چکیده
این کار احتمال استفاده از الگوریتم اجزای همبسته برای تفکیک و استخراج مشخصه های ذاتی در موضوعات مورد مطالعه و شبکه های عصبی گسترش متقابل (CPN) مورد توجه قرار داده و قابلیت آموزش تشخیص موضوع و هدف را ارزیابی می نماید. شبکه های عصبی برای تعیین سیستم خروجی وابسته به ورودیهای معین به هیچ مدل ریاضیاتی ای نیاز ندارند. به جای آن، آنها بسان مدلی از برآوردکنندگان آزاد عمل کرده و ورودی آنها به الگوهایی نزدیک است که تا کنون فراگرفته شده اند. شبکه های عصبی بصورت قراردادی برای انواع آشکارسازی خودکار هدف، تشخیص ویژگی، کنترل و غیره استفاده شده اند، اما در مورد تطبیق چندگانه و مجتمع هدف نظیر علامت گذاری، در مقایسه با لوگو گرافیک، متن و ترکیبی پیچیده دارد. CPN بر اساس قاعده ی تراکم در فضای n بُعدی اقلیدسی عمل می کند. نتایج بسیار امیدوارکننده ای از آن مشاهده شده است.
فهرست مطالب
1– مقدمه
2– الگوریتم ها و مدلها
1-2-تقسیم بندی تصویر
2-2-شبکه ی عصبی گسترش متقابل Counterpropagation
3– آزمایشات
1-3- آماده سازی نمونه
2-3-انتخاب ساختار
3-3-عملکرد مدل CPN
4– نتایج
1-مقدمه
نوشته های زیادی در زمینه ی مقایسه ی تصویر وجود دارد اما متأسفانه اکثر آنها برای موضوعات بزرگ و پیچیده ای نظیر علامت گذاری که موضوع بحث ماست، مناسب نیستند. با جستجو برای مقالاتی در این زمینه، مطالب کمی برای مسائل تشخیص یا تطبیق لوگوها یافت می شود. این مسائل با متغیرهای نامتناهی از شکلها و دسته هایی که مورد استفاده قرار می گیرند، بسیار سخت و پیچیده می گردند. این سختی ها به مقیاس مطلق تصویر، ممکن نبودن نقشه برداری مستقیم تصاویر و همچنین فضای ساختار مربوط می شود.
هرچند، تلاشهای اخیر مشکل تطبیق یا تمایز علامت گذاریها را با استفاده از لحظه های نامتغیر و تبدیل بردار ویژه حل کرده اند. اما بحث بر سر این است که نامتغیرهای زمانی ساختار تصویری مناسبی نیستند، چرا که به نویز حساس بوده و از توقف، افت و افزونگی اطلاعات صدمه می بینند. و تبدیل بردار ویژه تنها برای انتقال و مقیاش گذاری نامتغیر است....
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.