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

اختصاصی از حامی فایل تحقیق درباره پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 22

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 .

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 .

با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد .

همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

این مقاله یک معماری شبکه عصبی آنالوگ را توصیف می کند که برای الگوریتم های ژنتیک بهینه شده اند .

سیناپس ها کوچک 10X10μm و سریع هستند .

فرکانس اندازه گیری شده شبکه تا 50MHz افزایش می یابد که در نتیجه بیش از 200 گیگا اتصال در ثانیه برای آرایه کاملی از 4096 سیناپس بدست می آید .

برای ساختن شبکه های بزرگتر باید امکان ترکیب چندین شبکه کوچکتر روی یک سطح یا روی تراشه های مختلف وجود داشته باشد که با محدود کردن عملکرد آنالوگ به سیناپس ها و ورودیهای نرون بدست می آید .

ورودیهای شبکه و خروجیهای نرون بصورت دیجیتالی کدینگ می شود .

در نتیجه عملکرد سیناپس از ضرب به جمع کاهش می یابد .

این مسئله باعث می شود که حجم سیناپس کوچکتر شود و عدم تطبیق پذیری قطعه بطورکامل جبران سازی شود .

چونکه هر سیناپس یک صفر یا وزن اختصاصی اش را اضافه می کند که می تواند شامل هر تصحیح ضروری باشد .

سیگنالهای آنالوگ بین لایه های شبکه آنالوگ ، بوسیله اتصالات چند بیتی اختیاری بیان می شوند .

شبکه ارائه شده در این مقاله برای یک جریان عددی real-time‌ در محدوده فرکانسی 1 – 100MHz و پهنای 64 بیت بهینه شده است .

قصد داریم که آن را برای کاربردهای انتقال داده مثل DSL‌ سرعت بالا ، پردازش تصویر بر اساس داده دیجیتالی لبه تولید شده توسط تصاویر دوربین بوسیله تراشه پیش پردازش آنالوگی و ارزیابی تناسبی آرایه ترانزیستور قابل برنامه ریزی که در گروه ما توسعه داده شده است بکار ببریم .

مقاله درباره کاربرد شبکه‌های عصبی مصنوعی در مهندسی رودخانه

اختصاصی از حامی فایل مقاله درباره کاربرد شبکه‌های عصبی مصنوعی در مهندسی رودخانه دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود در "پایین مطلب"

 فرمت فایل: word (قابل ویرایش و آماده پرینت)

 تعداد صفحات:30

 رسوبات انتقالی توسط رودخانه‌ها مشکلات زیادی خصوصاً جهت بهره‌برداری از سدها و سازه‌های آبی به وجود می‌آورند. در ده‌های اخیر تحقیقات بزرگی برای درک مکانیسم انتقال رسوب در جریان‌های طبیعی صورت گرفته است.

تخلیه‌های صنعتی و پساب‌های کشاورزی به داخل سیستم آبزیان باعث می‌شود که رسوبات کف توسط موادسمی آلوده شوند. به همین ترتیب وقتی رژیم رودخانه تغییر می‌نماید این رسوبات آلوده به پایین دست رودخانه انتقال می‌یابند. تخمین دبی این رسوبات آلوده گام اول به سوی بهبود سازی کیفیت آب می‌باشد.

طبق گزارشات، درحال حاضر، بسیاری از سدهای کشورمان، با مشکل رسوب و پرشدن پیش از موعد مخازن مواجه هستند از جمله گزارشی که در مورد رسوبگذاری در سد سفید رود منتشر شده که نشان می‌دهد که در هفدهمین سال بهره برداری، رسوبات ورودی نزدیک به نیمی از حجم مخزن را اشغال کرده‌اند. در حالی که مشاور این شد، عمر مفید آن را صد سال دانسته است.

همچنین سد شهید عباسپور که تخمین اولیه برای رسوب آن 2 میلیون مترمکعب در سال بوده، در حالی که نتایج هیدروگرافی در سال 1362 در مخزن این سد نشان می‌دهد که درطی 7 سال اول بهره برداری از این سد سالیانه بطور متوسط 38 میلیون متر مکعب وارد مخزن شده است. بدیهی است که افزایش پیش‌بینی میزان رسوب وارده به دریاچه می‌تواند از این خسارات جلوگیری به عمل آورد و تحقیق این امر بستگی زیادی به روشهای محاسباتی و وجود سنجشهای مناسب رودخانه‌ای دارد.

تا کنون معادلات زیادی برای تخمین میزان رسوب انتقالی رسوب انتقالی توسط رودخانه‌ها ارائه شده است که همه آنها بر پایه قوانین تئوری دینامیک جریان و انتقال ذرات می‌باشد. آلونسوو نیبلینگ و فوستر در سال 1982 و یانگ در 1996 از بین دیگران، روشهای متعدد قراردادی را مقایسه نمود برای محاسبه دبی کل رسوب. بعضی از روشها که روش غیرمستقیم نامیده شدند، شامل توابع انتقالی بر اساس تابع بار بستر اینشتین هستند که بار رسوب کل از مجموع توابع بار معلق و بار بستر بدست می‌آید. مانند روش اصلاح شده اینشتین توسط کلبی و همبری (1955) و توفالتی (1969). روشهای مذکور این نکته را مدنظر قرار می‌دهند که هیدرودینامیک هر حالت انتقال یکسان نیست اگر چه تمایز آشکار بین در حالت معلق و بستر نیز به آسانی ممکن نیست، کاربرد روشهای گفته شده از نظر تئوری نسبتاً کامل است اما ممکن است به نظر دشوار برسد.

روشهای دیگر که روشهای مستقیم نامیده می‌شوند، بار رسوب کل را به طور مستقیم مشخص می‌کنند، بدون اختلاف قائل شدن بین دو حالت انتقال. بعضی از این روشها از مفهوم نیروی جریان ناشی می‌شوند. (کار جریان) مانند روش بگنولد (1966) و روش انگلند و هانسن (1967) که بستگی به مفهوم نیرو و قوانین شبیه‌سازی برای بدست آوردن تابع انتقال رسوب دارد. روش آکرو وایت (1973) بر اساس مفهوم نیروی جریان، بگونولد و آنالیز ابعادی برای بیان تحرک و سرعت انتقال رسوب پایه‌ریزی شده‌اند. یانگ در سالهای 1972 و 73 یک مدل تحلیل نیرویی بکار برد و به نیروی جریان موجود در واحد وزن سیال برای انتقال رسوب تأکید کرد. ولیکانوف (1954) تابع انتقال را از تئوری نیروی ثقل استخراج کرد. روشهای دیگر از توابع انتقال دیگری پیروی می‌کنند، مثلاً چنگ و سیمونزو ریچاردسون (1967) بار کل را از مجموع بار بستر و معلق محاسبه نمودند. لارسن (1958) یک رابطه وابسته‌ای بین شرایط جریان و دبی رسوبی نتیجه توسعه داد. شن و هانگ (1972) یک معادله رگرسیون براساس داده‌های آزمایشگاهی استخراج کردند.

برانلی (1981) نیز آنالیز رگرسیون را برای بدست آوردن تابع بکار گرفت. ون راین (1984) بار کل را از مجموع بار بستر و متعلق محاسبه نمود. کریم و کندی (1990) آنالیز چند رگرسیونی غیرخطی را برای استخراج یک رابطه بین سرعت جریان، دبی رسوب و هندسه شکل بستر و ضریب اصطکاک رودخانه‌های فرسایشی بکار گرفت.

این مدل‌های دینامیکی در تعریف پارامترهای مهم مسئله موفق بودند. با این وجود برای بدست آوردن یک فرمول منفصل (شکل ثابت معادله)، بعضی پارمترهای مهم برای سهولت صرفنظر می‌شوند. ثابت‌های غیرمعلوم برای پایداری جمع می‌شدند و بعضی شرایط مرزی برای بکارگیری فرض می‌شوندو نتیجتاً این سؤال مطرح می‌شود که آیا فرمول برای انحراف رودخانه‌ها به طور موفق بکار رود؟

            اخیراً روش شبکة عصبی در شاخه‌های متعدد علمی بکار می‌رود. روش گفته شده یک ابزار قوی برای بهبود سازی در هیدرولیک و محیط زیست با جزئیات کافی برای اهداف طراحی و مدیریت پروژه‌ها می‌باشد. این تکنیک یک رشد ساختاری در کاربرد مهندسی رودخانه و منابع آب داشته است مانند مطالعه کرونانیتی و همکاران (199)، فلود و کارتام (1994) و گرابرت (1995) و مینس (1998) و سانچز و همکاران (1998) و یانگ و همکاران (1999).

به سبب کاربردهای موفق در مدل کردن رفتار سیستم غیرخطی در یک محدوده وسیع از نواحی، شبکه‌های عصبی مصنوعی در هیدرولوژی و هیدرولیک بکار رفته‌اند. شبکه‌های عصبی مصنوعی در مدل بارش ـ رواناب، تخمین جریان، شبیه‌سازی آلودگی جریان، شناسایی پارامتر و مدل کردن غیرخطی ورودی و خروجی سریهای زمانی بکار رفته‌اند. یک شبکه عصبی سه لایه پیشخور توسط فرنچ و همکاران (1992) برای پیش‌بینی شدت بارش در مکان و زمان بکار رفت. این فرد نتایج را با دو روش دیگر پیش‌بینی ترم ـ کوتاه مقایسه نمود. چنگ و تسانگ (1992) چندین روش رگرسیون و شبکة عصبی مصنوعی برای مدل کردن اکی والان برف ـ آب مقایسه کردند و گزارش دادند که یک شبکه عصبی مصنوعی نتایج بهتری ارائه می‌دهد.

HSU و همکاران (1995) گزارش کردند که شبکه پیشخور چندین لایه بهترین ابزار برای تقریب توابع ورودی ـ خروجی است. آنها یک الگوریتم پیچیده جذر ـ کمینه خطی را برای آموزش یک شبکه پیشخور سه لایه پیشنهاد دادند. که نشان داد روش مدل شبکه عصبی مصنوعی ارائه بهتری از روابط بارش ـ روانات برای یک حوضه با اندازه متوسط که با مدل آرمکس یا مدل رطوبت خاک ساکرامنتو مقایسه شد می‌دهد.

رامان و سانیل کومار (1996) شبکه عصبی مصنوعی را برای تولید جریان ورودی مصنوعی استفاده کردند و اجرای خود را با یک مدل چند متغیرة سریهای زمان مقایسه نمودند. منیس‌وهال (1996) یکسری از آزمایشات عددی دربارة کاربرد یک شبکهء عصبی مصنوعی را به مدل کردن بارش ـ روناب هدایت کردند و نتیجه گرفتند که شبکه‌های عصبی مصنوعی در شناسایی مفید روابط بین دبی و بارندگی‌های قبلی توانا می‌باشد. 

فایل پاوپوینت فصل یازدهم»: دستگاه عصبی بدن

اختصاصی از حامی فایل فایل پاوپوینت فصل یازدهم»: دستگاه عصبی بدن دانلود با لینک مستقیم و پر سرعت .

دانلود پاوپوینت فصل یازدهم»: دستگاه عصبی بدن 

فرمت فایل: پاورپوینت

تعداد اسلاید: 9

uدستگاه عصبی

uدستگاه عصبی مرکزی یا سامانه عصبی مرکزی بزرگترین بخش دستگاه عصبی است و دربرگیرنده مغز و طناب نخاعی است. مغز و نخاع توسط سازه‌های استخوانی و غشایی محافظت می‌شوند. مغز در محفظه درونی جمجمه نگهداری می‌شود و از مخ، مخچه و ساقه مغز تشکیل می‌گردد.رشته‌های عصبی مربوط به سامانهٔ عصبی مرکزی، رشته‌های عصبی نخاعی و مغزی هستند.دستگاه عصبی مرکزی را می‌توان به دو بخش مراکز زیرین (دربرگیرنده نخاع و ساقه مغز) و بالایی مغز بخش کرد. مراکز زیرین با مغز از راه رشته‌های عصبی در پیوند هستند.دستگاه عصبی مرکزی به همراه دستگاه عصبی پیرامونی، نقش بنیادینی در کنترل رفتار انسان دارد.

u دستگاه عصبی مرکزی پردازش اطلاعات و محاسبه حرکت مناسب در پاسخ به دریافت ورودی را بر عهده  دارد.

تهیه نقشه (نگاشت) حساسیت به زمین لغزش توسط رویکرد عصبی فازی در منطقه زلزله خیز

اختصاصی از حامی فایل تهیه نقشه (نگاشت) حساسیت به زمین لغزش توسط رویکرد عصبی فازی در منطقه زلزله خیز دانلود با لینک مستقیم و پر سرعت .

این مقاله نتایج مدل عصبی-فازی را با استفاده از دادههای سنجش از دور و سیستمهای اطلاعات جغرافیایی برای تحلیل حساسیت به زمینلغزش در بخشی از مناطق بلندیهای کامرون در مالزی ارایه میدهد. مکانهای زمینلغزش در منطقه تحت بررسی با تفسیر عکسهای هوایی و تصاویر ماهوارهای شناسایی شدند که پژوهشهای میدانی گستردهای آنها را تایید میکردند. برای تهیه نقشه  استفاده شد. نقشههای توپوگرافی، TM شاخص پوشش گیاهی از تصویربرداری ماهوارهای لندست  ) و پوشش اراضی از مجموعهNDVI خطوارهها، شاخص اختلاف نرمالشده پوشش گیاهی ( دادههای مکانی ایجاد شدهاند. هشت عامل موثر در زمینلغزش مانند ارتفاع، گرادیان شیب، انحنا  از پایگاهداده NVDI (خمیدگی)، فاصله از زهکشی، فاصله از جاده، لیتولوژی، فاصله از گسلها و مکانی به دست آمدهاند. این عوامل با استفاده از سیستم استنتاج عصبی-فازی تطبیقی مدل عصبیفازی برای تولید نقشههای حساسیت به زمینلغزش تحلیل شدند. زمانی که کارهای توسعه مدل انجام میشد، کلا پنج مدل حساسیت به زمینلغزش به وجود آمدند. بعد از آن برای تایید نتایج تحلیلها، آنها با مکانهای زمین لرزه تاییدشده میدانی مقایسه شدند. علاوه بر این، منحنیهای مشخصات عملیاتی گیرنده برای همه مدلهای حساسیت به زمینلغزش به دست آمدند و مقادیر مناطق زیر منحنی محاسبه شدند. مکانهای زمینلغزش برای تایید نتایج حساسیت به زمینلغزش به کار برده شدند و   نشان دادند که این مدل از همه پارامترهای تولید شده در 5 % دقت را برای مدل 97 ،نتایج تاییدی مطالعه فعلی  به عنوان عوامل موثر در زمینلغزش استفاده کرده بود. نتایج تاییدی، توافق کافی را بین نقشه به دست آمده از حساسیت به زمین و دادههای موجود در مورد مناطق زمینلغزش نشان
دادند. از نظر کیفی، مدل موجب نتایج منطقی میشود که میتوان این نتایج را برای اهداف برنامهریزی مقدماتی کاربری اراضی به کار برد

مقاله درمورد دستگاه عصبی مرکزی

اختصاصی از حامی فایل مقاله درمورد دستگاه عصبی مرکزی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 7

دستگاه عصبی مرکزی

مقدمه

دستگاه عصبی مرکزی قسمتی از دستگاه عصبی است که در درون محفظه‌ای استخوانی به نام استخوان جمجمه و ستون فقرات قرار گرفته است و شامل مغز و نخاع می‌باشد. از نظر ساختمانی در سیستم اعصاب مرکزی دو قسمت به نامهای ماده سفید و ماده خاکستری قابل تشخیص می‌باشد. مغز شامل قسمتهای متنوعی است که هر کدام از آنها در عین حال که با یکدیگر در ارتباط هستند کارهای متفاوتی را انجام می‌دهند.

تکامل مغز در مهره داران

در ماهیهای اولیه و دوزیستان ، نخاع و مغز در یک راستا قرار دارند. ولی در سایر مهره داران بویژه در پستانداران بین مغز و نخاع یک خمیدگی پدید آمده است که در پستانداران عالی به 90 درجه می‌رسد. این خمیدگی ناشی از حجم زیاد نیمکره‌های مخ است. حجم مغز بویژه نیمکره‌های مخ در مهره داران اولیه رشد اندکی دارد. ولی در مهره داران عالی وسعت زیادی دارد.

سطح نیمکره‌های مخ در مهره داران اولیه تا پستانداران اولیه صاف ، ولی در پستانداران عالی بویژه انسان چین خوردگی فراوان دارد. مغز آدمی بزرگترین مغزها نیست اما وزن آن نسبت به جثه آدمی بیشترین است و با در نظر گرفتن سایر شرایط بهترین مغز است. مغز مهره داران در دوران جنینی دارای سه قسمت اولیه به نامهای مغز پیشین ، مغز میانی و مغز تحتانی است. از این قسمتها بتدریج بخشهای مختلف مغز پدید می‌آیند.

ساختار مغز

مغز در داخل استخوان جمجمه و نخاع در داخل ستون فقرات جای گرفته‌ است. سه پرده که در مجموع مننژ نامیده می‌شوند، مغز و نخاع را از اطراف محافظت می‌کنند.

•پرده داخلی : پرده داخلی چسبیده به مغز و نخاع بوده و کار تغذیه بافت عصبی را انجام می‌دهد.

•پرده میانی : پرده میانی عنکبوتیه نام دارد که به پرده خارجی چسبیده و از پرده داخلی کم و بیش فاصله دارد.

•پرده خارجی : از بافت پیوندی محکم تشکیل شده و به استخوانهای محافظ چسبیده است.

در فاصله بین عنکبوتیه و پرده داخلی مایع شفافی قرار گرفته است که از ترشحات رگهای خونی است. این مایع را مایع مغزی-نخاعی می‌گویند و کار آن محافظت از بافت عصبی است.

مخ

مخ بزرگترین قسمت مغز است و دارای دو نیمکره است که توسط رشته‌های عصبی محکم و سفید رنگی بهم متصلند و ارتباط دو نیمکره نیز از طریق همین رشته‌های عصبی صورت می‌گیرد. قسمت سطحی مخ ، خاکستری رنگ است و قشر مخ نامیده می‌شود. قشر مخ در انسان به علت وسعت زیاد خود و جای گرفتن در فضای محدود حالت چین خورده دارد. در زیر قشر مخ ماده سفید رنگی وجو دارد که از اجتماع رشته‌های عصبی میلین دار تشکیل شده است و این رشته همان دنباله‌های نورونهایی هستند که در قشر خاکستری با سایر قسمتهای دستگاه عصبی قرار دارند.

علاوه بر قشر مخ چند هسته خاکستری در بخش سفید آن وجود دارد که مهمترین آنها غده تالاموس و غده هیپوتالاموس است. هر قسمت از قشر خاکستری کار ویژه‌ای انجام می‌دهد. مراکز مربوط به دریافت و تفسیر اطلاعات رسیده از اندامهای حسی مختلف مانند چشم و گوش و پوست در این قسمت است. قسمتی از قشر خاکستری مرکز حرکات ارادی است. مخ مرکز احساسات ، فکر کردن و حافظه است. نیمکره چپ مخ حرکات طرف راست و نیمکره چپ بدن حرکات طرف راست بدن را کنترل می‌کنند. هر نیمکره کارهای ویژه‌ای را نیز انجام می‌دهد.

نیمکره چپ در زبان آموزی ، یادگیری ، تفکر ریاضی و منطق ، تخصص دارد. نیمکره راست انجام دادن کارهای ظریف هنری ، موسیقی را کنترل می‌کند. تالاموسها مرکز تقویت پیامهای حسی مانند چشم ، درد و ترس هستند و پیامهای حسی را قبل از اینکه به قشر مخ برسند تقویت می‌کنند. هیپوتالاموس مرکز تنظیم اعمال مختلفی از جمله گرسنگی ، تشنگی ، خواب و بیداری و دمای بدن است.

مخچه

مخچه قسمتی از مغز است که در پشت و زیر مخ قرار دارد. مخچه دارای دو نیمکره است، اما چین خوردگیهای سطحی آن کم عمق تر و منظم تر است. قسمت سطحی مخچه را ماده خاکستری پوشانده است. مخچه بوسیله دسته تارهای عصبی به بقیه قسمتهای دستگاه عصبی مربوط است. مخچه در کار کنترل فعالیتهای ماهیچه‌ای به مخ کمک می‌کند.مخچه پیامهای حرکتی را قبل از اینکه به اندامها بروند تقویت می‌کند. در نتیجه حرکات نرمتری از بدن سر می‌زند. حفظ تعادل بدن نیز به عهده مخچه است. برای اینکار چشمها و گوش داخلی وضعیت بدن را به مخچه خبر می‌دهند و مخچه ، ماهیچه‌ها را طوری کنترل می‌کند، که تعادل برقرار بماند. در مجموع کارهایی که مخچه انجام می‌دهد همگی غیر ارادی هستند.

بصل النخاع

بصل‌النخاع پایین ترین مرکز عصبی واقع در استخوان جمجمه است. انتهای بصل‌النخاع به نخاع مربوط است. بیشتر بصل‌النخاع از ماده سفید و رشته اعصابی تشکیل شده است که میان نخاع و مغز قرار دارد. بصل‌النخاع فعالیت اندامهای داخلی بدن مانند قلب ، ششها و اندامهای گوارشی را اداره می‌کند. به همین دلیل یکی از مهمترین اجزای مغز است و آسیب وارده به آن مرگ را به دنبال دارد. مغز 12 جفت عصب دارد. این اعصاب با اندامهای مهمی ارتباط دارند.

بطنهای مغزی

در جریان تکامل مغز از لوله عصبی جنینی ، حفره مرکزی لوله عصبی در 4 ناحیه متسع شده و بطنهای مغزی را بوجود می‌آورد. بطنهای مغزی عبارتند از: بطنهای جانبی شامل دو بطن و هر کدام در یکی از نیمکره‌های مغزی ، بطن سوم در ناحیه تالاموس و بطن چهارم در محل بصل‌النخاع و پل مغزی.

مایع مغزی-نخاعی

سیستم عصبی مرکزی در درون مایعی به نام مایع مغزی-نخاعی قرار گرفته که این مایع هم به عنوان ضربه‌گیر سیستم عصبی مرکزی را در مقابل ضربات مکانیکی حفظ می‌کند و هم برای فعالیتهای متابولیکی آن ضروری است. حجم این مایع که از رگهای خونی بافت مغز منشا می‌گیرد بین 150 - 80 میلی‌لیتر متغیر است.عدم باز جذب این مایع و تجمع آن در بطنهای مغزی منجر به شرایطی به نام هیدروسفالی می‌گردد که می‌تواند باعث آسیب پارانشیم مغز گردد.

بیماریهای مغزی

عامل بیماریهای عفونی مراکز عصبی ، باکتریها ، ویروسها و یا موجودات زنده میکروسکوپی دیگرند. در بعضی از این بیماریها مراکز عصبی خونی می‌شوند و در برخی دیگر سموم میکروبها که در جای دیگر بدن مستقر می‌شوند، به مراکز عصبی می‌رسند و آنها را دچار مشکل می‌کنند.

فلج اطفال یا پلیومیلیت

عامل این بیماری نوعی ویروس است که از طریق غذا و آبی که به مدفوع شخص بیمار آلوده باشند، به شخص سالم سرایت می‌کند. ویروس به نخاع می‌رسد و در آنجا به جسم سلولی نورونهای حرکتی آسیب کلی می‌رساند، و ماهیچه‌های تحت کنترل آنها فلج می‌شوند. با استفاده از واکسن می‌توان به راحتی از ابتلا به این بیماری جلوگیری کرد.

مننژیت مغزی

در اثر عفونت پرده‌های مننژ مغز یا نخاع حاصل می‌شود. انواعی از باکتریها باعث این بیماری می‌شوند. یک نوع از این باکتریها به نام مننگوکوک است. علایم بیماری مننژیت به طور ناگهانی بروز می‌کند. حرارت بدن دردناک می‌شود. مننژیت بیماری خطرناکی است و در صورت تاخیر در معالجه باعث مرگ می‌شود.

آنسفالیت

آنسفالیت یک بیماری ویروسی است. ویروس در بخشهای خاکستری مغز مانند بصل‌النخاع و مغز میانی جایگزین می‌شود. ویروسهای سرخک و اوریون نیز ممکن است به مغز برسند و آنسفالیت ایجاد کنند. آنسفالیت ممکن است حاد یا مزمن باشد. در حالت حاد سردرد ، حالت خواب آلودگی در روز و دوبینی عارض می‌شود.

بیماری هاری

میکروب این بیماری نوعی ویروس است که با گاز گرفتن سگ ، گربه وارد بدن آدمی می‌شود. از زمان گاز گرفتن تا بروز بیماری 15 روز تا دو ماه طول می‌کشد.

مباحث مرتبط با عنوان

علاقه انسان ها به داشتن اطلاعاتی در مورد مغز و نحوه عملکرد آن به سالها پیش باز می گردد .امروزه شواهد بسیاری وجود دارد که ثابت می کند هزاران سال قبل در کشورهایی نظیر مصر و یونان کنکاش و تحقیقات زیادی در مورد مغز انسان صورت گرفته است . این ارگان پیچیده و شگفت انگیز همیشه برای پژوهشگران و دانشمندان سوژه جالب و بحث برانگیزی بوده است .در این مقاله سعی شده تا به شیوه بسیار ساده و قابل فهمی ، چگونگی رشد و تکامل مغز و نوع کارکرد آن در مراحل مختلف زندگی از ابتدای پیدایش سلول های مغزی تا زمان پیری شرح داده شود. بسیاری از دانشمندان و کارشناسان امور روان شناسی عقیده دارند که با دانستن