در راستای مقایسه بازدهی الگوریتم پیشنهادی با دیگر الگوریتم های مشهور، تست های آماری مانند paired t-test، Wilcoxon و Friedman بکار گرفته شده اند. تست های آماری t-test و Wilcoxon برای مقایسه دو کلاسه بند بر روی مجموعه ای از داده ها بکار می روند، در حالیکه تست آماری Friedman با post-hoc متناظر برای مقایسه […]
برای شناسایی علایم توسط SVM باید در ابتدا به آن آموزش داد، برای اینکار ویژگیهای تصاویر با استفاده از SIFT[1] بدست آورد. مشکلات ناشی از مقیاس[2]،چرخش[3]،اعوجاج معین[4]،تغییر دید سه بعدی، نویز وتغییرات روشنایی تاثیر کمی بر SIFT دارند]76[ ؛ پس بخوبی از عهده تطبیق تصاویر[5] بر می آید]77[. SIFTشامل دو مرحله است: تشخیص نقاط کلیدی
شبکه های عصبی از عناصر عملیاتی ساده ای تشکیل شده است که بصورت موازی با هم در ارتباطند. این عناصر از سیستم عصبی بیولوژیکی الهام گرفته اند. وظیفه این شبکه ها در حالت طبیعی این است که ارتباط بین این عناصر را برقرار کنند. با آموزش این شبکه ها میتوان که آنها را برای کار
کلاس بندی فرآيند پيدا کردن يک مدل توصيف کننده و تميز دهنده برای کلاس های داده ها است. اين مدل بايد به شکلی باشد که بتوان از آن برای پيش بينی کلاس داده هايی که برچسب آن ها نامشخص است، استفاده کرد. کلاس بندی کننده، بوسيله يک مجموعه داده آموزش که برای آن ها برچسب
2-5-1 مفهوم داده‌کاوی در طول دهه گذشته با پیشرفت روزافزون کاربرد پایگاه داده ها، حجم داده های ثبت شده به طور متوسط هر 5 سال 2 برابر می شود. در این میان سازمان هایی موفقند که بتوانند حداقل 7% داده-هایشان را تحلیل کنند. تحقیقات انجام یافته نشان داده است که سازمان ها کمتر از یک
مقدمه مسائل بهينه سازی محدب مقيد، به مسائلی اطلاق می گردد که در آنها يک تابع هدف مشخص را که تابعی محدب (مقعر) از متغيرهای مورد نظر می باشد بر روی يک فضای محدوديت که بر روی متغيرها اعمال می گردد و فضائی فشرده می باشد[68] حداکثر (حداقل) می گردد. اينگونه مسائل، با توجه به
خوشه بندی، سازمان دهی مجموعه ای از الگوها[1] بر اساس شباهت در خوشه ها است. به نحوی که الگوهای داخل یک خوشه شبیه به هم بوده و دارای بیشترین تفاوت با الگوهای خوشه های دیگر باشند. بطور کلی، فرآیند خوشه بندی بصورت یک دسته بندی بدون سرپرست، تعریف می شود که هیچ اطلاع قبلی در
پس از استخراج ويژگي، بحث چگونگي ارتباط ميان ويژگيها و نحوه تعيين ميزان خستگي و عدم تمرکز حواس راننده بر اساس اين ويژگيها مطرح ميشود. تعيين وضعيت راننده يک مسئله طبقهبندي[1] (دستهبندي) محسوب ميشود. سادهترين شکل آن، طبقهبندي وضعيت راننده به دو حالت هوشيار و غيرهوشيار ميباشد. در حالت ديگر ميتوان ميزان هوشياري راننده را
در سيستمهاي نظارت چهره راننده، ويژگيهاي مفيد براي تشخيص خستگي و عدم تمرکز حواس به سه دسته کلي قابل تقسيم است: ويژگيهاي ناحيه چشم ويژگيهاي ناحيه دهان ويژگيهاي ناحيه چهره و سر 1-1-1- ويژگيهاي ناحيه چشم چشم مهمترين عضو چهره است که نشانههاي خستگي و عدم تمرکز حواس در آن ظهور پيدا ميکند. به همين
3-1- مقدمه بسیاری از تصمیم گیرندگان با محیط هایی سرشار از استرس، به شدت رقابتی، با گام سریع و انبوه از اطلاعات مواجه هستند. ترکیب اینترنت که دسترسی سریع به منابع را فراهم می سازد و پیشرفت تکنیک های مختلف هوش مصنوعی، امکان حمایت از روند اخذ تصمیم در شرایط پرمخاطره و غیرقطعی را فراهم