در این پژوهش، استفاده از روش ترکیبی الگوریتم بهینه سازی ازدحام ذرات با ضرایب شتاب متغیر با زمان (TVAC_PSO) و شبکه عصبی مصنوعی(ANN)- به عنوان یک روش جدید آموزش برای شبکه‌های عصبی پیش خور (FNNs)- برای حل مسئله طبقه-بندی پوست پیشنهاد شده است. شبکه عصبی استفاده شده در این پژوهش، از نوع پرسپترون چندلایه (MLP) است که هدف آن، ناحیه بندی و طبقه بندی رنگ پوست است. در این پژوهش، از الگوریتم TVAC_PSOبرای بهینه کردن وزن های شبکه ی پرسپترون چندلایه(MLP) استفاده می کنیم که در نهایت منجر به بهبود ناحیه بندی یا تقطیع و ایجاد کلاس های بهینه در تصویر و استخراج ناحیه پوست از غیرپوست در تصاویر می شود. در نتایج بدست آمده از شبیه سازی، مقدار معیار میانگین مربعات خطا (MSE) در الگوریتم پیشنهادی و برروی فضای رنگی Lab، 0. 0055، و نرخ تشخیص درست (CDR)، 93.77%، است، که این معیارها نسبت به تمام فضاهای رنگی و الگوریتم‌های بهینه سازی دیگر استفاده شده، بهینه تر می باشد. نتایج تجربی نشان می دهد که روش پیشنهادی می تواند عملکرد شبکه MLP را برای مسئله طبقه بندی رنگ پوست، به‌طور قابل توجهی افزایش دهد و نیز منجر به ارائه یک مدل تشخیص پوست دقیق شود.

واژگان کلیدی

تشخیص رنگ پوست یک روش محبوب و مفید در تعامل کامپیوتر و انسان در تجزیه و تحلیل محتوا است. برنامه های کاربردی مانند شناسایی و ردیابی قطعات بدن انسان، تشخیص چهره و تشخیص، تشخیص مردم غیر مسلح و بازیابی پایگاه داده های چند رسانه ای از مردم در همه بهره مندی از تشخیص پوست. از این رو پیدا کردن یک روش مناسب برای بخش پیکسل مانند پوست می تواند مشکلات را حل کند ارائه. استعماری الگوریتم رقابتی (ICA) یک الگوریتم تکاملی جدید که به تازگی معرفی شده است و عملکرد خوب در برخی از مسائل بهینه سازی است. ICA توسط فرایندهای اجتماعی-سیاسی از رقابت استعماری بشر در دنیای واقعی الهام گرفته شده بود. در این مقاله ترکیبی ICA-ANN برای طبقه بندی پوست حل پیشنهاد شده است.

واژگان کلیدی

تشخیص رنگ پوست یک تکنیک محبوب و مفید و کار آمد به خاطر دارا بودن محدوده وسیع از به کار گرفته شدن در فعل و انفعالات کامپیوتر های انسانی هم در انالیز های پایه تشخیصی می باشد. از این رو ارائه یک روش مناسب برای بخش پیکسل مانند پوست می تواند مشکلات را حل کند. الگوریتم تقسیم بندی رنگ ارائه شده به طور مستقیم در فضای رنگ RGB بدون نیاز به تبدیل فضای رنگی کار می کند. با استفاده از تابع Genfis3 شبکه فازی از نوع سوگنو را شکل دادیم و داده ها را با استفاده از قاعده فازی C-Mean کلاسترینگ (FCM) دسته بندی کردیم و برای هر دسته و کلاستر یک Rule در نظر گرفتیم. در گام بعد خروجی حاصل از نگاشت داده شبه چند جمله ای به عنوان ورودی به Adaptive Network Based Fuzzy Inference System (ANFIS) (شبکه تطبیقی مبتنی بر سیستم استنتاج فازی) داده می شود

واژگان کلیدی

بعد از آوردن مقدمه در فصل اول که شامل تاریخچه و اصطلاحات پایه ای ocr می باشد، در فصل دوم دستورات مقدماتی و تکنیک های پردازش تصویر که از ملزومات این پروژه است را آوردیم، سپس در فصل بعدی به بررسی انواع روش های تشخیص متن پرداخته و با ارائه روشهایی جهت استخراج ویژگی برای دسته بندی حروف این فصل را به پایان رساندیم. در فصل چهارم به بررسی اولین روش پیاده سازی شده در این پروژه پرداختیم که به آن روش template matching اطلاق می شود. و دلیل استفاده از این روش ساده گی پیاده سازی و قابل فهم بودن آن می باشد تا با دید گرفتن از هدف اصلی پروژه بتوانیم روش های دیگر را پیاده سازی کنیم. همان طور که خواهید دید ما برای افزایش سرعت اجرای برنامه در این روش، مختصری از تکنیک های آماری و ساختاری نیز استفاده نموده ایم. در فصل پنجم به آشنایی با مبانی یکی از مهمترین بخش های هوش مصنوعی، یعنی شبکه های عصبی خواهیم پرداخت که یکی از بهترین روش های موجود در پیاده سازی پروژه ما خواهد بود. شبکه عصبی روش خام تلاش انسانها جهت شبیه سازی الکترونیکی مغز است. که البته تا حدودی توانسته اند به این مقصود برسند، تا همین حد که یکی از بهترین روشها در پیاده سازی پروژه ما محسوب می شود. به دلیل اهمیت شبکه عصبی برای پروژه، ما آشنایی با مبانی آن را در فصلی جداگانه آوردیم، و در این فصل بعد از آوردن مقدمه و تاریخچه ای از شبکه های عصبی، دلایل و مزیت های شبکه های عصبی تشریح شده، سپس اجزای یک شبکه و معماری آن مورد بررسی قرار گرفته. در ادامه به بحت یادگیری شبکه های عصبی خواهیم پرداخت و با بیان کاربردهای وسیع شبکه های عصبی در زمینه های مختلف این فصل را به پایان می رسانیم. در فصل ششم به مبانی پیاده سازی شبکه های عصبی با متلب می پردازیم و انواع توابعی که برای ایجاد شبکه در متلب وجود دارد را آورده و از این بین به پیاده سازی شبکه خود با سه عدد از این توابع رضایت می دهیم. در همین فصل به نحوه ی آموزش شبکه و تست آن نیز خواهیم پرداخت. و در فصل هفتم به پیاده سازی شبکه برای تشخیص حروف با سه شبکه های عصبی MLP، RBE و PNN می پردازیم. ناگفته نماند که دلیل استفاده از شبکه های عصبی در این پروژه انعطاف زیاد آنها نصبت به روش های دیگر و قابلیت انطباق شبکه با داده های جدید می باشد. در ضمن لازم به ذکر است که هیچ یک از روش های گفته شده به تنهایی جوابگوی نیاز ما نخواهد بود و تلفیق هر یک از روشها با شبکه عصبی نتیجه مطلوبی خواهد داشت که این یکی از مزیت های شبکه عصبی می باشد و در نهایت در فصل آخر با آزمایشات مختلف عملکرد هر یک از شبکه های فوق را مورد بررسی قرار می دهیم و با ایجاد جدول درستی و جدول سردرگمی هر یک از شبکه ها را مورد ارزیابی قرار می دهیم و در نهایت با ایجاد جدول مقایسه، به مقایسه این سه شبکه پرداخته شده است. لازم به ذکر است که به دلیل کمبود زمان، تمرکز اصلی پروژه بر روی دسته بندی روش های موجود و پیاده سازی روش های مذبور قرار گرفت.

واژگان کلیدی

این مقاله یک اپراتور مجموعه حالت را مبتنی بر تخمین چگالی هسته عرضه می کند که برخلاف اپراتور میانگین نسبت به انحرافات و برون هشته ها از نرمالیته حساس نیست و برخلاف اپراتور میانه به توزیعات متقارن نیاز ندارد. سه اپراتور از لحاظ تجربی مقایسه می شوند و اپراتور مجموعه حالت مطرح شده دقیق ترین پیش بینی ها را عرضه می کند که پس از آن اپراتور میانه است، در حالی که اپراتور میانگین عملکرد نسبتا ضعیفی دارد. یافته ها بیانگر این است که اپراتور حالت باید در برنامه های پیش بینی به عنوان جایگزین اپراتورهای میانه و میانگین مورد استفاده قرار گیرد

واژگان کلیدی

ما از مدل LDA به عنوان ویژگی روش استخراج برای استخراج موضوعات پنهان، کاهش اثرات پراکندگی داده، و ساخت ویژگی موضوع با مجموعه برای آموزش بیشتر مدل های طبقه بندی قوی برای دسته های مکمیاب استفاده می کنیم. آزمایش ها بر روی مجموعه ای از صفحات اینترنت از شاخه چینی ساده شده ی راهنمایی DMOZ انجام شد. نتیجه نشان می دهد که روش ها به بهبود عملکرد برای دسته های کمیاب برروی روش های طبقه بندی سلسله مراتبی براساس ترم و ویژگی کلمه و بهبود بیشتر عملکرد در کل موضوع طبقه بندی دست می یابد

واژگان کلیدی

این مقاله؛ نسخه و نمونه ای پیشرفته را از روش cw پیشنهاد می کند که CMODE نامیده شده و بهینه سازی چند هدفی را با تکامل هائی متمایز ترکیب کرده تا با مسائل مربوط به بهینه سازی نام برده روبرو شده و سروکار داشته باشند. مثل cw قبلی، مقایسه ی عوامل در CMODE اغلب بر پایه ی بهینه سازی چند هدفی است. در CMODE، تکامل دیفرانسیلی و افتراقی به عنوان یک موتور تحقیقاتی حفظ شده است. بعلاوه؛ مکانیزم جایگزینی یک بخش بر پایه ی بهینه سازی چند هدفی پیشنهاد شده است که با هدف راهنمائی جمعیت در طول ارائه راه حل ها و حوزه ای امکان پذیر صورت می گیرد. عملکرد CMODE بر پایه ی 24 ساختار تستی ارزیابی شده است. این مطلب به صورت تجربی مشاهده شده که CMODE قادر به ایجاد نتایجی رقابتی است که با بعضی از روش های هنری در مجمع بهینه سازی تکاملی مقایسه می شود.

واژگان کلیدی

تشخیص پوست ابزار مفیدی است برای پردازش بعدی چهره، کارهایی مانند تشخیص چهره ، رویارویی چهره یا رابط انسان و کامپیوتر . در بسیاری از موارد کاربرد طراح تشخیص چهره مربوط می شود به حضور مناسب فضای رنگی RGBپیشنهاد می کنیم طوری که هر سطح رنگی با استفاده از مجموعه فازی مدل شده است .آزمایشات که با XM2VTS و پایگاه داده های چهره معتبر انجام شده اند و نتایج نشان می دهند که سیستم ما در مقایسه با تشخیص رنگ چهره سیستم‌های مشابه دیگر از قدرت تشخیص بالاتر و خطای کمتری برخوردار است.

واژگان کلیدی