در این مقاله مساله طبقه بندی سیگنال های EEG مبتنی بر تصور حرکتی برای یک سامانه واسط مغز- رایانه (BCI)، توسط طبقه بندی کننده مبتنی بر نمایش تنک (SRC) مورد توجه واقع شده است. این طبقه بندی کننده برای کارایی بالا، نیاز به طراحی ماتریس واژه نامه قوی دارد. با توجه به کارایی بالای الگوریتم الگوهای مکانی مشترک (CSP) در سامانه های BCI، از این روش برای طراحی ماتریس واژه نامه استفاده شده است. از معایب CSP حساس به نوفه بودن و مساله فرایادگیری در مجموعه های آموزشی کم است. برای رفع این معایب از دو نوع الگوریتم بهبود CSP با نام های GLRCSP و DLRCSP و استفاده شده است. استفاده از این روش ها منجر به افزایش میانگین درصد صحت تشخیص به میزان حدود %7.78 نسبت به گونه استاندارد CSP شده است. از سوی دیگر یکی از معایب طبقه بندی کننده SRC که از الگوریتم پایه BP استفاده می کند، زمان بربودن آن است. برای رفع این عیب، از الگوریتم جدید SL0 به عنوان جایگزین الگوریتم BP استفاده کردیم. نتایج نشان داد که نه تنها زمان مرحله آزمون بسیار کاهش می یابد، بلکه این تغییر منجر به افزایش میانگین درصد صحت تشخیص به میزان %1.61 نسبت به الگوریتم استاندارد پایه می شود.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

اختلال وسواس اجباری چهارمین اختلال روانی شایع و دهمین علت ناتوانی در سراسر جهان است. این بیماری می تواند منجر به اختلال در عمل کردهای مختلف شناختی مانند توجه، حافظه، تفکر، پردازش شنیداری کلمات و شناخت بصری شود. مطالعات گذشته نشان دهنده ی تغییر در ارتباط بین فعالیت لوب های مختلف مغز بیماران مبتلا به وسواس اجباری است. از این رو کمی سازی تقارن و ارتباطات بین نواحی مختلف مغزی توجه زیادی را به خود جلب کرده است. در این مطالعه رویکردی جدید و کارآمد بر اساس نمایش تحلیلی سیگنال های الکتروانسفالوگرام و ویژگی های آماری ارائه شده است تا امکان کمی سازی تفاوت مولفه های ذاتی مربوط به فعالیت های مغزی بین لوب های مغز فراهم شود. بدین منظور پوش های فاز و دامنه ی سیگنال های تحلیلی الکتروانسفالوگرام استخراج و تجزیه و تحلیل شده است. هم چنین از روش طبقه بندی کم ترین مربعات غیرمنفی تنک برای تمایز بین گروه سالم و بیماران مبتلا به اختلال وسواس اجباری استفاده شده است. قابلیت تمایز روش پیشنهادی با داده های الکتروانسفالوگرام 19 فرد سالم و 11 بیمار حین انجام تکالیف ساده ی فلانکر مورد مطالعه قرار گرفته است. نتایج به دست آمده، موثر بودن ترکیب اطلاعات دامنه و فاز در تشخیص بیماری وسواس اجباری را با میانگین صحت 78/93 درصد نشان داده است. در مقایسه بین نواحی مختلف نیز ویژگی های مستخرج بین نیم کره های مغزی و آن هایی که از لوب پیشانی و شبکه ی پیشانی-آهیانه ای استخراج شده اند، کارایی بیش تری در تشخیص بیماری از خود نشان داده اند. هم چنین این مطالعه اهمیت بیش تر استفاده از اطلاعات دامنه در تشخیص اختلال وسواس اجباری را نشان داده است.

تصاویر پلاریمتریک راداری با روزنه مصنوعی، ضمن برخورداری از قابلیت تفکیک بالا، حاوی اطلاعات بسیار زیادی در خصوص ویژگی های اهداف منطقه مورد نظر است. امروزه استفاده از این داده ها برای طبقه بندی پوشش های مختلف سطح زمین، به عنوان یک موضوع خیلی مهم، مورد توجه پژوهشگران قرار گرفته است. اخیرا، مبحث نمایش تنک به عنوان یک ابزار قدرتمند در حوزه پردازش سیگنال توجه زیادی را به خود معطوف کرده است. لذا در گام نخست، ساختار یک طبقه بند مبتنی بر نمایش تنک برای طبقه بندی تصاویر پلاریمتریک پیشنهاد شده است. از طرفی با توجه به نتایج تحقیقات اخیر، طبقه بندی شورایی به عنوان یک رویکرد موثر از قابلیت های بیشتری نسبت به تک طبقه بندها برخوردار است. بنابراین در مرحله بعد با بکارگیری طبقه بند مبتنی بر نمایش تنک و تعدادی دیگر از طبقه بندهای پایه گوناگون، یک شورای طبقه بند با قاعده ترکیب Naïve Bayes ارائه می گردد. در گام آخر یک طبقه بند شورایی بهینه با استفاده از تکنیک بهینه سازی چند هدفه MOPSO و در نظر گرفتن توابع هدف دقت طبقه بندی و قابلیت اطمینان (که در طبقه بندی تصاویر پلاریمتریک کمتر به آن توجه شده است) پیشنهاد می گردد. نتایج پیاده سازی بر روی نمونه تصویر پلاریمتریک، حاکی از برتری الگوریتم های پیشنهادی نسبت به سایر روش های مورد استفاده در این تحقیق است.

طبقه بندی تصاویر ابرطیفی از مهمترین پردازش هایی است که بر روی این تصاویر انجام می شود. تصاویر ابرطیفی دارای ابعاد بالایی هستند و این امر طبقه بندی این تصاویر را با مشکل مواجه کرده است. از این رو روش هایی که ساختار زیرفضا با بعد پایین را از تصویر ابرطیفی استخراج کنند مورد توجه قرار می گیرند. روش نمایش رتبه پایین می تواند ساختار زیر فضا با بعد پایین را که در داده ها وجود دارد استخراج کند. این روش ساختار سراسری داده ها را در نظر می گیرد. به منظور حفظ ساختار سراسری و محلی در داده ها دراین مقاله روش استخراج ویژگی نمایش رتبه پایین و تنک بر مبنای اطلاعات طیفی و مکانی ارائه شده است. با اعمال این مدل ساختار داده بهتر آشکار می شود و قدرت تمایز ویژگی های آن افزایش می یابد. در این مدل هر پیکسل به صورت ترکیب خطی از مولفه های دیکشنری بیان می شود. بعلاوه برای حل مسئله به صورت بهینه از روش جهتی متناوب مضارب استفاده شده است. نتایج شبیه سازی نشان می دهد که مدل پیشنهادی نتایج بهتری را نسبت به روش های دیگر بدست آورده است.

مدل تنک مبتنی بر معیار شباهت کورآنتروپی، نوعی مدل طبقه بندی یا شناسایی چهره مبتنی بر روش نمایش تنک است که نسبت به نویز و انسداد در داده های آزمون، مقاوم است. در این مدل، ترکیبی خطی از تصاویر آموزشی، به نحوی تعیین می شود که برمبنای معیار کورآنتروپی، بیشترین شباهت را با داده آزمون داشته باشد و نرم1 بردار ضرایب این ترکیب خطی، حداقل باشد. نرم1، مشتق ناپذیر است و لذا، نمی توان برای حل این مدل، از روش های کارآمد مبتنی بر گرادیان استفاده کرد. برای ساده سازی این مدل و حل سریعتر آن با روش های مبتنی بر گرادیان، ضرایب ترکیب خطی، نامنفی در نظر گرفته شده است. قید نامنفی بودن ضرایب ترکیب خطی، قید محدودکننده ای است که در صحت طبقه بندی، تاثیر منفی می گذارد. در این مقاله، برای رفع این مشکل، بجای نرم1 از نرم2 بردار ضرایب ترکیب خطی، استفاده می شود و دو روش سریع برای حل مدل جدید ارایه می گردد. به تعبیر دیگر، مدل پیشنهادی، مدل شناسایی چهره مبتنی بر نمایش مشارکتی است که از مفهوم کورآنتروپی برای مقاوم شدن مدل در برابر نویز و انسداد استفاده کرده است. آزمایش های انجام شده نشان می دهد که مدل پیشنهادی، نرخ صحت طبقه بندی و زمان اجرای بهتری نسبت به مدل نمایش تنک مبتنی بر کورآنتروپی با ضرایب نامنفی دارد.

به دلیل افزایش حجم تصاویر تولیدشده توسط دوربین ها و دستگاه های مختلف، پردازش تصویر در بسیاری از کاربردها ازجمله پزشکی، امنیتی و رانندگی اهمیت و جایگاه بالایی یافته است. بااین حال بیشتر مدل های ایجادشده در حوزه پردازش تصویر کارایی چندانی نداشته و میزان خطای آن ها در برخی کاربردها تاثیرگذار است. علت اصلی ناکامی بیشتر مدل های ساخته شده، اختلاف توزیع بین داده های آموزشی (دامنه منبع) و داده های تست (دامنه هدف) می باشد. درواقع، مدل ساخته شده، قابلیت تعمیم دهی به داده هایی با خصوصیات و توزیع های متفاوت از داده های آموزشی را ندارد، به همین دلیل در مواجهه با داده های جدید دچار افت شدیدی می شود. در این مقاله ما یک روش جدید با نام کدگذاری تنک و طبقه بندی انطباقی (SADA) پیشنهاد می دهیم که یک مدل پردازش تصویری ایجاد می کند که در مقابل تغییرات داده ای مقاوم می باشد. مدل پیشنهادی با ایجاد یک زیر فضای مشترک بین دامنه های منبع و هدف اختلاف توزیع آن ها را به حداقل رسانده و موجب بهبود کارایی می شود. همچنین SADA با انتخاب نمونه هایی از دامنه منبع که با دامنه هدف مرتبط می باشند اختلاف توزیع بین دامنه ها را کاهش می دهد. علاوه بر آن، SADA با تطبیق پارامترهای مدل ایجادشده، یک مدل تطبیق پذیر برای مواجهه با شیفت داده ها ایجاد می کند. نتایج به دست آمده از آزمایش های متنوع، نشان می دهد که روش پیشنهادی ما، برتری قابل ملاحظه ای نسبت به تمام روش های تطبیق دامنه جدید دارد.