Signal and Data Processing
پردازش علائم و دادهها
JSDP
Engineering & Technology
http://jsdp.rcisp.ac.ir
1
admin
2538-4201
2538-421X
10.61882/jsdp
1
8888
fa
jalali
1389
6
1
gregorian
2010
9
1
7
1
online
1
fulltext
fa
اعمال تبدیل بر ویژگیها با استفاده از خطای کلاسبندی کمینه مبتنی بر هسته برای بازشناسی الگو و گفتار
Feature transformation using kernel minimum classification error (KMCE) for pattern and speech recognition
مقالات پردازش گفتار
Paper
پژوهشي
Research
<a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);"></a>
<table border="0" cellpadding="0" cellspacing="0" height="500" width="900">
<tbody>
<tr>
<td bgcolor="#ffffff" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top">
<table border="0" cellpadding="0" cellspacing="0" width="100%">
<tbody>
<tr>
<td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top">
<table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="500" width="100%">
<tbody>
<tr>
<td dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top">
<table border="0" cellpadding="0" cellspacing="5" width="100%">
<tbody>
<tr>
<td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;">
<center>
<center>
<table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="30" width="100%">
<tbody>
<tr>
<td bgcolor="#FFFFFF" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;">
<table border="0" cellpadding="10" cellspacing="0" width="100%">
<tbody>
<tr>
<td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;">
<p align="justify" style="line-height: 18px;"><a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);">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.</a></p>
</td>
</tr>
</tbody>
</table>
</td>
</tr>
</tbody>
</table>
</center>
</center>
</td>
</tr>
</tbody>
</table>
</td>
</tr>
</tbody>
</table>
</td>
</tr>
</tbody>
</table>
</td>
</tr>
</tbody>
</table>
As
تبدیل ویژگی, آنالیز تفکیک پذیری خطی, روش آنالیز مولفه اصلی, خطای کلاس بند کمینه, تابع هسته
Feature Transformation, Linear Discriminant Analysis, Principal Component analysis, Minimum Classification Error, Kernel Function
3
18
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-27-1&slc_lang=fa&sid=1
Behzad
Zamani Dehkordi
بهزاد
زمانی دهکردی
bzamani@iust.ac.ir
10031947532846004309
10031947532846004309
Yes
دانشگاه علم و صنعت ایران
ahmad
akbari
احمد
اکبری
akbari@iust.ac.ir
10031947532846004310
10031947532846004310
No
دانشگاه علم و صنعت ایران
Babak
Nasersharif
بابک
ناصرشریف
nasser_s@iust.ac.ir
10031947532846004311
10031947532846004311
No
دانشگاه علم و صنعت ایران