@ARTICLE{Zamani Dehkordi, author = {Zamani Dehkordi, Behzad and akbari, ahmad and Nasersharif, Babak and }, title = {Feature transformation using kernel minimum classification error (KMCE) for pattern and speech recognition}, volume = {7}, number = {1}, abstract ={روشهای تبدیل وی‍‍ژگی را می توان به دو دسته خطی و غیرخطی تقسیم کرد. روشهای تبدیل وی‍ژگی مبتنی بر هسته از جمله روش های ‏غیرخطی هستند که اخیراً مورد توجه بیشتری قرار گرفته اند. در این روشها، ایده اصلی نگاشت غیرخطی ویژگیها به فضایی با ابعاد بالاتر ‏است. این نگاشت با هدفها و معیارهای متفاوتی صورت می گیرد. در آنالیز متمایزساز خطی مبتنی بر هسته ‏‎(KLDA)‎، معیار تفکیک پذیری ‏بیشتر ویژگیها در فضای جدید است، حال آنکه در آنالیز مولفه های اصلی مبتنی بر هسته ‏‎(KPCA)‎، معیار متعامدسازی ویژگیها در فضای ‏حاصل است. در مقاله حاضر یک روش جدید مبتنی بر هسته پیشنهاد و فرموله می‎ ‎شود که بر کمینه کردن خطای کلاس بندی در فضای ‏ایجاد شده توسط هسته ‏‎(KMCE)‎‏ تکیه دارد. معیارهای بهینه سازی در روشهای ‏KLDA‏ و ‏KPCA‏ مستقل از خطای کلاس بندی می باشند ‏در صورتی که در روش پیشنهادی علاوه بر بهره برداری از ایده ی نگاشت غیرخطی هسته ، معیار کمینه سازی خطای کلاس‎ ‎بندی نیز مورد نظر ‏قرار می گیرد. نتایج حاصل بر روی دادگان ‏UCI‏ و کلاس بندهای مختلف، نشان می دهند که روش پیشنهادی در مقایسه با روشهای تبدیل ‏ویژگی خطی و روش های شناخته شده تبدیل ویژگی مبتنی بر هسته، در مورد کلاس بندهای مبتنی بر فاصله، نرخ بازشناسی بهتری دارد و ‏در مورد کلاس بندهای آماری و مبتنی بر درخت تصمیم نیز کارآیی قابل قبولی دارد. همچنین آزمایشات انجام شده روی دادگان‎ ‎‏ گفتاری ‏Aurora2‎‏ عملکرد مطلوب روش پیشنهادی را نسبت به روشهای غیرخطی دیگر نشان می دهد. }, URL = {http://jsdp.rcisp.ac.ir/article-1-723-fa.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-723-fa.pdf}, journal = {Signal and Data Processing}, doi = {}, year = {2010} }