تبدیل بر ویژگی ها با استفاده از خطای کلاسبندی کمینه مبتنی بر هسته برای بازشناسی الگو و گفتار

روش های تبدیل وی‍‍ژگی را می توان به دو دسته خطی و غیرخطی تقسیم کرد. روش های تبدیل وی‍ژگی مبتنی بر هسته از جمله روش های غیرخطی هستند که اخیرا مورد توجه بیشتری قرار گرفته اند. در این روش ها، ایده اصلی نگاشت غیرخطی ویژگی ها به فضایی با ابعاد بالاتر است. این نگاشت با هدفها و معیارهای متفاوتی صورت می گیرد. در آنالیز متمایزساز خطی مبتنی بر هسته (KLDA)، معیار تفکیک پذیری بیشتر ویژگی ها در فضای جدید است، حال آنکه در آنالیز مولفه های اصلی مبتنی بر هسته (KPCA)، معیار متعامدسازی ویژگی ها در فضای حاصل است. در مقاله حاضر یک روش جدید مبتنی بر هسته پیشنهاد و فرموله می شود که بر کمینه کردن خطای کلاس بندی در فضای ایجاد شده توسط هسته (KMCE) تکیه دارد. معیارهای بهینه سازی در روش های KLDA و KPCA مستقل از خطای کلاس بندی می باشند در صورتی که در روش پیشنهادی علاوه بر بهره برداری از ایده ی نگاشت غیرخطی هسته، معیار کمینه سازی خطای کلاس بندی نیز مورد نظر قرار می گیرد. نتایج حاصل بر روی دادگان UCI و کلاس بندهای مختلف، نشان می دهند که روش پیشنهادی در مقایسه با روش های تبدیل ویژگی خطی و روش های شناخته شده تبدیل ویژگی مبتنی بر هسته، در مورد کلاس بندهای مبتنی بر فاصله، نرخ بازشناسی بهتری دارد و در مورد کلاس بندهای آماری و مبتنی بر درخت تصمیم نیز کارآیی قابل قبولی دارد. همچنین آزمایشات انجام شده روی دادگان گفتاری Aurora2 عملکرد مطلوب روش پیشنهادی را نسبت به روش های غیرخطی دیگر نشان می دهد.