مقایسه روش های کاهش بعد KPCA و ICA با روش تقسیم داده KCV به کمک دسته بندی شبکه های عصبی المن ELMAN در تشخیص چهره

انتخاب ویژگیها از موضوعات مهم در تشخیص چهره است . از میان انبوه ویژگیهائی که می توان در نظر گرفت باید مشخصکرد که کدام یک واقعا مفید هستند. حذف ویژگیهای بی فایده که عملا منجر به کاهش بعد آنها می شود باعث بالا رفتن سرعتمحاسبات و نهایتا کارائی سیستم می شود بطورکلی می توان روشهای کاهش بعد ویژگی را به دو گروه روشهای انتخابی و روشهای تبدیلی تقسیم نمود. در این مقاله دو روش کاهش بعد تبدیلی شامل آنالیز مولفه های اصلی مبتنی بر هسته KPCA وآنالیز مولفه های مستقل ICA را مورد بررسی قرار داده و با اعمال داده های کاهش بعد یافته به یک سیستم تشخیص چهرهمبتنی بر شبکه عصبی المن ELMAN میزان دقت و سرعت سیستم مذکور را مقایسه می کنیم و در نهایت بهترین روش تبدیلی کاهش بعد انتخاب می نماییم. به منظور بررسی، اثر استفاده از تعداد مولفه های KPCA و ICA در میزان دقت و زماندسته بندی چهره های بانک اطلاعاتی ORL ، مراحل دسته بندی با تعداد مولفه های مختلف انجام و مقایسه گردید. مقایسه نتایج نشان داد تکنیک KPCA زمان آزمایش و آموزش کمتری دارد و سیستم تشخیصچهره به درصدهای بالاتری در شناسائی دست یافت. در حالت بهینه دقت تشخیص 97.1467 % بدست آمد

کلیدواژه ها:

آنالیز مولفه های اصلی مبتنی بر هسته ، آنالیز مولفه های مستقل ، شبکه عصبی المن ، بانک چهره ORL