مقایسه بین روش های کاهش بعد آنالیز مولفه های اصلی(PCA) و آنالیز مولفه های اصلی مبتنی بر هسته(KPCA) با روش تقسیم داده KCV به کمک روش دسته بندی ماشین بردار پشتیبان(M-SVM) در تشخیص چهره
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 894
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TDCONF01_168
تاریخ نمایه سازی: 19 تیر 1394
چکیده مقاله:
در این مقاله به منظور دسته بندی تصاویر چهره بانک اطلاعاتی ORL، از روشهای کاهش بعد آنالیز مولفه های اصلی ( PCA) و آنالیز مولفه های اصلی مبتنی بر هسته ( KPCA ) با روش دسته بندی شبکه عصبی المن( ELMAN)استفاده شده است. ماشین بردار پشتیبان کارایی بالایی برای تعمیم پردازش نمونه های کوچک به اطلاعات در ابعادی بزرگ را فراهم می کند. به منظور بررسی اثر استفاده از تعداد مولفه های PCA و KPCA در میزان دقت دسته بندی سیستم و زمان دسته بندی چهره های بانک اطلاعاتی بکار رفته، مراحل دسته بندی با تعداد مولفه های مختلف انجام شد و با هم مقایسه گردیدکه در حالت بهینه دقت تشخیص %97.4167 بدست آمد.
کلیدواژه ها:
آنالیز مولفه های اصلی ، آنالیز مولفه های اصلی مبتنی بر هسته ، ماشین بردار پشتیبان چندکاناله ، تشخیص چهره. نرمال سازی داده
نویسندگان
آتنا عباس زاده
کارشناس ارشد مهندسی برق کنترل، دانشگاه آزاد اسلامی واحد مشهد
سعید طوسی زاده
استادیار دانشگاه آزاد اسلامی واحد مشهد
حسین اثباتی
کارشناس ارشد مهندسی برق کنترل، شرکت صنایع سیمان زابل
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :