تشخیص افراد عینکی و غیر عینکی به کمک طبقه بندهای svm ، شبکه عصبی و بیز ساده
تشخیص افراد عینکی و غیر عینکی با الگوریتم های طبقه بندی از جمله svm ، شبکه عصبی و بیز ساده ، هدف از این پروژه شناسایی افراد عینکی و بدون عینک با استفاده از الگوریتم کلاسه‌بندی که در یادگیری ماشین وجود دارد می‌باشد. این طبقه بندها عبارتند از شبکه‌های عصبی ، ماشین بردار پشتیبان و طبقه بند بیز ساده.
تصاویر مورد استفاده در این پروژه به صورت ماتریسی ۳۰*۳۲ می‌باشد که تعداد ۱۵۶ عدد از آن موجود است. که ۵۰ درصد آن تصاویر با عینک و بقیه به صورت بدون عینک بوده است.
پس از خواندن تصاویر آنها را به صورت مجموعه داده در می‌آوریم، جهت این کار هر کدام از تصاویر را به صورت بردار ۹۶۰*۱ در اورده که اگر شخص عینکی باشد، به آن کلاس یک در غیر اینصورت کلاس منفی یک اختصاص داده می‌شود لذا این کار یک طبقه بندی دودویی می‌باشد
تشخیص افراد عینکی و غیر عینکی با طبقه بندهای svm ، شبکه عصبی و بیز ساده
در ادامه توضیحات مختصری در مورد هر یک از موارد خواسته شده در این پروژه را آورده ایم:
بخش شبکه عصبی برای طبقه بندی این داده‌ها
شبکه عصبی مورد استفاده در این پروژه ، شبکه عصبی پرسپترون چند لایه می‌باشد که برای آموزش شبکه از الگوریتم پس‌انتشار خطا استفاده می‌کند، ساختار این شبکه به صورت شکل زیر می‌باشد، که ورودی ها در لایه‌ی ورودی دریافت شده، و پس از پردازش در لایه‌های میانی، به لایه خروجی فرستاده شده، و خروجی شبکه محاسبه می‌گردد.
همانگونه که در شکل بالا مشخص است این شبکه دارای سه لایه اصلی بوده که محاسبات روی آنها صورت می‌گیرد. و لایه‌های متوالی با وزن‌ها که بیانگر ارتباط بین نودها (نرون‌های) هر لایه می‌باشد با هم ارتباط برقرار می‌کنند.
همچنین بخوانید: بررسی و مقایسه طبقه بند بیز ساده و شبکه عصبی بر روی مجموعه داده pim
تعیین مجموعه آموزشی و تست با روش K-fold
در این روش ارزیابی ابتدا مجموعه داده مورد استفاده به k قسمت مساوی تقسیم می‌شود، که k-1 قسمت آن برای آموزش (ساخت) مدل و قسمت باقی‌مانده جهت ارزیابی (آزمون) مدل مورد استفاده قرار می‌گیرد. این فرآیند k بار به صورت مستقل انجام می‌شود به گونه‌ای که در هر تکرار قسمت برای ساخت مدل و قسمت باقی‌مانده جهت ارزیابی انتخاب می‌شوند. در این روش در هر تکرار، تکه‌ای (برشی) از داده که تاکنون برای آزمون به کار نرفته است، جهت آزمون مدل و برش‌های دیگر جهت ساخت مدل به کار می‌رود. در هر بار ساخت مدل، معیارهای ارزیابی روی داده‌های آزمون ذخیره شده، و میانگین آنها برای k بار تکرار به عنوان کارایی نهایی گزارش می‌گردد. فلوچارت این روش ارزیابی، به صورت زیر می‌باشد
نکته‌ای که باید به آن توجه کرد، این است که برای اینکه دقت مدل قابل استناد باشد، و مدل دارای دقت خوبی باشد، مجموعه داده به صورت، طبقه طبقه (Stratify)، می‌باشد، به نحوی که داده‌های هر دو کلاس به صورت مساوی از نظر درصد در هر کدام از بخش ها قرار گرفتند. هنگامی که از این روش استفاده میکنیم در هر بخش ۱۶ تصویر برای تست و ۱۴۰ تصویر دیکر برای آموزش به کار می‌روند.
طراحی یک شبکه عصبی دو و سه لایه با روش Backpropagation
شبکه عصبی طراحی شده، برای این بخش نیز همانند شبکه عصبی توضیح داده در بالا می‌باشد. ساختار شبکه عصبی با دو لایه نهان به صورت شکل زیر است. در این شکل شبکه دارای ۹۶۰ ورودی می‌باشد، و دو خروجی دارد.
ساختار شبکه عصبی با دو لایه نهان به صورت شکل زیر است. در این شکل شبکه دارای ۹۶۰ ورودی می‌باشد، و دو خروجی دارد.
طراحی طبقه بند بیز ساده برای طبقه بندی تصاویر
شبکه بیزین ساده یکی از ساده‌ترین روش‌های کلاسه بندی می‌باشد، و بر خلاف شبکه های عصبی دارای پیچیدگی و پارامترهای کمتری می‌باشد. و با چند بار بررسی مجموعه داده می‌توان این طبقه‌بند را پیاده سازی کرد. در این روش فرض شده است که این طبقه بند از توزیع نرمال پیروی می‌کند. لذا توزیع هر دسته را بدست آورده و کلاسه بند را پیاده سازی می‌نماییم. در این آزمایش از روش hold-out جهت ارزیابی کلاسه بند استفاده شده است. لذا با توجه به اینکه تعداد نمونه‌های مجموعه داده برابر ۱۵۶ می‌باشد، ۱۰۴ نمونه برای آموزش و ۵۲ نمونه برای آزمون شبکه به کار رفتند. برای این مجموعه داده دقت ۸۰٫۴۳ در این کلاسه‌بند به دست آمده است. لازم به ذکر است این کلاسه‌بند مناسب برای حالتی می‌باشد که ویژگی ها از هم مستقل باشند با توجه به اینکه در تصویر این شرایط وجود دارد و پیکسل ها از هم مستقل هستند، استفاده از این طبقه‌بند مشکلی ندارد.
طراحی یک طبقه بند SVM برای طبقه بندی تصاویر
یکی از بهترین طبقه‌بندهای دودویی، ماشین بردار پشتیبان می‌باشد. که دارای مفهوم ریاضی پیچیده می‌باشد. و کاربرد اصلی آن طبقه‌بندی دو کلاسه می‌باشد. در این پروژه از روش hold-out جهت ارزیابی کلاسه بند استفاده شده است. لذا با توجه به اینکه تعداد نمونه‌های مجموعه داده برابر ۱۵۶ می‌باشد، ۱۰۴ نمونه برای آموزش و ۵۲ نمونه برای آزمون شبکه به کار رفتند. در این حالت دقت ۹۳٫۴۷ کسب شده است.
مقایسه مقدار دقت برای هر سه طبقه بند طراحی شده در یک نمودار میله ای
در این بخش، سه روش کلاسه بندی با یکدیگر مقایسه می‌شوند، در نمودار زیر این نتایج آورده شده است. بهترین جواب شبکه عصبی آورده شده است.
کارشناسان وب سایت MATLABDL قادر به انجام پروژه در زمینه های مشابه نیز می باشند.
قیمت پروژه: ۷۹۰۰۰ تومان
حجم : ۱٫۷۰ مگابایت
توضیحات : پیاده سازی در نرم افزار متلب انجام شده است.
کلمات کلیدی: تشخیص افراد عینکی و غیر عینکی به کمک الگوریتم های طبقه,طبقه بند شبکه عصبی,طبقه بند SVM,طبقه بند بیز ساده
منبع : مطلب دی ال
رمز فایل : www.matlabdl.com
دیدگاه خود را ثبت کنید
تمایل دارید در گفتگوها شرکت کنید؟در گفتگو ها شرکت کنید.