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 چکیده کامل
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.
پرونده مقاله
: اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزهای از اتوماتای سلولی و اتوماتای یادگیر است. پایینبودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالشهای اساسی به شمار میرود. در این مطالعه، الگوریتم گسترشیافتهای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقا چکیده کامل
: اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزهای از اتوماتای سلولی و اتوماتای یادگیر است. پایینبودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالشهای اساسی به شمار میرود. در این مطالعه، الگوریتم گسترشیافتهای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقالی به نام TL-CLA پیشنهاد میگردد که از یادگیری انتقالی به عنوان راهکاری برای کاهش محاسبات و کمینهسازی چرخه یادگیری بهره میگیرد. مدل گسترشیافته پیشنهادی بر اساس تابع شایستگی و بردار نگرش برای انتقال یادگیری طراحی شده است. در الگوریتم TL-CLA، ابتدا مقدار تابع شایستگی بر اساس محیط محلی و مقدار بردار نگرش بر مبنای محیط سراسری اتوماتا محاسبه میشود. زمانی که این دو معیار حد آستانه مقرر را کسب کنند، انتقال بردار احتمالات اقدام ها سبب انتقال یادگیری از اتوماتای یادگیر سلولی منبع به اتوماتای یادگیر سلولی مقصد میشود. نتایج آزمایشها نشان میدهند که مدل پیشنهادی TL-CLA در محیطهای عملیاتی استاندارد با دو اقدام و چند اقدام، به طور میانگین، به ترتیب به اندازه 7/2% و 2/2% از نظر صحت همگرایی افزایش یافته است. نرخ همگرایی نیز به طور میانگین، به ترتیب 8% و 2% بهبود داشته است. اتوماتای یادگیر سلولی TL-CLA پیشنهادی در انتقال دانش حاصل از یادگیری یک وظیفه برای وظیفهای مشابه کاربرد دارد.
پرونده مقاله