روش آناليز جداكننده چندخطي با استفاده از ملاك تفاضلي

A Multi Linear Discriminant Analysis Method Using a Subtraction Criteria

روش هاي كاهش ابعاد نقش بسيار مهمي در بهبود كيفيت روش هاي يادگيري ماشين و تشخيص الگو ايفا مي كنند. در اين روش ها فرض مي شود كه داده ها به صورت يك بردار هستند. بنا براين داده هاي غيربرداري مانند تصاوير كه به داده هاي با بعد بالا يا تانسور معروف هستند بايد به بردار تبديل شده و سپس فرايند كاهش ابعاد انجام گيرد. اين عمل علاوه بر هزينۀ محاسباتي ممكن است باعث از بين رفتن برخي روابط محلي بين دادها نيز شود. براي حل اين مشكل در سال هاي اخير روش هاي كاهش ابعاد چند خطي ارائه شده اند كه سعي دارند فرايند كاهش ابعاد را بدون تغيير شكل داده ها انجام دهند. يكي از رويكردهاي چندخطي مهم در اين زمينه توسيع جداكننده خطي فيشر به روش هاي چندخطي است. مشكل مهم اين روش ها نياز آن ها به حل تعداد زيادي مسئله مقدار ويزه توسيع يافته در تكرارهاي زياد است. در اين مقاله روشي براي حل اين زير مسئله ها ارائه كرده ايم. نتايج پياده سازي كيفيت روش ارائه شده در جدا كردن كلاس ها را در مقايسه با روش اصلي جداكننده چندخطي به ويژه براي داده ها با نمونه كم نشان مي دهند.

Linear dimension reduction has been used in different application such as image processing and pattern recognition. All these data folds the original data to vectors and project them to an small dimensions. But in some applications such we may face with data that are not vectors such as image data. Folding the multidimensional data to vectors causes curse of dimensionality and mixed the different feature together. For solving this problem in recent years some multilinear methods have been proposed. beside vector modeling that problem becomes finding the eigenvalues of matrices، in mullinear viewpoint the problem has not such analytical meaning and should be solved by optimization techniques. In this paper by reviewing a new multi linear DATER method، propose a fast method in computation of its solution.