چکیده: برای بسیاری از محققان، روندی که به طور خودکار افراد را براساس رفتارهای بیومتریک شناسایی میکند به شدت مورد توجه واقع گردیده
است. بررسی هویت به کمک عنبیه از متداول ترین روشهای بیومتریک به شمار میرود که در مقایسه با سایر مؤلفه های بیومتریکی، باعث متمایز
شدن آن در کاربردهای امنیتی شده است. الگوریتم پیشنهادی از 1 مرحله اصلی تشکیل شده است: ارتقاء تصویر با الگوریتم Retinex ، مکانیابی
مرزهای داخلی و خارجی عنبیه، بخشبندی عنبیه، نرمالسازی، استخراج ویژگی و کدگذاری عنبیه.
شناسایی و تشخیص خودکار افراد به مدت های طولانی به عنوان یک هدف مهم و جالب توجه در زمینه تحقیقاتی علمی در نظر گرفته شده است.
بدین لحاظ شناسایی زیست شناختی و بیومتریک دارای دارای نقش اصلی و پیشتاز در زمینه تحقیقاتی علمی می باشد زیرا چنین نقشی را نمی شود به اقتباس گرفت .
برای دانلو این مقاله به ادامه مطالب بروید
امروزه استفاده از مشخصات زیستی، راه حل رایج و مطمئن تعیین هویت افراد است که برپایه ویژ گیهای ساختاری یا رفتاری انسان بنا شده است . ویژگیهای ساختاری افراد مانند اثر انگشت، چهره، شبکیه و عنبیه چشم، منحصربه فرد هستند و با گذشت زمان ثابت می مانند ولی ویژگیهای رفتاری مانند امضا، صدا و دست خط، به یادگیری و آموزش مربوطند. بررسی ویژگیهای ساختاری دارای قابلیت اطمینان بیش تری است ؛ زیرا با تمرین و گذشت زمان، تغییرناپذیرند.
عنوان
A Novel Ant Colony Algorithm for Building Neural Network Topologies
یک الگوریتم جدید کلونی مورچه برای ایجاد توپولوژی های شبکه عصبی
نویسندگان : خالد سالما و اشرف ام. عبدالبار
چکیده
یک چالش تکراری در استفاده از شبکه های عصبی با انتقال تغذیه به یک مجموعه داده جدید برای تنظیم به صورت دستی در توپولوژی شبکه های عصبی مورد نیاز است. اگر توجه فرد به طور کامل به سه لایه شبکه متصل محدود شود، پس تنها نیازی وجود دارد که به صورت دستی تعداد نرون ها را در لایه مخفی واحد تنظیم می کند. در این مقاله، ما یک الگوریتم جدید بهینه سازی کلونی مورچه (ACO) را نمایش می دهیم که توپولوژی شبکه عصبی را برای یک مجموعه داده معین بهینه سازی می کند. الگوریتم ما به شبکه های سه لایه ای محدود نمی شود، و می تواند توپولوژی هایی را تولید کند که شامل چندین لایه مخفی می شوند، و توپولوژی هایی که اتصال کامل بین لایه های متوالی ندارند. الگوریتم ما از انتشار خطای بازگشتی (BP) بعنوان یک زیرزوال استفاده می کند، اما ان ممکن نیست، به طور کلی، از هر الگوریتم یادگیری شبکه عصبی بجای روش ACO استفاده می کنیم. ما بیان می کنیم که تمام عناصر لازم است که چهت حل مسئله یادیگیری ما با استفاده از ACO عمل کنند، و به صورت تجربی عملکرد طبقه بندی توپولوژی های بهینه با استفاده از الگوریتم ACO با توپولوژی شبکه سه لایه کاملا متصل استاندارد در ادبیات، مقایسه می کنیم.
عنوان
Iris recognition based on sparse representation and k-nearest subspace with genetic algorithm
تشخیص عنبیه چشم براساس دسته بندی k زیرفضای نزدیک با الگوریتم ژنتیک
چکیده
تشخیص عنبه یک ابزار مهم برای تشخیص انسانی است. یک مدل تشخیص عنبیه کارآمد و قوی مبتنی بر تشخیص نمایش ضعیف با استفاده از سنجش جامع و k- نزدیکرتین زیرفضا (بخش ها) پیشنهاد شده است؛ روش k-نزدیکترین زیرفضا برای فهرست بندی کوتاه کلاسها برای کاهش زمانی استفاده می شود. کاندیداهای فهرست کوتاه به بخشهایی تقسیم شده اند و تشخیص عنبیه برای هر بخش بکار می رود. سه طبقه بندی: طبقه بندی k فاصله نزدیک، طبقه بندی مبتنی بر بخش و شاخص تراکم پراکنده تجمعی (CSCI) مبتنی بر طبقه بندی هایی است که استفاده شده اند. یک تابع افزایشی براساس طرح ترکیبی طبقه بندی شده در هر طبقه بندی سازگار شده است که با یک وزن رتبط است. الگوریتم زنتیک برای یادگیری وزن هر کدام از طبقه بندی ها استفاده می شود. نتایجی که از پایگاه داده های مختلف بدست آمد نشان می دهد که طرح با FAR تقریبا صفر بسیار قوی است.