بلند مدت (۲تا۱۰سال)

– انواع محصول و خدمات ارائه شده
– انواع و اندازه بازارها
– محل و اندازه کارخانه

– فعالیت مربوط به کار،جامعه و ورزش
– نوع اشتغال و سطح تحصیلات
– انتخاب منطقه برای کار و زندگی

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

میان مدت(۱تا ۲۴ ماه)

– اندازه نیروی کار به کار گرفته شده
– انواع ومقدار موجودی ها برای نگهداری
– میزان مطلوب قراردادها

– توجه به تحصیل در علوم ویژه
– زمانبندی یک معاینه کامل پزشکی
– نقاشی ساختمان

کوتاه مدت (۱تا۵ هفته)

– تخمین سفارشات به کارکنان و تجهیزات مشخص
– اعمال کنترل عملی در زمان های حویل

– ترتیب دادن کار با توجه به دیدگاه های جامع
– پرهیز هفتگی
– انتخاب مکانی برای آخر هفته

خروجی های سیستم پیش بینی
از نقطه نظر مدیران تولید برای برنامه ریزی دوره های مختلف تولید به جای پیش بینی فروش، نیازمند پیش بینی تقاضای مورد انتظار در آینده هستیم. به طور کلّی تقاضا تابع میزان سفارشات دریافت شده از مصرف کنندگان است. در حالی که فروش به مقادیر تحویل شده مربوط است. می توان نتیجه گرفت که به دلیل کاهش ظرفیت (فرصت فروش از دست رفته) و یا تأخیر در ارسال محصول های مورد تقاضا ممکن است مقدار تقاضا و فروش متفاوت باشد.
ورودی های سیستم پیش بینی
داده های مورد نیاز برای پیش بینی تقاضا از منابع داخلی و خارجی به دست می آید. داده های تاریخی به صورت سری زمانی، فروش ها یا سفارشات قبلی، نظرات متخصّصین و یا نتایج بررسی های ویژه به عنوان ورودی های اطلاعاتی درون سازمانی، مورد استفاده قرار می گیرند و منابع خارجی، اطلاعاتی با ارزش در زمینه پیش بینی های اقتصادی، اجتماعی، سیاسی و فناوری فراهم می سازند.
همچنین منابع اضافی شامل متخصصین صنعت و سازمان های خصوصی و دولتی هستند. برای پیش بینی های کوتاه مدت و میان مدت در یک محیط نسبتاً ثابت، به طور معمول باید روی منابع داخلی تکیه کرد که این منابع برای برنامه ریزی میان مدت معتبرتر است، با این وجود همان طور که یک سازمان به منظور فرموله کردن راهبرد بلند مدت خود برای محصول های جدید، فرآیندها و بازارها بیشتر به آینده توجه می کند، اطلاعات از منابع خارجی شامل رقبا، روند های جدید در فناوری و توسعه های اجتماعی در مناسبات اجتماعی، سیاسی و بین المللی نیز با ارزش خواهد بود.
محدودیت های سیستم پیش بینی
انتخاب روش پیش بینی و مقدار پیش بینی انجام شده به شدت به محدودیت های اعمال شده در سیستم پیش بینی بستگی دارد که تعیین آنها به قرار زیر است:

• زمان موجود برای تهیه پیش بینی؛

• فقدان اطلاعات مورد نظر از منابع داخلی و خارجی؛

• کیفیت اطلاعات موجود؛

• تجربه داخل سازمان؛

• امکانات محاسباتی در دسترس.

به نظر می رسد محدودیت های ۱ تا ۳ به طور جدی کیفیت پیش بینی را محدود می کنند، در حالی که محدودیت ۴ و ۵ می توانند با افزایش بودجه سیستم پیش بینی کاهش یابند.
تصمیمات سیستم پیش بینی
معیار عملکرد سیستم پیش بینی
اثربخشی سیستم پیش بینی در جهت خدمت به سازمان براساس چهار معیار ارزیابی می شود.
۱.صحّت؛
۲.ثبات در مقابل تاثیر پذیری؛
۳.واقعیت در رفتار داده های تاریخی؛
۴.زمان مورد نیاز برای پیش بینی.

شکل ۸-۴- نقاط روی کوچکترین خط تراز مماس
قابل ذکراست که اگر بیش از یک نقطه روی کوچکترین خط تراز مماس قرار بگید ( مانند شکل ۹-۴) آنگاه طبق نظریه ارائه شده توسط استیور و چو، تنها یک نقطه غیرمسلط بوده و باقی نقاط روی خط تراز مماس طبق تعریفی که قبلا اشاره شد غیرمسلط ضعیف می باشند.

شکل ۹-۴- وجود بیش از یک نقطه روی خط تراز برخورد کننده
اگر مجموعه نقاط روی کوچکترین خط تراز مماس را با نشان دهیم نظریه زیر بیان می دارد که حداقل یک نقطه در آن غیر مسلط می باشد.
نظریه – یک نقطه غیرمسلط است اگر نقطه ای در باشد که با توجه به یک معیار L1 نزدیک تر به نقطه مرجع باشد.

۵-۲-۵-۴-انواع روش های بهینه سازی بر پایه فاصله چبیشف
بومن نشان داد که در یک مساله بهینه سازی چند هدفه ، اگر فاصله موزون چبیشف را به شکل معادل زیر نشان دهیم که که درآن نشان دهنده نقطه مرجع از فضای اهداف می باشد

آنگاه برای همه پاسخ ها متعلق به فضای شدنی مساله می توان با انجام عملیات پارامتری سازی روی پارامتر w از تابع تمام مجموعه جواب موثر را بدست آورد.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۱-۵-۲-۵-۴-برنامه ریزی تقویت شده موزون بر اساس فاصله چبیشف
باید توجه داشت که می تواند جواب های موثر ضعیف نیز تولید بنماید که می توان توسط برنامه ریزی تقویت شده موزون بر اساس فاصله چبیشف از این امر احتراز نمودکه آنرا به شکل زیر نمایش می دهند

که در آن یک عدد مثبت بسیار کوچک است. این فرمولاسیون را می توان به شکل زیر نوشت:

استیور و چوو^[۱۲۲](۱۹۸۳) ثابت کردند که همواره می توان یک به قدر کافی کوچک پیدا کرد که به تمام مجموعه جواب های موثر برای حالات دارای فضای جواب چند وجهی محدود و گسسته دست یافت.
با وجود این اگر حالت مختلط عدد صحیح را در نظر بگیریم ممکن است بخش هایی از مجموعه جواب موثر ( که نزدیک به جواب های موثر ضعیف می باشند) موجود باشند که حتی اگر بسیار کوچک باشند قادر به محاسبه آنها نیست. اما به هر حال می توان همواره یک به قدری کوچک انتخاب کرد که تصمیم گیرنده بین جواب های موثر ضعیف حاصل و جواب های کاملا موثر تفاوت قابل فهمی مشاهده نکند.
۲-۵-۲-۵-۴-برنامه ریزی لکسیکوگراف موزون چبیشف
استیور و چو (۱۹۸۳) یک برنامه ریزی لکسیکوگراف موزون بر اساس فاصله چبیشف برای قلبه بر این مشکل ارائه دادند. با توجه به قابلیت معیار چبیشف موزون برای تولید بردارهای اهداف غیرمسلط، برنامه ریزی لکسیکوگراف موزون چبیشف ارائه گردیده است. در مرحله اول، یعنی مجموعه نقاط در فضای اهداف که با توجه به معیار موزون چبیشف ( با بردار وزنی λ) به نقطه مرجع نزدیکتر می باشند محاسبه می گردد. اگر تنها شامل یک نقطه باشد، آن تک نقطه غیر مسلط می باشد. در صورتی که بیش از یک نقطه در آن باشد، مرحله دوم برای پیداکردن نقطه ای در که به نقطه مرجع نزدیک تر است وارد محاسبات می شود. با وارد کردن این مفاهیم به یک مساله بهینه سازی، به برنامه ریزی دو مرحله ای لکسیکوگراف موزون چبیشف دست می یابیم.

این روش برنامه ریزی نه تنها یک بردار اهداف غیرمسلط، بلکه تصویر آن در فضای تصمیم یعنی یک بردار پاسخ موثر تولید می نماید. توجه شود که مرحله اول به کمینه کردن مقدار عددی α برای اجرای معیار چبیشف موزون پرداخته و مرحله دوم، هنگامی که وارد می شود، مقدار را برای اجرای معیار کمینه می کند. به این مساله یک مساله “نمونه برداری^[۱۲۳]” هم گفته می شود زیرا بدین طریق با بهره گرفتن از گروهی از وزن های پراکنده و استفاده از روش برنامه ریزی اشاره شده، به رویکردی برای نمونه برداری نقاط از N دست می یابیم.
۳-۵-۲-۵-۴- روش چبیشف تعاملی
استیور(۱۹۸۶) یک روش چبیشف تعاملی ارائه می دهد که در آن بجای اینکه در هر مرحله تنها یک جواب تولید کنیم، چندین اشعه را به منظور نمونه برداری زیرمجموعه های کوچک و کوچک تری از N به کار می گیریم. اگر P را تعداد جواب هایی که به تصمیم گیرنده در هر مرحله ارائه می شود در نظر بگیریم، با انتخاب P بردار وزنی پراکنده شروع می کنیم تا گروهی از اشعه های کاوشگر پراکنده همانند شکل زیر بدست آوریم. سپس برنامه ریزی موزون چبیشف را برای هرکدام از وزن های تولید شده حل می کنیم . با بهره گرفتن از P بردار هدف غیرمسلط بدست آمده، تصمیم گیرنده آن جوابی که به نظرش از همه ارجح تر می آید را انتخاب می نماید. فرض کنید این جواب را با نشان دهیم. حال با بهره گرفتن از بردار راس- T حاصل از کاربرد نقطه و نقطه مرجع، یک زیرمجموعه کاهش یافته بدست می آوریم. حال P بردار پراکنده وزنی از بدست می آوریم تا یک مجموعه متمرکز تر از اشعه های کاوشگر همانند شکل زیر بدست آوریم . سپس مدل چبیشف لکسیکوگراف برای هرکدام از آنها حل می شود. تصمیم گیرنده از P جواب حاصل شده مقبول ترینش را انتخاب می نماید و آنرا با نشان می دهیم. حال دوباره با بهره گرفتن از بردار وزنی راس-T حاصل از این نقطه و نقطه مرجع یک زیرمجموعه کاهش یافته جدید بدست می آید و این روند ادامه می یابد تا زمانی که تصمیم گیرنده به مقبول ترین جواب خود برسد. شکل های این روند را به تصویر می کشند.

شکل ۱۰-۴-اشعه های کاوشگر پراکنده

شکل ۱۱-۴- اشعه های جستجو گر متمرکز شده
سایر روش های تعاملی برپایه معیار چبیشف بتوسط استویر و چو(۱۹۸۳)،کارایوانوا و همکاران^[۱۲۴](۱۹۹۳)و(۱۹۹۵)، واسلیف و نارولا^[۱۲۵](۱۹۹۳)، ریوس و مک لوید^[۱۲۶](۱۹۹۹) و آلوس و کلیماکو(۱۹۹۹)و(۲۰۰۰) ارائه گردیده اند. از میان آنها روش ریوس و مک لوید را به دلیل کاربردی بودن آن در ادامه معرفی می نمائیم.
۵-۵-۲-۵-۴-روش تعاملی سطوح ذخیره بر پایه فاصله چبیشف
یک روش جایگزین برای کاهش مجموعه جواب های غیرمسلط حاصل از روش چبیشف، رویکرد برپایه سطوح ذخیره در فاصله چبیشف می باشد که توسط ریوس و مک لوید ارائه گردیده است. این روش از سطوح ذخیره حاصل شده از پاسخ های تصمیم گیرنده برای کاهش فضای اهداف استفاده می نماید. این روش انعطاف پذیر تر از روش های تعاملی دیگر بوده و پاسخ هایی با همان کیفیت بالا تولید می نماید. قدم های این الگوریتم به شرح زیر می باشند.
قدم اول– شروع. انتخاب تعداد پاسخ ها،P ، که می بایست به تصمیم گیرنده در هر تکرار ارائه شود که این تعداد باید بیشتر از تعداد توابع هدف باشد. سپس به محاسبه یک بردار اهداف مرجع بپردازید به نحوی که

و ها اعداد مثبت کوچکی می باشند. مقادیر سطوح ذخیره را برابر قرار بدهید که RL_i سطوح ذخیره تابع هدف i ام می باشد. حداکثر تعداد تکرار های الگوریتم را می توان به عنوان یک شرط متوقف کننده در این مرحله تعیین نمود.
قدم دوم– نمونه برداری. یک گروه شامل ۲P بردار وزنی پراکنده به شکل زیر تولید نمائید.

قدم سوم– حل. مساله چبیشف زیر را برای هر بردار وزنی حل نمائید.

که در آن ρ مقدار مثبت کوچکی می باشد. به تعداد P تا از مختلف ترین جواب ها را به تصمیم گیرنده ارائه دهید. اگر تصمیم گیرنده تمایل به ادامه جستجو برای یک پاسخ بهتر داشته باشد به قدم ۴ بروید. در غیر این صورت از تصمیم گیرنده بخواهد مطلوب ترین جواب خود را برگزیند و متوقف شوید.
قدم چهارم-تنظیمات. از تصمیم گیرنده بخواهد که جواب های دردست را به دو مجموعه ارجح و غیر ارجح تقسیم بندی نماید، سطوح ذخیره را تنظیم کنید و به قدم دوم بر گردید.سطوح ذخیره را می توان به طور خودکار بتوسط روش پیشنهادی نویسندگان بهبود داد و یا مستقیم با نظر تصمیم گیرنده عوض نمود.
نویسندگان تابع کاهش فضای هدف زیر را پیشنهاد داده اند.

در این تابع و به ترتیب بدترین جواب ها برای i امین تابع هدف روی کل مجموعه پاسخ فعلی^[۱۲۷] و بدترین جواب روی مجموعه با ارجحیت بالاتر^[۱۲۸] می باشد. در اینجا r عامل کاهش بین صفر و یک می باشد. مقادیر کوچکتر r باعث کاهش سریعتر فضای اهداف می گردد. دامنه پیشنهاد شده برای پارامتر بین ۰٫۰۰۰۱ تا ۰٫۰۱ می باشد(استیور،۱۹۸۶). با مشخص کردن سطوح ذخیره جدید به قدم سوم بر می گردیم.
۶-۵-۲-۵-۴-سایر روش های برپایه نقاط مرجع
علاوه بر موارد ذکر شده رویکرد های دیگری بر مبنای نقاط مرجع و در چارچوب فاصله چبیشف وجود دارند که می توان از آنها در حل مسائل برنامه ریزی عدد صحیح و مختلط عدد صحیح استفاده نمود. یکی از این روش ها ثابت نگاه داشتن بردار w یا حذف آن و تغییر دادن ها یا همان نقاط مرجع می باشد که می تواند نشان دهنده سطوح تمایل^[۱۲۹] تصمیم گیرنده باشد. این برنامه ریزی را با نشان می دهیم. همواره نقاط مرجعی وجود دارند که به ازای آنها داریم به گونه ای که یک جواب موثر خاص تولید می نماید. نقاط مرجعی که شرط را ارضا نمی نمایند را نیز می توان در نظر گرفت به شرطی که متغیر به شکل آزاد تعریف شده باشد. این امر به منظور کمینه کردن فاصله Z تا نقطه مرجع غیر شدنی و به منظور حداکثر کردن فاصله Z از نقطه مرجع شدنی می باشد. اگر نقاط مرجع یا سطوح تمایل به عنوان پارامترهای کنترل کننده استفاده شوند، فاصله (موزون) چبیشف نحوه وابستگی به پارامترهای کنترل کننده را تغییر می دهد و می بایست به عنوان یک تابع درجه بندی حصول^[۱۳۰] تفسیر شود.
همانند ساده ترین نوع ، ساده ترین نوع ممکن است جواب های موثر ضعیف تولید نماید، اما حالت تقویت شده جایگزین کاربردی خوبی می باشد و حالت لکسیکوگراف آن می تواند حصول جواب های موثر را تضمین نماید. اطلاعات دقیق تر راجع به سیستم های کمکیار تصمیم را می توان در مقاله ارائه شده توسط ویرزبیکی^[۱۳۱](۱۹۸۰) یافت.
۷-۵-۲-۵-۴- نحوه ایجاد بردارهای وزنی پراکنده برای استفاده از در برنامه تعاملی
روش های گوناگونی برای تولید بردارهای وزنی پراکنده پیشنهاد شده است(استیور، ۱۹۸۶). در اینجا به دو مورد از مهمترین آنها با عناوین روش تولید وزن تصادفی و همچنین روش وزن های با معیار بازه ای^[۱۳۲] ارائه شده توسط ستویر اشاره می نمائیم.
در نوع اول ایجاد بردار های وزنی از اعداد تصادفی استفاده می نمائیم و تنها می بایست دقت نمائیم که جمع بردارهای وزنی برابر یک شود. فایده این روش این است که می توانیم تعداد بی نهایت بردار وزنی متفاوت تولید نمائیم اما ممکن است با تعداد کم بردارهای وزنی تمام فضای اهداف پوشش داده نشود و اگر تعداد بردارهای وزنی ایجاد شده را زیاد کنیم حجم محاسباتی مساله بیشتر خواهد شد که مطلوبیت آن را کاهش می دهد. روش دیگری که برپایه اعداد تصادفی بوده و توسط جاشکویکز^[۱۳۳] (۱۹۹۸) ارائه شده از طریق الگوریتم زیر به تولید بردار های اعداد تصادفی نرمال شده می پردازد و نتایج خوبی حاصل نموده است

**p<01/0
همچنین پایایی این پرسشنامه در این پژوهش از طریق آلفای کرونباخ محاسبه گردید که نتایج آن در جدول ۳-۷- مشاهده می­ شود.
جدول ۳- ۷- ضرایب آلفای کرونباخ برای پرسشنامه سبک­های فرزندپروری

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

زیر مقیاس­ها
تعداد گویه
آلفای کرونباخ
سبک استبدادی

۱۲

۷۶/۰

سبک اقتداری

۱۵

۸۵/۰

سبک سهل­گیرانه

۵

۵۱/۰

۳-۷- شیوه اجرا
در ابتدا جهت اخذ مجوز به سازمان آموزش استثنایی شیراز مراجعه شد و از جامعه آماری موجود نمونه مناسب انتخاب شد. سپس مراکز اختلال یادگیری مقطع ابتدائی مورد نظر مشخص شد و هماهنگی­های لازم با مدیران مراکز انجام شد و نهایتاً به والدین نمونه مورد نظر توضیحات کلی در زمینه­ اهمیت و ضرورت پژوهش، اهداف تحقیق، نحوه­ پاسخدهی به سؤال­ها و ضرورت همکاری صادقانه­ی آنها داده شد و از آنها خواسته شد تا در صورت تمایل پرسشنامه ­ها را تکمیل کنند. همچنین بر عدم ضرورت ذکر نام و مشخصات و اطمینان از محرمانه بودن اطلاعات تأکید شد.
۳-۸-روش تجزیه و تحلیل داده ­ها
اطلاعات توصیفی آزمودنی­های این پژوهش با بهره گرفتن از شاخص­ های آمار توصیفی مانند میانگین و انحراف استاندارد محاسبه شد. همچنین به منظور پاسخگوئی به سؤال­های اول، دوم و سوم پژوهش از ضریب همبستگی پیرسون و برای پاسخگوئی به سؤال­های چهارم، پنجم، ششم و هفتم پژوهش از روش تحلیل رگرسیون چندگانه استفاده شد.

فصل چهارم

یافته‌ها

هدف اصلی پژوهش حاضر، پیش ­بینی مشکلات رفتاری دانش ­آموزان با اختلال یادگیری بر اساس سبک فرزندپروری والدین­شان می­باشد. بر این اساس در ادامه، یافته­های توصیفی مربوط به پژوهش حاضر و سپس نتایج و یافته­های مرتبط با هر یک از سؤال­های تحقیق ارائه می­گردد.

۴-۱- داده ­های توصیفی

جدول ۴-۱ اطلاعات توصیفی مربوط به ابعاد مشکلات رفتاری دانش ­آموزان نمونه را نشان می‌دهد. چنان­که از اطلاعات این جدول پیداست، میانگین بعد مشکلات سلوک (۹۱/۷=SD،۶۳/۱۵=X̅) میانگین بعد مشکلات اضطراب­خجالتی(۲۲/۳=SD،۷۰/۶=X̅) میانگین بعد مشکلات روان­تنی (۲۰/۴=SD،۵۰/۶=X̅) و میانگین بعد مشکلات اجتماعی (۸۴/۴=SD،۱۶/۹=X̅) بود.
جدول ۴-۱- میانگین و انحراف استاندارد نمرات ابعاد مشکلات رفتاری

ابعاد مشکلات رفتاری
میانگین
انحراف استاندارد
مشکلات سلوک

۶۳/۱۵

۹۱/۷

نمودار۴-۴) مقایسه میانگین تعداد شوک لازم جهت انجام یادگیری بین گروه ­های ماده دریافت کننده اتوسوکسیماید، ساخارین و کنترل با بهره گرفتن از آزمون یادگیری احترازی غیر فعال………………………………………. ۴۸
نمودار۴-۵) مقایسه میانگین مدت زمان تأخیر در ورود به اتاقک تاریک بین موش­های نر گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل با استفاده ازآزمون یادگیری احترازی غیر فعال……………………. ۴۹
نمودار۴-۶) مقایسه میانگین مدت زمان تأخیر در ورود به اتاقک تاریک بین موش­های ماده گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل با بهره گرفتن از آزمون یادگیری احترازی غیر فعال………………….. ۵۰
نمودار۴-۷) مقایسه میانگین مدت زمان حضور در اتاقک تاریک بین موش¬های نر گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل با بهره گرفتن از آزمون یادگیری احترازی غیر فعال…………………… ۵۱
نمودار۴-۸) مقایسه میانگین مدت زمان حضور در اتاقک تاریک بین موش­های ماده گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل با بهره گرفتن از آزمون یادگیری احترازی غیر فعال……………………..۵۲
نمودار۴-۹) مقایسه میانگین تعداد دفعات حضور در اتاقک تاریک بین موش­های نر گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل با بهره گرفتن از آزمون یادگیری احترازی غیر فعال……………………..۵۳
نمودار۴-۱۰) مقایسه میانگین تعداد دفعات حضور در اتاقک تاریک بین موش­های ماده گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل با بهره گرفتن از آزمون یادگیری احترازی غیر فعال……………………… ۵۴
نمودار ۴-۱۱) مقایسه میانگین تعداد خطاهای حافظه کاری موش­های صحرایی نر در روزهای مختلف آزمون ماز شعاعی بین گروه ­های اتوسوکسیماید، ساخارین و کنترل………………………………………………………….۵۵
نمودار ۴-۱۲) مقایسه میانگین تعداد خطاهای حافظه کاری موش­های صحرایی ماده در روزهای مختلف آزمون ماز شعاعی بین گروه ­های اتوسوکسیماید، ساخارین و کنترل……………………………………………………………. ۵۶
نمودار ۴-۱۳) مقایسه میانگین تعداد خطاهای حافظه مرجع موش­های صحرایی نر در روزهای مختلف آزمون ماز شعاعی بین گروه ­های اتوسوکسیماید، ساخارین و کنترل……………………………………………………………. ۵۷
نمودار ۴-۱۴) مقایسه میانگین تعداد خطاهای حافظه مرجع موش­های صحرایی ماده در روزهای مختلف آزمون ماز شعاعی بین گروه ­های اتوسوکسیماید، ساخارین و کنترل………………………………………………………… ۵۸
نمودار ۴-۱۵) مقایسه میانگین مدت زمان تأخیر در ورود به هر بازو بر حسب ثانیه موش­های صحرایی نر در روزهای مختلف آزمون ماز شعاعی بین گروه ­های اتوسوکسیماید، ساخارین و کنترل………………………….. ۵۹
نمودار ۴-۱۶) مقایسه میانگین مدت زمان تأخیر در ورود به هر بازو بر حسب ثانیه موش­های صحرایی ماده در روزهای مختلف آزمون ماز شعاعی بین گروه ­های اتوسوکسیماید، ساخارین و کنترل…………………………. ۶۰
نمودار ۴-۱۷) مقایسه میانگین خطاهای حافظه کاری موش­های صحرایی نر در اثر تزریق غلظت­های مختلف اسکاپولامین و پروپرانولول در گروه ­های کنترل، ساخارین و اتوسوکسیماید……………………………………… ۶۱
نمودار ۴-۱۸) مقایسه میانگین خطاهای حافظه کاری موش­های صحرایی ماده در اثر تزریق غلظت­های مختلف اسکاپولامین و پروپرانولول در گروه ­های کنترل، ساخارین و اتوسوکسیماید………………………………………۶۲
نمودار ۴-۱۹) مقایسه میانگین خطاهای حافظه مرجع موش­های صحرایی نر در اثر تزریق غلظت¬های مختلف اسکاپولامین و پروپرانولول در گروه ­های کنترل، ساخارین و اتوسوکسیماید…………………………………….. ۶۳
نمودار ۴-۲۰) مقایسه میانگین خطاهای حافظه مرجع موش­های صحرایی ماده در اثر تزریق غلظت­های مختلف اسکاپولامین و پروپرانولول در گروه ­های کنترل، ساخارین و اتوسوکسیماید……………………………………… ۶۴
نمودار ۴-۲۱) مقایسه میانگین مدت زمان تأخیر در ورود به بازوها موش­های صحرایی نر در اثر تزریق غلظت­های مختلف اسکاپولامین و پروپرانولول در گروه ­های کنترل، ساخارین و اتوسوکسیماید……………………….. ۶۵
نمودار ۴-۲۲) مقایسه میانگین مدت زمان تأخیر در ورود به بازوها موش­های صحرایی ماده در اثر تزریق غلظت­های مختلف اسکاپولامین و پروپرانولول در گروه ­های کنترل، ساخارین و اتوسوکسیماید………………………. ۶۶
نمودار۴-۲۳) مقایسه میانگین غلظت آستانه پنتلین تترازول برای شروع تشنج در روز ۶۰ بعد از تولد درموش­های نر، گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل………………………………………………………………۶۷

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

نمودار۴-۲۴) مقایسه میانگین غلظت آستانه پنتلین تترازول برای شروع تشنج در روز ۶۰ بعد از تولد درموش­های ماده، گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل………………………………………………………… ۶۸
نمودار۴-۲۵) مقایسه میانگین غلظت آستانه پنتلین تترازول برای شروع تشنج در روز ۶۰ بعد از تولد درموش­های نر بعد از دریافت پیش­تیمار فنوباربیتال، گروه¬های دریافت کننده اتوسوکسیماید، ساخارین و کنترل…………………….. ۶۹
نمودار۴-۲۶) مقایسه میانگین غلظت آستانه پنتلین تترازول برای شروع تشنج در روز ۶۰ بعد از تولد درموش­های ماده بعد از دریافت پیش­تیمار فنوباربیتال، گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل…………………………………………………………………………………………………………………………………………………. ۷۰
نمودار۴-۲۷) مقایسه میانگین غلظت آستانه پنتلین تترازول برای شروع تشنج در روز ۶۰ بعد از تولد درموش­های نر بعد از دریافت پیش­تیمار اتوسوکسیماید، در گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل………………………………………………………………………………………………………………………………………………. ۷۱
نمودار۴-۲۸) مقایسه میانگین غلظت آستانه پنتلین تترازول برای شروع تشنج در روز ۶۰ بعد از تولد درموش¬های ماده بعد از دریافت پیش­تیمار اتوسوکسیماید، در گروه ­های دریافت کننده اتوسوکسیماید، ساخارین و کنترل ……………………………………………………………………………………………………………………………………. ۷۲
فصل اول
۱-مقدمه
۱-۱صرع
صرع^[۱] از شایع­ترین اختلالات عصبی است که در آن یک ناحیه محدود مغزی و یا نواحی گسترده­ی از مغز فعالیت­های کنترل نشده خود به خودی نشان می­ دهند (Cavalheiro et al., 1991). صرع با تشنج^[۲] نمود پیدا می­ کند که نتیجه تغییر موقت رفتار جمعیت های نورونی در سیستم عصبی مرکزی و بروز پشت سر هم و غیر عادی پتانسیل­های عمل است (Hauser, 1994; Stafstrom, 2003). تظاهرات بالینی تشنج­های صرعی^[۳]، به محل ضایعه و طرز انتشار تخلیه نورونی مغز بستگی دارد. در انواع مختلف تشنج نواحی مختلفی از مغزدرگیر هستن(Chang and Lowenstein., 2003). این اختلال عصبی در همه سنین، همه نژادها و درهر دو جنس بروز می­ کند. مسری نیست و باعث عقب ماندگی ذهنی و روانی نمی­ شود اگرچه در افرادی که عقب ماندگی ذهنی دارند حملات صرع به وفور دیده می­ شود (Hopkins et al., 1995). آمارها مؤید این نکته هستند که صرع در بین جوانان به عنوان شایع­ترین بیماری عصبی شناخته شده که، یک تا دو درصد از افراد جامعه به آن مبتلا هستند. بیشترین زمان و میزان بروز صرع در سال اول زندگی است (Hauser, 1994 ; Russ et al., 2012). بروز صرع تقریبا در هر هفت نفر از ده نفر بدون علت شناخته شده است اما عوامل مختلفی از جمله آسیب­ها، ضربات مغزی، استعمال بی­رویه داروها، عفونت، تب شدید و نواقص ژنتیکی می­توانند ایجاد کننده تشنج­های صرعی باشند (Rall and Sheifer, 1991).
۱-۱-۲-تقسیم ­بندی تشنج­های صرعی
در طبقه ­بندی تشنج­های صرعی، اصلی­ترین ملاک این است که آیا حملات محدود به یک ناحیه خاص هستند یا نه از همان ابتدا ژنرالیزه هستند و به سراسر مغز گسترش می­یابند. بر اساس بیان بالینی و تصویر الکتروانسفالوگرام در طول و بین تشنج، تشنج­های صرعی به­ دو دسته کانونی و فراگیر تقسیم می­شوند. تشنج­های کانونی، شامل تخلیه­های الکتریکی غیر طبیعی به صورت موضعی در ناحیه محدودی از مغزند که ممکن است به همان ناحیه محدود نشده و به سایر نواحی مغزی گسترش پیدا کنند و باعث ایجاد تشنج­های فراگیر ثانویه شوند که با تاثیر بر عملکرد طبیعی نورون­های مغزی باعث تغییر سطح هوشیاری و رفتارهای پیچیده غیر طبیعی شوند. تشنج­های کانونی به­ دو دسته تقسیم می­شوند که شامل تشنج­های موضعی ساده که با علائمی همچون نشانه­ های حرکتی، حسی روانی همراه است ولی هوشیاری متأثر از حمله نمی­ شود و حملات موضعی پیچیده، که در آن، حمله در هر دو نیمکره مغز به طور همزمان شروع شده و هوشیاری را تحت تاثیر قرار می­دهد (Scheffer et al., 1995; Cavazos and Lum, 2005).
تشنج­های فراگیر که به سبب محل ضایعه و طرز انتشار تخلیه نورونی منجر به آسیب­های برگشت­ناپذیری در مغز و همچنین سایر اندام­های بدن می­شوند، شامل تشنج­های غایب، میوکلونیک و تونیک-کلونیک است (Loiseau et al., 1990; Cavazos and Lum, 2005).
۱-۲-۱- صرع غایب
تشنج ژنرالیزه از نوع غایب در اصل “Petit mal” نامیده می­ شود یکی از چندین نوع تشنج است که در اواخر قرن هجدهم در فرانسه به عنوان”little illness” معرفی شد (Daly,1968).
از هر هفده کودک مبتلا به صرع حدود ده کودک مبتلا به صرع غایب هستند. این اختلال عصبی در بین کودکان ۵ تا ۱۵ ساله که زمینه قوی ژنتیکی برای ابتلا به این بیماری را دارند شایع­تر است. این بیماری به واسطه دوره­ های کوتاه ناخودآگاهی که در آن هوشیاری مختل می­ شود مشخص شده است. صرع غایب فاقد دوره­ های تشنج شدید بوده و در ثبت الکتروانسفالوگرافی به صورت دوره­ از فعالیت نورونی هماهنگ و یک الگوی اسپایک – موج با فرکانس تقریبی سه هرتزی مشخص می­ شود. تحریک­پذیری بیش از حد قشر مغز و بر همکنش آن با تالاموس مولد الگوی ریتمی شاخص صرع غایب در حلقه تالاموکورتیکال است که در آن دوره­ های فعالیت انفجاری ریتمیک حاصل از اختلال در فعالیت نورون­های گابا ارژیک هسته­های تالاموکورتیکال به عملکرد کانال­های کلسیمی نوع Tآستانه پایین وابسته است (Coulter et al., 1989a. b; Kostyuk et al., 1992; Huguenard, 1999; Gomora et al., 2001; McCormick and Contreras, 2001;Crunelli and Leresche, 2002a; Manning et al.,2004).
جهش در زیر واحد γ_۲ رسپتورهای GABAبا کاهش بیان این زیر واحد همراه خواهد بود نتیجه اش کاهش وقایعی در قشر سوماتوسنسوری است که توسط r GABA_A میانجی­گری می­ شود و این امر مرتبط با صرع غایب در کودکان است .(Tan et al., 2007; Galanopoulou, 2010; Mcdonald et al. 2010)
به دلیل تعدادی از اختلالات مرتبط با تشنج غایب، درمان دارویی برای کودکان مبتلا به این بیماری مورد نیاز است. در حال حاضر داروهای صرع غایب شامل والپروات سدیم، اتوسوکسیماید و لاموتریژین است(Posner, 2005; Panayiotopoulos, 2010; Covanis, 2010; Glauser et al., 2010; Hwang et al.,2012; Matricardi et al., 2014).
شواهد قابل توجهی پیشنهاد می­کنندکه در تشنج غایب الگوی تخلیه اسپایک-موج به وسیله نوسانات هماهنگ از نواحی کورتیکال، رتیکولارتالامیک و نورن­های کورتیکوتالامیک تولید می­شوند .(Hardman, 2001) شلیک نوسانی نورون­های کورتیکوتالامیک نیازمند فعالیت کانال­های کلسیمی آستانه پایین هستند (Crunelli et al., 1989; Susuki and Rogawski; 1989; MCcormick and Bal, 1997).
۱-۱-۳-مکانیسم­های ایجاد کننده تشنج­های صرعی
مکانیسم­های ایجاد کننده تشنج­های صرعی متنوع هستند. اصل اساسی که به طور کلی در ایجاد تشنج­های صرعی پذیرفته شده است، عدم تعادل بین تحریک و مهار در شرایط صرعی است که در آن کاهش عوامل مهاری یا افزایش شدید تحریک­پذیری در بخشی از شبکه نورونی مغز رخ می­دهد و در نهایت فعالیت شدید و غیر طبیعی در این شبکه نورونی آغاز می­ شود که قادر است به سایر نواحی مغز گسترش یابد ( .(Stafstrom, 2003تغییر در الگوی فعالیت سیناپس­ها و مختل­شدن عملکرد کانال­های یونی که ناشی از تغییر فعالیت ذاتی برخی از نورون­ها است را می­توان به عنوان مکانیسم­های اصلی زمینه­ ساز حمله­های صرعی معرفی کرد (Nobels, 2003; Wuttke and Lerche, 2006). شواهدی مبنی بر دخالت تغییر در سیستم­های نوروترنسمیتری مختلف به ویژه گلوتامات، گابا و آسپارتات در ایجاد صرع وجود دارد تغییر در عملکرد نوروترنسمیترهای گلوتامات و گابا نسبت به سایر نوروترنسمیترها در ایجاد صرع بارزتر است (Pinto et al., 2005).
۱-۲ اهمیت کانال­های کلسیمی T-Type ^[۴] در صرع غایب
داروهای ضد صرع در برابر تشنج به وسیله تعدیل کردن تحریک­پذیری عصبی از طریق اثر بر روی کانال­های کلسیمی، کانال­های سدیمی و انتقال نوروترنسمیترهای گاباارژیکی و گلوتامات­ارژیکی اثر خود را می­گذارند (Hardman, 2001).
کانال­های کلسیمیT-Type و Q/P شرکت­ کنندگان اصلی در ایجاد تشنج­های غایب هستند(jouvenceau, et al., 2001 Nelson and Todorovic, 2006). داروهایی که کانال­های کلسیمی نوع T را مهار می­ کنند ممکن است برای درمان انواع گسترده­ی از تشنج مفید باشند. شواهدی که این نتیجه را تأیید می­ کنند داروهای ضد صرع فنی توئین، زونیسامید، والپروات سدیم و داروهای ضد صرع دسته سوکسینیماید^[۵] هستند که مهارکننده کانال­های کلسیمی نوع T هستند (Twombly et al., 1988; Todorovic et al., 2000; Gomora et al., 2001 ; Cain and Hildebrand and Snutch, 2014).
کانال­های کلسیمی وابسته به ولتاژ، بسته به پتانسیل غشایی که در آن فعال می­شوند به دو دسته تقسیم می­شوند (Cain and Hildebrand and Snutch, 2014):

1. 1. کانال­های کلسیمی با ولتاژ فعال­سازی پایین ^[۶](LVA) یا T-Type

1. 1. کانال­های کلسیمی با ولتاژ فعال­سازی بالا^[۷](HVA)

کانال­های کلسیمی با ولتاژ فعال­سازی پایین یاT-Type از لحاظ عملکردی از دیگر اعضای خانواده کانال­های کلسیمی دریچه دار وابسته به ولتاژ متفاوت است و چند ویژگی منحصر به فرد دارند.

b و wدو پارامتر تنظیم شونده در نورون ها طی روال آموزش می باشند. استفاده از بایاس در شبکه دلخواه است اما وجودش باعث انسجام شبکه می شود. ]27[
توابع انتقال در جواب شبکه تأثیر گذار است این توابع به صورت های خطی و غیر خطی موجود است که بسته به شرایط مسئله از آن استفاده می شود. در زیر برخی از این توابع رایج به کمک نمودار در شکل(3-2) نشان داده شده است: ]27[

شکل(3-2): توابع انتقال رایج در شبکه های عصبی ]27[
(3-2)
(3-3)
(3-4)
نورون می تواند تک ورودی باشد و یا مانند شکل(3-3) تعداد زیادی داده به عنوان ورودی به نورون وارد شود. نحوه ورود داده ها به نورون به روش آموزش^[46] بستگی دارد که داده ها به صورت دسته ای^[47] یا گام به گام^[48] وارد شوند. در شیوه آموزش گام به گام، وزن ها و بایاس ها بعد از اعمال هر ورودی به شبکه به روز می شوند. در حالی که در شیوه آموزش دسته ای وزن ها و بایاس ها فقط بعد از اعمال تمام ورودی ها به شبکه یک بار بروز می شوند. ]27[
برای بردار ورودی p با عناصر ، بردار وزن های w با عناصر وجود خواهد داشت که مقدار n به صورت زیر محاسبه می شود: ]27[
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

(3-5)

شکل(3-3): مدل نورون با یک بردار به عنوان ورودی ]27[
یک یا چند نورون در کنار هم یک لایه از شبکه را نشان می دهندکه یک شبکه می تواند از چند لایه تشکیل شده باشد. در شکل زیر یک شبکه با R ورودی و S نورون نشان داده شده است. ]27[

شکل(3-4): شبکه تک لایه با R ورودی و S نورون ]27[
3-7 شبکه های عصبی چند لایه
با توجه به اینکه معمولاً نورونی با ورودی های زیاد نیز برای حل مسائل فنی و مهندسی کافی نیست، نیاز به اجتماع چندین نورون در یک لایه خواهیم داشت. همچنین می توانیم از اجتماع نورون ها در لایه های مختلف در جهت بازدهی بهتر شبکه استفاده کنیم و با داشتن تعداد مشخصی ورودی، شبکه چند لایه خواهیم داشت. به لایه ای که داده ها به شبکه وارد می شوند لایه ورودی، به لایه ای که داده های هدف از آن گرفته می شود لایه خروجی گویند و سایر لایه ها، لایه میانی (مخفی^[49]) هستند. هر لایه در شبکه دارای ماتریس وزن ها، بردار های بایاس و خروجی مختص به خود می باشد. با تغییر در تعداد لایه ها ونیز تعداد نورون ها در هر لایه می توان قابلیت شبکه را بهینه نمود. نمونه ای از یک شبکه چند لایه در شکل(3-5)نشان داده شده است. ]27[

شکل(3-5): شبکه عصبی چند لایه ]27[
شبکه های چند لایه بسیار قدرتمند هستند. به عنوان مثال یک شبکه دولایه با لایه اول سیگموئید و لایه دوم خطی می تواند هر تابع دلخواهی را با تعداد محدود نقاط پیوستگی تخمین بزند. این نوع شبکه به صورت وسیع در شبکه هایی با الگوریتم پس انتشار خطا به کار گرفته می شود. ]27[
3-8 تقسیم بندی شبکه های عصبی
آموزش شبکه های عصبی می تواند به دو صورت شبکه های پیشخور^[50] و شبکه های پسخور^[51] صورت گیرد. ]27[
3-9شبکه های عصبی چند لایه پیشخور^[52]
شبکه های عصبی چند لایه پیشخور مبتنی بر الگوریتم آموزش پس انتشار خطا^[53] می باشد، که از آنها با عنوان شبکه های پرسپترون چند لایه^[54] (MLP) نیز نام برده می شود. از بردار ورودی و هدف در راستای آموزش این نوع شبکه برای تقریب زدن یک تابع، یافتن رابطه بین ورودی و خروجی و دسته بندی ورودی ها استفاده می شود. این شبکه ها اغلب دارای یک یا چند لایه مخفی از نورون های سیگموئید و یک لایه خروجی خطی هستند. وجود چند لایه از نورون ها با تابع انتقال غیر خطی به شبکه این اجازه را می دهد که توانایی یادگیری رابطه خطی و غیر خطی را بین ورودی ها و خروجی ها داشته باشد. لایه خروجی خطی به شبکه این امکان را می دهد که خروجی خارج از محدوده ی 1و1- داشته باشد. در شبکه های عصبی چند لایه، تابع فعال سازی و نیز تعداد نرون لایه میانی از اهمیت ویژه ای برخوردار است، زیرا لایه های ورودی و خروجی، عملیات توزیع و جمع آوری سیگنال ها را به عهده دارند و عملیات پردازش داده ها توسط لایه میانی صورت می گیرد. ] 27و35و36[
برای تعیین تعداد بهینه نرون در لایه میانی و تعداد لایه ها قانون خاصی وجو ندارد. باید نرون های مختلف در شبکه تست شود و نتایج شبکه را مقایسه کرده و به یک مقدار بهینه رسید.
شکل(3-6): شبکه عصبی چند لایه پیشخور(پرسپترون چند لایه) ]27[
همان طور که در شکل (3-6) نشان داده شده، در این نوع شبکه ها هر نورون در هر لایه به تمام نورون ها در لایه بعد و قبل متصل می شود، از این رو به این شبکه ها کاملاً مرتبط^[55] نیز گفته می شود. ]27[
خروجی نورون j از لایه پنهان h به صورت زیر محاسبه می شود:
(3-6)
که در این رابطه نشان دهنده ی بردار ورودی های شبکه، بایاس نرون j و وزن اتصال بین نرون i وj از لایه ی پنهان h است.
3-10 قانون پس انتشار خطا
قانون پس انتشار خطا (BP)، با تعمیم قانون آموزشی ویدرو و هوف برای شبکه های چند لایه و توابع انتقال غیر خطی و قابل تشخیص به وجود آمد. بردار های ورودی و بردار های خروجی متناظر با آنها برای آموزش شبکه مورد استفاده قرار می گیرند تا جایی که رابطه ای بین بردار های ورودی و خروجی متناظر آنها به وجود آید و یا داده ها به روشی که ما می خواهیم دسته بندی شوند. ]27[
قانون پس انتشار خطا از دو مسیر اصلی رفت و برگشت تشکیل می شود. در مسیر رفت، بردار ورودی به شبکه اعمال می شود و تأثیراتش از طریق لایه های میانی به لایه های خروجی انتشار می یابد. بردار تشکیل شده در لایه خروجی، پاسخ واقعی شبکه را تشکیل می دهد. در این مسیر پارامتر های شبکه به صورت ثابت و بدون تغییر در نظر گرفته می شود. در مسیر برگشت پارامتر های شبکه تغییر و تنظیم می گردند. این تنظیم مطابق با قانون اصلاح خطا صورت می گیرد. سیگنال خطا در لایه خروجی شبکه تشکیل می گردد. و این چرخه^[56] بار ها تکرار می شود تا میانگین مربعات خطا از یک مقدار از پیش تعیین شده ای کمتر باشد و یامیزان تغییرات پارامترهای شبکه خیلی کم باشد در این صورت چرخه متوقف می شود. ]36و37[
شبکه پس انتشار برخلاف برخی از شبکه های دیگر، نمی تواند هر تابعی را به عنوان تابع فعال سازی بپذیرد. این تابع باید پیوسته، مشتق پذیر و به صورت یکنوا نزولی باشد. علاوه بر این، برای داشتن کارایی محاسباتی، مشتق این تابع باید به راحتی قابل محاسبه باشد. همچنین انتظار می رود که تابع فعال سازی قابلیت اشباع داشته باشد، یعنی به صورت مجانبی به مقادیر بیشینه و کمینه خود نزدیک شود.
برای آموزش شبکه های عصبی به روش پس انتشار خطا الگوریتم های مختلفی از جمله الگوریتم گرادیان مزدوج^[57]، الگوریتم گوس- نیوتن^[58] و الگوریتم لونبرگ مارکوارت^[59] و… وجود دارند که مهم ترین و پر کاربرد ترین آنها الگوریتم لونبرگ مارکوارت است. ]36و37[
3-11 الگوریتم آموزشی لونبرگ مارکوارت(trainlm)
الگوریتم لونبرگ مارکوارت به عنوان سریع ترین روش در آموزش شبکه های پیشخور با تعداد داده های محدود شناخته شده است. در این روش هم از مشتق اول (گرادیان ) وهم مشتق دوم موسوم به هسین برای اصلاح پارامترها استفاده می شود. یک حسن این روش این است که درآن نیازی به تعیین نرخ یادگیری از ابتدا نمی باشد و الگوریتم قادر است نرخ یادگیری را به صورت تطبیقی تغییر دهد.]27و37[
3-12 بررسی عملکرد شبکه های عصبی
برای طراحی و ارزیابی شبکه های عصبی مصنوعی ازضریب تبیین^[60] ، میانگین مربعات خطا^[61]، درصد میانگین قدر مطلق خطای نسبی^[62] و مجذور میانگین مربعات خطا^[63] استفاده می شود که معادله ی آن ها به صورت زیر به ترتیب بیان شده است. ]29[
(3-6)
(3-7)
(3-8)
(3-9)
مقدار پیش بینی شده با شبکه، مقدار واقعی و میانگین داده ها در نورون i و همچنین N تعداد داده ها است. هدف شبکه عصبی، کمینه شدن MSE ، P ، RMSE و بیشینه شدن (نزدیک به1) ضریب تبیین است.
فصل چهارم