استخراج ویژگی با استفاده از تصویر جداسازی محلی فازی

در چند سال اخیر، الگوریتم های یادگیری مبتنی بر منیفلد برای کاهش ابعاد ارائه شده اند. هدف الگوریتم های یادگیری مبتنی برمنیفلد، کشف نمایش بعد پایین ذاتی داد ههایی هستند که در فضای با ابعاد بالا قرار گرفته اند. این روش ها از گراف ها برای مدل سازی ساختار محلی مجموعه داده ها استفاده می کنند. یکی از روش های یادگیری مبتنی بر منیفلد، تصویر حفظ محلیتLPP)م یباشد. درLPPوزن های گراف براساس کرنل گرما یا الگوی باینری (0-1تنظیم می شوند که در این روش ها، اطلاعات کلاسی داده ها در نظر گرفته نم یشوند. در این مقاله روش استخراج ویژگی جدیدی به نام تصویر جداسازی محلی فازیFLDP)را برای استخراج ویژگی پیشنهاد می کنیم. در این روش، وزن های گراف براساس اطلاعات محلی و اطلاعات کلاسی محاسبه می شوند. آزمایش های انجام شده در بازشناسی چهره بر روی پایگاه داد ههایAR و ExtendedYaleB برتری روش پیشنهادیمان را نشان می دهد.

کلیدواژه ها:

کاهش بعد ، یادگیری مبتنی بر منیفلد ، روش تصویر حفظ محلیت ، الگوریتم همسایه مشابه فازی