تبلیغات

تبلیغات متنی

خرید اکانت اسپاتیفای

کاشت ابرو

لمینت دندان

ونداد کولر

لیست قیمت گوشی شیائومی

تعمیر گیربکس اتوماتیک

دیزل ژنراتور موتور سازان

آموزش آرایشگری رایگان

طراحی سایت تهران سایت

آموزش ارز دیجیتال در تهران

شاپیفای چیست

فروش اقساطی ایران خودرو

پراپ تریدینگ معتبر ایرانی

کرم ضد آفتاب لاکچری کوین SPF50

تسکین فوری درد بواسیر

دانلود کتاب صوتی

تعمیرات مک بوک

محبوبترینها

قیمت دیگ بخار و تولیدکننده اصلی دیگ بخار

معروف‌ترین هدیه و سوغاتی یزد مشخص شد!

آشنایی با انواع دوربین مداربسته ضد آب

پرداخت اینترنتی قبوض ساختمان (پرداخت قبض گاز، برق و آب)

بهترین دوره آموزش سئو محتوا در سال 1403 با نام طوفان ۱۴۰۳ در فروردین ماه شروع می شود

یک صرافی ارز دیجیتال چه امکاناتی باید داشته باشد؟

تعمیرگاه مجاز تعمیر ماشین لباسشویی در شرق تهران

جراحی و درمان ریشه دندان عفونی با خانم دکتر صفوراامامی

چه مواردی بر قیمت کابین دوش حمام تاثیر دارند؟

قیمت لوله داربست و انواع آن

آمار وبسایت

تعداد کل بازدیدها : 1797877097

شبکه عصبی فازی انعطاف پذیر برای شناسایی اثرانگشت

واضح آرشیو وب فارسی:فان پاتوق: مقدمه:
شناسایی عبارت است از هنر تشخیص یک شیء به کلاسی از الگوها که به آن تعلق دارد که به زبان ریاضی یعنی تشخیص الگوهای ورودی به یکی از طبقاتی که فضای چند بعدی اقلیدسی برای تصمیم گیری به تعداد متناهی از آن ها تقسیم شده است. [1]
با توجه به این که هر شخص الگوی اثرانگشت منحصر به فرد خود را داراست و کثرت این الگوها به تعداد افراد بشر، پیچیدگی و انعطاف پذیری بی بدیل این الگو آشکار می گردد(تغییرات و دگرگونی های مختلف حتی تصویر یک انگشت بسته به ابزار اخذ تصویر، میزان آلودگی و رطوبت انگشت و حتی میزان فشار وارده بر صفحه اخذ تصویر اثر و نحوه قرار دادن آن روی این صفحه، تصاویر مختلف و متفاوتی از آن انگشت بدست می دهد.)
طبق موارد ذکر شده سیستم تشخیص الگو علاوه بر جبران چرخش، دگرگونی و تغییر اندازه این الگو، بایستی قابلیت تصمیم گیری در مورد جابه جایی، حذف و اضافه شدن مشخصه های الگو را نیز دارا باشد.بنابراین ما در اینجا با تصاویر و الگوهای کاملا پویا و غیر قطعی سروکار داریم و لذا مسئله اثرانگشت هنری است که وابستگی زیادی به تجربه و معرفت افراد خبره و مهارت های تجربی دارد.
شبکه عصبی (Neural Network)NN یک ساختار عظیم موازی، متشکل از تعداد زیادی عناصر پردازشگر است که از طریق وزنها با یکدیگر در ارتباطند. [1] شبکه عصبی دارای قابلیت پردازش موازی، توانایی یادگیری و اخذ تصمیم می باشد که به صورت مدل پردازش موازی توسعه یافته PDP (Parallel Distributed Processing) بیان می شود. [3] [2]
شبکه های عصبی NN در مسائل تشخیص الگو بویژه در سیستم های مستقل از انتقال و تغییر اندازه الگو مورد بررسی قرار گرفته و کاربرد دارند؛ مانند کارهای Fukumi و Lisoba برای تشخیص الگوهای مستقل از چرخش و دگرگونی [4]، اما در شبکه های اینچنینی تعداد وزن ها با مرتبه ی شبکه بالاتر رفته و ساختار شبکه پیچیده تر می شود.
از طرف دیگر عقیده بر این است که یادگیری مغز انسان نه تنها از ادراک دقیق بوده، بلکه از تصاویر کلی و پیچیده نامفهوم نیز تا ثیر می پذیرد لذا مسئله گروه بندی و تشخیص با عدم اطمینان مسئله مهمی در تشخیص الگو بوده و بنابراین تئوری شبکه فازی خود را به عنوان یک اهمیت ارزشمند در مسائل تشخیص الگو مطرح نموده است.[5],[6]
ترکیب مشخصه های سیستم های فازی (توانایی پردازش اطلاعات فازی با استفاده از الگوریتم های فازی) و خصوصیات شبکه های عصبی (قابلیت یادگیری و ساختار موازی سرعت بالا) هدف ما برای تشکیل یک شبکه عصبی فازی با قابلیت یادگیری از محیط است. یکی از روش های نوین ترکیب این دو سیستم استفاده از نرون های فازی در شبکه های عصبی است که بسته به قابلیت ها و انعطاف پذیری فوق العاده ی عملگرهای فازی کاربرد آن در حال توسعه است. از جمله این فعالیت ها معرفی یک مدل نرون فازی ساده توسط Yamakava و استفاده از آن در یک شبکه عصبی برای تشخیص کاراکترها منتهی بدون ذکر الگوریتم یادگیری این شبکه بوده است.[7]
Cai و Kwan نیز یک شبکه عصبی – فازی متشکل از نرون های فازی برای تشخیص حروف و اعداد معرفی نموده اند.[8] این شبکه با وجود انعطاف پذیری خوبی که دارد منتهی کار خوشه بندی (Clustering) را به جای کلاس بندی (Classifying) دقیق با استفاده از الگوریتم یادگیری بدون ناظر به انجام می رساند.
نیخیل (Nikhil) و گوتام (Gautam) در سال 1999 طی بررسی مجدد این شبکه برای بهینه سازی عملکرد آن با استفاده از (Soft Computing) تعریف برخی از نرون های فازی را تغییر داده و یک رابطه برای تعیین پارامترهای شبکه با استفاده از بردارهای برچسب کلاس (Class label vectors) ذکر کرده اند.[9]
ما در این مقاله از تعدادی از نرون های فازی معرفی شده در مرجع [8] استفاده کرده و قسمتی از ساختار شبکه ی معرفی شده توسط Cai و Kwan را در شبکه پیشنهادی خود به کار برده ایم، منتهی با تعریف نرون های جدید و افزودن یک لایه مکمل ساختار شبکه را تا حد زیادی بهبود داده ایم به گونه ای که شبکه کاملا به یک شبکه ی کلاسه بندی کننده تبدیل شده است و دقت تشخیص شبکه برای کاراکترهای حرفی و عددی نسبت به شبکه ابداعی Cai و Kwan افزایش قابل ملاحظه ای یافته و به 100% تشخیص درست رسیده است.
در بخش اول ما پس از تعریف نرون فازی، به معرفی نرون های فازی مورد استفاده در شبکه می پردازیم و در بخش های بعدی با ذکر ساختار ابتدایی شبکه ی Cai و Kwan که متشکل از 4 لایه رو به جلو است، به بررسی مشکلات و کاستی های شبکه پرداخته و راه بهبود آن را با افزودن یک طبقه ی پیشنهادی به شبکه قبل و طرح شبکه جدید 5 لایه ی روبه جلوی کلاسه بندی کننده همراه با تعریف نرون های جدید بیان می داریم.
درک ساختار و عملکرد این FNN ساده و قابل فهم و سرعت یادگیری و شناسایی آن زیاد است و طبقات سوم، چهارم و پنجم آن طی فرآیند یادگیری سازماندهی می شوند. در قسمت آخر به بررسی عملکرد و ذکر نتایج بدست آمده از آن در هنگام اعمال الگوهای اثرانگشت می پردازیم.
نرون های فازی (Fuzzy Neurons, FNs)
الف- تعریف نرون فازی:
یک نرون فازی N ورودی وزن دار (wi , xi , i=1 to N) و M خروجی
(j=1 to M) را داراست تمام ورودی ها و وزن ها مقادیر حقیقی بوده و خروجی ها نیز مقادیر حقیقی مثبتی در بازه [0,1] می باشند، که در حقیقت بیانگر یک مقدار عضویت در مفهوم فازی هستند. یعنی خروجی ها بینگر این واقعیتند که یک الگوی ورودی با آرایه {x1 , x2 ,…, xN} تا چه حد به یک مجموعه فازی در نظرگرفته شده تعلق دارد.
شکل (1) نرون فازی را که در این تحقیق مورد استفاده قرار گرفته است نشان داده و روابط آن نیز در ذیل آن بیان شده است.[13]

روابطی که بر عملکرد این نرون حاکم است عبارتند از:
(h a تابع اجتماع (Aggregation Function) : در اینجا z ورودی خالص (Net Input) نرون فازی می باشد.

(f b تابع فعالیت:

(gj[ ] c تابع خروجی (Output Function) شبکه FN است.

که توابع عضویت الگوهای ورودی به شکل آرايه

را در تمام M مجموعه فازي بيان خواهد كرد. در نتيجه نرون هاي فازي مي توانند اطلاعات فازي را توضيح داده و پردازش نمايند.
در حالت كلي، وزن ها، آستانه فعاليت و توابع خروجي كه بيانگر روابط داخلي نرون هاي فازي و تعامل آن ها با يكديگر مي باشند، مي توانند در طي فرايند يادگيري تنظيم شوند بنابراين نرون هاي فازي تطبيق پذيرند (Adaptive) و يك شبكه عصبي_فازي تشكيل شده از نرون هاي فازي، قابليت آموزش و يادگيري از محيط را با الگوهاي مختلف داراست.

توابع اجتماع و فعاليت از خصوصيات ذاتي يك نرون فازي مي باشند و اگر توابع متفاوتي از

در نرون ها استفاده شوند، اين نرون ها خصوصيات و ويژگي هاي متفاوتي خواهند

داشت و مشخصات آن ها تغيير خواهد كرد لذا انواع زيادي از نرون هاي فازي را مي توان با انتخاب

تعريف نمود.
در ابتدا پنج نوع نرون فازي مورد استفاده در شبكه را به صورت زير تعريف مي كنيم.
1- نرون فازي ورودي (Input-FN)
هنگامي كه از يك FN در لايه ورودي يك FNN به گونه اي استفاده شود كه داشته باشيم

2- نرون فازي بيشينه (Maximum-FN (Max-FN))
هنگامي كه تابع به كار رفته به عنوان تابع اجتماع يك نرون فازي، تابع بيشينه ياب باشد

3- نرون فازي كمينه (Minimum-FN (Min-FN))
هنگامي كه تابع اجتماع نرون فازي به صورت كمينه ياب عمل كند.

4- نرون فازي رقابتي (Competitive-FN (Comp-FN))
در صورتي كه FN داراي يك آستانه متغيير T و فقط يك خروجي به فرم زير داشته باشد.

جايي كه s وضعيت FN بوده، تابع

يك تابع آستانه مي باشد و

به صورت تابع

مبدل متغييرهاي مقايسه اي FN مي باشد.
5- نرون فازي جمع كننده (SUM-FN)

كه اين نرون مجموع ورودي ها را محاسبه مي نمايد.
ب- ساختار ابتدايي شبكه عصبي_فازي مورد استفاده:[8]
شبكه مورد استفاده در حقيقت داراي چهار لايه پيش رو متشكل از نرون هاي فازي تعريف شده مي باشد كه ساختار آن در شكل (2) نمايش داده شده است.

1-لايه نخست
هر نرون ورودي در اين لايه مطابق با يك پيكسل (Pixel) الگوي ورودي است كه مي تواند هم مستقيما مقدار واقعي پيكسل هاي تشكيل دهنده ي تصوير ورودي ما باشد (چنانكه در مورد الگوهاي حروف الفبا مورد استفاده قرار گرفته) و هم مي تواند حاوي مقدار كدگذاري شده (Encoded) مشخصه هاي مورد نظر طراح از تصوير ورودي باشد. (همان كاري كه در اين تحقيق براي تطبيق اثرانگشت انجام داده ايم). در اين لايه از نرون هاي ورودي (Input-FN) استفاده شده است.
بسته به تصاوير دو بعدي مورد استفاده ، FNهاي ورودي اين لايه به صورت دو بعدي نمايش داده شده و شماره گذاري شده اند. اگر الگوهاي ورودي ما يك ماتريس