تشخیص چهره، یک عمل تشخیص الگوست که بهطور خاص بر روی چهرهها انجام میشود و کاربردهای فراوانی در شناسایی کارتهای اعتباری، سیستمهای امنیتی و موارد دیگر دارد. ایجاد یک سیستم تشخیص چهره با دقت بالا، یک چالش بزرگ میباشد که در سالهای اخیر مورد توجه محققان مختلفی قرار گرف چکیده کامل
تشخیص چهره، یک عمل تشخیص الگوست که بهطور خاص بر روی چهرهها انجام میشود و کاربردهای فراوانی در شناسایی کارتهای اعتباری، سیستمهای امنیتی و موارد دیگر دارد. ایجاد یک سیستم تشخیص چهره با دقت بالا، یک چالش بزرگ میباشد که در سالهای اخیر مورد توجه محققان مختلفی قرار گرفته است. فرایند استخراج ویژگی و طبقهبندی، دو مسئله مهم در سیستمهای تشخیص هستند که میتوانند در افزایش دقت تشخیص نقش بسزایی را ایفا کنند. با توجه به این موضوع در این مطالعه با درنظرگرفتن ویژگیهای ترکیبی و بهینهسازی الگوریتم فاخته، روشی برای بهبود میزان دقت در تشخیص چهره پیشنهاد شده است. در روش ارائهشده، هفت ویژگی از روی تصاویر موجود در پایگاه داده استخراج شده، سپس با بهدستآوردن بردار ویژگیِ مطلوب، مراحل مربوط به انتخاب ویژگی با استفاده از الگوریتم فاخته انجام میشود. روش پیشنهادی با نرمافزار Matlab پیادهسازی گردیده و با روشهای دیگر مورد مقایسه قرار گرفته است. نتایج مربوط به ارزیابی نشان میدهند که روش پیشنهادی توانسته عمل تشخیص بر روی تصاویر دو بانک داده ORL و FDBB را بهترتیب با دقت 00/93% و %12/95% انجام دهد. نتیجه بهدستآمده برای این معیار ارزیابی نسبت به سایر روشهای مقایسهشده از مقدار بالاتری برخوردار است.
پرونده مقاله
شبکه اینترنت اشیای اجتماعی (SIoT)، ناشی از اتحاد شبکه اجتماعی و شبکه اینترنت اشیاست که هر شیء در این شبکه سعی دارد با استفاده از اشیای اطراف خود از سرویسهایی بهرهبرداری کند که توسط اشیای دوست خود ارائه میشوند. پس در این شبکه، پیداکردن شیء دوست مناسب برای بهرهبردن از چکیده کامل
شبکه اینترنت اشیای اجتماعی (SIoT)، ناشی از اتحاد شبکه اجتماعی و شبکه اینترنت اشیاست که هر شیء در این شبکه سعی دارد با استفاده از اشیای اطراف خود از سرویسهایی بهرهبرداری کند که توسط اشیای دوست خود ارائه میشوند. پس در این شبکه، پیداکردن شیء دوست مناسب برای بهرهبردن از سرویس مناسب مهم تلقی میشود. حال وقتی تعداد دوستان اشیا زیاد باشد، آنگاه استفاده از الگوریتمهای کلاسیک برای پیداکردن سرویس مناسب با کمک اشیای دوست، ممکن است زمان و بار محاسباتی و پیمایش در شبکه را بالا ببرد. بنابراین در این مقاله برای کمکردن بار محاسباتی و پیمایش شبکه سعی شده است که برای انتخاب شیء دوست مناسب از رویکرد اکتشافی و با استفاده از الگوریتم بهینهسازی فاخته باینری تطبیقدادهشده (AB-COA) و شاخص محلی آدامیکآدار (AA) که مبتنی بر معیار مرکزیت درجه است بهره برده شود و ویژگیهای همسایههای مشترک اشیا را در انتخاب شیء دوست و اکتشاف سرویس مناسب در نظر گرفته شود. نهایتاً با اجرای الگوریتم AB-COA بر روی مجموعه داده وب استنفورد، میانگین گام مورد نیاز برای دستیابی به سرویس در شبکه، 8/4 بهدست آمد که نشاندهنده برتری این الگوریتم نسبت به سایر الگوریتمهاست.
پرونده مقاله