اجرای شگفت انگیز ظاهر کردن گردنبند مروارید توسط دیوید کاپرفیلد. در این کلیپ آموزشی این تردستی جالب و حیرت آور را یاد بگیرید و دیگران را متعجب کنید.
کلیپ اجرایی توسط خود دیوید کاپرفیلد
http://www.namasha.com/v/7rE3gIeC
فرمت فایل: 
( قابلیت ویرایش و آماده چاپ )
تعداد صفحات فایل: 29
کد محصول : 010Shop
قسمتی از محتوای متن
اتوماسیون توسط سیستمهای نتوماتیک
1-1- مقدمه
در این فصل به معرفی سیستمهای نتوماتیک مورد استفاده در خطوط تولیدی اتوماتیک می پردازیم. در این نگارش تنها به اصول کلی طراحی و اجزاء مهم سیستمهای نتوماتیک پرداخته خواهد شد که مقدمه لازم جهت آشنائی تخصصی با این سیستمها را برای یک مهندس کنترل فراهم می آورد.
لغت نیوماتیک(Pneumatic)( که به صورت پنوماتیک مطابق با برداشت از تلفظ این لغت به زبان آلمانی نیز در صنایع کشور مصطلح می باشد) از ریشه یونانی(Pneumos) به معنی تنفس گرفته شده است. استفاده از هوا فشرده در سیستمهای صنعتی به ابتدای انقلاب صنعتی به ابتدای انقلاب صنعتی بر می گردد و در ابتدای قرن بیستم به عنوان ابزار اصلی اتوماسیون سیستمهای تولیدی مورد استفاده قرار گرفته است. یک سیستم نیوماتیک شامل عملگرها یا جکهای نیوماتیک، شیرهای نتوماتیک یا الکترونیوماتیک، سنسورهای نیوماتیک، سیستم های انتقال نیوماتیک و سیستم تولید فشار هوا می باشد. در ابتدای این فصل به توضیحی مختصر درباره برخی از این اجزاء پرداخته و سپس طرحهای اتوماسیون توسط سیستمهای نیوماتیک را بررسی می نمائیم.
2-1- اجزاء سیستم نیوماتیک
1-2-1- انواع شیرهای نیوماتیک
شیرهای استفاده شده در سیستمهای نیوماتیک بمنظور کنترل سه کمیت فیزیکی زیر بکار می روند.
1- کنترل وضعیت جریان 2- کنترل فشار هوا 3- کنترل میزان جریان هوا
شیر کنترل وضعیت(directional valve) وسیله ای است که متناظر با دریافت یک سیگنال ورودی به صورت نیوماتیکی یا الکتریکی جهت عبور هوای فشرده را تغییر
می دهد و یا جریان یافتن یا متوقف شدن هوای فشرده در یک مسیر را کنترل می کند. این شیر کنترلی مهمترین جزء سیستم نیوماتیک در طراحی منطق سیستم های اتوماسیون
می باشد. این نوع از شیرهای کنترلی توسط کمیات زیر طبقه بندی می گردند:
1- تعداد پورتهای نیوماتیک ورودی و خروجی(2، 3، 4 یا 5)
2- تعداد وضعیتهای کنترل شونده حرکتی شیر(1، 2 یا 3)
3- نحوه تحریک شیر(دستی، نیوماتیکی یا برقی)
4- مشخصات طراحی شیر همانند ابعاد پورتهای ورودی و خروجی، دبی شیر و...
شکل زیر اجزاء داخلی یک شیر کنترلی و نحوه آب بندی آن توسط O-ring را نشان می دهد. عضو اصلی شیر که وظیفه کنترل جهت حرکت جریان را به عهده دارد سوزن شیر یا Spool نام دارد.
R
شکل 1-1 اجزاء داخلی یک شیر کنترل وضعیت
در اینجا می توانیم تعدادی از شیرهای کنترل وضعیت مورد استفاده متداوب در سیستمهای اتوماسیون را با توجه به وظیفه ای که انجام می دهند( و نه با تکیه به اصول طراحی شیر) طبقه بندی کنیم.
الف) شیر 2*2(دو در دو به معنای دو پورت ورودی- خروجی و دو وضعیتی)
همانگونه که در شکل 2-1 ملاحظه می شود ساختار داخلی این شیر به گونه است که در صورت عدم تحریک آن جریان ورودی هوا(پورت 1) نسبت به پورت خروجی(2) کاملا مسدود می باشد
متن کامل را می توانید بعد از پرداخت آنلاین ، آنی دانلود نمائید، چون فقط تکه هایی از متن به صورت نمونه در این صفحه درج شده است.
پس از پرداخت، لینک دانلود را دریافت می کنید و ۱ لینک هم برای ایمیل شما به صورت اتوماتیک ارسال خواهد شد.
تعداد صفحه:46
قسمتی از مبانی نظری متغیر:
قبل از بررسی عوامل مؤثر بر تصمیم سرمایهگذاران در انتخاب یک سهام عادی باید با مفهوم سرمایهگذاری آشنا شویم. سرمایه گذاری از دیدگاه کلی، به معنای مصرف پولهای در دسترس برای دستیابی به پولهای بیشتر، در آینده است؛ به عبارت دیگر، سرمایهگذاری یعنی به تعویق انداختن مصرف فعلی برای دستیابی به امکان مصرف بیشتر در آینده. در سرمایهگذاری، دو ویژگی متفاوت و مهم وجود دارند که عبارتند از: 1- زمان و 2- ریسک. اهمیت این دو موضوع به این علت است که در سرمایهگذاری، صرف پول، در زمان حال صورت میگیرد و مقدار آن معین است؛ در حالی که پاداش حاصل از آن، در آینده به دست میآید و معمولاً با نبود اطمینان همراه است. در بعضی مواقع، ویژگی زمان غالب میگردد (مانند اوراق قرضه دولتی) و در بعضی مواقع، ریسک از نظر اهمیت مقدم است (مانند برگه اختیار خرید) و در مواقع دیگر هر دو مهم هستند (مانند سهام عادی)(دوف[1]، 2008).
2-4-2- راهبردهای سرمایهگذاری
دو راهبرد سرمایهگذاری غالب که در بازارهای بورس اوراق بهادار به کار گرفته میشود به شرح زیر است:
طبق این راهبرد توصیه میشود سهامی خریداری شود که در دوره گذشته بالاترین بازده را داشته است و سهامی به فروش رسد که در دروههای گذشته پایینترین بازده را کسب کرده است.
طبق این راهبرد، توصیه میشود سهامی که در گذشته عملکرد خوبی داشتهاند به فروش رسند و سهامی که عملکرد ضعیفی داشتهاند خریداری شوند. به عبارت بهتر، توصیه میشود سهامی خریداری شود که در حال حاضر بازار نسبت به آن سهم بسیار بدبین است و سهامی فروخته شود که بازار نسبت به آن بسیار خوشبین است (نیکبخت و مرادی، 1384).
2-4-3- مدلهای تصمیمگیری سرمایهگذاران
2-4-3-1- مدل تصمیمگیری اقتصادی عقلائی
در مدلهای عقلائی سرمایهگذاران جهت حداکثر نمودن مطلوبیت کل باید تا جایی بخرند که مطلوبیت نهایی آخرین خرید برابر با قیمت شود هر چه قیمت پایین میآید برای برابر شدن مطلوبیت نهایی با قیمت پایینتر سرمایهگذار به خرید بیشتر تحریک میشود از آنجا که با کاهش قیمت، میزان تقاضای سرمایهگذار بیشتر میشود منحنی تقاضای هر یک از سرمایهگذاران و منحنی تقاضای کل نزولی خواهد بود در این مدل منظم ساده هر فردی برای حداکثر ساختن سود کل یا مطلوبیت کل تصمیمات عقلایی میگیرد به این نوع مدلها، مدل اقتصادی عقلائی میگویند(ژنگ و شن،2008[2]).
2-4-3-2- مدل اقتصادی رفتاری
حرکت کردن به سوی یک مدل اقتصادی رفتاری و بیان تأثیر تصمیمات غیرعقلائی بر قیمت بازار سهام دشوار نیست. فرض کنید سرمایهگذار، براساس مناسب بودن ریسک و بازده، در خصوص قیمت قضاوت میکند و فرض کنید سرمایهگذاران اطلاعات محدودی نسبت به سهام داشته باشند و در مواجهه با دو سهامی که یکسان بنظر میرسند فرض میکنند سهام با بازدهی بیشتر بهتر است. این امر برای اقتصاددانان رفتاری، مشکلی پدید نمیآورد فقط مطلوبیت را تابع درونزایی از قیمت و بازدهی فرض کرده و بدینگونه تابع مطلوبیت را اصلاح میکند(رامچارون و کیم[3]، 2008).
فرض کنید ورود بعضی از سرمایهگذاران به بورس بر تقاضای دیگر سرمایهگذاران اثر بگذارد. همچنین فرض کنید سرمایهگذاران، تحت تأثیر قرار گرفته و به دیگران توجهی یکسان ندارند، هر چند بعضی از آنها ممکن است هوشیارتر به نظر برسند و برخی نیز پرستیژ، ثروت و قدرت بیشتری داشته باشند. باید توجه داشت که ورود این افراد به بازار بورس میتواند نشانی از بازدهی بالای سهام به دیگران باشد. خرید این افراد ممکن است مطلوبیت در نظر گرفته شده از سهام را برای دیگران تغییر دهد(اهرندسین و کاتچیو[4]، 2012).
2-4-3-3- مدل نوین مالی
در اقتصاد کلاسیک فرض بر این است که افراد دارای انتظارات ثابت و قابل شناختی هستند و به دنبال به حداکثر رسانی انتظارات خود هستند گروهی دیگر بر این باورند که انسان در عقلایی برخورد کردن با موضوعات با محدودیتهایی مواجه است. دانشمندانی عقلانیت محدود را به جای عقلانیت کامل در مدلهای تصمیمگیری پیشنهاد کردند و استفاده از مدل مطلوبیت انتظاری به عنوان مدل رفتار انسان در تصمیمگیری و بیشینهسازی مطلوبیت نهایی با تردید رو به رو گردید(استوفمون[5]، 2008).
2-4-3-4- مدل / تئوری چشم انداز [6]
همانطوریکه بیان کردیم، براساس تئوری مطلوبیت مورد انتظار (EUT) سرمایهگذاران ریسک گریز هستند به این معنی که شیب منحنی مطلوبیت ثروت با افزایش آن کاهش مییابد اگر چه این تئوری تا مدتها یک تئوری جذاب بوده اما در پیش بینی رفتار افراد حداقل در شرایط ریسکی موفق نبوده است. به همین دلیل تئوری چشمانداز در سال 1979 ارائه شد. این تئوری نشان میدهد که چگونه سرمایهگذاران در برخی موارد مطلوبیت را نادیده میگیرند. پایه و اساس تئوری چشمانداز تابع ارزش است که با تابع مطلوبیت در تئوری مطلوبیت مورد انتظار متفاوت است و این تفاوت به خاطر نقطه عطف در تابع ارائه شده است. که نقطه عطف بوسیله اثر ذهنی افراد تعیین میگردد. براساس تابع ارزش شیب مطلوبیت ثروت قبل از نقطه عطف صعودی و پس از آن نزولی میباشد و این نقطه عطف میتواند برای هر فردی متفاوت باشد (امیری و همکاران، 1387).
[1] - Doff
[2] - Zheng & Shen
[3] - Ramcharran & Kim
[4] - Ahrendsen & Katchova
[5] - Stoffman
[6] - Prospect Theory
نوع فایل: word
قابل ویرایش 165 صفحه
مقدمه:
هدف این مجموعه معرفی HLSL ،و کار هایی است که می توان با آن انجام داد. این مجموعه، امکان آموزش کامل و ساده برای استفاده از HLSL فراهم می کند.
کار را با کشیدن یک مثلث ساده شروع کرده و به تدریج به سمت موضوعات پیشرفته تر حرکت کرده و پروژه را کاملتر می کنیم. در پایان صحنه ای طراحی خواهیم کرد که توسط سه منبع نور، روشنائی خود را تامین می کند. احتمالا از اینکه هدف را قرار دادن منبع نور در محیط تعیین کردیم تعجب کنید. زیرا در فصل های اغازین در مورد نورپردازی در محیط بردار های نرمال و نحوه بازتابش نور از سطح اشیا صحبت کرده و از منابع نور در چند پروژه مختلف استفاده کردیم.
مشکل اصلی در برنامه های قبلی عدم وجود سایه است. DirectX به صورت پیش فرض توانائی تشخیص وجود مانع بین یک شی و منبع نور را ندارد. بنابراین استفاده از سه منبع نور و ترکیب سایه های ایجاد شده با یکدیگر می تواند موضوع خوبی برای آموزش HLSL باشد. با این فرض که به نحوه رسم مثلث ها، پیکر برندی دوربین، استفاده از Texture ، کار با Mesh ها و مبانی نورپردازی در محیط سه بعدی مسلط خواهید شد به مفاهیم پیشرفته تر در HLSL خواهیم پرداخت.
فهرست مطالب:
چکیده
مقدمه
مطالب کلی
فصل اول : مبانی ریاضی گرافیک
11 : تبدیلات پایه ای
انتقال
دوران
تغییر مقیاس
ماتریس های همگن
تبدیلات مرکب
دوران حول نقطه دلخواه
تغییر مقیاس در مختصات ثابت
انعکاس
12 : تبدیلات در فضای سه بعدی
سه اصل اساسی
اعمال ریاضی ماتریس ها
1- 3 : ماتریس های همگن
پیکر بندی Device
رسم اولین مثلث
دوربین ها و مختصات فضای جهانی
دوران و انتقال
ترکیب رئوس با استفاده از اندیس ها
ایجاد زمین
ایجاد زمین از روی فایل
استفاده از فایل های bmp برای طرح زمین
چرخش زمین با استفاده از کیبورد
استفاده از رنگها و ZBuffer
کار با نور ها در DirectX
ایجاد Mesh از زمین
تابش خورشید بر زمین
فصل دوم : ساخت محیط های سه بعدی توسط DirectX وc#
2- 1 : ایجاد پروژه
استفاده ازTexture
نقشه زمین زیر هواپیما
رسم ساختمان ها
ایجاد Mesh از فایل های سه بعدی
افزودن نور به صحنه
حرکت و چرخش هواپیما در محیط
کنترل هواپیما توسط کیبورد
تشخیص تصادم
ایجاد SkyBox
فیلتر کردن Texture ها
افزودن هدف
DirectSound و پخش فایل های صوتی
نمایش متن توسط DirectX
ایجاد یک برنامه fullScreen
فصل سوم : HLSL
13 : کارهای اولیه
23: مقدمه ای بر High Level Shader Language (HLSL)
33)ساخت اولین vertex shader
43) رسم یک مثلث بااستفاده از Shader ها
53) برنامه نویسی اولی Pixel Shader
63 ) تکستچرکردن مثلث با استفاده ازpixel shader
73) کارآیی بالاتر با استفاده از Texture Mirroring Revisited ـTriangle Strips
83) تبدیل جهان
نوع فایل: word
قابل ویرایش 100 صفحه
چکیده:
در دنیای امروز کاربردهای پردازش تصویر هر روزه در حال افزایش است .در زمینه پزشکی ،رباتیک و هواشناسی تحقیقات و پژوهش های بسیاری در این زمینه شده است و از کاربردهای آن در این زمینه استفاده های بسیاری می شود.اما درمورد پردازش احساسات انسانی توسط ربات تحقیقات کمتری صورت گرفته و از موضوع پردازش چهره فراتر می باشد . در مقاله پیش روسعی بر این بوده است تا در ابتدا موارد کلی و مفاهیم اصلی در رابطه با موضوع یعنی پردازش احساسات توسط ماشینها آورده شود ، مفاهیمی از قبیل هوش مصنوعی و مفاهیم مرتبط با آن ، بازیابی معنایی عاطفی تصویر ، تشخیص چهره با استفاده از شش حالت اصلی چهره و دیگر مفاهیمی که برای پیاده سازی و ارائه مطالب مورد نیاز است . در قدم بعدی مطالب و مقاله هایی که پیش از این توسط افراد دیگر در رابطه با موضوع مورد نظر گردآوری شده است آورده شده ، که از این مقالات برای نتیجه گیری بهتر و ملموس تر کردن موارد جمع آوری شده استفاده می کنیم . در قدم آخر هم نتایج مطالعات و تحقیقات انجام شده برای ارائه روشی به صرفه در آشنایی با پردازش و مدلسازی احساسات درونی توسط رباتها با استفاده از الگوریتم های به کار رفته آورده می شود .
در این فصل با مفاهیم اولیه و واژه هایی که مربوط به پروژه می باشد آشنا می شوید و با مطالعه این فصل می توانید به راحتی مطالب فصول دیگر را بهتر درک نمایید .بحث اصلی این پروژه بر روی علم هوش مصنوعی می باشد ، که به وسیله این علم شما می توانید دنیای رباتیک را بهتر درک کنید . در این فصل شما با مفاهیم دیگر همچون : هوش محاسباتی و کاربردهای مختلف آن ، واقعیت مجازی که در دنیای امروز واژه ای بسیار آشنا می باشد ، مفاهیم اولیه پردازش تصویر و کاربردهای آن در زمینه های مختلف علمی که در فصول دیگر به طور کلی تر راجع به آن بحث شده است وغیره که با مطالعه این فصل می توانید با آنها آشنا شوید .
مقدمه:
از زمان طرح آزمون تورینگ در هوش مصنوعی ،توسعه پردازش زبان طبیعی و ساختن ماشینی مانند انسان ،از آرزوها و موضوعات علوم کامپیوتر بوده است . یکی از چالشهای مهم در زمینه پردازش عواطف و احساسات انسانی مانند خوشحالی ،ناراحتی ،خشم ،عشق و نفرت توسط ماشین است ،طوری که مثلا ماشینها یا رباتها نسبت به هم گذشت داشته باشند یا یکی از عملکرد دیگری خشمگین یا خوشحال شود.در این راستا و در همین تحقیق روشهای پردازش احساسات و مخصوصا احساسات قابل انتقال و تشخیص از حالتهای چهره بررسی و تحلیل شده و مزایا و معایب هر کدام بیان می شود .
فهرست مطالب:
چکیده
فصل اول: مفاهیم اولیه
1-1 مقدمه
1-2 هوش مصنوعی
1-2-1 نظریه و تست الن تورینگ
1-2-2 پردازش زبان طبیعی
1-2-3 هوش اجتماعی
1-2-4 حرکت و جابجا کردن اجسام
1-2-5 ادراک
1-3 هوش محاسباتی
1-3-1 محاسبات تکاملی
1-3-2 هوش ازدحامی
1-3-3 شبکه های عصبی مصنوعی
1-3-4 سیستم های فازی
1-4 محاسبات نرم
1-4-1 مقایسه محاسبات نرم با محاسبات سخت
1-5 معرفی نرم افزار WINCC برای ارتباط انسان با ماشین
1-5-1 سیستم های فرعی در این نرم افزار عبارتند از
1-6 واقعیت مجازی
1-6-1 ویژگی های واقعیت مجازی
1-6-2 کاربردهای واقعیت مجازی
1-7 پردازش تصاویردیجیت
1-8 پردازش تصویر
1-8-1 آشنایی با مفاهیم اولیه پردازش تصویر
1-8-3 کاربردهای نظامی
نتیجه گیری
فصل دوم : تحقیقات انجام شده توسط دیگران
2-1 استخراج هوشمند و خودکار منحنی دقیق دور لب
2-1-1 مقدمه
2-1-2 فضای رنگی جدید
2-1-3 یافتن آستانه بهینه
2-1-4 یافتن نقاط کلیدی و رسم منحنی دور لب
2-1-5 نتایج آزمایشات
2-2 مروری بر روشهای بازیابی معنایی عاطفی تصویر
2-2-1 مقدمه
2-2-2 روشهای بازیابی تصاویر بر اساس معانی عاطفی
2-3 تشخیص حالت های چهره از روی تصاویر متحرک با استفاده از Optical Flow و شبکه عصبیRBF
2-3-1 مقدمه
2-3-2 نقاط مشخصه صورت (FCP)
2-3-3 پایگاه داده استفاده شده
2-3-4 روش محاسبه Optical Flow
2-3-5 سیستم تشخیص حالت های چهره توسط شبکه عصبیRBF
نتیجه گیری
فصل 3 : مدلسازی و پردازش عواطف انسانی توسط ماشین
3-1 مقدمه
3-2 الگوریتم ارتباطات عاطفی
3-3 ویژگی های ورودی الگوریتم
3-4 ویژگی های خروجی الگوریتم
3-5 اجرا
3-6 اعتبار سنجی بسترهای نرم افزاری تجربی
3-7 راه اندازی آزمایشی
3-8 آزمایش
3-9 نتیجه گیری
فصل چهارم: نتیجه گیری نهایی
فصل پنجم: پیشنهادات
منابع و مراجع
ضمیمه 1 : الگوریتم مسیریابی ربات آتش نشان
ضمیمه 2 : نیو ربات احساساتی
منابع و مأخذ:
1-ARTIFICIAL INTELLIGENCE (AI)
2- Intelligent machines
3- Turing Test
4- Creative Commons Attribution/Share- Alike
5-http://www.iranictnews.ir
6- http://www.hccmr.com/news-507.aspx
7- http://www.farsiebook.com/ebook/8955.htm
8-Digital Image Processing,Rafael C.Gonzalez,Richard E.Woods,2ndEdition,Prentice Hall,2001.
9-Digital Image Processing Using Matlab,Rafael C.Gonzalez,Richard E.Woods, Steven Eddins,1stEdition,Pearson,2003.
10-Digital Image Processing , William K. Pratt,4th Edition, John Wiley ,2007.
11-L.Putzara, I.Goerendta,T.Heeda,G.Richardb,C.Buchelc,B.Rodera.The neural basis of lip- reading capabilities is altered by early visual deprivation ,Neuropsychologia, Vol. 48,No.10,pp. 2158-2166 ,2010.
12- W. C. Ooi, C. Jeon, K. Kim, D. K. Han and H. Ko, “Effective Lip Localization and Tracking for Achieving Multimodal Speech Recognition”, IEEE. Int. Conf. Multisensor Fusion and Integration for Intelligent Systems. Korea ,pp. 90-93, 2008.
13- N. Eveno, A. Caplier, and P. Y. Coulon, “Accurate and Quasi- Automatic Lip Tracking”, IEEE trans. Circuits and Systems for Video Technology, Vol. 14, No. 5, pp. 706-715, 2004.
14- ] S. Igawa, A. Ogihara, A. Shintani, and S. Takamatsu, “Speech recognition based on fusion of visual and auditory information using full-frame color image”, IEICE trans. on fundamentals of electronics, communications and computer sciences, Vol. E79A, No. 11, pp. 1836-1840, 1996.
15- N. Eveno, A. Caplier, P. Y. Coulon, “Key Points Based Segmentation of Lips”, IEEE Int. Conf. on Multimedia and Expo Segmentation of Lips”, IEEE Int. Conf. on Multimedia and Expo (ICME 02), Lauzanne, pp. 125-128, 2002.
16- R.L.Hsu, M.Abdel, A.K.Jain, “Face Detection in Color Images”, IEEE Trans. Pattern Analysis & Machine Intelligence, Vol. 24, No. 5, pp. 696-706, 2002.
17-A. Savran, B. Sankur, M. T. Bilge, "Facial action unit detection: 3D versus 2D modality", IEEE CVPR'10 Workshop on Human Communicative Behavior Analysis, San Francisco, California, USA, June 2010.
18- N.Otsu, “A threshold selection method from gray-level histograms”, IEEE Trans. on Systems Man Cybernetics, Vol. 9, No. 1, pp.62-66, 1979.
19- J.j.Zhao and J.j.Chen and Y.Qiang, "The Ontology-Cored Emotional Semantic Search Model",Advances in Wireless Networks and Information Systems, LNEE 72, pp. 209–215.
20- ] J.Machajdik and A. Hanbury, "Affective Image Classification using Features Inspired by Psychology and Art Theory", pp. 1-12,2004.
21- ] S.Bae Cho and J.Young Lee, " A Human-Oriented Image Retrieval System Using Interactive Genetic Algorithm", IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS PART A: SYSTEMS AND HUMANS, VOL. 32, NO. 3, pp 452-458,2002.
22- ] A.Lakdashti and M. Shahram Moin and K.Badie, " A Novel Semantic–Based Image Retrieval Method", IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS
PART A: SYSTEMS AND HUMANS, VOL. 52 , NO. 3, pp 969-974,2008.
23- S.Yong Hong and H.Yeon Choi, "COLOR IMAGE SEMANTIC INFORMATION RETRIEVAL SYSTEM USING HUMAN SENSATION AND EMOTION ",Issues in Information Systems, Volume VII, No. 2, pp140-145, 2006.
24- M.Solli and R.Lenz, " Color Semantics for Image Indexing ", 5th European Conference on Colour in Graphics, Imaging, and Vision, Joensuu, Finland, pp353-358,2010.
25- S.Bae Cho, " Emotional Image and Musical Information Retrieval With Interactive Genetic Algorithm", PROCEEDINGS OF THE IEEE, VOL. 92, NO. 4,702-711, 2004.
26- K.A.Olkiewicz and U.M.Kaczmar, "Emotion-based Image Retrieval-an Artificial Neural Network Approach", International Multiconference on Computer Science and Information
Technology, Wisla, POLAND, pp 89-96 , 2010.
27- W.NING WANG and Y.LIN YU, " IMAGE EMOTIONAL SEMANTIC QUERY BASED ON COLOR SEMANTIC DESCRIPTION ", Fourth International Conference on Machine Learning and Cybernetics, Guangzhou, pp4571-4576, 2005.
28- H.Chang Yang and C.Hong Lee, " Image semantics discovery from web pages for semantic-based image retrieval using selforganizing maps", Elsevier, Expert Systems with Applications 34, pp266–279, 2008.
29- N.Liu and E.Dellandr and C.Zhu and Y.Zhang and C.E.Bichot and S.Bres and B.Tellez and L.Chen, " LIRIS-Imagine at ImageCLEF2011 Photo Annotation task", pp 1-9.
30- N. Magesh and Dr. P. Thangaraj, " Semantic Image Retrieval Based on Ontology and SPARQL Query", International Conference on Advanced Computer Technology,pp1-9, 2011.
31- ] W.Wang and Y.Song and A.Zhang, " Semantics-based Image Retrieval by Region Saliency", pp 1-9, 2010.
32- H.Kong and M.Hwang and P.Kim, " The Study on the Semantic Image Retrieval based on the Personalized Ontology", International Journal of Information Technology, Vol. 12 No. 2, pp35-46,2006.
33-] H. Kobayashi and F. Hara," Recognition of Six Basic Facial Expressions and Their Stength by Neural Network ," Proc. of ROMAN' 92,pp381-386 ,1992.
34- T. Goto, S. Kshirsagar and N. Magnenat, "Automatic Face Cloning and Animation ," IEEE signal processing Magazine, pp. 17-25, May 2001.
35- L. Franco and A. Treves ,"A Neural Network Facial Expression Recognition System using Unsupervised Local Processing ," IEEE Trans.in Neural Networks, PP. 626-672 ,2001.
36- H. Kobayashi and F. Hara, "Real - Time Recognition of Six Basic Facial Expression," IEEE Int.Workshop on Robot and Human Communication,PP. 179- 185,1995.
37- H. Kobayashi and F. Hara ,"Analysis of the Neural Network Recognition Characteristics of 6 Basic Facial Expressions ," Int. Workshop on Robot and Human Communication ,PP. 222-226 , 1994.
38- ] H. Ushida , T. Takagi and T. Yamaguchi, "Recognition of Facial Expressions using Conceptual Fuzzy Sets ," IEEE Int. Conf. on Fuzzy Systems Vol.1 Mar. 1993.
39- A. Ralescu and H. Iwamoto," Recognition of and A. Ralescu and H. Iwamoto," Recognition of and IEEE Int.Workshop on Robot and Human Communication ,PP. 259-264 ,1993.
40- H. Ebine and O. Nakamura ," The Rocognition of Facial Exprossion Based on Fuzzy Expert System," IEICE 1998,General Conf.,D-12-163,PP. 262-265,1998.
41- ] M. Rosenblum , Y. Yacoob and L. Davis ,"Human Expression Recognition from Motion using a Radial Basis Function Network Architecture," IEEE Trans. on Neural Networks ,vol.7,No.5,september 1996.
42- Y. Yacoob and L. Davis,"Computing Spatio- Temporal Representation of Human Faces," Proc.of Computer Vision and Pattern Recognition Conf. ,pp. 70-75,1994.
43- M.j. Black and Y.Yacoob,"Recognizing Facial Expressions in Image Sequences Using Local Parameterized Model of Image Motion," Int. Joumal of Computer Vision,March 1995.
44- F. Piat and N. Tsapatsoulis , "Exploring the Time Course of Facial Expressions with a Fuzzy System ," ICME 2000 , PP. 615-618 , NY, U.S.A ,2000.
45- T. Kanade , J. Cohn, and Y. Tian. Comprehensive database for facial expression analysis, 2000.
46- J. Moody and C. Darken, "Learning with Localized receptive fields" in proc, 1988 Connectionist Models ummer School. San Matco. CA:Morgan-Kaufmann 1988.
47- Azad, P.; Asfour, T.; and Dillmann, R. 2007. Toward an Unified Representation for Imitation of Human Motion on Humanoids. In ICRA.
48- Bar-Cohen, Y., and Breazeal, C. 2003. Biologically Inspired Intelligent Robots. SPIE Press.
49- Breazeal, C. 2002. Designing Sociable Robots. The MIT Press.
50- Brock, O.; Fagg, A.; Grupen, R.; Platt, R.; Rosenstein, M.; and Sweeney, J. 2005. A Framework for Learning and Control in Intelligent Humanoid Robots. International Journal of Humanoid Robotics 2(3):301–336.
51- Brooks, R.; Aryananda, L.; Edsinger, A.; Fitzpatrick, P.; Kemp, C.; O’Reilly, U.-M.; Torres-Jara, E.; Varshavskaya, P.; andWeber, J. 2004. Sensing and manipulating built-forhuman environments. International Journal of Humanoid Robotics 1(1):1–28.
52- Deegan, P.; Thibodeau, B.; and Grupen, R. 2006. Designing a Self-Stabilizing Robot For Dynamic Mobile Manipulation. In Robotics: Science and Systems - Workshop on Manipulation for Human Environments.
53- Edsinger, A., and Kemp, C. C. 2006. Manipulation in Human Environments. In IEEE/RSJ International Conference on Humanoid Robotics.
54- Katz, D., and Brock, O. 2007. Interactive Perception: Closing the Gap Between Action and Perception. In ICRA 2007.
55- Workshop: From features to actions - Unifying perspectives in computational and robot vision.
56- Katz, D.; Horrell, E.; Yang, Y.; Burns, B.; Buckley, T.; Grishkan, A.; Zhylkovskyy, V.; Brock, O.; and Learned- Miller, E. 2006. The UMass Mobile Manipulator UMan: An Experimental Platform for Autonomous Mobile Manipulation. In Workshop on Manipulation in Human Environments at Robotics: Science and Systems.
57- Khatib, O.; Yokoi, K.; Brock, O.; Chang, K.-S.; and Casal, A. 1999. Robots in Human Environments: Basic Autonomous Capabilities. International Journal of Robotics Research 18(7):684–696.