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
Publish place: The first national electronic conference on technological advances in electrical, electronics and computer engineering
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 956
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TDCONF01_168
تاریخ نمایه سازی: 19 تیر 1394
Abstract:
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.
Keywords:
آنالیز مولفه های اصلی , آنالیز مولفه های اصلی مبتنی بر هسته , ماشین بردار پشتیبان چندکاناله , تشخیص چهره. نرمال سازی داده
Authors
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 Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :