دوره 7، شماره 1 - ( 6-1389 )                   جلد 7 شماره 1 صفحات 18-3 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zamani Dehkordi B, akbari A, Nasersharif B. Feature transformation using kernel minimum classification error (KMCE) for pattern and speech recognition. JSDP 2010; 7 (1) :3-18
URL: http://jsdp.rcisp.ac.ir/article-1-723-fa.html
زمانی دهکردی بهزاد، اکبری احمد، ناصرشریف بابک. اعمال تبدیل بر ویژگیها با استفاده از خطای کلاسبندی کمینه مبتنی بر هسته برای بازشناسی الگو و گفتار. پردازش علائم و داده‌ها. 1389; 7 (1) :3-18

URL: http://jsdp.rcisp.ac.ir/article-1-723-fa.html

اعمال تبدیل بر ویژگیها با استفاده از خطای کلاسبندی کمینه مبتنی بر هسته برای بازشناسی الگو و گفتار
بهزاد زمانی دهکردی* ، احمد اکبری ، بابک ناصرشریف
دانشگاه علم و صنعت ایران
چکیده:   (4597 مشاهده)

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.
واژه‌های کلیدی: تبدیل ویژگی، آنالیز تفکیک پذیری خطی، روش آنالیز مولفه اصلی، خطای کلاس بند کمینه، تابع هسته
متن کامل [PDF 1020 kb]   (1446 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش گفتار
دریافت: 1389/6/31 | پذیرش: 1389/6/31 | انتشار: 1389/6/31 | انتشار الکترونیک: 1389/6/31
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.