نگاشت توپوگرافیک دستهای متشکل از منیفولدهای خطی ناحیهای با گسترههای تطبیق پذیر برای شناسایی ارقام دستنویس

بسیاری از الگوها با وجود بعد بالای فضای داده، ذاتاً بر روی زیرفضاها یا منیفولدهای کم بعد از فضای ورودی قرار دارند. لذا یادگیری خودکار منیفولدهایی که دادهها بر آنها واقع هستند، میتواند در افزایش کیفیت شناسایی این الگوها تأثیر قابل توجهی داشته باشد. در این مقاله یک نسخه جدید از مدل نگاشت توپوگرافیک منیفولد خطی بدین منظور بکار رفته است، که یک تخمین محلی خطی از منیفولد دادهها را بصورت بینظارت یاد میگیرد. یادگیری بصورت دستهای با یک روش میانگینگیری-حداکثرسازی انجام میشود، که علاوه بر بردارهای پایه و میانگین هر منیفولد، انحراف معیارهای روی منیفولد و خارج از منیفولد را نیز بهنگام سازی کرده، و بدین ترتیب ارائه دقیقتر و انعطاف پذیرتری از دادهها را بدست میدهد. آزمایشها بر روی یک مجموعه از تصاویر ارقام دستنویس انجام گرفته است. برای هر رقم یک نقشه دوبعدی آموزشداده میشود، در مرحله آزمایش، هر الگو به ده شبکه آموزش یافته ارائه شده و برچسب شبکه با بیشترین امتیاز بعنوان نتیجه شناسایی در نظر گرفته میشود. نتایج در مقایسه با دو روش مرتبط دیگر نشاندهنده صحت شناسایی بالاتر در مدل پیشنهادی است

Keywords:

نگاشت توپوگرافیک , منیفولد خطی , یادگیری بینظارت , شناسایی ارقام دستنویس