دانلود متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی کامپیوتر

با عنوان : استفاده از شبكه هاي عصبي مصنوعي مبتني بر الگوريتم رزونانس تطبيقي در بازشناسي چهره با توجه به مزاياي ذاتي اين نوع شبكه ها

عنوان پایان نامه:

استفاده از شبكه هاي عصبي مصنوعي مبتني بر الگوريتم رزونانس تطبيقي در بازشناسي چهره با توجه به مزاياي ذاتي اين نوع شبكه ها

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود

تکه هایی از متن پایان نامه به عنوان نمونه :

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

چکیده:

همگام با پيشرفت تكنولوژي نياز به سيستم هاي بازشناسي به هنگام چهره به طور فزاينده اي رو به گسترش مي باشد. اين امر كلاسه‌بندي‌هاي متعارف و معمول در زمينه بازشناسي چهره را با چالشهايي مواجه ساخته است. زمان آموزش طولاني، پيكربندي و ساختار ثابت كلاسه بندي هاي موجود و عدم وجود توانايي در يادگيري نمونه هاي جديد بدون فراموش كردن نمونه هاي قبلي، از اهم اين موارد مي باشد. ايده استفاده از شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي مي تواند اين چالشها را تا حد زيادي مرتفع كند. اين برتري ها به دليل خصوصيات ذاتي و پوياييهاي اين نوع از شبكه هاي عصبي مي باشد. نتايج شبيه سازي‌ها حكايت از برتري نسبي اما كمرنگ صحت كلاسه بندي در شبكه هاي عصبي پرسپترون چند لايه، نسبت به شبكه هاي عصبي مذكور دارند. سرعت يادگيري در شبكه هاي مذكور بسيار بيشتر از پرسپترون چند لايه بوده و تنظيم پارامترهاي آن بسيار ساده تر مي باشد. انتخاب پارامتر مراقبت به عنوان مهمترين پارامتر شبكه هاي مذكور، تقريباً در نيمي از بازه مجاز آن، عملكرد بهينه شبكه را تضمين مي كند. همچنين انتخاب ويژگي هاي موثر با بهره گرفتن از الگوريتم ژنتيك و شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي، درصد صحت كلاسه بندي را به طور قابل توجهي افزايش داده است.

پیشگفتار:

يكي از مسائل قديمي و چالش برانگيز در زمينه هوش مصنوعي، موضوع بازشناسي چهره مي باشد. قدمت تحقيقات در اين زمينه مربوط به دهه هفتاد ميلادي مي باشد.عليرغم تحقيقات فراواني كه در حواشي اين مسئله صورت گرفته، همواره عرصه هاي تازه و بكر براي پژوهش وجود داشته است. در حال حاضر محققين با زمينه هاي كاري كاملاً متفاوت اعم از روانشناسي، بازشناسي الگو،شبكه هاي عصبي، بينايي ماشين و گرافيك، با انگيزه هاي متفاوت در اين ارتباط فعاليت مي كنند. در پايان نامه حاضر پس از طرح يك سري چالشهاي موجود در زمينه بازشناسي چهره با رويكردي مبتني بر بكارگيري دسته اي خاص از شبكه هاي عصبي مصنوعي به عنوان كلاسه بند، سعي شده چالشهاي مذكور تا حد امكان مرتفع شود.

اكثر كلاسه بندي هاي مدرن الگو، نظير شبكه هاي عصبي پرسپترون چند لايه[1] و ماشين بردارهاي[2] پشتيبان در فاز آموزش عموماً نياز به صرف بازه هاي زماني طولاني داشته و همچنين بار محاسباتي سنگيني به سيستم تحميل مي كنند. امروزه در بسياري از موارد، بخصوص در سيستم هاي امنيتي مدرن فرودگاه ها، ترمينالها و غيره، رويكردهاي مبتني بر تشخيص و بازشناسي به هنگام[3] چهره، به شكل فزاينده اي رو به گسترش مي باشد. بنابراين نياز به طبقه بندي هاي سريع و دقيق با بار محاسباتي و الگوريتمي پايين براي چنين كاربردهايي اجتناب ناپذير مي باشد. بعلاوه در چنين سيستم هايي علاوه بر اينكه يادگيري اوليه بر روي دسته اي از داده ها به صورت يكجا انجام مي شود، نياز به نوعي يادگيري افزايشي نيز وجوددارد تا علاوه بر يادگيري فضاي نمونه هاي اوليه، تغييرات و پوياييهاي فضاي نمونه ها نيز، براي كلاسه بند، قابل يادگيري بوده و قابليت رشد و ارتقاء آموزش براي سيستم فراهم مي باشد. براي مثال يك سيستم بازشناسي چهره در يك فرودگاه بين المللي را در نظر بگيريد كه در ابتدا براي تشخيص هويت يك سري از افراد خاص با سابقه جرايم تروريستي، آموزش ديده است. آنچه واضح است با گذشت زمان مشخصه هاي چهره افراد ثابت نمانده و همچنين بازشناسي چهره مجرمين جديد نيز اجتناب ناپذير مي نمايد. به دلايل ذكر شده، سيستم بازشناسي بايستي بدون فراموش كردن نمونه هايي كه قبلاً ديده است، قابليت به روزرساني يادگيري و بازشناسي چهره هاي جديد را نيز داشته باشد.

در اين پايان نامه سعي شده با بررسي مزاياي ذاتي نوع خاصي از شبكه هاي عصبي مصنوعي مبتني بر الگوريتم رزونانس تطبيقي[4] و استفاده از آنها بعنوان كلاسه بند در بازشناسي چهره، چالشهاي مذكور تا حدي مرتفع شود. همچنين با بهره گرفتن از الگوريتم هاي تكاملي نظير الگوريتم ژنتيك[5] و شبكه هاي مذكور، روشي كارا جهت انتخاب ويژگيهاي مؤثر چهره در بازشناسي، پيشنهاد شده است.

اهداف كلي اين پروسه تحقيقاتي به شرح ذيل مي باشد:

– استفاده از شبكه هاي عصبي مصنوعي مبتني بر الگوريتم رزونانس تطبيقي در بازشناسي چهره با توجه به مزاياي ذاتي اين نوع شبكه ها

– اصلاح يك سري چالشهاي خاص در حيطه بازشناسي چهره با بهره گرفتن از اين ويژگيها

– مقايسه كارايي شبكه هاي مذكور با شبكه هاي عصبي پرسپترون چند لايه در بازشناسي چهره.

– ارائه روشي جديد براي انتخاب ويژگيهاي مؤثر در بازشناسي چهره با بهره گرفتن از شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي و الگوريتم ژنتيك

– ارائه پيشنهاداتي براي ادامه كار با توجه به پتانسيل ها و ديناميك هاي ذاتي اين نوع شبكه ها.

پايان نامه حاضر داراي چهار فصل مي باشد. در فصل اول كلياتي از روشهاي بازشناسي چهره بيان شده و در ادامه به بحث راجع به يك سري چالشها در كلاسه بندي‌هاي پركاربرد در حيطه بازشناسي چهره پرداخته شده است. در ادامه با بيان مختصر و اجمالي تعدادي از خصوصيات ذاتي شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي، مزاياي احتمالي آنها در رفع چالشهاي موجود بيان شده است. در فصل دوم، تاريخچه، الگوريتم، پيكربندي و انواع مختلف شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي به تفصيل بيان شده است. همچنين به يك سري از كاربردهاي پيشين اين شبكه ها به صورت خلاصه و تيتروار اشاره شده است. فصل سوم اختصاص به نتايج آزمايشات و شبيه سازيهاي انجام شده دارد. آزمايشها در سه دسته مجزا انجام شده اند. در فصل چهارم كه فصل نهايي مي باشد،‌ كليه مطالب بيان شده جمع بندي شده و پيشنهاداتي جهت ادامه روند پژوهشي دراين زمينه ارائه شده است.

فصل اول: کلیات

1-1- مقدمه

در اين بخش پس از طرح كلياتي از مسئله بازشناسي چهره، با تمركز بر مسئله طبقه بندها به بيان برخي چالشهاي موجود در اين زمينه پرداخته شده است. در ادامه با برشمردن يك سري مزاياي ذاتي شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي، ايده كاربرد آنها در بازشناسي چهره، جهت رفع نقايص موجود مطرح و در انتها جمع بندي مطالب فصل ارائه شده است.

2-1- بازشناسی چهره

بازشناسي چهره در يك جمله بدين صورت تعريف مي شود: اخذ تصوير چهره و شناسايي آن با توجه به نمونه‌هايي كه قبلاً به سيستم آموزش داده شده است. تحقيقات در زمينه بازشناسي چهره داراي قدمتي در حدود نيم قرن مي باشد. هر ساله تعداد مقالات علمي كه در اين زمينه منتشر مي شود، افزايش يافته و هر يك سعي در ارائه روشي بادرصد صحت كلاسه بندي بالاتر دارند. از آنجا كه اين موضوع با رشته هاي علمي فراواني ارتباط دارد، محققين با ديدگاهها و انگيزه هاي گوناگون، از جمله روانشناسان، متخصصان در زمينه‌هاي بازشناسي الگو، شبكه هاي عصبي، بينايي ماشين و … به آن علاقه فراوان نشان مي دهند.

مطالعات ابتدايي دراين زمينه مربوط به كارهاي روانشناسان دردهه 1950 ميلادي است. تحقيقات فني و مهندسي در اين باب يك دهه بعد، آغاز شد. اما ايده بازشناسي خودكار چهره توسط ماشين در دهه 1970 ميلادي توسط كاناده[1] و كلي[2] مطرح گرديد [53]. در سالهاي نخست تحقيقات صورت گرفته با بهره گرفتن از تصاوير دوبعدي بوده است. اخيراً با پيشرفت تكنولوژي امكان تصويربرداري سه بعدي نيز فراهم شده و زمينه تحقيقات گسترده اي را گشوده شده است.

به طور كلي روشهاي بازشناسي چهره را مي توان به سه دسته تقسيم نمود:

الف) روشهاي مبتني بر ويژگيهاي محلي

در اين روشها عناصر محلي مانندچشم، دهان، بيني و … استخراج شده، خواص هندسي و موقعيت آنها نسبت به يكديگر به عنوان ويژگي به سيستم شناسايي اعمال مي شود [54].

ب) روشهاي كل نگر

در اين دست از متدها از اطلاعات كل تصوير چهره استفاده مي شود. براي استخراج ويژگيهاي تفكيك كننده چهره افراد مختلف، تكنيكهاي آماري به كار برده مي شوند. برخي از معروفترين و كارآمدترين اين روشها به قرار ذيل مي باشند:

– روش آناليز مولفه هاي اساسي[3] [56 و 55]

– روش آناليز مؤلفه هاي مستقل[4] [57 و 55]

– روش آناليز تفكيك كننده خطي[5] [58 و 55]

ج) روش‌هاي هيبريد

اين روشها بيشترين شباهت را به سيستم ادراك انساني داشته و به شكل تركيبي از دو روش پيشين مي باشند. نتايج تحقيقات عملكرد بهتر اين روش نسبت به دو روش قبل را نشان داده       است [59].

از آنجا كه در اين پايان نامه از روش آناليز مؤلفه هاي اساسي، استفاده شده، درادامه با تفصيل بيشتري مورد بررسي قرار گرفته است.

1-2-1- تعبیر و مفهوم بردار چهره

تصویر دو بعدی چهره را مي توان به صورت يك بردار يك بعدي در نظر گرفت. اگر عرض وطول تصوير به صورت h و w در نظر گرفته شود، اين بردار داراي h×w مولفه خواهد بود. چگونگي انجام اين كار در شكل 1-1 نشان داده شده است.

2-2-1- مفهوم فضای چهره

بردار چهره معرفي شده در 1-2-1 را مي توان به صورت يك نقطه در فضاي h ×w بعدي در نظر گرفت كه اين فضا ، فضاي تصوير نامیده می شود. از آنجايي كه ساختار چهره ها به لحاظ كلي شبيه به يكديگر مي باشند، تمامي چهره ها منحصر به ناحيه ای محدود در اين فضاي خواهند شد. بنابراین فضای مذکور، يك فضاي بهينه جهت توصيف افتراق چهره ها نمي باشد. در اين جا هدف ايجاد يك فضاي جديد به صورتي است كه بتواند با ابعاد كمتر و به صورت موثرتر اين كار را انجام دهد (فضاي چهره[1]). تفاوت روش هاي مختلف مبتني بر ظاهر، در چگونگي ايجاد فضاي چهره مي باشد. در PCA ، بردارهای پایه در فضای چهره باید طوری انتخاب شوند كه در صورت تصوير شدن نمونه ها بر بردارهاي پايه، تفاوت نمونه ها بيشينه گردد.این بردارهاي پايه در فضاي چهره، مولفه‌هاي اساسي ناميده مي شوند. در شكل 1-2 يك نمونه از فضاي دو بعدي به همراه مولفه هاي اساسي آن نشان داده شده است.

[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

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

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

:       

****         serderehi@gmail.com

جستجو در سایت : کلمه کلیدی خود را وارد نمایید :