آموزش منيفلد با استفاده از تشكيل گراف منيفلد مبتني بر بازنمايي تنك

Manifold Learning based on the Manifold Graph Construction using Sparse Representation

در اين مقاله،يك روش آموزش منيفلدِ مبتني بر بازنمايي تنك معرفيمي‌شود.تشكيل گراف منيفلد در فضاي با ابعاد بالا، مهمترين مرحله در روش‌هاي آموزش منيفلد، جهت استخراج داده‌ها در فضايبا ابعاد پايين است كه عموماً به دو دسته محلي و سراسري تقسيم مي‌گردند. گراف منيفلد پيشنهادي، به استخراج هم‌زمان ويژگي‌هاي محلي و سراسري مي‌پردازد. پس از تشكيل گراف منيفلدِ مبتني بر بازنمايي تنك،دو روش خطي و غيرخطي جهت استخراج داده‌هاي تعبيه شده در منيفلد، معرفي مي شوند. روش پيشنهادي، با روش‌هاي متداول آموزش منيفلد، مانند LLE، LEM، LPP و PCA، مقايسه و ارزيابي شده است. ارزيابي‌هاي انجام شده بر روي دو پايگاه داده‌هاي حروف و ارقام دست‌نويس فارسي HODA و IFHCDB، بيان‌گر كارايي بهتر روش پيشنهادي، مبتني بر معيار نرخ تشخيص درست بوده و نرخ تشخيص درست 91/89و 93/89، به ترتيب براي پايگاه داده‌هاي HODA و IFHCDB به دست آمده است. در ادامه، جهت كاهش پيچيدگي محاسباتي روش پيشنهادي، شكل تغيير يافته آن نيز معرفي گرديده است، كه نتايج آن بر روي پايگاه داده HODA، نشان‌دهنده‌ي كارايي مناسب آن بوده و پيچيدگي محاسباتيرا تا حدود 6 برابر كاهش داده است.

In this paper, a sparse representation based manifold learning method is proposed. The construction of the graph manifold in high dimensional space is the most important step of the manifold learning methods that is divided into local and gobal groups. The proposed graph manifold extracts local and global features, simultanstly. After construction the sparse representation based graph manifold, two linear and nonlinear methods are proposed to extracte the embedded data. The proposed method is compared with the common manifold learning methods, LLE, LEM, LPP and PCA. The results on two Persian handwritten databases, HODA and IFHCDB,show the better performance of the proposed method and the recognition rates of 91.89 and 93.89 are achieved on HODA and IFHCDB, respectively. Also, a modification of the proposed method is proposed to reduce the computational complexity. The results on HODA demonstrate the good performance of the modified method and decrease the computational complexity around 6 times.