Journal of Iranian Association of Electrical and Electronics Engineers

fa آموزش منیفلد با استفاده از تشکیل گراف منیفلدِ مبتنی بر بازنمایی تنک Manifold Learning based on the Manifold Graph Construction using Sparse Representation مخابرات Communication پژوهشي Research در این مقاله،یک روش آموزش منیفلدِ مبتنی بر بازنمایی تنک معرفیمی‌شود.تشکیل گراف منیفلد در فضای با ابعاد بالا، مهمترین مرحله در روش‌های آموزش منیفلد، جهت استخراج داده‌ها در فضایبا ابعاد پایین است که عموماً به دو دسته محلی و سراسری تقسیم می‌گردند. گراف منیفلد پیشنهادی، به استخراج هم‌زمان ویژگی‌های محلی و سراسری می‌پردازد. پس از تشکیل گراف منیفلدِ مبتنی بر بازنمایی تنک،دو روش خطی و غیرخطی جهت استخراج داده‌های تعبیه شده در منیفلد، معرفیمی شوند. روش پیشنهادی، با روش‌های متداول آموزش منیفلد، مانند LLE، LEM، LPP و PCA، مقایسه و ارزیابی شده است. ارزیابی‌های انجام شده بر روی دو پایگاه داده‌های حروف و ارقام دست‌نویس فارسیHODA و IFHCDB، بیان‌گر کارایی بهتر روش پیشنهادی، مبتنی بر معیار نرخ تشخیص درست بوده و نرخ تشخیص درست89/91 و 89/93، به ترتیب برای پایگاه داده‌هایHODA و IFHCDB به دست آمده است. در ادامه، جهت کاهش پیچیدگی محاسباتی روش پیشنهادی، شکل تغییر یافته آن نیز معرفی گردیده است، که نتایج آن بر روی پایگاه داده HODA، نشان‌دهنده‌ی کارایی مناسب آن بوده و پیچیدگی محاسباتیرا تا حدود 6 برابر کاهش داده است. In this paper, a sparse representation based manifold learning method is proposed. The construction of the graph manifold in high dimensional space is the most important step of the manifold learning methods that is divided into local and gobal groups. The proposed graph manifold extracts local and global features, simultanstly. After construction the sparse representation based graph manifold, two linear and nonlinear methods are proposed to extracte the embedded data. The proposed method is compared with the common manifold learning methods, LLE, LEM, LPP and PCA. The results on two Persian handwritten databases, HODA and IFHCDB,show the better performance of the proposed method and the recognition rates of 91.89 and 93.89 are achieved on HODA and IFHCDB, respectively. Also, a modification of the proposed method is proposed to reduce the computational complexity. The results on HODA demonstrate the good performance of the modified method and decrease the computational complexity around 6 times. آموزش منیفلد, بازنمایی تنک, کاهش ابعاد, بازشناسی حروف و ارقام دست‌نویس فارسی. Manifold Learning, Sparse representation, Dimension Reduction, Persian Handwritten Characters and Digits Recognition. 81 95 http://jiaeee.com/browse.php?a_code=A-10-451-7&slc_lang=fa&sid=1 rassoul hajizade رسول حاجی زاده r.hajizadeh@stu.nit.ac.ir 10031947532846002891 10031947532846002891 Yes Department of Electrical and Computer Engineering , Babol Noshirvani University of Technology, Babol, Iran. دانشکده مهندسی برق و کامپیوتر - دانشگاه صنعتی نوشیروانی بابل ali aghagolzade علی آقاگل زاده aghagol@nit.ac.ir 10031947532846002892 10031947532846002892 No Department of Electrical and Computer Engineering , Babol Noshirvani University of Technology, Babol, Iran. دانشکده مهندسی برق و کامپیوتر - دانشگاه صنعتی نوشیروانی بابل mahdi ezoji مهدی ازوجی m.ezoji@nit.ac.ir 10031947532846002893 10031947532846002893 No Professor, Department of Electrical and Computer Engineering , Babol Noshirvani University of Technology, Babol, Iran. دانشکده مهندسی برق و کامپیوتر - دانشگاه صنعتی نوشیروانی بابل