پروژه طراحی مدار (پزشکی)

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 12

DAC08080 استفاده می کنیم که مبدل دیجیتال به آنالوگ 8 بیتی می باشد. از آنجا که دو D/A هشت بیتی داریم اگر بخواهیم مستقیماً از میکرواستفاده کنیم. به دو پورت آزاد نیاز خواهیم داشت. در اینجا به دلیل اینکه فقط یک پورت آزاد داریم که همان DATA BUS می باشد باید یکی از دو روش زیر را برای انتقال اطلاعات به D/A ها انتخاب نماییم:

استفاده از LATCH

در صورت استفاده از LATCH اولاً نیاز به دو IC داریم و علاوه بر آن سیستم قابلیت انعطاف و گسترش کمی خواهد داشت.

استفاده از PPI

این (8255)IC علاوه بر آنکه در خروجی دارای سه پورت می باشد قابلیت های گسترده ای دارد که در صورت لزوم می توان از آن استفاده کرد. البته در اینجا فقط همانند دو LATCh عمل می کند. پورتهای A و B با استفاده از بایت کنترل به عنوان خروجی تعریف شده اند و به ترتیب به TL494 مربوط به موتور راست و چپ متصل می باشد. در شکل (24-5) نمودار گردشی برنامه نرم افزاری و در ضمیمه 1 خود برنامه آورده شده است.

2-2-5-ساخت منبع تغذیه منفی

همانطور که در شکل (23-5) دیده می شود خروجی D/A به OPAMP متصل می باشد این کار به این دلیل است که خروجی D/A جریان می باشد و از طرف دیگر ورودی TL494 جریان است. برای تبدیل به ولتاژ مطابق شکل (25-5) از OPAMP استفاده شده است.

شکل (25-5): تبدیل ولتاژ به جریان

OPAMP دارای تغذیه مثبت و منفی می باشد. در اینجا برای ساخت و ولتاژ منفی نمی توان مدار استفاده شده در روش آنالوگ را به کار برد چرا که در آنجا گفتیم که برای کوچکتر شدن سلف، باید فرکانس سوئیچینگ بالا باشد که اگر بخواهیم از میکرو به این منظور استفاده کنیم به دلیل کم بودن سرعت آن عملاً غیر ممکن است. روش دیگر این است که از IC دیگر مثل 555 و یا TL494 استفاده می کنیم. که این امر باعث زیاد شدن تعداد المانها خواهد شد. با توجه به کم بودن جریان تغذیه OPAMP ها از روشی استفاده می کنیم که البته فقط در جریانهای پایین کاربرد دارد.

DC آنرا حذف می کنیم که در نتیجه آن دامنه های مثبت و منفی ایجاد می شود. با صاف کردن دامنه های منفی توسط خازن و در نهایت با زنر می توان ولتاژ منفی با جریان در حدود 10 mA ایجاد کرد. در شکل (26-5) مدار ساخت و ولتاژ منفی آورده شده است.

مزیت این روش در این است که نیازی به فرکانس بالا نداشته و با فرکانس 500Hz که مطابق شکل (26-5) توسط پین شماره پنج پورت اعمال می شود قابل پیاده سازی است.

خلاصه

در این فصل طراحی مدار با دو روش آنالوگ و دیجیتال بررسی شد. با آزمایشهای مختلف پارامترهای موتور استخراج گردید. با مدل کردن موتور در Spice فرکانس 25 KKz به عنوان فرکانس برشگری انتخاب شد. ساخت PWM با دوره کار متغیر با استفاده از TL494 و همچنین چگونگی روشن و خاموش کردن سریع ماسفتها با توجه به خازن ورودی آنها را بررسی کردیم. دیدیم که مدار آنالوگ ساده تر و کم هزینه تر بوده و در مقابل نوین مقاومت نویز مقاومت بیشتری داشته و در حالت کلی قابلیت اعتماد بالاتری دارند. مزیت مدار دیجیتال انعطاف پذیری بسیار زیاد آن می باشد، به طوری که سخت افزار تقریباً ثابت می توان با تغییر نرم افزار عملکرد سیستم عوض نمود.

فصل ششم

نتایج آزمایشات

پروژه ساختار پوست (پزشکی)

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 21

ساختار آنالوگ های ECM که فعالیت احیاء را در هر حالت انجام می دهد توسط انجام ددن مطالعات گستردة حیوانات با مدل های قابل فهم از فقدان عضو، یا پوست، ملتحمه چشم، یا ازا عصاب جلدی تعییین شده. احیاء خوبخود این اعضاء در مدل های حیوانی مشاهده نمی شود. بنابراین احیاء مشاهده شده باید در حضور این داربستها القاء شده باشد.

فعالیت آنالوگECM که احیاء پوست را براساس انتخاب میزان GAC / کلاژن انتخاب یک درجة بالا و انتخاب میزان افزوده شده القاء کرده. تفاوت های ساختاری مشخص بین آنالوگ ECM که احیاء پوست را القاء می کند و آن چیزی که احیاء عصب را موجب می شود گزارش شده بود. به هر صورت الگوی احیاء درمی برای احیاء ملتحمه چشم کافی بود یک کشف جالب این بود که آنالوگهای ECM که تحت تأثیر ساختارهایی با مشخصات بیرون از میزان مشاهد شده قرار گرفتند بطور جدی فعالیت احیاء یا فعالیت بدون تشخیص را در مدل حیوانی موردنظر کم کرده بودند( شکل 14-12)

وابستگی یک فعالیت احیاء آنالوگ ECM به ساختارش پیشنهاد می دهد که شبکه ماکرومولکولی پرزهای بلند بعنوان آنالوگ شبه جامدی از یک آنزیم رفتار می کند( شکل 1.4) آنزیم های کاتالیت های پروتئین هستند که واکنش شیمیایی را در زمان باقی ماهند بدون تغییر در طبی واکنش تسریع می کنند. فعالیت آنزیم ها بستگی به خصوصیت شکل سه بعدی آنها دارد. حتی تنوعات در ساختار مثل آنهایی که تبدیل به یک واکنش یا یک انتقال فیزو شیمیایی می شوند معمولاً به فقدان مشخصی از فعالیت آنزیمی منجر می شوند.

الگوهایی احیایی موجب ترکیب بافت و اندام( عضو) دردو مرحله می شوند. ابتدا الگو محل ناتومی جراحت را می بندد. مرحله بستن در یک محل آناتومی مجروح شده یک اتفاق است که بوضوح در طی اولین هفته پیوند انجام شده آشکار می شود. در پایان این مرحله هر یک از دو نمونه های احیاء بدون تغییر باقی مانده اند در حالیکه سلولها از محل مجروح به سمت ساختار پرزی شکل مهاجرت کرده اند و به لیگاندها روی سطح آن جهش یافته اند علامت با دیدگاهی که نمونه در طی ترکیب ترفیع می یابد سازگار است و دومین مرحله است که به سمت احیاء سوق می یابد. درطی این عملیات مرحله بلوکه کردن نمونه آشکار می شود که بعنوان یک کاتالیت منفی عمل می کند یک جایگزینی که تمرکز را بدون تن دادن به یک تناوب مجزا در طی مراحل را نشان می دهد در این نمونه آنالوگ نمونه عالی یک آنزیم سلول پیچیده توسط محدودکرن(محصور کردن) نقصهای سلول روی لیگاندرهای مبدأ فرم داد. محلهای فعال از این آنزیم هیپوتیتکال محلهای محصورشده داربست سلول هستند. محلهای محصورشدة داربست فیبروبلاست در طی مطالعات اخیر تعیین شده اند.

در ک افزودة مکانیسم توسط آنالوگ های ECM مطلق و کامل موجب احیاء اعضاء با همدیگر و با تأثیرشان و یک توافق قوی در عملکرد مطالعات آینده از ترکیب بافت ها اعضاء in vivo بیشتر ز in vitro می شود.

برای مهندسی بافت

مقدمه

هیدروژل های پلیمر ی هیدروفیلیک اتصال عرضی هستند که شامل اندازه های زیادی از آب بدون انحلال هستند. آنها کاندیداهای جالبی برای کاربردهای مهندسی بافت هستند بخاطر قابلیتشان در پرکردن بی قاعده بافت شکل گرفته شده و اجازه انجام مراحلی مثل جراحی های آرتروسکوپی و آسانی بکارگیری سلول ها یا عوامل بیواکتیو هیدروژل ها میتوانند از پلیمر های طبیعی با ترکیبی ساخته شوند و اتصال عرضی در بعضی از مسیرها برای پیشگیری از انحلال پلیمرها داشته باشند. بیشتر پلیمرهای ترکیبی مطالعه شده برای مهندسی بافت پلی(اتیلن گلیکول)(PEG )، پلی( وینیل الکل)( PVA )پلیمر های آکریلیک ومشتقات آنها هستند. پلیمرهای مشتق شده بطورطبیعی( ماکرومولکول ها) بیشترین استفاده را بعنون داربست های هیدروژل در مهندسی بافت دارند و شامل hyaluronate, alginate کلاژن و مشتاتشان هستند. این بخش بطور خلاصه مواد زیستی alginate استفاده آنها در مهندسی بافت و دیگر ارتباط نزدیک کاربردهای بیودارویی را مرور می کند.

11- منابع ساختارها و خصوصیات

Alginate می تواند از جلبک های دریایی معین بدست بیاید یا توسط بعضی از باکتریها تولید شود. آگلینات بدست آمده از جلبک قهوه ای اولین چیزی بود که توسط یک شیمیدان بریتانیایی(Eccstanford ) در اوایل سال 1881 گزارش شد در حالیکه آلگینات میکروبی اولین مورد کشف شده بود که بیش از 80 سال بعد از آن توسط Liker و جونز کشف شد. برای بدست آوردن ارزش محصولی بالاتری از آلگینات که منابع باکتری دارند، منابع اولیه مواد آلگینات تجارتی امروزه گونه های متفاوتی از جبلک قهوه ای هستند. گونه های خاص برای تولید آلگینا، آسکوفیلا، لامینارریا و ماکروسیستوس هستند طبقث مروری که توسط ساترلند انجام شد.بازار جهانی آلگینات حدود 000/30 تن

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

Johannes Schemmel1, Karlheinz Meier1, and Felix Sch¨urmann1

Universit¨at Heidelberg, Kirchho_ Institut f¨ur Physik, Schr¨oderstr. 90, 69120

Heidelberg, Germany,

[e-mail],

WWW home page: http://www.kip.uni-heidelberg.de/vision.html

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 .

مسئله اصلی که هنوز باید حل شود آموزش است .

حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .

در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .

آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .

دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .

اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .

بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .

اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .

برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .

این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .