مینا غیرتمند - دانشکده برق، دانشگاه صنعتی خواجه نصیرالدین طوسی
حمید خالوزاده - قطب علمی کنترل و پردازش هوشمند، دانشگاه تهران
حمید سلطانیان زاده - بیمارستان هنری فورد آمریکا

مدل شناسایی اشیاء HMAX از گروه مدل های سلسله مراتبی بدون پسخوری است که ساختار و پارامترهای آن براساس خصوصیات زیستی کورتکس بینایی نخستینها انتخاب شد هاست. به خاطر همین ویژگی و نیز موفقیت آن درشناسایی اشیاء در صحن ههای واقعی، این مدل هم در علوم اعصاب و هم در بینایی ماشینی بسیار مورد توجه قرار گرفته است. در این مقاله مدلHMAX اصلاح شده، که دارای قابلیت یادگیری در اتصالات لایه یC1 به S2 می باشد، پیاده سازی شده و به منظور بهینه سازی ویژگی های لایه ی S2 که در مدل اصلی به طور تصادفی انتخاب می شوند، پیشنهاداتی ارائه شده است. دو روش خوشه بندیk-Means و انتخاب ویژگی ترتیبی پس رو بهبودیافته به این منظور به کار رفته است. همچنین با استفاده از روش های شبیه سازی اتفاقیMonte Carlo اثر نویز بر عملکرد مدل بررسی شده و با روشPCA مقایسه شد هاست. نتایچ نشان م یدهد که با استفاده از روش انتخاب ویژگی پ سرو در مرحله ی یادگیری، م یتوان ضمن افزایش سرعت پردازش سیستم به عملکرد بهتری نیز دست یافت. همچنین مشاهده شد که مدل اصلی و پیشنهادی بر خلاف روش PCA نسبت به افزایش واریانس نویز ورودی مقاوم نیستند. این در حالی است که در شرایط بدون نویز عملکرد مدل پیشنهادی 10 % بیشتر از روشPCA است .

مدل HMAX، انتخاب ویژگی، عملکرد دسته‌بندی‌کننده، نویز گوسی، شبیه‌سازی مونت کارلو