• ورود کاربران دانشگاهی

  • ثبت نام(مطالعه آنلاین پایان نامه ها)

  • سپندا

    کاربر مهمان
    پنجشنبه 2 آذر 1396| 54.146.50.80 :Your IP
    سامانه پایان نامه های دانشگاه اصفهان (سپندا)



    عنوان :
    ارائه روش کدگذاری ترکیبی با استفاده از کدگذاری خطی محلی-محدود و نمایش تنک
    انتشارات : دانشگاه اصفهان
    سال :1394
    زبان : Persian
    شماره سند : 13922
    موضوع :مهندسی کامپیوتر گرایش هوش مصنوعی
    پژوهشگر : مهدی توسلی کجانی
    توصیفگر لاتین : Locality-Constrained Linear Coding ? Sparce coding ? Semisupervised learning ? Label propagation
    توصیفگر فارسی : کد خطی محلی-محدود ◄ کد تنک ◄ یادگیری نیمه نظارتی ◄ انتشار برچسب
    دانشکده : دانشکده مهندسی کامپیوتر، گروه هوش مصنوعی و چندرسان
    مقطع : کارشناسی ارشد

    استاد راهنما : حسین ماهوش محمدی
    استاد مشاور : فادی درنایکا
    سال دفاع : 1394
    شماره رکورد : 13922
    شماره راهنما : COM2 364
    فهرست : فهرست مطالب
    عنوان صفحه
    فصل اول: مقدمه
    1-1 یادگیری ماشین 1
    1-1-1 یادگیری بدون¬نظارت 1
    1-1-2 یادگیری بانظارت 2
    1-1-3 یادگیری تقویتی 2
    1-2 یادگیری نیمه¬نظارتی 2
    1-2-1 یادگیری نیمه¬نظارتی مبتنی بر گراف 3
    1-2-2 اهمیت مسئله ساخت گراف همسایگی 4
    1-3 مدل سازی داده¬ها 4
    1-3-1 فرض همواری نیمه¬نظارتی 5
    1-3-2 فرض خمینه 5
    1-3-3 فرض نمایش تنک داده¬ها 5
    1-4 چالش¬های مسئله¬ی ساخت گراف همسایگی 5
    1-4-1 انتخاب وزن مناسب : 5
    1-4-2 زمان جرا : 6
    1-4-3 دقت: 6
    1-5 نمادگذاری 6
    1-6 جمع¬بندی 7
    فصل دوم :ادبیات مسئله
    2-1 مسئله یادگیری نیمه¬نظارتی مبتنی بر گراف 8
    2-1-1 تعریف ریاضیوار مسئله 9
    2-2 پیش پردازش داده¬ها 9
    2-2-1 انتخاب ویژگی 10
    عنوان صفحه
    2-2-2 کاهش ابعاد 10
    2-3 ساخت گراف همسایگی 12
    2-4 انتشار برچسب 13
    2-4-1 فرضیات 14
    2-4-2 الگوریتم زمینه تصادفی گوسی 14
    2-4-3 الگوریتم سازگاری محلی و عمومی 15
    2-5 جمع¬بندی 16
    فصل سوم :مرور کارهای پیشین
    3-1 گراف همسایگی є-ball: 18
    3-2 گراف K نزدیکترین همسایه 18
    2-3 گراف همسایگی کامل 19
    3-4 گراف جاسازی خطی محلی 20
    3-5 گراف انتشار خطی همسایگی 20
    3-6 گراف b-تطبیق¬کننده 21
    3-7 ساخت گراف تنک 21
    3-7-1 گراف تنک بوسیله کمینه کردن نرم l1 21
    3-8 روش کدگذاری ترکیبی محلی: 24
    3-9 نتیجه گیری 26
    فصل چهارم: روش پیشنهادی
    4-1 بیان مسئله کدگذاری 27
    4-2 روش کدگذاری پیشنهادی 27
    4-2-1 مرحله اول 29
    4-2-2 مرحله دوم 31
    4-3-1 شبه کد مربوط به روش پیشنهادی 34
    عنوان صفحه
    4-4-1 نحوه¬ی ساخت گراف 35
    4-5 جمعبندی 35
    فصل پنجم : ارزیابی عملکرد
    5-1 پایگاه داده¬ها 36
    5-1-1 Extended Yale 36
    5-1-2 PF01 37
    5-1-3 PIE 37
    5-1-4 FERET 38
    5-2 تنظیمات ارزیابی 39
    5-3 ارزیابی عملکرد در حوزه یادگیری نیمه¬نظارتی از طریق انتشار برچسب 39
    5-3-1 تشخیص چهره 39
    5-4 جمع¬بندی 43
    فصل ششم : جمع¬بندی و کارهای آینده
    6-1 جمع¬بندی 44
    6-2 کارهای آینده 45




    چکیده :
    چکیده در این پایان¬نامه یک روش کدگذاری با استفاده از کدگذاری خطی محلی-محدود وزن¬دار و کد تنک توسعه داده می-شود. این روش پیشنهادی دارای دو مرحله می¬باشد. در مرحله اول به منظور کد کردن هر داده بوسیله داده¬های دیگر(بدست آوردن میزان شباهت هر داده به داده¬های دیگر)، روش کدگذاری خطی محلی-محدود وزن¬دار را بر روی داده¬های موجود در پایگاه داده به استثناء داده انتخابی اعمال می¬شود. بعد از بدست آوردن بردار ضرایب برای هر نمونه یک آستانه¬گذاری آماری (میانگین ضرایب بدست آمده برای هر نمونه) بر روی ضرایب بدست آمده اعمال می¬شود . برای هر نمونه، تمامی نمونه¬هایی که ضریب آن¬ها از ضریب آستانه بزرگتر هستند به عنوان مجموعه محلی و بقیه نمونه¬ها به عنوان مجموعه غیر محلی آن نمونه در نظر گرفته می¬شود. در مرحله دوم بعد از بدست آوردن مجموعه محلی و غیر محلی برای تمامی نمونه¬ها، بهینه سازی جایگزینی اعمال خواهد شد، به این صورت که در هر مرحله مجموعه محلی بوسیله روش کدگذاری خطی محلی-محدود وزن دار و مجموعه غیر محلی بوسیله کدگذاری تنک حل خواهد شد. از روش کدگذاری پیشنهادی به منظور ساخت گراف در الگوریتم¬های یادگیری نیمه¬نظارتی مبتنی بر گراف به منظور تشخیص چهره استفاده شده است. روال انجام کار به این صورت است که در ابتدا به منظور کاهش ابعاد تصاویر روش کاهش بعد PCA بر روی تمامی تصاویر، با حفظ 99 درصد واریانس داده اعمال می¬شود. سپس گرافی با استفاده از روش کدگذاری پیشنهادی و براساس کل داده¬های موجود در پایگاه داده ایجاد می¬شود. در نهایت داده¬های موجود در پایگاه داده را به دو مجموعه برچسب¬دار و غیر برچسب¬دار تقسیم و الگوریتم انتشار برچسب GRF (زمینه تصادفی گوسی) به منظور تخمین برچسب داده¬های بدون برچسب اعمال می¬¬شود. نتایج بدست آمده نشان می¬دهد که الگوریتم پیشنهادی نتایج بهتری نسبت به روش¬های مقایسه شده دارد. کلمات واژه¬ها: کد خطی محلی-محدود، کد تنک، یادگیری نیمه¬نظارتی، انتشار برچسب

    چکیده انگلیسی :
    Abstract In this thesis, a hybrid coding method using locality- constrained linear coding and sparse coding is proposed. This method consists of two phases. In the first phase, the locality-constrained linear coding is applied in order to obtain the amount of similarity of each data to the others. When the coefficients vector is calculated for each vector, the mean of coefficients vector is used as a threshold to discriminate local and non-local data sets. If a coefficient is bigger than the threshold it will be considered as a local set otherwise it would be a non-local set. In the second phase, once the two sets are known, an alternating optimization will be performed. In each iteration, local set in solved using weighted locality-constrained linear coding and non-local set is solved using sparse coding. This coding method is used in order to build a graph in semi supervised learning algorithm for face recognition application. In order to reduce the dimension of the data set (input images), PCA method is applied on all images, such that to preserve 99% of the data variance. After that, a graph is built using the proposed coding method with all data samples consists of labeled and unlabeled samples. The GRF propagation algorithm is used to estimate labels of unlabeled samples. Experimental results show that the proposed algorithm have better performance comparing with the other methods. Keywords: Locality-Constrained Linear Coding, Sparce coding, Semi¬supervised learning, Label propagation 


    کلید واژه ها :
    کد خطی محلی-محدود ◄ کد تنک ◄ یادگیری نیمه نظارتی ◄ انتشار برچسب,Locality-Constrained Linear Coding ◄ Sparce coding ◄ Semisupervised learning ◄ Label propagation

    اسفند ماه 1394
    0

    صفحه اول : University of Isfahan Faculty of Computer Engineering Department of Artificial Intelligence Enginnering M.Sc. Thesis Hybrid Coding Using Locality-Constrained Linear Coding and Sparse Representation Supervisors: Dr. Hossein Mahvash Mohammadi Advisor: Profossor Fadi Dornaika By: Mahdi Tavassoli Kejani February
    فصل اول : 1-7
    فصل دوم : 8-16
    فصل سوم : 17-26
    فصل چهارم : 27-35
    فصل پنجم : 36-43
    فصل ششم : 44-51