تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

چکیده:

همگام با پیشرفت تکنولوژی نیاز به سیستم های بازشناسی به هنگام چهره به گونه فزاینده ای رو به گسترش می باشد. این امر کلاسه‌بندی‌های متعارف و معمول در زمینه بازشناسی چهره را با چالشهایی مواجه ساخته می باشد. زمان آموزش طولانی، پیکربندی و ساختار ثابت کلاسه بندی های موجود و عدم وجود توانایی در یادگیری نمونه های جدید بدون فراموش کردن نمونه های قبلی، از اهم این موردها می باشد. ایده بهره گیری از شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی می تواند این چالشها را تا حد زیادی مرتفع کند. این برتری ها به دلیل خصوصیات ذاتی و پویاییهای این نوع از شبکه های عصبی می باشد. نتایج شبیه سازی‌ها حکایت از برتری نسبی اما کمرنگ صحت کلاسه بندی در شبکه های عصبی پرسپترون چند لایه، نسبت به شبکه های عصبی مذکور دارند. سرعت یادگیری در شبکه های مذکور بسیار بیشتر از پرسپترون چند لایه بوده و تنظیم پارامترهای آن بسیار ساده تر می باشد. انتخاب پارامتر مراقبت به عنوان مهمترین پارامتر شبکه های مذکور، تقریباً در نیمی از بازه مجاز آن، عملکرد بهینه شبکه را تضمین می کند. همچنین انتخاب ویژگی های موثر با بهره گیری از الگوریتم ژنتیک و شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، درصد صحت کلاسه بندی را به گونه قابل توجهی افزایش داده می باشد.

پیشگفتار:

یکی از مسائل قدیمی و چالش برانگیز در زمینه هوش مصنوعی، موضوع بازشناسی چهره می باشد. قدمت تحقیقات در این زمینه مربوط به دهه هفتاد میلادی می باشد.علیرغم تحقیقات فراوانی که در حواشی این مسئله صورت گرفته، همواره عرصه های تازه و بکر برای پژوهش وجود داشته می باشد. در حال حاضر محققین با زمینه های کاری کاملاً متفاوت اعم از روانشناسی، بازشناسی الگو،شبکه های عصبی، بینایی ماشین و گرافیک، با انگیزه های متفاوت در این ارتباط فعالیت می کنند. در پایان نامه حاضر پس از طرح یک سری چالشهای موجود در زمینه بازشناسی چهره با رویکردی مبتنی بر بکارگیری دسته ای خاص از شبکه های عصبی مصنوعی به عنوان کلاسه بند، کوشش شده چالشهای مذکور تا حد امکان مرتفع گردد.

اکثر کلاسه بندی های مدرن الگو، نظیر شبکه های عصبی پرسپترون چند لایه[1] و ماشین بردارهای[2] پشتیبان در فاز آموزش عموماً نیاز به صرف بازه های زمانی طولانی داشته و همچنین بار محاسباتی سنگینی به سیستم تحمیل می کنند. امروزه در بسیاری از موردها، بخصوص در سیستم های امنیتی مدرن فرودگاه ها، ترمینالها و غیره، رویکردهای مبتنی بر تشخیص و بازشناسی به هنگام[3] چهره، به شکل فزاینده ای رو به گسترش می باشد. پس نیاز به طبقه بندی های سریع و دقیق با بار محاسباتی و الگوریتمی پایین برای چنین کاربردهایی اجتناب ناپذیر می باشد. بعلاوه در چنین سیستم هایی علاوه بر اینکه یادگیری اولیه بر روی دسته ای از داده ها به صورت یکجا انجام می گردد، نیاز به نوعی یادگیری افزایشی نیز وجوددارد تا علاوه بر یادگیری فضای نمونه های اولیه، تغییرات و پویاییهای فضای نمونه ها نیز، برای کلاسه بند، قابل یادگیری بوده و قابلیت رشد و ارتقاء آموزش برای سیستم فراهم می باشد. برای مثال یک سیستم بازشناسی چهره در یک فرودگاه بین المللی را در نظر بگیرید که در آغاز برای تشخیص هویت یک سری از افراد خاص با سابقه جرایم تروریستی، آموزش دیده می باشد. آن چیز که واضح می باشد با گذشت زمان مشخصه های چهره افراد ثابت نمانده و همچنین بازشناسی چهره مجرمین جدید نیز اجتناب ناپذیر می نماید. به علت های ذکر گردیده، سیستم بازشناسی بایستی بدون فراموش کردن نمونه هایی که قبلاً دیده می باشد، قابلیت به روزرسانی یادگیری و بازشناسی چهره های جدید را نیز داشته باشد.

در این پایان نامه کوشش شده با مطالعه مزایای ذاتی نوع خاصی از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی[4] و بهره گیری از آنها بعنوان کلاسه بند در بازشناسی چهره، چالشهای مذکور تا حدی مرتفع گردد. همچنین با بهره گیری از الگوریتم های تکاملی نظیر الگوریتم ژنتیک[5] و شبکه های مذکور، روشی کارا جهت انتخاب ویژگیهای مؤثر چهره در بازشناسی، پیشنهاد شده می باشد.

اهداف کلی این پروسه تحقیقاتی به تبیین ذیل می باشد:

– بهره گیری از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره با در نظر داشتن مزایای ذاتی این نوع شبکه ها

– اصلاح یک سری چالشهای خاص در حیطه بازشناسی چهره با بهره گیری از این ویژگیها

– مقایسه کارایی شبکه های مذکور با شبکه های عصبی پرسپترون چند لایه در بازشناسی چهره.

– ارائه روشی جدید برای انتخاب ویژگیهای مؤثر در بازشناسی چهره با بهره گیری از شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی و الگوریتم ژنتیک دانلود متن کامل در سایت sabzfile.com

– ارائه پیشنهاداتی برای ادامه کار با در نظر داشتن پتانسیل ها و دینامیک های ذاتی این نوع شبکه ها.

پایان نامه حاضر دارای چهار فصل می باشد. در فصل اول کلیاتی از روشهای بازشناسی چهره اظهار شده و در ادامه به بحث راجع به یک سری چالشها در کلاسه بندی‌های پرکاربرد در حیطه بازشناسی چهره پرداخته شده می باشد. در ادامه با اظهار مختصر و اجمالی تعدادی از خصوصیات ذاتی شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، مزایای احتمالی آنها در رفع چالشهای موجود اظهار شده می باشد. در فصل دوم، تاریخچه، الگوریتم، پیکربندی و انواع مختلف شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی به صورت کامل اظهار شده می باشد. همچنین به یک سری از کاربردهای پیشین این شبکه ها به صورت اختصار و تیتروار تصریح شده می باشد. فصل سوم اختصاص به نتایج آزمایشات و شبیه سازیهای انجام شده دارد. آزمایشها در سه دسته مجزا انجام شده اند. در فصل چهارم که فصل نهایی می باشد،‌ کلیه مطالب اظهار شده جمع بندی شده و پیشنهاداتی جهت ادامه طریقه پژوهشی دراین زمینه ارائه شده می باشد.

فصل اول: کلیات

1-1- مقدمه

در این بخش پس از طرح کلیاتی از مسئله بازشناسی چهره، با تمرکز بر مسئله طبقه بندها به اظهار بعضی چالشهای موجود در این زمینه پرداخته شده می باشد. در ادامه با برشمردن یک سری مزایای ذاتی شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، ایده کاربرد آنها در بازشناسی چهره، جهت رفع نقایص موجود مطرح و در انتها جمع بندی مطالب فصل ارائه شده می باشد.

2-1- بازشناسی چهره

بازشناسی چهره در یک جمله به این شکل تعریف می گردد: اخذ تصویر چهره و شناسایی آن با در نظر داشتن نمونه‌هایی که قبلاً به سیستم آموزش داده شده می باشد. تحقیقات در زمینه بازشناسی چهره دارای قدمتی در حدود نیم قرن می باشد. هر ساله تعداد مقالات علمی که در این زمینه منتشر می گردد، افزایش یافته و هر یک کوشش در ارائه روشی بادرصد صحت کلاسه بندی بالاتر دارند. از آنجا که این موضوع با رشته های علمی فراوانی ارتباط دارد، محققین با دیدگاهها و انگیزه های گوناگون، مانند روانشناسان، متخصصان در زمینه‌های بازشناسی الگو، شبکه های عصبی، بینایی ماشین و … به آن علاقه فراوان نشان می دهند.

مطالعات ابتدایی دراین زمینه مربوط به کارهای روانشناسان دردهه 1950 میلادی می باشد. تحقیقات فنی و مهندسی در این باب یک دهه بعد، آغاز گردید. اما ایده بازشناسی خودکار چهره توسط ماشین در دهه 1970 میلادی توسط کاناده[1] و کلی[2] مطرح گردید [53]. در سالهای نخست تحقیقات صورت گرفته با بهره گیری از تصاویر دوبعدی بوده می باشد. اخیراً با پیشرفت تکنولوژی امکان تصویربرداری سه بعدی نیز فراهم شده و زمینه تحقیقات گسترده ای را گشوده شده می باشد.

به گونه کلی روشهای بازشناسی چهره را می توان به سه دسته تقسیم نمود:

الف) روشهای مبتنی بر ویژگیهای محلی

در این روشها عناصر محلی مانندچشم، دهان، بینی و … استخراج شده، خواص هندسی و موقعیت آنها نسبت به یکدیگر به عنوان ویژگی به سیستم شناسایی اعمال می گردد [54].

ب) روشهای کل نگر

در این دست از متدها از اطلاعات کل تصویر چهره بهره گیری می گردد. برای استخراج ویژگیهای تفکیک کننده چهره افراد مختلف، تکنیکهای آماری به کار برده می شوند. بعضی از معروفترین و کارآمدترین این روشها به قرار ذیل می باشند:

– روش واکاوی مولفه های اساسی[3] [56 و 55] جستجو در سایت :   

– روش واکاوی مؤلفه های مستقل[4] [57 و 55]

– روش واکاوی تفکیک کننده خطی[5] [58 و 55]

ج) روش‌های هیبرید

این روشها بیشترین شباهت را به سیستم ادراک انسانی داشته و به شکل ترکیبی از دو روش پیشین می باشند. نتایج تحقیقات عملکرد بهتر این روش نسبت به دو روش قبل را نشان داده       می باشد [59].

از آنجا که در این پایان نامه از روش واکاوی مؤلفه های اساسی، بهره گیری شده، درادامه با تفصیل بیشتری مورد مطالعه قرار گرفته می باشد.

1-2-1- تعبیر و مفهوم بردار چهره

تصویر دو بعدی چهره را می توان به صورت یک بردار یک بعدی در نظر گرفت. اگر عرض وطول تصویر به صورت h و w در نظر گرفته گردد، این بردار دارای h×w مولفه خواهد بود. چگونگی انجام این کار در شکل 1-1 نشان داده شده می باشد.

2-2-1- مفهوم فضای چهره

بردار چهره معرفی شده در 1-2-1 را می توان به صورت یک نقطه در فضای h ×w بعدی در نظر گرفت که این فضا ، فضای تصویر نامیده می گردد. از آنجایی که ساختار چهره ها به لحاظ کلی شبیه به یکدیگر می باشند، تمامی چهره ها منحصر به ناحیه ای محدود در این فضای خواهند گردید. پس فضای مذکور، یک فضای بهینه جهت توصیف افتراق چهره ها نمی باشد. در این جا هدف ایجاد یک فضای جدید به صورتی می باشد که بتواند با ابعاد کمتر و به صورت موثرتر این کار را انجام دهد (فضای چهره[1]). تفاوت روش های مختلف مبتنی بر ظاهر، در چگونگی ایجاد فضای چهره می باشد. در PCA ، بردارهای پایه در فضای چهره بایستی طوری انتخاب شوند که در صورت تصویر شدن نمونه ها بر بردارهای پایه، تفاوت نمونه ها بیشینه گردد.این بردارهای پایه در فضای چهره، مولفه‌های اساسی نامیده می شوند. در شکل 1-2 یک نمونه از فضای دو بعدی به همراه مولفه های اساسی آن نشان داده شده می باشد.

[1] – Face space

[1] – Kanade

[2] – Kelly

[3]– Principal Component Analysis

[4] – Independent Component Analysis

[5]– Linear Discriminate Component Analysis

[1] – Multi Layer Perceptron (MLP)

[2] – Support Vector Machine (SVM)

[3] – Online

[4] – Adaptive Resonance Theory

[5]– Genetic Algorithm

تعداد صفحه : 99

قیمت : 14700 تومان

این مطلب رو هم توصیه می کنم بخونین:   دانلود پایان نامه ارشد رشته کامپیوتر :قابلیت اطمینان درشبکه های بی سیم بامنابع خفته

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می گردد.

پشتیبانی سایت :       

****         serderehi@gmail.com