. 53

3-2- معرفی بانك چهره مورد استفاده در پایان نامه‌. 53

3-3- مختصری راجع به شبكه عصبی SFAM…. 55

3-4- پیش پردازش و آماده سازی تصاویر. 57

3-5- استخراج مشخصه. 57

3-6- مشخصات داده ها و شرایط استفاده شده در آزمایشات مرحله اول  58

3-6-1- تجزیه و تحلیل نتایج شبیه سازیها (سری اول آزمایشات) 60

3-7- مشخصات داده ها و شرایط آزمایشهای مرحله دوم. 61

3-7-1- نتایج شبیه سازیها با بهره گرفتن از شبكه عصبی SFAM (سری دوم آزمایشات) 62

3-7-2- تجزیه و تحلیل نتایج شبیه سازیها با بهره گرفتن از SFAM (سری دوم آزمایشات) 65

3-7-3- نتایج شبیه سازیها با بهره گرفتن از شبكه عصبی MLP.. 65

3-7-4- تجزیه و تحلیل نتایج شبیه سازیها با بهره گرفتن از شبكه عصبی MLP.. 68

3-7-5- مقایسه كلی عملكرد شبكه های عصبی MLP و SFAM…. 69

3-8- مشخصات داده ها و شرایط آزمایش های سری سوم. 70

3-9- مروری اجمالی بر الگوریتم ژنتیك…. 71

3-9-1-  بعضی از اصطلاحات الگوریتم ژنتیک…. 72

3-9-2- نحوه عملكرد الگوریتم ژنتیک: 73

3-9-3- روند انتخاب ویژگی های مؤثر با بهره گرفتن از الگوریتم ژنتیک و SFAM…. 74

3-9-4- نتایج شبیه سازیها (سری سوم آزمایشات) 75

3-9-5– تجزیه و تحلیل نتایج حاصل از آزمایش های سری سوم. 79

3-10-جمع بندی و خلاصه فصل.. 80

فصل چهارم: نتیجه گیری كلی و ارائه پیشنهاداتی برای ادامه تحقیقات

4-1- جمع بندی و نتیجه گیری……………………………………………………………………………………………… 82

4-2 پیشنهاداتی برای ادامه روند پژوهش……………………………………………………………………………….. 83

مراجع …………………………………………………………………………………………………………………………………………. 85

 

فهرست اشكال

شكل 1-1 روش بردار سازی تصاویر…………………………………………………………………………………………….. 7

شكل 1-2 یک فضای دو بعدی به همراه دو مولفه اساسی مجموعه نمونه ها. P1 و P2 دو بردار مولفه اساسی می باشند       8

شكل 1-3 برخی از صورت های ویژه پایگاه داده ORL…………………………………………………………… 9

شكل 1-4- بازنمایی یک چهره توسط چهره های ویژه. مجموعه ضرایب، بردار ویژگی چهره را مشخص می نماید      9

شكل 2-1: شمای كلی ماژول ART: ورودی تحت كدگذاری مكمل وارد می شود و نودهای لایه F2 همان خوشه های شبكه هستند……………………………………………………………………………………………………………………………………………… 23

شكل 2-2- فلوچارت كلی ماژول ART…………………………………………………………………………………….. 24

شكل 2-3- پیكربندی كلی شبكه عصبی Fuzzy ART MAP…………………………………………. 27

شكل 2-4 میانگین (  انحراف معیار) درصد صحیح كلاسه بندی برای داده های آموزش و آزمایش با بهره گرفتن از FAM، جهت كلاسه بندی سیگنالهای سندرم Down با بهره گرفتن از استراتژی میانگین گیری برای مقادیر افزایشی پارامتر مراقبت  با متد آموزش تك تكراری………………………………………………………………………………………………………………………… 47

شكل 2-5 میانگین (  انحراف معیار) درصد صحیح كلاسه بندی برای داده های آموزش، آزمایش و ارزیابی با بهره گرفتن از FAM، جهت كلاسه بندی سیگنالهای سندرم Down با بهره گرفتن از استراتژی میانگین گیری، برای مقادیرمختلف پارامتر مراقبت با متدآموزش همراه با         

خرید اینترنتی فایل متن کامل :

 

 

 ارزیابی……………………………………………………………………………………………… 49

شكل 2-6 میانگین ( انحراف معیار) درصد صحیح كلاسه بندی برای داده های آموزش و آزمایش با بهره گرفتن از FAM، جهت كلاسه بندی سیگنالهای سندرم Down با بهره گرفتن از استراتژی میانگین گیری، برای مقادیر مختلف پارامتر مراقبت با متد آموزش همراه با                       آموزش كامل …………………………………………………………………….. 50

شكل 3-1 تصاویر بانك چهره ORL، 10تصویر برای هر یک از 40 نفر………………………………… 54

شكل 3-2- ساختار SFAM – ورودی به لایه F0 اعمال می شود و درF1 كدگذاری مكمل انجام شده و بعد ورودی دو برابر می شود………………………………………………………………………………………………………………………………………………….. 56

شكل 3-3- درصد صحت كلاسه بندی داده های آموزش (  انحراف معیار) در SFAM به ازای مقادیر مختلف پارامتر مراقبت با بهره گرفتن از متد آموزش تك تكراری و استراتژی                 میانگین گیری…………………………. 59

شكل 3-4- تعداد نودها (خوشه ها)ی تشكیل شده در ماژول Fuzzy ART در شبكه عصبی SFAM، به ازای مقادیر مختلف پارامتر مراقبت و استفاده از متد آموزش  تك تكراری و استراتژی میانگین گیری………………….. 59

شكل 3-5- زمان مورد نیاز برای آموزش شبكه عصبی SFAM به ازای مقادیر مختلف پارامتر مراقبت و استفاده از متد آموزش تك تكراری و استراتژی میانگین گیری………………………………………………………………………………………… 60

شكل 3-6 صحت كلاسه بندی الگوریتم های مختلف پس انتشار خطا به عقب برای شبكه عصبی MLP و دو حالت آموزش سریع و آهسته برای SFAM به ازای تعداد نمونه های آموزش        مختلف………………………………… 68

فهرست جداول

جدول 3-1- نتایج شبیه سازیها با بهره گرفتن از شبكه عصبی SFAM در مود آموزشی تك تكراری با بهره گرفتن از استراتژی میانگین گیری……………………………………………………………………………………………………………………………………………….. 63

جدول 3-2: نتایج شبیه سازیها با بهره گرفتن از SFAM درحالت آموزش آهسته با بهره گرفتن از استراتژی میانگین گیری  64

جدول 3-3- نتایج شبیه سازیها با بهره گرفتن از شبكه عصبی MLP و به كارگیری چهار الگوریتم معروف پس انتشار خطا به عقب…………………………………………………………………………………………………………………………………………………………. 67

جدول 3-4: نتایج حاصله از انتخاب ویژگی های موثر با بهره گرفتن از الگوریتم ژنتیک و شبكه عصبی SFAM به ازای داده هایی با 2 نمونه برای آموزش……………………………………………………………………………………………………………………… 76

جدول 3-5: نتایج حاصله از انتخاب ویژگی های موثر با بهره گرفتن از الگوریتم ژنتیک و شبكه عصبی SFAM به ازای داده هایی با 4 نمونه برای آموزش……………………………………………………………………………………………………………………… 77

جدول 3-6: نتایج حاصله از انتخاب ویژگی های موثر با بهره گرفتن از الگوریتم ژنتیک و شبكه عصبی SFAM به ازای داده هایی با 6 نمونه برای آموزش……………………………………………………………………………………………………………………… 78

 

 

 

 

 

پیشگفتار:

 

اكثر كلاسه بندی های مدرن الگو، نظیر شبكه های عصبی پرسپترون چند لایه[1] و ماشین بردارهای[2] پشتیبان در فاز آموزش عموماً نیاز به صرف بازه های زمانی طولانی داشته و همچنین بار محاسباتی سنگینی به سیستم تحمیل می كنند. امروزه در بسیاری از موارد، بخصوص در سیستم های امنیتی مدرن فرودگاه ها، ترمینالها و غیره، رویكردهای مبتنی بر تشخیص و بازشناسی به هنگام[3] چهره، به شكل فزاینده ای رو به گسترش می باشد. بنابراین نیاز به طبقه بندی های سریع و دقیق با بار محاسباتی و الگوریتمی پایین برای چنین كاربردهایی اجتناب ناپذیر می باشد. بعلاوه در چنین سیستم هایی علاوه بر اینكه یادگیری اولیه بر روی دسته ای از داده ها به صورت یكجا انجام می شود، نیاز به نوعی یادگیری افزایشی نیز وجوددارد تا علاوه بر یادگیری فضای نمونه های اولیه، تغییرات و پویاییهای فضای نمونه ها نیز، برای كلاسه بند، قابل یادگیری بوده و قابلیت رشد و ارتقاء آموزش برای سیستم فراهم می باشد. برای مثال یک سیستم بازشناسی چهره در یک فرودگاه بین المللی را در نظر بگیرید كه در ابتدا برای تشخیص هویت یک سری از افراد خاص با سابقه جرایم تروریستی، آموزش دیده است. آنچه واضح است با گذشت زمان مشخصه های چهره افراد ثابت نمانده و همچنین بازشناسی چهره مجرمین جدید نیز اجتناب ناپذیر می نماید. به دلایل ذكر شده، سیستم بازشناسی بایستی بدون فراموش كردن نمونه هایی كه قبلاً دیده است، قابلیت به روزرسانی یادگیری و بازشناسی چهره های جدید را نیز داشته باشد.

[1] – Multi Layer Perceptron (MLP)

[2] – Support Vector Machine (SVM)

[3] – Online

[4] – Adaptive Resonance Theory

[5]– Genetic Algorithm