به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

digits recognition

در نشریات گروه برق
تکرار جستجوی کلیدواژه digits recognition در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه digits recognition در مقالات مجلات علمی
  • رسول حاجی زاده، علی آقاگل زاده، مهدی ازوجی
    در این مقاله،یک روش آموزش منیفلد مبتنی بر بازنمایی تنک معرفیمی شود.تشکیل گراف منیفلد در فضای با ابعاد بالا، مهمترین مرحله در روش های آموزش منیفلد، جهت استخراج داده ها در فضایبا ابعاد پایین است که عموما به دو دسته محلی و سراسری تقسیم می گردند. گراف منیفلد پیشنهادی، به استخراج هم زمان ویژگی های محلی و سراسری می پردازد. پس از تشکیل گراف منیفلد مبتنی بر بازنمایی تنک،دو روش خطی و غیرخطی جهت استخراج داده های تعبیه شده در منیفلد، معرفیمی شوند. روش پیشنهادی، با روش های متداول آموزش منیفلد، مانند LLE، LEM، LPP و PCA، مقایسه و ارزیابی شده است. ارزیابی های انجام شده بر روی دو پایگاه داده های حروف و ارقام دست نویس فارسیHODA و IFHCDB، بیان گر کارایی بهتر روش پیشنهادی، مبتنی بر معیار نرخ تشخیص درست بوده و نرخ تشخیص درست89/91 و 89/93، به ترتیب برای پایگاه داده هایHODA و IFHCDB به دست آمده است. در ادامه، جهت کاهش پیچیدگی محاسباتی روش پیشنهادی، شکل تغییر یافته آن نیز معرفی گردیده است، که نتایج آن بر روی پایگاه داده HODA، نشان دهنده ی کارایی مناسب آن بوده و پیچیدگی محاسباتیرا تا حدود 6 برابر کاهش داده است.
    کلید واژگان: آموزش منیفلد، بازنمایی تنک، کاهش ابعاد، بازشناسی حروف و ارقام دست نویس فارسی
    Rassoul Hajizade, Ali Aghagolzade, Mahdi Ezoji
    In this paper, a sparse representation based manifold learning method is proposed. The construction of the graph manifold in high dimensional space is the most important step of the manifold learning methods that is divided into local and gobal groups. The proposed graph manifold extracts local and global features, simultanstly. After construction the sparse representation based graph manifold, two linear and nonlinear methods are proposed to extracte the embedded data. The proposed method is compared with the common manifold learning methods, LLE, LEM, LPP and PCA. The results on two Persian handwritten databases, HODA and IFHCDB,show the better performance of the proposed method and the recognition rates of 91.89 and 93.89 are achieved on HODA and IFHCDB, respectively. Also, a modification of the proposed method is proposed to reduce the computational complexity. The results on HODA demonstrate the good performance of the modified method and decrease the computational complexity around 6 times.
    Keywords: Manifold Learning, Sparse representation, Dimension Reduction, Persian Handwritten Characters, Digits Recognition
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال