بررسی جنبه های سلولی، مولکولی و ژنتیکی اسپرماتوژنز در پستانداران (انسان)
بخشی از چکیده:
هورمون آزادکننده گنادوتروپین (GnRH) به عنوان تنظیم کننده نوروآندوکراین مرکزی در محور هیپوتالاموس-هیپوفیز-گناد عمل میکند. اشکال مختلفی از GnRHدر مهره داران وجود دارد.اولین ایزوفرم از GnRHدر پستانداران می باشد که آزادسازی گنادوتروپین هیپوفیزی را تنظیم میکند.اخیراً فرم دوم از GnRH در پستانداران کشف شده است که هم در مغز و هم در محیط بدنشان حضور دارد.اگرچهΠGnRH-فاکتور اصلی در آزادسازی گنادوتروپن نیست اما شواهد زیادی مبنی بر عملکردهای فیزیولوژیک مهم آن وجود دارد. در محیط،ІGnRH و Πدارای نقش یکسانی در تکثیر و تولید هورمون ها از جفت و تخمدان هستند....
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: word
تعداد صفحات: 19
حجم فایل:60 کیلوبایت
تعداد مشاهده: 1086 مشاهده
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: word
تعداد صفحات: 19
حجم فایل:63 کیلوبایت
-
راهنمای استفاده:
پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود.
عقب ماندگى هوشى
بخشی از متن اصلی :
عقبماندگى هوشى یک بیمارى نیست، بلکه شمارى بیمارىهاى از نظر سببشناختى متفاوت را دربر مىگیرد که در ویژگىهاى زیر مشترک هستند:
نقص اعمال هوشی،
نقص تطابق رفتار با نیازهاى زندگى روزانه،
مزمن بودن
وجود از زمان تولد یا آغاز کودکی.
اکنون توافق همگانى بر آن است که باید هم اعمال هوشى و هم تطابق رفتارى ناقص باشد تا بتوان کسى را دچار عقبماندگى هوشى دانست. و نباید هیچکس بر پایهٔ تصور و گمان ذهنى دچار عقبماندگى هوشى بهشمار رود. باید حتىالمقدور اندازهگیرىهاى عینى براى تعیین اعمال هوشى و تطابق رفتارى بهکار گرفته شود، ارزیابى سطح هوش باید بر پایهٔ اطلاعات در دسترس و از جمله شواهد بالینى (مانند شناخت و ناتوانى مثلاً کلامی)، تطابق رفتارى و یافتههاى روانسنجى باشد .
انواع عقبماندگى هوشى
روانشناسان براى طبقهبندى درجهٔ عقبماندگى هوش مفهوم IQ را بهکار مىگیرند. امتیازهاى IQ بر این فرضیه قرار دارند که پراکندگى درجهٔ هوش در جامعهٔ کلى از منحنى توزیع نرمال یا توزیع گوس - با میانگین صد - پیروى مىکند. نیمى از جمعیت امتیاز بیش از صد بهدست مىآورند و نیمى دیگر کمتر از صد و سه درصد از کمهوشترین مردم امتیازى برابر هفتاد یا کمتر خواهند داشت. این دسته را بهطور معمول عقبماندهٔ هوشى بهشمار مىآورند. سازمان بهداشت جهانى طبقهبندى زیر را براى تعیین عقبماندگى هوشى بهدست داده است
عقبماندگى هوشى خفیف IQ بین ۵۰ تا ۷۰
عقبماندگى هوشى شدید IQ بین ۲۰ تا ۳۴
عقبماندگى هوشى متوسط IQ بین ۳۵ تا ۴۹
عقبماندگى هوشى بسیار شدید IQ کمتر از ۲۰
عقبماندگى هوشى بسیار شدید نادر است و بخش بزرگى از این کودکان بهشدت ناتوان در سراسر زندگى کم یا بیش وابسته باقى مىمانند. بیشتر اوقات عقبماندگى هوشى شامل اختلالات روانى هم هست. عقبماندگى هوشى خفیف بسیار است. باید تأکید کرد که طیف IQ پیشنهاد شده نباید بهصورت انتزاعى و مطلق بهکار گرفته شود. در طول عمر اشخاص سطح IQ ضرورتاً پایدار نمىماند.
دامنهٔ مشکل
برآورد شده است که نزدیک به سه درصد جمعیت جهان عقبماندگى هوشى داشته باشند. در کشورهاى رو به پیشرفت نمىتوان به آسانى رقم عقبماندههاى هوشى تعیین کرد زیرا در سرشمارىها این افراد بهطور مشخص شمارش نمىشوند.
علل عقبماندگى هوشى
عقبماندگى هوشى بیشتر اوقات در نتیجهٔ بعضى جراحات یا بیمارىهاى جسمى است. در بسیارى از بیماران هم علت آن ناشناخته است. عوامل سببى شناخته شدهٔ عقبماندگى هوشى عبارتند از:
بیمارىهاى زاگشناختى (ژنتیک)؛ مانند: نشانگان داون، نشانگان کلاینفلتر، فنیل کتونوری، بیمارى تی-ساش، گالاکتوزومی، میکروسفالی، کمکارى تیروئید بهصورت مادرزادی، این بیمارى یک یا چندژن یا ناهنجارى فامتنى (کروموزومی) را در بر مىگیرند.
این فایل به همراه چکیده ، فهرست مطالب ، متن اصلی و منابع تحقیق با فرمت word ( قابل ویرایش ) در اختیار شما قرار
میگیرد.
تعداد صفحات :13
تعداد مشاهده: 153 مشاهده
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: word
تعداد صفحات: 13
حجم فایل:83 کیلوبایت
-
محتوای فایل دانلودی:
طراحی بهینه جاذب ارتعاشی نصب شده بر روی سازههای خطی تحت ارتعاشات اتفاقی
یکی از راهکارهای متداول کنترل ارتعاشات در سازهها استفاده از
جاذبهای ارتعاشی میباشد. در این مقاله بر مبنای یک روش چند
منظوره که بردار تابع هدف آن کارایی قابلیت اطمینان اتفاقی و
شاخصهای هزینه سازه را جمعآوری میکند، یک معیار بهینهسازی
برای سیستمهای مکانیکی که در معرض ارتعاشات اتفاقی قرار دارند،
ارائه میگردد. این معیار با معیارهای رایج قدیمی مورد استفاده برای
طراحی سازههای تحت اثر ارتعاشات اتفاقی متفاوت است و بر مبنای
کمینه کردن تغییرات جابهجایی یا شتاب پاسخهای سازه اصلی،
بدون در نظر گرفتن کارایی مورد نیاز در برابر شکست میباشد. در
این مطالعه روش بهینهسازی چندمنظوره برای طراحی جاذب
ارتعاشی برای کنترل ارتعاشات سازهای غیریکنواخت تحریککننده
یک سازه مکانیکی که بر مبنای فرایند شتاب اتفاقی توسعه داده
شده، بررسی میگردد. این کار بر مبنای الگوریتم بهینهسازی زنبور
عسل انجام شده است. در ادامه یک مثال عددی برای یک جاذب
ارتعاشی ساده توسط این روش نشان داده میشود. نتایج روند افزایش
هزینهها را به ازای کاهش احتمال تخریب سازه نشان میدهند و
بدین ترتیب تصمیمگیری و انتخاب مناسب بر اساس نیاز و هزینه را
در مقاصد طراحی میسر میکند.
تعداد مشاهده: 332 مشاهده
فرمت فایل دانلودی:.pdf
حجم فایل:129 کیلوبایت
-
محتوای فایل دانلودی:
بهینه سازی پروفیل ریل جلوی خودرو از نوع TMB به روش الگوریتم ژنتیک
در این مقاله، ابتدا استحکام پروفیلهای جدار نازک ساخته شده
از ورقهای ترکیبی 1 که امروزه در تولید برخی از قطعات سازهای
خودرو نظیر ریلجلو، ستونها و ... استفاده میشود، از دیدگاه تغییر
مکان محوری، خیزش و پیچش مورد بررسی قرار گرفته است. سپس
از آنجایی که برخورداری از یک قطعه با استحکام بالا و در عین حال
وزن کم در کاهش مصرف سوخت و افزایش قابلیت جذب انرژی در
تصادف نقش بسزایی را ایفا میکند، قطعه ریل جلوی 2 خودرو به
صورت یک پروفیل جدار نازک با سطح مقطع ثابت مربعی مورد بهینه
سازی قرار میگیرد. بدین منظور، پروفیل ریل از نوع ورقهای
چهار تکه و به صورت یک تیر یک سر گیردار در (TMB) ترکیبی
نظر گرفته میشود و در نهایت مقادیر ضخامت و طول مربوط به هر
بخش از بلانک اولیه به منظور داشتن بالاترین نسبت سختی به جرم
قطعه به عنوان تابع هدف توسط الگوریتم ژنتیک بهینه سازی شده و
بهترین مقادیر پیشنهاد و با چند پروفیل با ابعاد غیر بهینه به عنوان
نمونه مقایسه میگردد.
واژه های کلیدی
ورقهای ترکیبی، پروفیل جدار نازک، طراحی سبک، الگوریتم
ژنتیک
تعداد مشاهده: 369 مشاهده
فرمت فایل دانلودی:.pdf
حجم فایل:131 کیلوبایت
-
محتوای فایل دانلودی:
پروژه پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک
خلاصه
مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .
این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .
اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .
از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .
این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .
1- مقدمه
شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .
یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .
دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .
ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .
برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .
شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .
تعداد مشاهده: 672 مشاهده
فرمت فایل دانلودی:
فرمت فایل اصلی: doc
تعداد صفحات: 22
حجم فایل:442 کیلوبایت
-
محتوای فایل دانلودی:
حاوی فایل ورد قابل ویرایش