توضیحات
پروژه شبیه سازی کاهش بعد تصاویر با الگوریتم تکاملی با متلب:
محتویات فایل پروژه:
- مقاله به صورت کامل در متلب شبیه سازی و پیاده سازی شده است
- ترجمه مقاله + فایلهای شبیه سازی + راهنمای پروژه پس از خرید فایل بلافاصله برای شما ایمیل خواهد شد.
خلاصه پروژه شبیه سازی کاهش بعد تصاویر با الگوریتم تکاملی:
پروژه حاضر، مشتمل بر 4 فایل است که هرکدام، بخشی از فرایند و هدف پروژه را انجام میدهند.
فایل اصلی، Main نام دارد که اجرای کد از آن آغاز میشود.
هدف پروژه، کاهش ابعاد اطلاعات به مقدار کافی و حفظ اطلاعات ضروری تا جای ممکن برای کاربرد در روشهای طبقه بندی است.
برای کاهش ابعاد کاری، روشی جدید مبتنی بر الگوریتم تکاملی ارائه شده است.
در این روش، ابتدا اقدام به ایجاد فاصله بین کلاسهای مختلف اطلاعات از طریق کاربرد ضریب(a) میشود. با اینکار، مرزبندی بین کلاسهای مختلف قویتر شده و مقدمه پردازش فراهم میشود.
سپس، تعدادی از دیتاها، Na عدد، بصورت تصادفی از بقیه جدا شده و کار اصلی الگوریتم از اینجا آغاز میشود.
بدین صورت که ابتدا، دو عدد بصورت تصادفی از بین Na داده منتخب، جدا شده و فرایند بررسی فاصله اقلیدسی، که در فایل EuDist2 نوشته شده است، انجام میشود. سپس، با شروع تشکیل دسته B یا همان setB که مشتق شده از setA یا همان Na داده منتخب، مرحله استفاده از Evolutionary Strategy آغاز میشود.
جزئیات این الگوریتم به تفصیل در مقاله آمده است.
هدف ES یافتن متغیرهایی است که با کمترین فاصله اقلیدسی از متغیرهای اصلی، در نسبت اندازه کمتر باشند. با اینکار، ضمن حفظ کلیت اطلاعات، اندازه فضای لازم برای ذخیره اطلاعات و همچنین ابعاد آن کاهش یافته که این امر، موجب افزایش سرعت محاسبات و بهبود طبقهبندی اطلاعات بوسیله Classifiers میشود.
با بکارگیری این تابع و پیادهسازی الگوریتم ذکر شده در صفحه 118 مقاله، فرایند تکراری کاهش ابعاد اطلاعات انجام شده و پس از گذشت چند ثانیه، خروجیهای مشخص کننده نتایج در Command Window چاپ میشوند.
تمامی دادههای کاهش بعد یافته، در متغیر FinalSet در کنار هم ذخیره میشوند.
زیرا، پس از اجرای الگوریتم، دو دسته متغیر ایجاد میشود که یکی NAP یا Non-anchor Points و دیگری setB یا دسته حاوی نقاط Anchor میباشد.
این دو دسته اطلاعات در کنار هم تشکیل متغیر FinalSet را میدهند.
همچنین، میزان کاهش حجم اطلاعات در خروجی به نمایش درمیآید.
بعلاوه، زمان اجرای کل الگوریتم نیز در خروجی چاپ میشود.
قسمتی از ترجمه مقاله:
چکیده
بسیاری از متد های دسته بندی هایی که امروزه وجود دارند، متحمل مسئله ی بعدیت[1] در طول دسته بندی داده های تصویری با بعد بالا هستند. در این مقاله قصد داریم یک الگوریم نظارت یافته ی غیر خطی کاهش بعد(S-NLDR)[2] را تحت عنوان کاهش بعدیت نظارت یافته و مبتنی بر استراتژی تکاملاتی(ESSDR)[3] ارائه دهیم. متد ESSDR از الگوریتم استراتژی تکاملاتی مبتنی بر جمعیت برای یافن مقادیر ادغام شده ی بعدیِ مربوط به داده های برچسب گذاری شده استفاده میکند. مطالعات شبیه سازی بر روی بعضی از مجموعه های داده ای بنچ مارک نشان داده است که ESSDR میتواند در مقایسه با سایر متد های S-NDLR مانند WeightedIso، ادغام خطی محلی تظارت یافته (SLLE)، ادغام خطی محلی نظارت یافته ی بهبود یافته(ESLLE) و تعدیل فضای مماس محلی نظارت یافته(SLTSA)، نتایج بهتری را در خصوص کاهش بعد مربوط به داده های برچسب گذاری شده ارائه دهد.
واژگان کلیدی: کاهش بعد غیر خطی، دسته بندی، استراتژی تکاملاتی
1.مقدمه
بسیاری از مسائل تصمیم گیری را میتوان به عنوان دسته بندی های معمولی در نظر گرفت[1]. در یک سری از اپلیکیشن های دنیای واقعی از تصاویر دیجیتال، میتوان از این دسته بند ها به منظور دسته بندی اشیاء استفاده کرد؛ بسیاری از مثال های رایج، شامل دسته بندی رقم های دست نویس، شماره پلاک خودرو، تصاویر چهره ی انسان و غیره میباشد. این تصاویر، از نقاط داده ای با بعد بالایی تشکیل شده اند و قبل از استفاده از آنها به منظور اهداف دسته بندی، نیاز بوده تا از یک متد کاهش بعد بر روی آنها استفاده کنیم. کاهش بعد نه تنها باعث کاهش هزینه ی دسته بندی میشود، بلکه کارائی دسته بند را به همراه دارد. متد های DR نظارت یافته ی غیر خطی، به عنوان یک پیش پردازنده ی خوبی برای DR از داده های تصویر غیر خطی بکار گرفته میشود. بسیاری از متد های S-NLDR، شامل SLLE[2-3]، WeightIso[4]، SLTSA[5-6] و متد ESLLE[7] که اخیراٌ معرفی شده است میباشند.
در این مقاله قصد داریم الگوریتم جدیدی را برای DR مربوط به داده های تصویری با بعد بالا معرفی کنیم. الگوریتم پیشنهادی ما، از الگوریتم ES [8] برای DR مربوط به نقاط داده ای برچسب خورده استفاده میکند، به طوری که توانایی تشخیص نقاطی با بعد پایین را بیشینه سازد. برای تخمین نقاط ادغام شده با بعد پایین برای نقاط داده ای غیر نمونه، از متد تخمینی که توسط لی [5] پیشنهاد شده است استفاده نموده ایم و سپس از دسته بند نزدیکترین K همسایه(K-NN)[4] برای تخمین عضویت کلاس استفاده میکنیم. از این رو کارائی الگوریتم خود را با بعضی از متد های S-NLDR رایج، و با استفاده از مجموعه های داده ای تصویر بنچ مارک مقایسه خواهیم کرد. کارائی الگوریتم جدید میتواند بسیار امید بخش باشد.
نکات قابل ذکر:
- پروژه شبیه سازی کاهش بعد تصاویر با الگوریتم تکاملی با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
- فایل های پروژه به صورت کامل به همراه فایل راهنما پس از خرید فایل در اختیار شما قرار خواهد گرفت، و شما به راحتی قادر به استفاده از پروژه خواهید بود.
صدرا عسگری –
شبیه سازی و ترجمه این مقاله با این قیمت بسیار مناسبه