فایل اصلی : word قابل ویرایش

101 صفحه

عنوان : استفاده از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره با توجه به مزایای ذاتی این نوع شبکه ها

چکیده:

همگام با پیشرفت تکنولوژی نیاز به سیستم های بازشناسی به هنگام چهره به طور فزاینده ای رو به گسترش می باشد. این امر کلاسه‌بندی‌های متعارف و معمول در زمینه بازشناسی چهره را با چالشهایی مواجه ساخته است. 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 موارد می باشد. ایده استفاده 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 استفاده از الگوریتم ژنتیک و شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، درصد صحت کلاسه بندی را به طور قابل توجهی افزایش داده است.

«فهرست مطالب»

 

چکیده:

پیشگفتار

فصل اول: کلیات

1-1- مقدمه

1-2- بازشناسی چهره

1-2-1- تعبیر ومفهوم بردارچهره

1-2-2- مفهوم فضای چهره‌

1-2-3- صورت های ویژه

1-2-4- مولفه های اساسی یک مجموعه

1-2-5 روند کلی بازشناسی چهره با استفاده از مولفه های اساسی

1-3- بررسی برخی چالشهای موجود

1-3-1- زمان آموزش

1-3-2- پیکربندی ثابت و غیر قابل تغییر در اکثر طبقه بندها

1-3-3- دشواری تنظیم پارامترهای ذاتی در کلاسه بندی های متداول‌

1-3-4- افزایش پیچیدگی شبکه با افزایش تعداد نمونه های آموزش

1-4- استفاده از شبکه های عصبی مبتنی برالگوریتم رزونانس تطبیقی‌به‌عنوان راهکارپیشنهادی

1-5- جمع بندی و خلاصه فصل

فصل دوم: بررسی الگوریتم و ساختار شبکه های عصبی مبتنی بر Fuzzy ARTMAP و مروری بر کارهای گذشته

2-1- مقدمه

2-2- پیکربندی و الگوریتم شبکه ART MAP Fuzzy

2-3- پیشرفت های اخیر در زمینه شبکه های عصبی بر اساس FAM

2-3-1- اصلاحات و بهینه سازی FAM

2-3-2- الگوریتم های جدید بر اساس FAM

2-4- کاربردهای پیشرفته شبکه های عصبی مبتنی بر FAM

2-5- جمع بندی و خلاصه فصل

فصل سوم: آزمایش های انجام شده، نتایج شبیه سازیها و بحث و بررسی بر روی آنها

3-1- مقدمه

3-2- معرفی بانک چهره مورد استفاده

3-3- مختصری راجع به شبکه عصبی SFAM

3-4- پیش پردازش و آماده سازی تصاویر

3-5- استخراج مشخصه

3-6- مشخصات داده ها و شرایط استفاده شده در آزمایشات مرحله اول

3-6-1- تجزیه و تحلیل نتایج شبیه سازیها (سری اول آزمایشات)

3-7- مشخصات داده ها و شرایط آزمایشهای مرحله دوم.

3-7-1- نتایج شبیه سازیها با استفاده از شبکه عصبی SFAM (سری دوم آزمایشات)

3-7-2- تجزیه و تحلیل نتایج شبیه سازیها با استفاده از SFAM (سری دوم آزمایشات)

3-7-3- نتایج شبیه سازیها با استفاده از شبکه عصبی MLP

3-7-4- تجزیه و تحلیل نتایج شبیه سازیها با استفاده از شبکه عصبی MLP

3-7-5- مقایسه کلی عملکرد شبکه های عصبی MLP و SFAM

3-8- مشخصات داده ها و شرایط آزمایش های سری سوم

3-9- مروری اجمالی بر الگوریتم ژنتیک

3-9-1- بعضی از اصطلاحات الگوریتم ژنتیک

3-9-2- نحوه عملکرد الگوریتم ژنتیک

3-9-3- روند انتخاب ویژگی های مؤثر با استفاده از الگوریتم ژنتیک و SFAM

3-9-4- نتایج شبیه سازیها (سری سوم آزمایشات)

3-9-5– تجزیه و تحلیل نتایج حاصل از آزمایش های سری سوم

3-10-جمع بندی و خلاصه فصل

فصل چهارم: نتیجه گیری کلی و ارائه پیشنهاداتی برای ادامه تحقیقات

4-1- جمع بندی و نتیجه گیری

4-2 پیشنهاداتی برای ادامه روند پژوهش

مراجع

 

فهرست اشکال

شکل 1-1 روش بردار سازی تصاویر

شکل 1-2 یک فضای دو بعدی به همراه دو مولفه اساسی مجموعه نمونه ها. P1 و P2 دو بردار مولفه اساسی می باشند

شکل 1-3 برخی از صورت های ویژه پایگاه داده ORL

شکل 1-4- بازنمایی یک چهره توسط چهره های ویژه. مجموعه ضرایب، بردار ویژگی چهره را مشخص می نماید

شکل 2-1: شمای کلی ماژول ART: ورودی تحت کدگذاری مکمل وارد می شود و نودهای لایه F2 همان خوشه های شبکه هستند

شکل 2-2- فلوچارت کلی ماژول ART

شکل 2-3- پیکربندی کلی شبکه عصبی Fuzzy ART MAP

شکل 2-4 میانگین ( انحراف معیار) درصد صحیح کلاسه بندی برای داده های آموزش و آزمایش با استفاده از FAM، جهت کلاسه بندی سیگنالهای سندرم Down با استفاده از استراتژی میانگین گیری برای مقادیر افزایشی پارامتر مراقبت با متد آموزش تک تکراری

شکل 2-5 میانگین ( انحراف معیار) درصد صحیح کلاسه بندی برای داده های آموزش، آزمایش و ارزیابی با استفاده از FAM، جهت کلاسه بندی سیگنالهای سندرم Down با استفاده از استراتژی میانگین گیری، برای مقادیرمختلف پارامتر مراقبت با متدآموزش همراه با ارزیابی

شکل 2-6 میانگین ( انحراف معیار) درصد صحیح کلاسه بندی برای داده های آموزش و آزمایش با استفاده از FAM، جهت کلاسه بندی سیگنالهای سندرم Down با استفاده از استراتژی میانگین گیری، برای مقادیر مختلف پارامتر مراقبت با متد آموزش همراه با آموزش کامل

شکل 3-1 تصاویر بانک چهره ORL، 10تصویر برای هر یک از 40 نفر

شکل 3-2- ساختار SFAM – ورودی به لایه F0 اعمال می شود و درF1 کدگذاری مکمل انجام شده و بعد ورودی دو برابر می شود

شکل 3-3- درصد صحت کلاسه بندی داده های آموزش ( انحراف معیار) در SFAM به ازای مقادیر مختلف پارامتر مراقبت با استفاده از متد آموزش تک تکراری و استراتژی میانگین گیری

شکل 3-4- تعداد نودها (خوشه ها)ی تشکیل شده در ماژول Fuzzy ART در شبکه عصبی SFAM، به ازای مقادیر مختلف پارامتر مراقبت و استفاده از متد آموزش تک تکراری و استراتژی میانگین گیری

شکل 3-5- زمان مورد نیاز برای آموزش شبکه عصبی SFAM به ازای مقادیر مختلف پارامتر مراقبت و استفاده از متد آموزش تک تکراری و استراتژی میانگین گیری

شکل 3-6 صحت کلاسه بندی الگوریتم های مختلف پس انتشار خطا به عقب برای شبکه عصبی MLP و دو حالت آموزش سریع و آهسته برای SFAM به ازای تعداد نمونه های آموزش مختلف

فهرست جداول

جدول 3-1- نتایج شبیه سازیها با استفاده از شبکه عصبی SFAM در مود آموزشی تک تکراری با استفاده از استراتژی میانگین گیری

جدول 3-2: نتایج شبیه سازیها با استفاده از SFAM درحالت آموزش آهسته با استفاده از استراتژی میانگین گیری

جدول 3-3- نتایج شبیه سازیها با استفاده از شبکه عصبی MLP و به کارگیری چهار الگوریتم معروف پس انتشار خطا به عقب

جدول 3-4: نتایج حاصله از انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیک و شبکه عصبی SFAM به ازای داده هایی با 2 نمونه برای آموزش

جدول 3-5: نتایج حاصله از انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیک و شبکه عصبی SFAM به ازای داده هایی با 4 نمونه برای آموزش

جدول 3-6: نتایج حاصله از انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیک و شبکه عصبی SFAM به ازای داده هایی با 6 نمونه برای آموزش

 

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 است. 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 رابطه فعالیت می کنند. در پروژه 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، سعی شده چالشهای مذکور تا حد امکان مرتفع شود.

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 موارد، 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. بنابراین 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 شود، 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 ابتدا برای تشخیص هویت یک سری از افراد خاص با سابقه جرایم تروریستی، آموزش دیده است. آنچه واضح است با گذشت زمان مشخصه های چهره افراد ثابت نمانده و همچنین بازشناسی چهره مجرمین جدید نیز اجتناب ناپذیر می نماید. به دلایل ذکر شده، سیستم بازشناسی بایستی بدون فراموش کردن نمونه هایی که قبلاً دیده است، قابلیت به روزرسانی یادگیری و بازشناسی چهره های جدید را نیز داشته باشد.

در این پروژه سعی شده با بررسی مزایای ذاتی نوع خاصی از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی[4] و استفاده از آنها بعنوان کلاسه بند در بازشناسی چهره، چالشهای مذکور تا حدی مرتفع شود. همچنین با استفاده از الگوریتم های تکاملی نظیر الگوریتم ژنتیک[5] و شبکه های مذکور، روشی کارا جهت انتخاب ویژگیهای مؤثر چهره در بازشناسی، پیشنهاد شده است.

[1] – Multi Layer Perceptron (MLP)

[2] – Support Vector Machine (SVM)

[3] – Online

[4] – Adaptive Resonance Theory

[5]– Genetic Algorithm