Support Vector Machine

حرية الوصول المقاله

1 - تعیین ماشین‌های بردار پشتیبان بهینه در طبقه‌بندی تصاویر فرا طیفی بر مبنای الگوریتم ژنتیک
فرهاد صمدزادگان حديثه سادات حسني

امروزه تصاویر فرا طیفی به علت غنای اطلاعات طیفی یک ابزار قوی و کارامد در سنجش از دور به حساب می‌آیند و امکان تمایز بین عوارض مشابه را فراهم می‌آورند. با توجه به پایداری ماشین‌های بردار پشتیبان در فضاهایی با ابعاد بالا، یک گزینه مناسب در طبقه‌بندی تصاویر فرا طیفی محسوب م أکثر

امروزه تصاویر فرا طیفی به علت غنای اطلاعات طیفی یک ابزار قوی و کارامد در سنجش از دور به حساب می‌آیند و امکان تمایز بین عوارض مشابه را فراهم می‌آورند. با توجه به پایداری ماشین‌های بردار پشتیبان در فضاهایی با ابعاد بالا، یک گزینه مناسب در طبقه‌بندی تصاویر فرا طیفی محسوب می‌شوند. با این وجود، عملکرد این طبقه‌بندی کننده‌ها تحت تأثیر پارامترها و فضای ویژگی ورودی آن‌ها می‌باشد. به منظور استفاده از ماشین‌های بردار پشتیبان با بیشترین کارایی، می‌بایست مقادیر بهینه‌ی پارامترها و همچنین زیر مجموعه بهینه از ویژگی‌های ورودی تعیین گردند. در این تحقیق از توانایی الگوریتم ژنتیک به عنوان یک تکنیک بهینه‌سازی فرا ابتکاری، در تعیین مقادیر بهینه پارامترهای ماشین‌های بردار پشتیبان و همچنین انتخاب زیرمجموعه ویژگی‌های بهینه در طبقه‌بندی تصاویر فرا طیفی استفاده شده است. نتایج عملی از به‌کارگیری روش فوق در خصوص داده‌های فرا طیفی سنجنده AVIRISنشان می‌دهند، ویژگی‌های ورودی و پارامترها هر کدام جداگانه تأثیر بسزایی بر عملکرد ماشین‌های بردار پشتیبان دارند ولی بهترین عملکرد طبقه-بندی کننده با حل همزمان آن دو بدست می‌آید. در حل همزمان تعیین پارامتر و انتخاب ویژگی، برای کرنل گوسین و پلی‌نومیال به ترتیب 5% و 15% افزایش دقت با حذف بیش از نیمی از باندهای تصویر حاصل شد. همچنین الگوریتم بهینه‌سازی شبیه‌سازی تبرید تدریجی به منظور مقایسه با الگوریتم ژنتیک پیاده‌سازی شد که نتایج حاکی از برتری الگوریتم ژنتیک به ویژه با بزرگ و پیچیده شدن فضای جستجو در رویکرد حل همزمان تعیین پارامتر و انتخاب ویژگی می‌باشد. تفاصيل المقالة

حرية الوصول المقاله

2 - مقایسه روش های طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تهیه ی نقشه کاربری اراضی (مطالعه موردی: پارک ملی بوجاق)
مهسا عبدلی لاکتاسرائی مریم حقیقی خمامی

10.29252/.5.8.47

پارک های ملی و پناهگاه های حیات‌وحش از مهم ترین سرمایه های اکولوژیکی به شمار می روند. ازاین‌رو اطلاع از تغییرات کمی و کیفی کاربری اراضی آن ها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتم های متنوعی برای طبقه بندی تصاویر ماهواره ای در سنجش‌ازدور توسعه‌یافته‌اند، ان أکثر

پارک های ملی و پناهگاه های حیات‌وحش از مهم ترین سرمایه های اکولوژیکی به شمار می روند. ازاین‌رو اطلاع از تغییرات کمی و کیفی کاربری اراضی آن ها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتم های متنوعی برای طبقه بندی تصاویر ماهواره ای در سنجش‌ازدور توسعه‌یافته‌اند، انتخاب الگوریتم مناسب طبقه بندی در دستیابی به نتایج صحیح نقش بسیار مهمی را ایفا می کند. در این تحقیق با مقایسه صحت طبقه بندی دو الگوریتم شبکه عصبی مصنوعی و ماشین بردار پشتیبان، الگوریتم دقیق‌تر تعیین و از آن برای بررسی روند تغییرات کاربری اراضی استفاده شد. تحقیق حاضر در پارک ملی بوجاق واقع در استان گیلان طی سال های 2000 تا 2017 با استفاده از تصاویر ماهواره‌ایETM+ و OLI لندست 7 و 8 انجام گرفت. نتایج نشان داد که الگوریتم ماشین بردار پشتیبان به ترتیب با دقت کل و ضریب کاپا، 42/86 و 83/0 برای سال 2000 و 65/90 و 88/0 برای سال 2017، در مقایسه با الگوریتم شبکه عصبی مصنوعی به ترتیب با دقت کل و ضریب کاپا، 71/83 و 80/0 برای سال 2000 و دقت کل و ضریب کاپا، 25/89 و 87/0 برای سال 2017، تصاویر ماهواره‌ای را بهتر طبقه بندی کرده است؛ بنابراین، از نقشه های کاربری اراضی حاصل از الگوریتم ماشین بردار پشتیبان جهت بررسی تغییرات کاربری استفاده شد. بررسی روند تغییرات کاربری اراضی با این روش مشخص کرد که در طی دوره بررسی‌ شده، مساحت کاربری های پیکره آبی، دریا، پوشش علفی و کشاورزی کاهش‌یافته است درحالی‌که کلاس کاربری های باتلاقی، درختی و بدون پوشش افزایش‌یافته است. تفاصيل المقالة

حرية الوصول المقاله

3 - مقایسه روش¬های طبقه¬بندی ماشین بردار پشتیبان و حداکثر احتمال برای تفکیک واحدهای دگرسانی منطقه تخت گنبد
داود نظری ندا ماهوش محمدی محمدحسین آدابی اردشیر هزارخانی محمد قویدل سیوکی هانیه کلانی

تفکیک واحد های دگرسانی، برای بسیاری از فعالیت های معدنی از جمله اکتشاف کانسارها، دارای اهمیت می-باشد. در گذشته از روش های رایج کلاسیک بدین منظور استفاده می شد اما امروزه روش ماشین بردار پشتیبان (SVM) که یکی از مهم‌ترین مدل های داده کاوی است بسیار مورد استفاده قرار گرفته أکثر

تفکیک واحد های دگرسانی، برای بسیاری از فعالیت های معدنی از جمله اکتشاف کانسارها، دارای اهمیت می-باشد. در گذشته از روش های رایج کلاسیک بدین منظور استفاده می شد اما امروزه روش ماشین بردار پشتیبان (SVM) که یکی از مهم‌ترین مدل های داده کاوی است بسیار مورد استفاده قرار گرفته است. این مدل براساس نظریه یادگیری آماری می باشد. در پژوهش حاضر، روش ماشین بردار پشتیبان (SVM) و کرنل های مختلف آن با روش حداکثر احتمال به‌منظور تفکیک واحد های دگرسانی مواد معدنی منطقه تخت گنبد با استفاده از تصاویر ماهواره ای سنجنده ASTER مورد تحلیل و ارزیابی قرار گرفت. نتایج به‌دست‌آمده نشان داد که روش SVM با تابع کرنل RBF نسبت به سایر کرنل ها و روش حداکثر احتمال، بیشترین دقت (17/89 درصد) و ضریب کاپا (83/0) را دارا می باشد. ارزیابی نتایج به‌دست‌آمده و مطالعات صحرایی گویای این حقیقت است که روش SVM در طبقه بندی دگرسانی هایی با تفکیک پایین تر در منطقه مورد مطالعه بسیار کارآمدتر از روش های مورد بحث دیگر بوده است. تفاصيل المقالة

حرية الوصول المقاله

4 - Performance Analysis of SVM-Type Per Tone Equalizer Using Blind and Radius Directed Algorithms for OFDM Systems
Babak Haji Bagher Naeeni

10.7508/jist.2013.02.001

In this paper, we present Support Vector Machine (SVM)-based blind per tone equalization for OFDM systems. Blind per tone equalization using Constant Modulus Algorithm (CMA) and Multi-Modulus Algorithm (MMA) are used as the comparison benchmark. The SVM-based cost funct أکثر

In this paper, we present Support Vector Machine (SVM)-based blind per tone equalization for OFDM systems. Blind per tone equalization using Constant Modulus Algorithm (CMA) and Multi-Modulus Algorithm (MMA) are used as the comparison benchmark. The SVM-based cost function utilizes a CMA-like error function and the solution is obtained by means of an Iterative Re-Weighted Least Squares Algorithm (IRWLS). Moreover, like CMA, the error function allows to extend the method to multilevel modulations. In this case, a dual mode algorithm is proposed. Dual mode equalization techniques are commonly used in communication systems working with multilevel signals. Practical blind algorithms for multilevel modulation are able to open the eye of the constellation, but they usually exhibit a high residual error. In a dual mode scheme, once the eye is opened by the blind algorithm, the system switches to another algorithm, which is able to obtain a lower residual error under a suitable initial ISI level. Simulation experiments show that the performance of blind per tone equalization using support vector machine has better than blind per tone equalization using CMA and MMA, from viewpoint of average Bit-Error Rate (BER). تفاصيل المقالة

حرية الوصول المقاله

5 - Facial Expression Recognition Using Texture Description of Displacement Image
Hamid Sadeghi Abolghasem Asadollah Raie Mohammad Reza Mohammadi

10.7508/jist.2014.04.002

In recent years, facial expression recognition, as an interesting problem in computer vision has been performed by means of static and dynamic methods. Dynamic information plays an important role in recognizing facial expression. However, using the entire dynamic inform أکثر

In recent years, facial expression recognition, as an interesting problem in computer vision has been performed by means of static and dynamic methods. Dynamic information plays an important role in recognizing facial expression. However, using the entire dynamic information in the expression image sequences is of higher computational cost compared to the static methods. To reduce the computational cost, instead of entire image sequence, only neutral and emotional faces can be employed. In the previous research, this idea was used by means of DLBPHS method in which facial important small displacements were vanished by subtracting LBP features of neutral and emotional face images. In this paper, a novel approach is proposed to utilize two face images. In the proposed method, the face component displacements are highlighted by subtracting neutral image from emotional image; then, LBP features are extracted from the difference image. The proposed method is evaluated on standard databases and the results show a signiﬁcant accuracy improvement compared to DLBPHS. تفاصيل المقالة

حرية الوصول المقاله

6 - Online Signature Verification: a Robust Approach for Persian Signatures
Mohamamd Esmaeel Yahyatabar Yasser Baleghi Mohammad Reza Karami-Mollaei

10.7508/jist.2015.02.007

In this paper, the specific trait of Persian signatures is applied to signature verification. Efficient features, which can discriminate among Persian signatures, are investigated in this approach. Persian signatures, in comparison with other languages signatures, have أکثر

In this paper, the specific trait of Persian signatures is applied to signature verification. Efficient features, which can discriminate among Persian signatures, are investigated in this approach. Persian signatures, in comparison with other languages signatures, have more curvature and end in a specific style. Usually, Persian signatures have special characteristics, in terms of speed, acceleration and pen pressure, during drawing curves. An experiment has been designed to determine the function indicating the most robust features of Persian signatures. Results obtained from this experiment are then used in feature extraction stage. To improve the performance of verification, a combination of shape based and dynamic extracted features is applied to Persian signature verification. To classify these signatures, Support Vector Machine (SVM) is applied. The proposed method is examined on two common Persian datasets, the new proposed Persian dataset in this paper (Noshirvani Dynamic Signature Dataset) and an international dataset (SVC2004). For three Persian datasets EER value are equal to 3, 3.93, 4.79, while for SVC2004 the EER value is 4.43. تفاصيل المقالة

حرية الوصول المقاله

7 - Automatic Facial Emotion Recognition Method Based on Eye Region Changes
Mina Navraan charkari charkari Muharram Mansoorizadeh

10.7508/jist.2016.04.003

Emotion is expressed via facial muscle movements, speech, body and hand gestures, and various biological signals like heart beating. However, the most natural way that humans display emotion is facial expression. Facial expression recognition is a great challenge in the أکثر

Emotion is expressed via facial muscle movements, speech, body and hand gestures, and various biological signals like heart beating. However, the most natural way that humans display emotion is facial expression. Facial expression recognition is a great challenge in the area of computer vision for the last two decades. This paper focuses on facial expression to identify seven universal human emotions i.e. anger, disgust, fear, happiness, sadness, surprise, and neu7tral. Unlike the majority of other approaches which use the whole face or interested regions of face, we restrict our facial emotion recognition (FER) method to analyze human emotional states based on eye region changes. The reason of using this region is that eye region is one of the most informative regions to represent facial expression. Furthermore, it leads to lower feature dimension as well as lower computational complexity. The facial expressions are described by appearance features obtained from texture encoded with Gabor filter and geometric features. The Support Vector Machine with RBF and poly-kernel functions is used for proper classification of different types of emotions. The Facial Expressions and Emotion Database (FG-Net), which contains spontaneous emotions and Cohn-Kanade(CK) Database with posed emotions have been used in experiments. The proposed method was trained on two databases separately and achieved the accuracy rate of 96.63% for spontaneous emotions recognition and 96.6% for posed expression recognition, respectively تفاصيل المقالة

حرية الوصول المقاله

8 - Foreground-Back ground Segmentation using K-Means Clustering Algorithm and Support Vector Machine
Masoumeh Rezaei mansoureh rezaei Masoud Rezaei

10.52547/jist.16507.11.41.65

Foreground-background image segmentation has been an important research problem. It is one of the main tasks in the field of computer vision whose purpose is detecting variations in image sequences. It provides candidate objects for further attentional selection, e.g., أکثر

Foreground-background image segmentation has been an important research problem. It is one of the main tasks in the field of computer vision whose purpose is detecting variations in image sequences. It provides candidate objects for further attentional selection, e.g., in video surveillance. In this paper, we introduce an automatic and efficient Foreground-background segmentation. The proposed method starts with the detection of visually salient image regions with a saliency map that uses Fourier transform and a Gaussian filter. Then, each point in the maps classifies as salient or non-salient using a binary threshold. Next, a hole filling operator is applied for filling holes in the achieved image, and the area-opening method is used for removing small objects from the image. For better separation of the foreground and background, dilation and erosion operators are also used. Erosion and dilation operators are applied for shrinking and expanding the achieved region. Afterward, the foreground and background samples are achieved. Because the number of these data is large, K-means clustering is used as a sampling technique to restrict computational efforts in the region of interest. K cluster centers for each region are set for training of Support Vector Machine (SVM). SVM, as a powerful binary classifier, is used to segment the interest area from the background. The proposed method is applied on a benchmark dataset consisting of 1000 images and experimental results demonstrate the supremacy of the proposed method to some other foreground-background segmentation methods in terms of ER, VI, GCE, and PRI. تفاصيل المقالة

حرية الوصول المقاله

9 - يک الگوريتم سريع مبتني بر ماشين بردار پشتيبان براي طبقه‌بندي تصاوير ابرطيفي با استفاده از همبستگي مکاني
حسن قاسمیان یزدی احمد کشاورز

با افزايش تعداد باند‌هاي تصاوير سنجش از دور، الگوريتم‌هاي استخراج ويژگي مانند تحليل مؤلفه‌‌هاي اصلي، تحليل مؤلفه‌‌هاي مستقل، نگاشت جستجوگر، استخراج ويژگي با مرز تصميم‌گيري، تحليل مميز و تبديل موجک به منظور کاهش تعداد ويژگي‌ها و بهبود طبقه‌بندي مورد استفاده قرار گرفته‌ان أکثر

با افزايش تعداد باند‌هاي تصاوير سنجش از دور، الگوريتم‌هاي استخراج ويژگي مانند تحليل مؤلفه‌‌هاي اصلي، تحليل مؤلفه‌‌هاي مستقل، نگاشت جستجوگر، استخراج ويژگي با مرز تصميم‌گيري، تحليل مميز و تبديل موجک به منظور کاهش تعداد ويژگي‌ها و بهبود طبقه‌بندي مورد استفاده قرار گرفته‌اند. اما اين الگوريتم‌ها به دليل افزايش تعداد منابع اطلاعاتي، حجم داده‌‌ها و محدود بودن تعداد نمونه‌‌هاي آموزشي در تصاوير ابرطيفي، بازدهي مطلوبي ندارند. در اين مقاله براي حل اين مشکل، الگوريتم جديد مبتني بر ماشين بردار پشتيبان ارايه گرديده است. اين الگوريتم پس از يک طبقه‌بندي اوليه، با استفاده از کلاس هر پيکسل و همسايه‌‌هايش به صورت سلسله‌مراتبي تصميم‌گيري می‌کند. تصميم‌گيري در هر يک از سطوح اين طبقه‌بندي کننده بوسيله يک ماشين بردار پشتيبان انجام می‌شود. اين الگوريتم بر روي داده‌‌هاي واقعي ابر طيفي سنجنده AVIRIS اجرا شد. نتايج نشان مي‌دهد كه صحت طبقه‌بندي داده‌‌هاي ابرطيفي با استفاده از اين الگوريتم بسيار مطلوب بوده و مشكل محدود بودن تعداد نمونه‌‌هاي آموزشي تا حد قابل توجهي جبران شده است. در واقع اين تحقيق با ادغام اطلاعات مکاني و استفاده از طبقه‌بندي کننده ماشين بردار پشتيبان صحت طبقه‌بندي را بهبود می‌بخشد. اين الگوريتم زمان لازم براي طبقه‌بندي تصاوير ابرطيفي را با استفاده از ماشين بردار پشتيبان، بسيار کاهش داده و کارآيي الگوريتم ماشين بردار پشتيبان را به عنوان طبقه‌بندي کننده تصاوير ابرطيفي افزايش می‌دهد. تفاصيل المقالة

حرية الوصول المقاله

10 - جداسازی کور مدولاسیون‌های مخابراتی با استفاده از بردارهای ماشین تکیه‌گاه
سعید شعرباف تبریزی مرتضی خادمی محمد مولوی کاخکی

در اين مقاله سيستمی برای تشخيص نوع مدولاسيون پيشنهاد مي‌شود که قادر است بدون شناخت اولیه از پارامترهای سیگنال ارسالی، 9 مدولاسیون از خانواده مدولاسيون‌هاي فاز، دامنه و فاز- دامنه را شناسايي کند. برای تشخيص، طبقه‌بندي‌کننده SVM پیشنهاد شده است. پيچيدگي محاسباتي کم، سرعت أکثر

در اين مقاله سيستمی برای تشخيص نوع مدولاسيون پيشنهاد مي‌شود که قادر است بدون شناخت اولیه از پارامترهای سیگنال ارسالی، 9 مدولاسیون از خانواده مدولاسيون‌هاي فاز، دامنه و فاز- دامنه را شناسايي کند. برای تشخيص، طبقه‌بندي‌کننده SVM پیشنهاد شده است. پيچيدگي محاسباتي کم، سرعت آموزش بالا و درصد تشخيص بالاتر نسبت به ساير روش‌های تشخیص مدولاسیون مانند سطوح آستانه ثابت و متغیر و شبکه‌های عصبی، از مزاياي روش پیشنهادی به شمار مي‌آيند. نتایج شبیه‌سازی نشان می‌دهد که استفاده از ساختارهای سلسله مراتبی از طبقه‌بندی‌کننده SVM نیز می‌تواند به بهبود عملکرد بیانجامد. در این مقاله، استفاده از الگوریتم ژنتیک در بهینه‌سازی ساختار طبقه‌بندی‌کننده و نیز انتخاب بهینه ویژگی‌های مورد استفاده در ساختار سلسله مراتبی، سبب افزایش قابل ملاحظه دقت تشخیص مدولاسیون‌ها گردیده است. تفاصيل المقالة

حرية الوصول المقاله

11 - بهبود کارایی روش سنتی آشکارسازی چهره مبتنی بر ماشین بردار پشتیبان
مجید روحی قاسم میرجلیلی محمدتقی صادقی

در این مقاله ایده‌هایی برای بهبود کارایی روش سنتی آشکارسازی چهره با استفاده از ماشین بردار پشتیبان، پیشنهاد شده است. در روش سنتی، ابتدا تصویر ورودی به پنجره‌هایی همپوشان با ابعاد ثابت تقسیم و در نهایت برای هر پنجره در مورد این که حاوی چهره هست یا نه، تصمیم‌گیری می‌شود. أکثر

در این مقاله ایده‌هایی برای بهبود کارایی روش سنتی آشکارسازی چهره با استفاده از ماشین بردار پشتیبان، پیشنهاد شده است. در روش سنتی، ابتدا تصویر ورودی به پنجره‌هایی همپوشان با ابعاد ثابت تقسیم و در نهایت برای هر پنجره در مورد این که حاوی چهره هست یا نه، تصمیم‌گیری می‌شود. نرخ آشکارسازی و خطای هشدار غلط این روش خیلی مطلوب نیست. در این مقاله برای بهبود کارایی، به‌جای استفاده از پنجره با ابعاد ثابت از پنجره‌هایی با اندازه‌های مختلف استفاده می‌شود. هر پنجره دارای دقت خاصی در آشکارسازی است. در این روش، تصمیمات حاصل از به‌کارگیری پنجره‌های مختلف روی یک ناحیه از تصویر، با هم ادغام می‌شوند. همچنین در این مقاله از یک سطح تصمیم‌گیری وفقی برای تصمیم‌گیری در خروجی طبقه‌بندی کننده استفاده شده است. از طرفی به‌جای این که تصمیم‌گیری برای هر پنجره فقط متکی بر خروجی ماشین بردار پشتیبان باشد، از معیارهای شباهت‌سنجی بین پنجره مربوطه با مدلی از چهره برای تصمیم‌گیری نهایی استفاده می‌گردد. نتیجه به‌کارگیری این ترفندها، افزایش نرخ آشکارسازی و همچنین کاهش خطای هشدار غلط است. نتایج شبیه‌سازی با استفاده از مجموعه داده استاندارد، این مسئله را تأیید می‌کند. تفاصيل المقالة

حرية الوصول المقاله

12 - بهبود دقت مدل GMM با استفاده از کرنل PSK در کاربرد تشخيص زبان گفتاري
فهیمه قاسمیان محمدمهدی همایون‌پور

مدل مخلوط گاوسي (GMM)، روشي ساده و مؤثر براي مدل‌کردن آماري فضاي ويژگي‌هاست که به‌طور گسترده در کاربرد تشخيص زبان مورد استفاده قرار گرفته و از الگوريتم بيشينه‌سازي اميد رياضي براي آموزش پارامترهاي اين مدل استفاده مي‌شود. در اين مقاله با توجه به مشکلي که در آموزش مدل GMM أکثر

مدل مخلوط گاوسي (GMM)، روشي ساده و مؤثر براي مدل‌کردن آماري فضاي ويژگي‌هاست که به‌طور گسترده در کاربرد تشخيص زبان مورد استفاده قرار گرفته و از الگوريتم بيشينه‌سازي اميد رياضي براي آموزش پارامترهاي اين مدل استفاده مي‌شود. در اين مقاله با توجه به مشکلي که در آموزش مدل GMM وجود دارد، مدلي جديد با نام PAW-GMM ارائه شده است. در اين مدل، قدرت هر مؤلفه از مدل GMMدر تمايز يک زبان از ساير زبان‌ها، براي تعيين وزن هر مؤلفه در نظر گرفته مي‌شود. مدل PAW-GMM به‌دليل در نظر گرفتن خواص تمايزي مؤلفه‌هاي مخلوط گاوسي، سبب افزايش دقت سيستم‌هاي تشخيص زباني مي‌شود که از اين مدل به‌عنوان جايگزين مدلGMM استفاده مي‌کنند. همچنين يکي از مشکلاتي که در سيستم GMM-PSK-SVMکه يکي از بهترين سيستم‌هاي تشخيص زبان است وجود دارد، پيچيدگي محاسباتي بالا خصوصاً با اضافه‌شدن تعداد زبان‌هاست. از اين رو سيستم UBM-PSK-SVM ارائه شده است که با ثابت نگه داشتن دقت سيستم GMM - PSK - SVM، سبب کاهش پيچيدگي محاسباتي آن شده و در نتيجه قدرت تعميم به زبان‌هاي بالاتر را افزايش مي‌دهد. آزمايش‌هاي صورت‌گرفته بر روي 4 سيستم تشخيص زبان مختلف با استفاده از داده‌هاي مربوط به 4 زبان انگليسي، فارسي، فرانسوي و آلماني دادگان OGI، کارايي تکنيک‌هاي ارائه‌شده را نشان مي‌دهد. تفاصيل المقالة

حرية الوصول المقاله

13 - انتخاب زیرمجموعه بهینه از ویژگی‌های استخراج‌شده توسط عملگر بهینه‌شده LBP بر مبنای CLA - EC در سیستم بازشناسی چهره
اختر حضرتی بی‌شک کریم فائز حسین برقی جند سجاد قطعی

ما در اين مقاله روش کارامد جديدی را مبتنی بر توصيفگر الگوی باينری محلی برای بازشناسی چهره معرفی کرديم. چون محاسبات داخل الگوی باینری محلی بین مقادیر دو پیکسل انجام می‌شود، حتی تغییرات کوچک در الگوی باینری عملکرد آن را تحت تأثیر قرار می‌دهد. در این مقاله یک روش جدید بازش أکثر

ما در اين مقاله روش کارامد جديدی را مبتنی بر توصيفگر الگوی باينری محلی برای بازشناسی چهره معرفی کرديم. چون محاسبات داخل الگوی باینری محلی بین مقادیر دو پیکسل انجام می‌شود، حتی تغییرات کوچک در الگوی باینری عملکرد آن را تحت تأثیر قرار می‌دهد. در این مقاله یک روش جدید بازشناسی چهره برای انتخاب الگوهای باینری میانگین محلی (LABP) بر مبنای آتاماتای یادگیر سلولی مبتنی بر محاسبات تکاملی ارائه شده است. در روش پیشنهادی، ابتدا الگوهای باینری یکنواخت محلی توسط LABP از تصاویر چهره استخراج می‌شود. در LABPجهت به دست آوردن نمایش ویژگی مقاوم‌تر، نقاط نمونه زیادی مورد استفاده قرار گرفته است، سپس بهترین زیرمجموعه از این الگوها بدون داشتن اطلاعات اولیه از آنها توسط روش CLA-ECپیدا شده و از آنها هیستوگرام گرفته می‌شود و در نهایت از ماشین بردار پشتیبان برای طبقه‌بندی استفاده می‌شود. نتیجه به دست آمده از شبیه‌سازی سیستم‌های بازشناسی چهره روی مجموعه داده FERET، برتری الگوریتم پیشنهادی را نسبت به الگوریتم‌های دیگر نشان داد. تفاصيل المقالة

حرية الوصول المقاله

14 - استفاده از مدل‌های وابسته به محتوا در واژه‌ياب گفتار متمايزساز
شیما طبیبیان احمد اکبری بابک ناصرشريف

رويكردهاي واژه‌يابي گفتار به دو گروه تقسيم می‌شوند: رويكردهاي مبتني بر مدل مخفي ماركف و رويكردهاي متمايزساز. يكي از فوايد رويكردهاي مبتني بر مدل مخفي ماركف، قابليت استفاده از اطلاعات وابسته به محتوا (سه واج) در جهت بهبود كارايي سيستم واژه‌ياب گفتار مي‌باشد. از طرفی، عدم أکثر

رويكردهاي واژه‌يابي گفتار به دو گروه تقسيم می‌شوند: رويكردهاي مبتني بر مدل مخفي ماركف و رويكردهاي متمايزساز. يكي از فوايد رويكردهاي مبتني بر مدل مخفي ماركف، قابليت استفاده از اطلاعات وابسته به محتوا (سه واج) در جهت بهبود كارايي سيستم واژه‌ياب گفتار مي‌باشد. از طرفی، عدم امكان استفاده از اطلاعات وابسته به محتوا يكي از معایب رويكردهاي واژه‌يابي گفتار متمايزساز محسوب مي‌شود. در اين مقاله، راهكاري براي رفع اين عیب ارائه شده که به اين منظور، بخش استخراج ويژگي يك سيستم واژه‌ياب گفتار متمايزساز مبتنی بر الگوریتم تکاملی (EDSTD)- كه در كارهاي قبلي ما ارائه شده است- به گونه‌اي تغيير یافته كه اطلاعات وابسته به محتوا را در نظر بگيرد. در مرحله نخست،‌ يك رويكرد استخراج ويژگي مستقل از محتوا پيشنهاد شده و سپس رويكردي براي به كارگيري اطلاعات وابسته به محتوا در بخش استخراج ويژگي ارائه شده است. نتايج ارزيابي‌ها روی دادگان TIMIT حاكي از آن است كه نرخ بازشناسي سيستم EDSTD وابسته به محتوا (CD-EDSTD) در اخطار اشتباه بر كلمه كليدي بر ساعت بزرگ‌تر از دو، حدود 3% از نرخ بازشناسي درست سيستم EDSTD مستقل از محتوا (CI-EDSTD) بالاتر است. هزينه اين بهبود دقت، حدود 36/0 افت سرعت پاسخ‌گويي است كه قابل چشم‌پوشي مي‌باشد. تفاصيل المقالة

حرية الوصول المقاله

15 - تشخیص خودکار صرع گراندمال و بازشناسی اعمال عادی در ویدئو با تلفیق تکنیک‌های بینایی ماشین و یادگیری ماشین
امین حکیمی راد نصراله مقدم چركری

متداول‌ترین روش در تشخیص تشنجات صرعی روش مبتنی بر پردازش سیگنال‌های EEG حاصل از انجام الکتروآنسفالوگرافی می‌باشد که به دلیل نیاز به اتصال الکترودهایی به نواحی مختلف از سر فرد مشکلات حرکتی زیادی به وجود می‌آورد. هدف این تحقیق تشخیص خودکار و هوشمندانه صرع گراندمال و نیز ب أکثر

متداول‌ترین روش در تشخیص تشنجات صرعی روش مبتنی بر پردازش سیگنال‌های EEG حاصل از انجام الکتروآنسفالوگرافی می‌باشد که به دلیل نیاز به اتصال الکترودهایی به نواحی مختلف از سر فرد مشکلات حرکتی زیادی به وجود می‌آورد. هدف این تحقیق تشخیص خودکار و هوشمندانه صرع گراندمال و نیز بازشناسی اعمال عادی فرد مبتلا به عارضه از طریق نظارت ویدئویی می‌باشد. در این مقاله از ترکیب دو تکنیک بینایی ماشین و یادگیری ماشین به منظور تشخیص صرع گراندمال و بازشناسی اعمال عادی برای فردی استفاده می‌شود که روی زمین و یا تخت دراز کشیده است. بعد از حذف پس‌زمینه از دنباله قاب‌های ویدئویی و جداسازی شبح تصاویر، ویژگی‌های هندسی مناسب استخراج شده و به عنوان ورودی به دسته‌بند ماشین بردار پشتیبان چندکلاسه اعمال گردید تا عمل دسته‌بندی ویدئوها و تخصیص برچسب رفتاری مناسب به صورت خودکار انجام شود. تمامی پیاده‌سازی‌های این تحقیق در محیط نرم‌افزار Matlab نسخه a.2011 انجام شده است. در این سیستم هوشمند، میانگین دقت تشخیص و بازشناسی 21/90 درصد می‌باشد. به کارگیری این سیستم علاوه بر کاهش ناظر انسانی، کمک زیادی در تشخیص به موقع و همیشگی عارضه می‌نماید. این روش به دلیل نیاز به یک دوربین فیلم‌برداری ساده و یک سیستم کامپیوتری معمولی، روشی مقرون به صرفه بوده و برای قشرهای درآمدی مختلف قابل تهیه است. علاوه بر آن غیر تماسی بودن سیستم پیشنهادی، عاملی برای حذف مشکلات حرکتی است. دقت بالا تأییدکننده کارایی مناسب این سیستم می‌باشد. تفاصيل المقالة

حرية الوصول المقاله

16 - طبقه‌بندی خودآموز نیمه‌نظارتی مبتنی بر ساخت همسایگی
منا عمادی جعفر تنها محمد ابراهیم شیری مهدی حسین زاده اقدم

به‌کارگیری داده‌های بدون برچسب در خودآموزی نیمه‌نظارتی می‌تواند به طور قابل توجهی دقت طبقه‌بند نظارت‌شده را بهبود بخشد، اما در برخی موارد ممکن است دقت طبقه‌بندی را به مقدار چشم‌گیری کاهش دهد. یکی از دلایل چنین تنزلی، برچسب‌گذاری اشتباه به داده‌های بدون برچسب می‌باشد. در أکثر

به‌کارگیری داده‌های بدون برچسب در خودآموزی نیمه‌نظارتی می‌تواند به طور قابل توجهی دقت طبقه‌بند نظارت‌شده را بهبود بخشد، اما در برخی موارد ممکن است دقت طبقه‌بندی را به مقدار چشم‌گیری کاهش دهد. یکی از دلایل چنین تنزلی، برچسب‌گذاری اشتباه به داده‌های بدون برچسب می‌باشد. در این مقاله، روشی را برای برچسب‌گذاری با قابلیت اطمینان بالا به داده‌های بدون برچسب پیشنهاد می‌کنیم. طبقه‌بند پایه در الگوریتم پیشنهادی، ماشین بردار پشتیبان است. در این روش، برچسب‌گذاری فقط به مجموعه‌ای از داده‌های بدون برچسب که از مقدار مشخصی به مرز تصمیم نزدیک‌تر هستند انجام می‌شود. به این داده‌ها، داده‌های دارای اطلاعات می‌گویند. اضافه‌شدن داده‌های دارای اطلاعات به مجموعه آموزشی در صورتی که برچسب آنها به درستی پیش‌بینی شود در دستیابی به مرز تصمیم بهینه تأثیر به‌سزایی دارد. برای کشف ساختار برچسب‌زنی در فضای داده از الگوریتم اپسیلون- همسایگی (DBSCAN) استفاده شده است. آزمایش‌های مقایسه‌ای روی مجموعه داده‌های UCI نشان می‌دهند که روش پیشنهادی برای دستیابی به دقت بیشتر طبقه‌بند نیمه‌نظارتی خودآموز به نسبت برخی از کار‌های قبلی عملکرد بهتری دارد. تفاصيل المقالة

حرية الوصول المقاله

17 - Fear Recognition Using Early Biologically Inspired Features Model
Elham Askari

10.61186/jist.39051.12.45.12

Facial expressions determine the inner emotional states of people. Different emotional states such as anger, fear, happiness, etc. can be recognized on people's faces. One of the most important emotional states is the state of fear because it is used to diagnose many di أکثر

Facial expressions determine the inner emotional states of people. Different emotional states such as anger, fear, happiness, etc. can be recognized on people's faces. One of the most important emotional states is the state of fear because it is used to diagnose many diseases such as panic syndrome, post-traumatic stress disorder, etc. The face is one of the biometrics that has been proposed to detect fear because it contains small features that increase the recognition rate. In this paper, a biological model inspired an early biological model is proposed to extract effective features for optimal fear detection. This model is inspired by the model of the brain and nervous system involved with the human brain, so it shows a similar function compare to brain. In this model, four computational layers were used. In the first layer, the input images will be pyramidal in six scales from large to small. Then the whole pyramid entered the next layer and Gabor filter was applied for each image and the results entered the next layer. In the third layer, a later reduction in feature extraction is performed. In the last layer, normalization will be done on the images. Finally, the outputs of the model are given to the svm classifier to perform the recognition operation. Experiments will be performed on JAFFE database images. In the experimental results, it can be seen that the proposed model shows better performance compared to other competing models such as BEL and Naive Bayes model with recognition accuracy, precision and recall of 99.33%, 99.71% and 99.5%, respectively تفاصيل المقالة

حرية الوصول المقاله

18 - آشکارسازی و تحليل سیگنال‌های آکوستيک تغییردهنده‌های تپ زير بار ترانسفورماتورهای قدرت جهت تشخيص خطا
عادل یونسی عباس غایب لو حسن رضا میرزائی

تغییردهنده&zwnj;های تپ قابل قطع زیر بار یکی از مهم&zwnj;ترین ت أکثر

تغییردهنده&zwnj;های تپ قابل قطع زیر بار یکی از مهم&zwnj;ترین تجهیزات ترانسفورماتورهای قدرت محسوب می&zwnj;شوند. این تجهیزات به&zwnj;دلیل داشتن حرکت&zwnj;های مکانیکی شدید و ایجاد قوس الکتریکی با انرژی بالا، دارای نرخ خرابی بالایی نسبت به دیگر تجهیزات داخلی ترانسفورماتور هستند. ارزیابی برخط و دقیق صحت عملکرد عادی تغییردهنده&zwnj;های تپ توسط روش&zwnj;هایی که در عملکرد عادی ترانسفورماتور خللی ایجاد نکنند، از اهمیت بسیار زیادی برخوردار است. در این مقاله، روند تشخیص عیوب تغییردهنده&zwnj;های تپ با استفاده از ویژگی&zwnj;های استخراج&zwnj;شده از سیگنال&zwnj;های آکوستیک مورد بحث و بررسی قرار گرفته است. این سیگنال&zwnj;ها توسط یک سنسور شتاب&zwnj;سنج از مخزن یک ترانسفورماتور قدرت و در حین تغییر تپ به&zwnj;صورت عملی آشکارسازی شده&zwnj;اند. در این مقاله علاوه بر بررسی ویژگی&zwnj;های معمول، دو ویژگی جدید شاخص زمان و شاخص فرکانس معرفی شده است. نهایتاً جهت انتخاب ویژگی&zwnj;های مناسب جهت تشخیص عیوب و ارائه روشی کارآمد جهت دسته&zwnj;بندی آنها، برخی از داده&zwnj;های عملی موجود با توجه به نتایج ارائه&zwnj;شده در مراجع به&zwnj;صورت تصادفی معیوب شده و توسط روش ماشین بردار پشتیبان، داده&zwnj;های سالم و معیوب به&zwnj;طور موفقیت&zwnj;آمیزی طبقه&zwnj;بندی شده&zwnj;اند. تفاصيل المقالة

فهرس المقالات Support Vector Machine

رایمگ

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية