دانلود با لینک مستقیم و پر سرعت .
نوع فایل: word
قابل ویرایش 136 صفحه
چکیده:
موضوعی که در این مقاله مورد بررسی قرار گرفته شبکه های عصبی است ، که شامل موضوعاتی از قبیل شبکه عصبی چیست ، چرا ازشبکه های عصبی استفاده کنیم ، شامل چه مواردی است ، ازچه بخش هایی تشکیل شده ،چه کاربردی دارد و اینکه چگونه کار می کند ، می باشد.از آنجا که شبکه های عصبی نسل جدیدی از شبکه می باشد لذا دارای دنیایی از اطلاعات جدید در زمینه شبکه و علم آن است.از جمله نتایج ارزشمند این مقاله می توان به آشنایی با شبکه عصبی و طریقه کار آن ، که پایه و مقدمه ای برای آشنایی هر چه بیشتر با این علم جدید می باشد.
امروزه شبکههای عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو، مسائل دستهبندی و کنترل به کار میروند. در کنترل یا مدلسازی سیستمهایی که ساختار داخلی ناشناخته یا بسیار پیچیدهای دارند شبکه عصبی خود تابع کنترل را یاد خواهد گرفت. در حال حاضر تعداد بسیار زیادی از انواع مختلف شبکههای عصبی مصنوعی وجود دارند که به صورت خلاصه عبارتند از: شبکههای پرسپترون چند لایه ، کوهونن، هاپفیلد... که این شبکهها نیز خود با روشهای مختلفی آموزش میبینند. از جمله کاربردهای این بحث میتوان از شناسایی الگوها, پردازش تصویر و رویت, هوش مصنوعی, کنترل رباتها و موارد بسیار دیگر نام برد.
ما در اینجا پس از مقدمه به مسائل در خور شبکههای عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه پرسپترون ها را که یکی از مهمترین الگوریتمهای شبکههای عصبی مصنوعی میباشد معرفی میکنیم.
واژه های کلیدی: شیکه های عصبی،نرون ها ، پرسپترون ، پردازش چهره و تصویر
مقدمه:
1-1-1شبکه عصبی چیست؟
شبکه های عصبی مصنوعی الگویی برای پردازش اطلاعات می باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده اند.عنصر کلیدی این الگو ساختار جدید سیستم پردازش اطلاعات آن می باشد و از تعداد زیادی عناصر (نرون) با ارتباطات قوی داخلی که هماهنگ با هم برای حل مسائل مخصوص کار می کنند تشکیل شده اند. شبکه های عصبی مصنوعی با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کند که به این عمل یادگیری می گویند. اصولاً توانایی یادگیری مهمترین ویژگی یک سیستم هوشمند است. سیستمی که بتواند یاد بگیرد منعطف تر است وساده تر برنامه ریزی می شود، بنابراین بهتر میتواند در مورد مسایل و معادلات جدید پاسخگو باشد.
شبکه های عصبی شبیه به مغز انسان اطلاعاتی را پردازش می.کنند. شبکه از تعداد زیادی سلول های عصبی تشکیل شده با پردازشی بسیار بزرگ و به هم پیوسته که در حل موازی مسائل ویژه مشغول به کارند.
یادگیری شبکه های عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامه ریزی نشده اند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.
شبکه های عصبی مصنوعی یک ترکیبی از مجموعه نرون هاست و البته نرونهای مصنوعی ای که بسیار شبیه به نرونهای زیستی کار می کنند. و بدین گونه است که ورودی های زیادی با وزنهای مختلف می گیرد و یک خروجی که به ورودی وابسته است تولید می کند. نرونهای زیستی می توانند در حال برانگیزش باشند یا نباشند)وقتی یک نرون برانگیخته می شود ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است. (
شبکه های عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را دارند که بطور عمومی به ورودی های غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها می آموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعه ای از الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو می باشد وکمترین تفاوت را با ورودی دارد انتخاب می کند. این روال عموما فراخوانی می شود.
مثال:
وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شده اند و وقتی ورودی های 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که نرونها مایلند برانگیخته شوند وقتی که ورودی ها 0111 ، 1011 ، 1101 ، 1110 یا 1111 باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به برانگیخته شدن نیستند.
شناسایی الگوهای پیچیده سطح بالا می تواند به وسیله شبکه ای از نرونها انجام شود و بدین ترتیب نام آن را شبکه های عصبی مصنوعی گذاشتند. اکنون شبکه های عصبی کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامی تواند به طور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکه های عمومی که برای شناسایی الگوها استفاده می شوند Feed-Forward نامیده می شدند زیرا آنها یک بازخورد داشته و به طور ساده ورودی ها را با خروجی ها می آمیختند. اما این شناسایی الگوها به تدریج کاملتر شده به طوری که بر روی کامپیوترهای عمومی با سیستم خاص خودشان به سختی انجام می شده پس برای شناسایی الگوها شبکه های Feed-Forward کافی نبودند.
در شبکه های عصبی خروجی هر نرون به ورودی نرونهای مجاورش متصل شده است. شبکه های عصبی نمی توانند معجزه کنند اما اگر به درستی استفاده شوند نتایج شگفت انگیزی خواهند داشت.
فهرست مطالب:
چکیده
فصل اول
1-1مقدمه ای بر شبکه های عصبی
1-1-1شبکه عصبی چیست؟
1-1-2 ساختار شبکه های عصبی
1-1-3 کاربردهای شبکه های عصبی مصنوعی (ANN)
1-1-5 قوانین برانگیختگی
1-1-6 شبکه عصبی مصنوعی ساده
1-1-7 شبکه های عصبی بر مبنای روش آموزش
حافظههای تناظری
1-1-8 مزایای شبکههای عصبی
1-1-9 کاربرد شبکه های عصبی
1-1-10 معایب ANN ها
1-2 نورون مصنوعی
1-3 نرون پیچیده تر
1-4 نرون ساده
1-5 پرسپترون
1-5-1پرسپترون های ساده
1-5-2قدرت پرسپترون
1-5-3دنباله های پرسپترون
1-5-4 یادگیری یک پرسپترون
فصل دوم
2-1 آشنایی با مفاهیم اولیه در پردازش تصویر
پردازش تصویر چیست ؟
2-1-1 پردازش تصاویر
2-1-2 کاربردهای پردازش تصویر
کاربرد های پردازش تصویر در حمل و نقل
2-1-3 مقدمه پردازش تصویر
در یافت تصویر ورودی
پیش پردازش تصویر
پردازش تصویر
آنالیز تصویر
2-1-4 تصویر دیجیتالی
تصویر دیجیتالی چیست ؟
2-1-5 مفاهیم اولیه در پردازش تصویر
2-1-5-1 مفهوم پیکسل در پردازش تصویر
2-1-5-2 مفهوم عمق بیتی
2-1-5-3 مفهوم بعد یک تصویر
اندازۀ واقعی تصویر ندارند.
2-1-5-4 چگونگی تشکیل رنگ در چشم انسان
2-2 پردازش تصاویر رنگی
2-3 انواع مدل رنگ
2-3-1 مدل رنگ RGB
2-3-2 مدل رنگ CMY
2-3-3 مدل رنگ YIQ
2-3-4 مدل رنگ HIS
2-4 انواع پردازش تصویر
برای پردازش تصویر روش های مختلفی وجود دارد که 4 روش از آنها را مورد بررسی قرار می دهیم.
2-4-1 پردازش نقطه ای
2-4-2 پردازش سطحی
2-4-3 پردازش هندسی
2-4-4 پردازش قاب
2-5 RayTracing
نحوه عملکرد
کاربردها
2-6 ارزش پیکسل
2-7 اتصالات پیکسل ها در تصاویر
2-8 درونیابی
2-8-1 Nearest Neighbor Interpolation
2-8-2 Bilinear Interpolation
2-8-3 Bicubic Interpolation
2-8-4 Fractal Interpolation
2-9 انواع تصویر
2-9-1 تصاویر دودوئی (Binary)
2-9-2 تصاویر grayscale
2-9-3 تصاویر RGB
2-9-4 خاکستری (Grayscale) کردن تصویر
2-10 تفریق دو تصویر
2-11 جمع دو تصویر
2-12 مکمل کردن تصویر
2-13 میانگین گیری از تصویر
2-14 هیستوگرام تصویر
2-15 تعدیل هیستوگرام
2-16 فشردهسازی تصاویر
2-16-1 روش JPEG
2-16-2 روش MPEG
2-16-3 روش MP3
2-16-4 روش MPEG2
2-16-5 روش MPEG4
روش توانایی جبران خطا و ارائه تصویر با کیفیت بالا را دارد. مسئله خطا و جبران آن در مورد
2-17 تصاویر آنالوگ
منابع
منابع و مأخذ:
[1]Richard E. Woods Rafael C. Gonzalez Digital Image Processing
[2]Simon Hayek Neural Networks: A Comprehensive Foundation
[3] Gabor Szedo, Color-Space Converter: RGB to YCrCb, August 27, 2007
[4] Wenmiao Lu and Shaohua Sun,Face Detection in Color Images, Department of Electrical Engineering Stanford University, 2003
[5] Scott Tan Yeh Ping (yptan@stanford.edu),(etc), FACE DETECTION THROUGH TEMPLATE MATCHING AND COLOR SEGMENTATION, 2003
[6]Cheryl Lam,(etc), Face Detection, 2003
[7]Angela Chau,(etc), The Detection of Faces in Color Images,Dept. of Electrical Engineering Stanford University.Stanford, CA 94305, , 2003
[8] Siddharth Joshi,(etc),Digital Image Processing FACE DETECTION, 2003
[9 ] Michael Bax,(etc), FACE DETECTION AND GENDER RECOGNITION, , 2003
[10] Peter Brende,(etc), Face Detection, 2003
[11] Ping Hsin Lee, Face Detection, 2003
[12] Diedrick Marius,(etc), Face Detection Using Color Thresholding, and Eigenimage Template Matching Digital Image Processing Project, 2003
[13] Michael Padilla and Zihong Fan, Automatic Face Detection Using Color Based Segmentation and Template/Energy Thresholding, Department of Electrical Engineering Stanford University, 2003
[14] Scott Leahy, Face Detection on Similar Color Photographs, Digital Image Processing Stanford University, 2003
[15] Science and Network Security, IJCSNS International Journal of Computer , VOL.9 No.2, February 2009
[16] Kim, Jin Hyun, Robust Face Detection, 2003
[17] Robust Face Detection , Centre for Multimedia Signal Processing Department of Electronic and Information Engineering DigitalImageProcessing-Gonzalez, Hong KongThe Hong Kong Polytechnic University,2008
[18] Henry A. Rowley Shumeet Baluja Takeo Kanade, Human Face Detection in Visual Scenes, CMU-CS-95-158R School of Computer Science Carnegie Mellon University Pittsburgh, PA 15213,2009
[19] Bernd Heisele,(etc), Component-based Face Detection, Center for Biological and Computational Learning, M.I.T., Cambridge, MA, USA
[20] Honda R&D Americas, Inc., Boston, MA, USA Department of Information Engineering, University of Siena, Siena, Italy,2007
[21] H. Beigy and M. R. Meybodi, “Optimization of topology of neural networks using learning automata.” Proc. of 4th Annual Int. Computer Society of Iran Computer Conf. CICC-98, Tehran, Iran, PP. 417- 428(In Persian), 1999.
[22] H. Beigy and M. R. Meybodi, “A learning automata based algorithm for determination of optimal number of hidden units in three layers feedforward neural networks.” Journal of Amirkabir, Tehran, Iran (In Persian), 1999.
[23] M. R. Meybodi and H. Beigy, “Neural Network engineering using learning automata: determination of desired size for three layer feedforward neural network.” Technical Reports, Computer Eng. Dept. Amirkabir University of Technology, Tehran, Iran (In Persian), 1999.
[24] Webb, R. Andrew, “Statistical Pattern Recognition,” John Wiley & Sons , 2nd Edition, July 2002. [25] G. A. Carpenter and S. Grossberg, “A massively parallel architecture for a self-organizing neural pattern recognition machine.” Computer Vision, Graphics and Image Processing, 37:54-115, 1987.
[26] G. A. Carpenter, S. Grossberg, and D. B. Rosen, “ART 2-A: An adaptive resonance algorithm for rapid category learning and recognition,” Neural Networks, vol. 4, pp. 493–504, 1991.
[27]DEAN G. PURCELL The face-detection effect: Configuration enhances detection Oakland University, Rochester Hills, Michigan,2003
[28] ALAN L. STEWART, The face-detection effect: Configuration enhances detection Stevens Institute of Technology, Hoboken, New Jersey,2003
[29] Chin-Chuan Han,(etc), Fast Face Detection via Morphology-based Preprocessing, Institute of Information Science, Academia Sinica, Nankang, Taipei, Taiwan, Institute of Computer Science and Information Engineering, National Central University, Chung-Li, Taiwan ,Department of Computer Science and Information Engineering, Fu Jen University, Taiwan,2003
[30] International Journal of Computer Vision 57(2), 137–154, 2004 c_ Kluwer Academic Publishers. Manufactured in The Netherlands.,2004
[31]MICHAEL J. JONES, Robust Real-Time Face Detection Mitsubishi Electric Research Laboratory, 201 Broadway, Cambridge, MA 02139, USA Received September 10, 2001; Revised July 10, 2003; Accepted July 11, 2003
[32] Henry A. Rowley,(etc), Neural Network-Based Face Detection, Copyright 1998 IEEE
[33] A Survey Ming-Hsuan Yang, Member, IEEE,(etc), Detecting Faces in Images IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 24, NO. 1, JANUARY 2002
[34] Black, M., & Yacoob, Y. (1995). Tracking and recognizing rigid and nonrigid facial motions using local parametric models of image motion. Proceedings of IEEE Fifth International Conference on Computer Vision, 374–381.
[35] Black, M., & Yacoob, Y. (1997). Recognizing facial expressions in image sequences using local parameterized models of image motion. International Journal of Computer Vision, 25, 23–48.
[36] Rosenblum, M., Yacoob, Y., & Davis, L. S. (1996). Human expression recognition from motion using a radial basis function network architecture. IEEE Transactions on Neural Networks, 7, 1121–1138.
[37] Matsugu, M., Mori, K., Ishii, M., & Mitarai, Y. (2002). Convolutional spiking neural network model for robust face detection. Proceedings of the Ninth International Conference on Neural Information Processing, Singapore, 660–664.
[38] Fukushima, K. (1980). Neocognitron: a self-organizing neural networks for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics, 36, 193–202.
[39] Fasel, B. (2002). Robust face analysis using convolutional neural networks. Proceedings of International Conference on Pattern.
[40] http:// bias.csr.unibo.it/ FVC2000 and FVC2002/ databases.asp
[41] Terrillon J C, Shirazi M N, Fukamachi H et al, "Comparative performance of different skin chrominance models and chrominance spaces for the automatic detection of human face in color images" , Proc Conference on automatic Face and Gesture Recognition, Grenoble, France, 2000, pp. 54-61.
[42] K. Sung and T. Poggio, "Example-based Learning for View – based Human Face Detection" , A. I. Memo 1521, MIT A. I. Lab., December 1994.
[43] R. L. Hsu , M. Abdel-Mottaleb and A.K. Jain , "Face detection in color images",IEEE Trans. Pattern Anal. Machine Intelligence, Vol. 24, No. 5 , pp. 696-706, May 2002.
[44] Erik H, Boon K L, "Face detection: A survey", Computer Vision and Image Understanding , 2001, 83(3), pp.236-274.
[45] Liang Lu-Hong, Aihai-Zhou, et al, "A Survey of Human Face Detection", Chinese Journal of Computer,2002,25(5), pp. 449-458.
[46] Osuna E, Freund R, "Training Support Vector Machines: an Application to Face Detection", Proceedings of the Computer Vision and Pattern Recognition, Puerto Rico, 1997, pp. 130-136.
