تصاویر باینری ٧٦ – شکل ٤
١٢ : مقایسه میانگین کوتاه مدت ٧٧ – شکل ٤
م
١٣ : نمایش تصویری ماتریس وزن برای لایه اول با ١٦ نرون ٧٨ – شکل ٤
١٤ : کدگذاری چھره ھدف با لایه اول ٧٩ – شکل ٤
١٥ : نمایش تصویری ماتریس وزن برای لایه اول ٨٠ – شکل ٤
١٧ : آزمایش شبیه سازی بازشناسی برای شبکه تک لایه ٨١ – شکل ٤
١٨ : میانگین کوتاه مدت آزمایش شبیه سازی بازشناسی برای لایه اول ٨٢ – شکل ٤
١٩ : میانگین کوتاه مدت آزمایش فراخوانی برای لایه اول ٨٢ – شکل ٤
٢٠ : درصد درستی بازشناسی بر تعداد سلول ھا. محور افقی تعداد – شکل ٤
نرون، محور عمودی درصد درستی در ١٠٠ آزمایش ٨٣
٢١ : میانگین کوتاه مدت بازشناسی برای شبکه دولایه ٨٣ – شکل ٤
٢٢ : میانگین کوتاه مدت فراخوانی برای شبکه دولایه ٨٤ – شکل ٤
٢٢ : درصد درستی بازشناسی بر تعداد سلول ھا. محور افقی تعداد – شکل ٤
نرون، محور عمودی درصد درستی در ١٠٠ آزمایش ٨٤
٢٣ : مقایسه نرخ بازشناسی شبکه دولایه و شبکه تک لایه. ٨٥ – شکل ٤
١: مثال یک نوبت از آزمایش ٨٨ – شکل ٥
به چھره MFP(middle face patch) ١: پاسخ سلولھای چھره – شکل ٦
واقعی و کارتون ٩٢
مثالی از محرک کارتون برای ٦ پارامتر ھر کدام با ٧ مقدار (a :٢- شکل ٦
برای ٣ سلول نمونه برای tuning curve منحنی وفق (b ( مانند ( اندازه مو
(d توزیع تعداد ویژگی ھای وفق یافته به تعداد سلول (c ١٩ پارامتر مختلف
توزیع تعداد و نسبت سلول ھای وفق یافته به ھر کدام از ویژگی ھا
٩٣
٣: توالی تغییرات اجزاء چھره درآزمایش سایکوفیزیک پیشنھادی ٩٤ – شکل ٦
١
چکیده:
نقش سلول ھای چھره در قشر گیجگاھی مغز در فرآیند بازشناسی چھره چیست؟ گروھی از نرونھا
در قشر گیجگاھی به صورت گزینشی به تصاویر چھره پاسخ می دھند، ولی نقش دقیق آنھا و مزیت
محاسباتی این سلول ھا در شناسایی چھره بدرستی مشخص نشده است.
ما شبکه عصبی ماژولاری شبیه سازی کردیم که به طور ساده ای ستون ھای ویژگی در قشر
گیجگاھی را مدل می کرد. سلول ھای این ناحیه به اشیاء با پیچیدگی متوسط پاسخ می دھند. در
ادامه، شبکه دولایه ای ساختیم که پس از لایه اول ذکر شده ،دارای لایه دوم بود که سلول ھای چھره
را مدل می کرد.
این لایه تصاویر چھره را به صورت یک کل ذخیره می کند. شبکه ھا دارای نروھای تحریکی –
مھاری با تابع فعالیت آستانه خطی ھستند که دارای پارامترھای مطابق با مقادیر واقعی بیولوژیکی
ھستند. ورودی به شبکه ھا چھره ھای انتخابی تصادفی از پایگاه داده کیت چھره ١ بود.
یکی از اجزای چھره 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 چھره نشان می داد، در شرایطی که لایه اول به جزء چھره غلط در بیشتر آزمایش ھا میل
می کرد، لایه دوم با داشتن اطلاعات ارتباط بین اجزاء چھره به جزء چھره ھدف میل می کرد.از
طریق این شبیه سازی ھا ما دریافتیم که یکی از نقش ھای سلول ھای چھره وارد کرد ھویت در
شبکه است که این کار با ارتباط برقرار کردن بین اجزاء یک محرک ترکیبی ھمچون چھره انجام
می گیرد. ما پیشنھاد می کنیم این ساختار کمک به نمایان ساختن تغییرات کوچک در محرک می
کند.
یک آزمایش سایکو- فیزیک طراحی گردید که درآن به افراد یک سری چھره از پایگاه داده نشان
داده می شد. یک نام به ھر کدام از چھره ھا اختصاص پیدا کرده بود. فاز تست از دو قسمت تشکیل
شده بود. در قسمت اول، به افراد یک جزء چھره به تنھایی نشان داده می شد. در قسمت دوم، از
افراد خواسته می شد که چھره ھای کامل را که فقط در جزء قسمت اول فرق داشتند شناسایی کنند.
نتایج آزمایش نشان می دھد که افراد در شناسایی اجزای چھره وقتی که در کل چھره ظاھر شده
باشند بھتر ھستند نسبت به وقتی که به تنھایی ظاھر شوند. این نتیجه ، نتایج شبیه سازی ھای ما را
نیز تایید می کند: اطلاعات درباره ارتباط بین اجزاء چھره کمک به بازشناسی و فراخوانی آن جزء
می کند.
کشور ایتالیا ، و SISSA دانشگاه (Post Graduate Fellowship) این پروژه با حمایت مالی
Alessandro پروفسور (LIMBO Lab) دو ماه فرصت مطالعاتی اینجانب در آزمایشگاه
انجام پذیرفته است. Treves
١ Identikit Face
٢
مقدمه
چھره جزو مھمترین محرک ھایی است که به سیستم بینایی اعمال می شود. ثبت ھای الکترودی
نشان داده است که بعضی از نرونھا به طور اساسی به چھره Macaque از تک نرون ھا در میمون
جواب می دھند و به محرک ھای دیگر پاسخ نمی دھند. این نرونھا در جلوی قسمت بالایی شیار
٢یافت شده اند. این سلول ھا برای پاسخ دادن نیاز به وجود تمام TE و در ناحیه STS گیجگاھی یا ١
اجزای صورت را دارند.
از طرفی، نشان داده شده است که بعضی از سلول ھا به تنھا یکی از اجزای صورت مانند ( چشم
ھا، دھان ،موھا) یا زیر مجموعه ای از اجزاء پاسخ می دھند. این سلول ھا پاسخ افت کننده ای به
جزء دیگر صورت یا کل صورت دارند. ھر کدام از این سلول ھا از طریق سیناپس ھا به یکدیگر
متصل می باشند که تشکیل یک شبکه عصبی را می دھند.
ھدف این پروژه آنالیز این نکته است که وجود جاذب ھای ٣ مجزا برای اجزای صورت مانند
چشم، گوش، بینی و مو در کنار جاذب ھا برای کل صورت چقدر فرآیند ھای ذخیره سازی و
بازشناسی کل چھره را تسھیل 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 بوسیله مدلسازی انجام می پذیرد به این ترتیب که
شبکه عصبی مورد نظر برای مدلسازی پیاده سازی می شود و نتایج بررسی خواھد شد
شبیه سازی شده است ، از SISSA و ھمکارانش در Treves یکی از مدلھای مشابه که توسط
شبکه عصبی ماژولار تشکیل شده است که ھر یک از ماژول ھا برای کد کردن و ذخیره سازی یک
از اجزای صورت استفاده شده اند. در این شبیه سازی شبکه ای برای سلول ھای کد کننده کل
صورت یا سلول چھره ٤ در نظر گرفته نشده است و فقط تفاوت در وجود یا نبود اتصالات بین
ماژول ھا درعمل بازشناسی چھره مورد بررسی قرار گرفته است .
١ Superior Temporal Suclus
٢ Cytwarchitectonic area
٣ Attractor
٤ Face cell
٣
ساختار پایان نامه
این پایان نامه مشتمل بر شش فصل است که توضیح مختصری در مورد محتوی ھر کدام داده
می شود.
در فصل اول سیستم بینایی انسان مورد مطالعه قرار گرفته است. مبانی بیولوژیکی لازم برای
مدلسازی در این فصل ذکر شده است. در این فصل سیستم بینایی از شبکیه تا کرتکس ھای مختلف
بینایی مورد بررسی قرار گرفته است.
در فصل دوم سلول چھره معرفی شده است. تاریخچه و ویژگی ھای سلول چھره در این فصل
بررسی شده است. سلولھای چھره مبنای اصلی مدلسازی در این پروژه می باشند.
در فصل سوم عملکرد شبکه ھای عصبی در مغز ارائه شده است. انواع مختلف شبکه ھای
عصبی پایه ای در مغز در این فصل بررسی شده اند.
در فصل چھارم مدلسازی ارائه شده است. در این فصل مدلی ساده از کرتکس گیجگاھی ارائه
شده است. با استفاده از این مدل مزیت محاسباتی سلول چھره نشان داده می شود.
در فصل پنجم آزمایش سایکوفیزیک معرفی شده است. در این فصل نقش سلول چھره بوسیله
آزمایش سایکوفیزیک نشان داده شده است.
فصل ششم در بردارنده نتیجه گیری و پیشنھادات برای ادامه کار می باشد.
چکیده ١
مقدمه ٢
ساختارپایان نامه ٣
فصل اول: سیستم بینایی ٤
١- شبکیه چشم انسان ٦ – 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- جمع بندی: چراسلول چھره؟ ٣٥ -٢
فصل سوم :عملکرد شبکه ھای عصبی در مغز ٣٧
٣- شبکه ھای عصبی ٣٨
١- حافظة ارتباط الگو ٣٨ – ٣
ز
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
٥- جداسازی و الگوھای جداپذیر غیرخطی ٦٢ -٤- ٣
فصل چھارم: مدلسازی ٦٣
ح
١- رابطه جزء و کل در بازشناسی چھره: دیدگاه روانشناسی – علم اعصاب ٦٤ – ٤
٢- جاذب ھا در فضای صورت ٦٥ – ٤
٣- شبیه سازی با شبکه ٦٦ – ٤
١- ساختار شبکه ٦٧ -٣- ٤
٢- مدار نرونی حافظه ٦٨ -٣- ٤
٣- الگوی سیناپس ھا ٦٨ -٣- ٤
٤- دینامیک فعالیت ٦٩ -٣- ٤
٥- آزمایش شبیه سازی ٧١ -٣- ٤
٦- الگوریتم فراخوانی ٧١ -٣- ٤
٧- الگوریتم بازشناسی ٧٢ -٣- ٤
٨- نتایج و بحث ٧٢ -٣- ٤
٩- شبکه با تصاویر باینری ٧٥ -٣- ٤
٤- مدلسازی توسط شبکه ھای رقابتی ٧٧ – ٤
١- نا ھمبسته سازی داده ھا ٧٧ -٤- ٤
٢- ساختار شبکه ٧٨ -٤- ٤
٣- کدگذاری اجزاء چھره در لایه اول ٧٨ -٤- ٤
٤- کد گذاری چھره کامل در لایه دوم ٧٩ -٤- ٤
٥- معیار اندازه گیری ٨٠ -٤- ٤
٦- نتایج شبیه سازی ٨١ -٤- ٤
١ – لایه اول ٨١
٢ – لایه دوم ٨٣
٧- مقایسه ٨٤ -٤- ٤
٨- جمعبندی ٨٥ -٤- ٤
فصل پنجم: آزمایش سایکوفیزیک ٨٦
١- متد ٨٧ – ٥
١- افراد ٨٧ -١- ٥
٢- ابزار ٨٧ -١- ٥
٣- مراحل ٨٧ -١- ٥
ط
٢- فاز یادگیری ٨٧ – ٥
٣- فاز تست ٨٨ – ٥
٤- نتایج و بحث ٨٩ – ٥
فصل ششم : نتیجه گیری و پیشنھادات ٩٠
منابع و مراجع ٩٥
ی
فھرست جدول ھا
عنوان ش م ا ر ه ص ف ح ه
١ پارامترھای استفاده شده در شبیه سازی شبکه ٧١ – جدول ٤
١ درصد درست ٨٩ – جدول ٥
ک
فھرست شکل ھا
عنوان شماره صفحه
١: نمایی از ساختار داخلی چشم ٤ – شکل ١
را در شبکیه نشان می دھد ٥ fovea ٢: شکل مکان – شکل ١
٣: ساختار سلولی شبکیه ٦ – شکل ١
٤: پاسخ سلولھای دوقطبی به باریکه نور ٧ – شکل ١
٥: میدان گیرندگی سلولھای گانگلیون ٨ – شکل ١
٦: پاسخ سلول ھای گانگلیون به محرک در حالت ھای مختلف ٩ – شکل ١
٧: نحوه پاسخ سلول ھا ی مختلف شبکیه به نور ٩ – شکل ١
از سلول ھای گانگلیون ١٠ M و P ٨ : دو نوع – شکل ١
١١ P ٩ : ساختار تقابل رنگ در سلول ھای نوع – شکل ١
١٠ : تعدادی از مناطق مربوط به بینایی ١٢ – شکل ١
١١ : نواحی مختلف کرتکس بینایی ١٤ – شکل ١
١٢ : مکان ھای مختلف در مغز که در ادراک بینایی نقش دارند ١٥ – شکل ١
١٣ : تصویری از ارتباط و عملکرد مناطق مختلف مربوط به بینایی در – شکل ١
مغز ١٦
١٤ : پاسخ سلول ھای ساده به محرک ١٧ – شکل ١
١٥ : ھمگرایی میدانھای گیرندگی در شبکیه برای ساخت میدان – شکل ١
١٧ V گیرندگی سلول ھای ساده در ١
١٦ : پاسخ سلول ھای مرکب به محرک با جھت گیری با زوایای – شکل ١
مختلف ١٨
١٧ : پاسخ سلولھای فوق مرکب به محرک با جھت حرکت ھای مخالف ١٩ – شکل ١
١٨ : مراحل مختلف تحلیل تصویر در سیستم بینایی ١٩ – شکل ١
١٩ : ساختار عمودی و افقی کورتکس اولیه بینایی ٢٠ – شکل ١
٢٠ : ساختار سلولی کورتکس اولیه بینایی ٢١ – شکل ١
٢٢ V ٢١ : نمایی از یک فوق ستون در ١ – شکل ١
٢٢ : میدان بینایی و مسیر اطلاعات به سمت کورتکس اولیه بینایی ٢٢ – شکل ١
ل
٢٣ : مسیر ھای دیداری در چشم انسان ٢٣ – شکل ١
٢٤ LGN ٢٤ : ساختار لایه ای – شکل ١
٢٤ : مکان ھسته بالشتک بر روی تصویر قابل ملاحظه است ٢٦ – شکل ١
٢٥ : ارتباطات مختلف مناطق مربوط به بینایی در مغز ٢٨ – شکل ١
١: برخی مناطقی که در آن سلول چھره پیدا شده است ٣١ – شکل ٢
میمون که به چھره IT ٢ : پاسخ برخی از سلول ھا در کرتکس – شکل ٢
حساس بودند ٣٢
میمون که به نیمرخ چھره IT ٣ : پاسخ برخی از نرونھای کرتکس – شکل ٢
بھترین پاسخ را می دادند ٣٣
١: حافظة انجمنی ٣٩ – شکل ٣
١٠ : دوباره کد کردن به صورت توسعه یافته. یک شبکة رقابتی به – شکل ٣
ھمراه ارتباط دھندة الگو که الگوھایی را که به صورت خطی جداناپذیرند را
قادر می سازد که یاد گرفته شوند.
٥١
١١ : ساختار حافظة خودانجمنی ٥٢ – شکل ٣
١٢ : ساختار یک شبکة رقابتی ٥٨ – شکل ٣
١٣ : یادگیری رقابتی. نقطه ھا نشان دھندة جھت بردارھای ورودی – شکل ٣
ھستند، و ضربدرھا بردار وزن سه نورون می باشند. الف) قبل از یادگیری.
ب) بعد از یادگیری
٦١
١ : مدل سونگ، نمایش دھنده رابطه بین کل و جزء ٦٦ – شکل ٤
٢ : کیت چھره استفاده شده در شبیه سازی ھا ٦٧ – شکل ٤
٣ : ساختار شبکه استفاده شده در شبیه سازی ھا ٦٨ – شکل ٤
٤ : نرخ آتش در برابر ورودی برای نرونھای تحریکی مھاری ٧٠ – شکل ٤
٥ : فلوچارت آزمایش ھای شبیه سازی ٧٢ – شکل ٤
٦ : نتایج شبیه سازی برای شبکه تک لایه ٧٣ – شکل ٤
٧: نتایج شبیه سازی برای شبکه دو لایه ٧٣ – شکل ٤
٨ :مثال از فعالیت شبکه در مراحل مختلف. بالا: چھره ھا ، پائین : – شکل ٥
بینی ٧٤
٩: مقایسه میانگین کوتاه مدت ٧٥ – شکل ٤
١٠ : کارایی شبکه تک لایه با تصاویر باینری ٧٦ – شکل ٤
١١ : کارایی شبکه دو لایه با تصاویر باینری ٧٦ – شکل ٤
١٢ : مقایسه میانگین کوتاه مدت ٧٧ – شکل ٤
م
١٣ : نمایش تصویری ماتریس وزن برای لایه اول با ١٦ نرون ٧٨ – شکل ٤
١٤ : کدگذاری چھره ھدف با لایه اول ٧٩ – شکل ٤
١٥ : نمایش تصویری ماتریس وزن برای لایه اول ٨٠ – شکل ٤
١٧ : آزمایش شبیه سازی بازشناسی برای شبکه تک لایه ٨١ – شکل ٤
١٨ : میانگین کوتاه مدت آزمایش شبیه سازی بازشناسی برای لایه اول ٨٢ – شکل ٤
١٩ : میانگین کوتاه مدت آزمایش فراخوانی برای لایه اول ٨٢ – شکل ٤
٢٠ : درصد درستی بازشناسی بر تعداد سلول ھا. محور افقی تعداد – شکل ٤
نرون، محور عمودی درصد درستی در ١٠٠ آزمایش ٨٣
٢١ : میانگین کوتاه مدت بازشناسی برای شبکه دولایه ٨٣ – شکل ٤
٢٢ : میانگین کوتاه مدت فراخوانی برای شبکه دولایه ٨٤ – شکل ٤
٢٢ : درصد درستی بازشناسی بر تعداد سلول ھا. محور افقی تعداد – شکل ٤
نرون، محور عمودی درصد درستی در ١٠٠ آزمایش ٨٤
٢٣ : مقایسه نرخ بازشناسی شبکه دولایه و شبکه تک لایه. ٨٥ – شکل ٤
١: مثال یک نوبت از آزمایش ٨٨ – شکل ٥
به چھره MFP(middle face patch) ١: پاسخ سلولھای چھره – شکل ٦
واقعی و کارتون ٩٢
مثالی از محرک کارتون برای ٦ پارامتر ھر کدام با ٧ مقدار (a :٢- شکل ٦
برای ٣ سلول نمونه برای tuning curve منحنی وفق (b ( مانند ( اندازه مو
(d توزیع تعداد ویژگی ھای وفق یافته به تعداد سلول (c ١٩ پارامتر مختلف
توزیع تعداد و نسبت سلول ھای وفق یافته به ھر کدام از ویژگی ھا
٩٣
٣: توالی تغییرات اجزاء چھره درآزمایش سایکوفیزیک پیشنھادی ٩٤ – شکل ٦
١
چکیده:
نقش سلول ھای چھره در قشر گیجگاھی مغز در فرآیند بازشناسی چھره چیست؟ گروھی از نرونھا
در قشر گیجگاھی به صورت گزینشی به تصاویر چھره پاسخ می دھند، ولی نقش دقیق آنھا و مزیت
محاسباتی این سلول ھا در شناسایی چھره بدرستی مشخص نشده است.
ما شبکه عصبی ماژولاری شبیه سازی کردیم که به طور ساده ای ستون ھای ویژگی در قشر
گیجگاھی را مدل می کرد. سلول ھای این ناحیه به اشیاء با پیچیدگی متوسط پاسخ می دھند. در
ادامه، شبکه دولایه ای ساختیم که پس از لایه اول ذکر شده ،دارای لایه دوم بود که سلول ھای چھره
را مدل می کرد.
این لایه تصاویر چھره را به صورت یک کل ذخیره می کند. شبکه ھا دارای نروھای تحریکی –
مھاری با تابع فعالیت آستانه خطی ھستند که دارای پارامترھای مطابق با مقادیر واقعی بیولوژیکی
ھستند. ورودی به شبکه ھا چھره ھای انتخابی تصادفی از پایگاه داده کیت چھره ١ بود.
یکی از اجزای چھره 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 چھره نشان می داد، در شرایطی که لایه اول به جزء چھره غلط در بیشتر آزمایش ھا میل
می کرد، لایه دوم با داشتن اطلاعات ارتباط بین اجزاء چھره به جزء چھره ھدف میل می کرد.از
طریق این شبیه سازی ھا ما دریافتیم که یکی از نقش ھای سلول ھای چھره وارد کرد ھویت در
شبکه است که این کار با ارتباط برقرار کردن بین اجزاء یک محرک ترکیبی ھمچون چھره انجام
می گیرد. ما پیشنھاد می کنیم این ساختار کمک به نمایان ساختن تغییرات کوچک در محرک می
کند.
یک آزمایش سایکو- فیزیک طراحی گردید که درآن به افراد یک سری چھره از پایگاه داده نشان
داده می شد. یک نام به ھر کدام از چھره ھا اختصاص پیدا کرده بود. فاز تست از دو قسمت تشکیل
شده بود. در قسمت اول، به افراد یک جزء چھره به تنھایی نشان داده می شد. در قسمت دوم، از
افراد خواسته می شد که چھره ھای کامل را که فقط در جزء قسمت اول فرق داشتند شناسایی کنند.
نتایج آزمایش نشان می دھد که افراد در شناسایی اجزای چھره وقتی که در کل چھره ظاھر شده
باشند بھتر ھستند نسبت به وقتی که به تنھایی ظاھر شوند. این نتیجه ، نتایج شبیه سازی ھای ما را
نیز تایید می کند: اطلاعات درباره ارتباط بین اجزاء چھره کمک به بازشناسی و فراخوانی آن جزء
می کند.
کشور ایتالیا ، و SISSA دانشگاه (Post Graduate Fellowship) این پروژه با حمایت مالی
Alessandro پروفسور (LIMBO Lab) دو ماه فرصت مطالعاتی اینجانب در آزمایشگاه
انجام پذیرفته است. Treves
١ Identikit Face
٢
مقدمه
چھره جزو مھمترین محرک ھایی است که به سیستم بینایی اعمال می شود. ثبت ھای الکترودی
نشان داده است که بعضی از نرونھا به طور اساسی به چھره Macaque از تک نرون ھا در میمون
جواب می دھند و به محرک ھای دیگر پاسخ نمی دھند. این نرونھا در جلوی قسمت بالایی شیار
٢یافت شده اند. این سلول ھا برای پاسخ دادن نیاز به وجود تمام TE و در ناحیه STS گیجگاھی یا ١
اجزای صورت را دارند.
از طرفی، نشان داده شده است که بعضی از سلول ھا به تنھا یکی از اجزای صورت مانند ( چشم
ھا، دھان ،موھا) یا زیر مجموعه ای از اجزاء پاسخ می دھند. این سلول ھا پاسخ افت کننده ای به
جزء دیگر صورت یا کل صورت دارند. ھر کدام از این سلول ھا از طریق سیناپس ھا به یکدیگر
متصل می باشند که تشکیل یک شبکه عصبی را می دھند.
ھدف این پروژه آنالیز این نکته است که وجود جاذب ھای ٣ مجزا برای اجزای صورت مانند
چشم، گوش، بینی و مو در کنار جاذب ھا برای کل صورت چقدر فرآیند ھای ذخیره سازی و
بازشناسی کل چھره را تسھیل 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 بوسیله مدلسازی انجام می پذیرد به این ترتیب که
شبکه عصبی مورد نظر برای مدلسازی پیاده سازی می شود و نتایج بررسی خواھد شد
شبیه سازی شده است ، از SISSA و ھمکارانش در Treves یکی از مدلھای مشابه که توسط
شبکه عصبی ماژولار تشکیل شده است که ھر یک از ماژول ھا برای کد کردن و ذخیره سازی یک
از اجزای صورت استفاده شده اند. در این شبیه سازی شبکه ای برای سلول ھای کد کننده کل
صورت یا سلول چھره ٤ در نظر گرفته نشده است و فقط تفاوت در وجود یا نبود اتصالات بین
ماژول ھا درعمل بازشناسی چھره مورد بررسی قرار گرفته است .
١ Superior Temporal Suclus
٢ Cytwarchitectonic area
٣ Attractor
٤ Face cell
٣
ساختار پایان نامه
این پایان نامه مشتمل بر شش فصل است که توضیح مختصری در مورد محتوی ھر کدام داده
می شود.
در فصل اول سیستم بینایی انسان مورد مطالعه قرار گرفته است. مبانی بیولوژیکی لازم برای
مدلسازی در این فصل ذکر شده است. در این فصل سیستم بینایی از شبکیه تا کرتکس ھای مختلف
بینایی مورد بررسی قرار گرفته است.
در فصل دوم سلول چھره معرفی شده است. تاریخچه و ویژگی ھای سلول چھره در این فصل
بررسی شده است. سلولھای چھره مبنای اصلی مدلسازی در این پروژه می باشند.
در فصل سوم عملکرد شبکه ھای عصبی در مغز ارائه شده است. انواع مختلف شبکه ھای
عصبی پایه ای در مغز در این فصل بررسی شده اند.
در فصل چھارم مدلسازی ارائه شده است. در این فصل مدلی ساده از کرتکس گیجگاھی ارائه
شده است. با استفاده از این مدل مزیت محاسباتی سلول چھره نشان داده می شود.
در فصل پنجم آزمایش سایکوفیزیک معرفی شده است. در این فصل نقش سلول چھره بوسیله
آزمایش سایکوفیزیک نشان داده شده است.
فصل ششم در بردارنده نتیجه گیری و پیشنھادات برای ادامه کار می باشد.
سمینار ارشد برق تعامل بین جاذب های اجزاء چهره و جاذب های چهره کامل در قشر گیگجاهی مغز