انتخاب صفحه

مقدمه:
شبکه های عصبی مصنوعی که در واقع الگو برداری شده از شبکه های عصبی طبیعی هستند کاربرد های زیادی در حل مسائل گوناگون دارند.در این سمینار سعی بر آن است تا بتوان از قابلیت های بالای این شبکه ها در شناخت یکی از موارد زیست سنجی انسان یعنی اثرانگشت استفاده کرد.بررسی این موضوع از این جهت صورت گرفته که امروزه تشخیص اثرانگشت به یک امر ضروری تبدیل شده است.باید اضافه نمود که استفاده از شبکه عصبی میتواند از چند دیدگاه جالب باشد.اول اینکه شناخت اثر انگشت در نگاه کلی یک پردازش تصویر و یک شناخت الگو است که توسط شبکه عصبی انجام می شود دوم قابلیت تعمیم این شبکه هاست که کمک می کنند تا در شرایط سخت هم خروجی قابل قبولی داشته باشیم.
بنابراین برای تشخیص اثرانگشت باید از روش های مختلفی برای کمک به شبکه عصبی استفاده کنیم

فهرست مطالب

چکیده……………………………………………………………………………………………………………………………………………………….1

مقدمه……………………………………………………………………………………………………………………………………………………..2

فصل اول : کلیـات اثرانگشت

با توجه به اینکه در بسیاری از کارهای امروزی نظیر بانکداری الکترونیک، کارتهای اعتباری،کارتهای هوشمند و بسیاری از کارها که اطلاعات باید به صورت الکترونیکی ذخیره شوند، نقش سیستمهایی که توانایی تشخیص خودکار مشخصات افراد را دارند بسیار مهم است. در این بین نقش اثر انگشت بسیار تا بسیار مهم است. با توجه به اینکه برای پیاده سازی این موارد شرایط بسیار خوبی مانند حسگرهای کوچک و ارزان قیمت وجود دارد بررسی و تحقق اهداف در این زمینه بسیار آسانتر گردیده است. در این فصل به بررسی کلیاتی از اثرانگشت می پردازیم که در فصل های بعد لازم میباشند.

1-2)تاریخچه
اولین نشانه های بیان شده در مورد اثرانگشت مربوط می شود به 5000 سال پیش درنزدیکی بین النهرین.امااولین بار در کشور چین از اثر انگشت در کارهای دفتریoخریدoقراردادهاoوامها وبدهی ها استفاده گردید.قدیمی ترین اثر یافت شده در این زمینه مربوط به 300 سال پیش است. اولین مقاله علمی معتبر در مورد اثرانگشت توسط دکتر NEHEMIAH GREW که از دانشمندان مورفولوژی بودند نوشته شد.مورفولوژی در واقع همان علم مربوط به ریخت شناسی یا شکل شناسی است.این مقاله در مورد لبه ها،منفذها و شیارهایی بود که در ساختارهر اثرانگشت دیده می شود. در سال1788 MAYER مطالعاتی با جزئیات بیشتر در مورد ساختار اثرانگشت آغاز کرد.جزئیات بیشتر در این زمینه را پروفسور JOHANNES EVANGELIST در سال 1823 که شامل طبقه بندی 9 اثرانگشت بود بیان کرد. در سال 1858 SIR WILLIAM HERSHEL اولین نفری بود که از اثر انگشت در تعدادهای بالا استفاده نمود.اویک فرماندار انگلیسی در هندوستان بود که از این موضوع در قراردادهای آن زمان استفاده کرد. در نزدیکی همین زمان HENRY FAULDS اسکاتلندی که ساکن ژاپن بود در مورد شیارهای روی پوست تحقیقاتی را آغاز نمود.تا اینکه متوجه حالاتی خاص در ساختار اثرانگشت گردید.ایشان از اثر انگشت به عنوان یک خصوصیت منحصر به فرد مربوط به هر شخص نام برد.از روی شانس ،او توانست از این موضوع برای حل یک مساله جنائی استفاده نماید.این اولین باری بود که از اثرانگشت برای حل یک مشکل جنائی استفاده شد.

° 1-1) هدف………………… ………………………………………………………………………………………………………………4

° 1-2) تاریخچه……….. ……………………………………………………………………………………………………………………4

° 1-3) چرااثرانگشت………. ………………………………………………………………………………………………………………6

° 1-4)تعریفات کلی اثرانگشت…… ………………………………………………………………………………………………………8

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل دوم : شبکه های عصبی،SVM .آنالیز موجک

شبکه های عصبی مصنوعی در واقع مدل های محاسباتی هستند که از شبکه های عصبی طبیعی الگوبرداری شده اند.هر کدام از الگوها و نمونه ها ی به کار برده شده در شبکه های عصبی به خودی خود یک واحد پردازش هستند که نرون نامیده می شوند. نرون ها توانایی جمع زدن ورودی های وزن دار شده را دارند.آنها ورودی را در عددی که ضریب وزن نام دارد ضرب می کنند و آن را با یک عدد به نام آستانه جمع میکنند و حاصل را به خروجی ارسال می کنند. عملکرد شبکه های عصبی بسیار شبیه سیستمهایی با پردازش موازی است.این سیستمها دارای پردازش گرهای زیادی است که عملیات پردازش را به صورت همزمان انجام می دهند. به اتصالات بین هر نرون یک عددنسبت داده می شود که ضریب وزن نام دارد.ضرائب وزن در طول مرحله آموزش تنظیم می گردند.در واقع می توان اینگونه گفت که اطلاعات برای شبکه های عصبی با این اعداد کد می شوند. در این فصل کلیاتی در مورد شبکه های عصبی، الگوریتم آموزشی¹ SVM وآنالیز موجک را بررسی می کنیم.

2-2)تفاوت شبکه های عصبی
مهمترین عواملی که می توانند باعث تمایز شبکه های عصبی شوند را می توان به صورت زیر بیان کرد:
1-نرون های شبکه عصبی به چه صورتی به هم متصل شده اند.
2-چه مقادیری را می توان به شبکه عصبی اعمال نمود.مقادیر از این نظر که دودویی،حقیقی،مختلط و…
3-هنگامیکه الگو های ورودی جدید را به شبکه عصبی اعمال می کنیم ضرائب وزن با چه قاعده یادگیری تغییر پیدا می کنند.
4-روشهای قالب بندی خروجی به چه صورت است.

° 2-1) هدف…………………………………………………………………………………………………………………………………10
° 2-2) تفاوت شبکه های عصبی…………………………………………………………………………………………………………10
° 2-3) مزایای شبکه های عصبی………………………………………………………………………………………………………..10
° 2-4) عملکرد شبکه عصبی……………………………………………………………………………………………………………..11
° 2-5) دسته بندی بر اساس مسیر سیگنال……………………………………………………………………………………………11
° 2-6) شبکه عصبی سلولی……………………………………………………………………………………………………………..13
° 2-7) MLP (پرسپترون چند لایه) ……………………………………………………………………………………………………….13
° 2-8) آنالیز موجک…………………………………………………………………………………………………………………………13

آنالیز موجک در واقع تقسیم توابع به فرکانسهای مختلف، توسط یکسری توابع ریاضی است.بنابرین میتوان هر تابع را به اجزاء کوچکتر تقسیم کرد و سپس با توجه به مقیاس مورد نظر، به بررسی تابع پرداخت.این کار باعث می شود تا بتوان یک تابع را توسط موجک ها، بیان نمود.آنالیز موجک در واقع بر پایه توابع مربعی انتگرال پذیر بنا نهاده شده است.

مقیاس بندی به این صورت است که یک شکل موج اصلی نوسانی موسوم به شکل موج مادر(mother wavelet )  به مقیاس های کوچکتر موسوم به daughter wavelets  تقسیم  می شوند.

تبدیلات موجک از نظر کلی خیلی شبیه تبدیل فوریه گرفتن از یک سیگنال می باشد.ولی مزیتهایی نسبت به تبدیل فوریه دارد.می توان موارد استفاده تبدیل فوریه را به صورت زیر بیان کرد:

1-تبدیل فوریه برای توابعی که دارای نقاط بیشینه هستند مفید هستند.

2-تبدیل فوریه در دقت تجزیه و بازیابی محدود است.

3-تبدیل فوریه در مورد سیگنالهای غیر متناوب به کار می روند.

تبدیل موجک از نظر گسسته وپیوسته بودن به دو دسته تقسیم می شود:

  • 1-تبدیل موجک گسسته DWT
  • 2-تبدیل موجک پیوسته CWT

باید توجه نمود که هر دو تبدیل فوق تبدیلات پیوسته در زمان هستند.این تبدیل ها می توانند برای نمایش سیگنال های پیوسته در زمان به کار برده شوند.تبدیل موجک پیوسته می تواند در مقیاس های مختلف کار کند ولی تبدیل گسسته در برخی مقیاس های خاص.

  1.Discrete Wavelet Transform                2.Continous Wavelet Transform

تئوری آنالیز موجک در موارد گوناگونی کاربرد دارد.تبدیل موجک میتواند هم در حوزه زمان و هم در حوزه فرکانس به کار برده شود.این آنالیز برای سیگنال های پیوسته در زمان به کار برده می شود که برای مواردی که به تحلیل های وفقی نیاز است مفید واقع می گردد.

تبدیل های موجک گسسته، از بانک های فیلتری گسسته در زمان استفاده می کند.به این بانک های فیلتری موجک می گوییم.این بانک ها می توانند هم فیلترهایی با پاسخ ضربه محدود باشند و هم با پاسخ ضربه نامحدود.

شکل گیری موجک ها در CWT  در واقع بر پایه اصل عدم قطعیت آنالیز فوریه ،مربوط به نظریه نمونه برداری است.برای یک سیگنال مفروض ،هنگامی که چندین اتفاق در آن رخ می دهد نمی توان یک پاسخ فرکانسی و زمانی، برای مقیاس بندی آن اتفاق داشت.

تبدیل موجک به طور کلی به سه دسته تقسیم می شود:

1-پیوسته

2-گسسته

( multiresolution)چند تفکیکه-3

° 2-9) اصول نظری آنالیز موجک…………………………………………………………………………………………………………..15
° 2-01) تبدیل موجک پیوسته……………………………………………………………………………………………………………..15
° 2-11) تبدیل موجک گسسته……………………………………………………………………………………………………………16
° 2-21) آنالیز موجک چند تفکیکه………………………………………………………………………………………………………….17
° 2-31) مشخصات یک موجک……………………………………………………………………………………………………………..18
° 2-41) مقایسه تبدیل فوریه با تبدیل موجک……………………………………………………………………………………………18
SVM(15-2 ……………………………………………….ا………………………………………………………………………………..19

SVM یکی از  روشهای یادگیری ماشین با سرپرست است که از آن برای دسته بندی و رگراسیون استفاده می کنند.این روش از جمله  روشهای نسبتاً جدیدی است که در  سالهای اخیر کارایی خوبی نسبت به روش های قدیمی تر برای  دستهبندی، از جمله شبکه های عصبی پرسپترون نشان داده است. مبنای کاری دسته بندی کننده SVM دسته بندی خطی داد هها است و در تقسیم خطی  دادهها سعی  میکنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد. حل معادله پیدا کردن خط بهینه برای داد هها به وسیله  روشهای QP که از روش های شناخته  شدهای در حل مسائل محدودیت دار هستند صورت  میگیرد. قبل از تقسیمِ خطی برای اینکه ماشینِ بتواند  دادههای با پیچیدگی بالا را  دستهبندی کند داده ها را به وسیله ی تابعِ phi به فضایی با ابعاد خیلی بالاتر  میبریم. برای اینکه بتوانیم مساله ابعاد خیلی بالا را با استفاده از  این  روشها حل کنیم از قضیه دوگانی لاگرانژ برای تبدیلِ مشکل  مینیممسازی مورد نظر به فرم دوگانی آن که در آن به جای تابع پیچیدهی phi که ما را به فضایی با ابعاد بالا می برد، تابعِ  سادهتری به نامِ تابع هسته که ضرب برداری تابع phi است ظاهر  میشود استفاده می کنیم. از توابع هسته مختلفی از جمله هسته های نمایی، چندجمله ای و سیگموید² می توان استفاده نمود. دسته بندی اطلاعات در کلیه امور مربوط به آموزش ماشین می تواند به عنوان یک موضوع مشترک در نظر گرفته شود.برای درک بهتر روش SVM یکسری نقاط با دو کلاس متفاوت را در نظر می گیریم.هدف در اینجا این است که تشخیص داده شود که هر دسته از نقاط متعلق به کدام کلاس است. در این روش نقاط مورد نظر با یک بردارP بعدی نشان داده می شود.حال می خواهیم بدانیم آیا می توان این بردار را به P صفحه  یک بعدی تقسیم نمود.به طور کلی به این فرآیند دسته بندی خطی گفته می شود.در حل این مساله یک موضوع مهم این است که فراصفحه هایی را پیدا کنیم تا بیشترین جداسازی بین دو کلاس صورت گیرد.این امر به این معنی است که بتوانیم دو فراصفحه ای پیدا کنیم که فاصله از فراصفحه ها تا نزدیک ترین نقطه مربوط به اطلاعات مقدار بیشینه باشد.مطرح کردن این موضوع به خاطر این است که اگر چندین فراصفحه یافت شد فراصفحه ای جواب است که حاشیه بیشینه مذکور را پوشش دهد.نمونه ای کلی از این دسته بندی در شکل 5-2 آورده شده است.

هسته ها ودلتاها در اثرانگشت

هسته ها ودلتاها در اثرانگشت

فصل سوم : پیمایشگرهای اثرانگشت

اولین پیمایش گر اثر انگشت 30 سال پیش معرفی شد.در آن زمان پیمایش نمودن اثرانگشت مانند زمان حال مورد توجه نبود.با وقوع حادثه 11 سپتامبر دولت آمریکا برای بالا بردن شرایط امنیتی ، کنترل شدیدی روی گذرنامه ها،کارت های شناسایی و اثرانگشت افراد آغاز نمود.این امر باعث تحول زیادی در پیمایشگرهای اثرانگشت شد. این تحولات شامل ارزانتر شدن،کوچکتر شدن پیمایشگرها شد.تحولات باعث شد که این تجهیزات وارد وسائل الکترونیکی نظیر لپ تاپ ها،موش واره ها و صفحه کلیدها نیز شود. پیمایشگرهای اثرانگشت به طور کلی دو کار را باید انجام می دادند:
1-جمع آوری تصاویر اثرانگشت.
2-مطابقت دادن این تصاویر با تصویر مرد نظر.
در مرحله دوم با استخراج ویژگی های هر اثرانگشت و مقایسه آنها با الگوهای دیگر این مرحله انجام میپذیرد. تا قبل از این هر اثرانگشت دارای اطلاعات زیادی بود که هم ذخیره سازی آنها مشکل بود و هم در مرحله مقایسه این کار بسیار زمان گیر بود.ولی پیمایشگرهای موجود، تمرکز خود را برروی اطلاعات ضروری و لازم هر تصویر قرار می دهند که این کار باعث می شود تا اطلاعات هم خیلی منحصر به فرد باشند و هم در مرحله تطبیق زمان کمتری سپری شود. در این بخش سعی برآن است تا مشخصاتی از اثرانگشت و تکنیکهایی که امروزه در این حوزه به کار می رود را بین کنیم.

3-1) هدف…………………………………………………………………………………………………………………………………..32
3-2) تصاویراثرانگشت………………………………………………………………………………………………………………………32
3-3) روشهای های پیمایش………………………………………………………………………………………………………………42
3-4) حسگرهای نوری……………………………………………………………………………………………………………………..42
..(5-3حسگر FTIR ……………………………………………………………..ا………………………………………………………..25
3-6) FTIR ها با صفحه منشوری…………………………………………………………………………………………………………62
3-7) فیبرهای نوری…………………………………………………………………………………………………………………………62
3-8) حسگرهای الکترونیکی-نوری………………………………………………………………………………………………………..72
3-9) حسگرهای نیمه هادی……………………………………………………………………………………………………………….72

این حسگرها ، حسگرهای سیلیکونی نیز نامیده میشوند. حسگرهای مذکور از لحاظ قیمت واندازه نسبت به حسگرهای نوری برتری دارند .باید به این نکته اشاره کرد که در کارهاییکه امنیت بالایی لازم است اندازه ناحیه حسگر باید کمی بزرگ باشد ، در این حالت دیگر قیمت این حسگرها باحسگرهای نوری تفاوت چندانی نخواهد داشت.

تمامی حسگرهای شامل یک آرایه از پیکسلها هستند، که هر پیکسل به خودی خود یک حسگر کوچک است  .

چهار نوع حسگر نیمه هادی وجود دارد:

1-خازنی

2-گرمایی

3-میدان الکتریکی

4-فیزوالکترونیک(برخی از کریستالها که به هنگام قرارگرفتن در معرض فشار مکانیکی ولتاژ تولید می کنند)

1-حسگرهای خازنی:

شکل این حسگرها به صورت شکل 5-3 است:

هر حسگر خازنی شامل دو بعد از خازن های کوچک در یک تراشه است.همانطور که در شکل هم مشخص است یک صفحه هادی درون حسگر است و پوست دست نقش صفحه دیگر خازن را بازی می کند.با تغییر فاصله بین لبه ها وحسگر،درون خازنها تغییر بار حاصل می گردد،این موضوع به همین صورت در مورد میانکوها صورت می گیرد.با تغییر بار خازن تغییری در ظرفیت خازن صورت می گیرد،تغییر ظرفیت تصویر مورد نظر را فراهم می کند.

اما استفاده از این حسگرها معایبی نیز دارد:

1-سطح کوچک حسگر.

2-تخلیه الکترو استاتیکی.

3-خوردگی شیمیایی.

2-حسگرهای گرمایی:این حسگرها بر این اساس بنا نهاده شده اند که،با تغییرات دما جریان ایجاد می کنند.بنابراین از تفاوت دما بین پوست انگشت و هوا، که در واقع همان تفاوت دما بین لبه ها و میانکوه ها است،برای فراهم نمودن اثرانگشت استفاده می شود.

3-حسگرهای میدان الکتریکی:بسیاری از مشکلاتی که قبلا در مورد حسگرهای نوری و خازنی بیان گردید دیگر در این حسگرها وجود ندارند.

در اینجا تغییرات ناشی از میدان الکتریکی در لایه تماسی پوست که در واقع همان مرز بین لایه خارجی پوست ولایه درونی است اندازه گیری می شود و تصویر مورد نظر را فراهم می کند.

4-حسگرهای فیزوالکتریک:سطح این حسگرها از عایق تشکیل شده است.هنگامیکه فشاری از طرف انگشت بر این سطح وارد می گردد مقداری جریان که به میزان فشار بستگی دارد تولید می شود،به این پدیده فیزوالکتریک گفته می شود.تفاوت فشار بین لبه ها و میانکوه ها باعث ایجاد تغییر در جریان ایجاد شده می شود.اندازه گیری این جریان ها تصویر مورد نظر را فراهم می کند.اشکال این حسگرها کافی نبودن حساسیت برای درک تفاوت فشار حاصله بین لبه ها و میان کوه ها است.

 شکل این حسگرها به صورت شکل6-3 است. سیگنال آکوستیکی از طرف حسگر به طرف انگشت ارسال می گردد.یک سیگنال صوتی از طرف انگشت بر می گردد.

تفاوت امپدانس صوتی بین لبه ها و میانکوه ها برای اندازه گیری فاصله به کار می رود.این اندازه باعث فراهم آوردن تصویر انگشت می شود.رنج فرکانسی استفاده شده در اینجا می تواند از 20 کیلو هرتز تاچند گیگاهرتز باشد.برای اینکه بتوانیم تصویری خوب و با دقت وضوح بالایی داشته باشیم تا جای ممکن باید فرکانس را بالا برد.تصاویر حاصل شده از این روش از کیفیت بالاتری نسبت به روشهای دیگر برخوردار است.

3-01) حسگرهای فراصوت………………………………………………………………………………………………………………….82
3-11)حسگرهای سایشی در مقابل تماسی……………………………………………………………………………………………92

تعریفات اثرانگشت

تعریفات اثرانگشت

فصل چهارم : حافظه انجمنی

حافظه های انجمنی به طور کلی یکی از مباحث جذاب است،چراکه این نوع حافظه ها از لحاظ عملکرد شباهت زیادی به حافظه های انسان دارند.این حالت را تصور کنید که در حال دیدن یک تصویر یا درحال گوش دادن به یک موسیقی می باشید،کلیه حالتها،شرایط،ویژگیها،احساسات به طور مستقیم از حافظه شما پدیدار می شوند.از این شرایط می توان اینگونه برداشت نمود که این اطلاعات به صورت انجمنی در حافظه شما ذخیره شده است. بشر خیلی زود به این موضوع پی برد.از اولین کسانیکه در این مورد تحقیقاتی شروع کرد ارسطو بود.کلیه این در تحقیقاتی منتسب به ایشان به نام (on memory and reminiscence ) آورده شده است که بعدها به نام .در آمد (classical law of association’s)کلیه مسائل روانی و ذهنی از قبیل طرزفکر، ادراک، احساسات از طریق زیر با حافظه رابطه برقرار می کنند:

1-آنها در یک زمان رخ داده باشند.
2-آنها سریع و پشت سر هم رخ دهند.
3-آنها مشابه هم باشند.
4-آنها با هم مغایرت داشته باشند.

بنابراین حافظه های انجمنی حافظه هایی است که برای ذخیره سازی و بازیابی اطلاعاتی که با یک ساختار مشخص با هم در ارتباطنداستفاده می شود.به بیان دیگر می توان گفت که این حافظه ها،شبکه های معنایی هستند که بین اسناد ارتباط برقرار می کنند.در این فصل توضیحات کلی این حافظه ها بیان می گرددبه خصوص مسائلی که مربوط به شناخت یک الگو می باشد.

4-1) هدف………………………………………………………………………………………………………………………………………23
4-2) کارکرد حافظه انجمنی………………………………………………………………………………………………………………….23
4-3) طبقه بندی حافظه های انجمنی………………………………………………………………………………………………………33
4-4) حافظه های آدرس پذیر از روی محتوی……………………………………………………………………………………………….43
(5-4شبکه .(Advanced Distributed Associative Memory)ADAM ……………………………………………ا…………………….35
(6-4شبکه (.Advanced Uncertain Reasoning Architecture )AURA  WRDو SVM ………………………………….ا……………37

حسگر F

حسگر F

فصل پنجم : تشخیص اثرانگشت توسط

یکی از راه هایی که برای توصعه آموزش ماشین در پردازش اثرانگشت لازم است این است که بتوان تا حد ممکن تصاویر را فشرده کرد،این کار را می توان بر پایه مشخصات طیفی تصاویر بنا نهاد. بازبینی قدیمی در مورد اثرانگشت براساس نقاط جزئی،پایان نقطه هاو انشعابات و پایان مرزها بنا نهاده شده.زمانیکه نقاط کافی هم از نظر موقعیت و هم از نظر نوع با هم مطابقت داده شدند به این نتیجه می رسیم که دو اثرانگشت یکسان هستند.در این فصل دو روش کلی که در تشخیص اثرانگشت به کار برده می شوند را بررسی خواهیم کرد.

در تحقق اهداف مورد نظر در این قسمت،باید ویژگیهایی را از اثرانگشت استخراج کنیم تا بتوان از این ویژگیها به خصوصیات کلی یک اثرانگشت رسید.استفاده از این ویژگی ها کمک می کند تا دیگر لازم نباشد تا با کل یک تصویر سرو کار داشته باشیم،بلکه در مرحله اول ابتدا با این ویژگیها آثارانگشت را باهم مقایسه می کنیم و سپس در مرحله دوم به جزئیات می پردازیم. به دلیل ساختار متناوب ذاتی اثرانگشت دو مشخه بارز می توانند فرکانس مرزها(RIDGE FREQUENCY) وموقعیت مرزها(RIDGE ORIENTATION ) باشد.لازم است که بگوییم که تبدیل فوریه تصویر اثرانگشت می تواند در استخراج این ویژگیها کمک زیادی کند. در اینجا ما روشی موسوم به Wedge-Ring-Detector)WRD ) را معرفی می کنیم، که از الکترونیک نوری الهام گرفته است.

5-1)هدف………………………………………………………………………………………………………………………………………14
5-2)تشخیص اثرانگشت به صورت کلاسیک……………………………………………………………………………………………….14
5-3)استخراج ویژگی………………………………………………………………………………………………………………………….14
WRD(4-5……………….ا…………………………………………………………………………………………………………………… 41
5-5)بهینه سازی و آموزش………. …………………………………………………………………………………………………………34
5-6)استفاده از توابع تشابه وفقی……. ……………………………………………………………………………………………………24
5- 7)چرا شبکه عصبی………….. ………………………………………………………………………………………………………….24
5-8) بهبود روش…………………. …………………………………………………………………………………………………………..54
.SVM(9-5…………………………………………………………………………………………………………ا……. …………………… 46
5-01) نحوه آموزش درSVM………. ………………………………………………………………………………………………….ا…….64
5-11) هرس کردن…………………………………………………………………………………………………………………………….74

: 6-2آنالیز موجک نوری بر پایه V

: 6-2آنالیز موجک نوری بر پایه V

فصل ششم : تشخیص اثرانگشت توسط شبکه عصبی و آنالیزموجک

همانطور که در بخشهای قبل اشاره کردیم اثرانگشت توسط ویژگیهایی که از آن استخراج می شود شناخته می شود.در این بخش سعی برآن است تا با استفاده از شبکه عصبی به همراه آنالیز موجک،تشخیص اثرانگشت را توصیف کنیم.استفاده از آنالیز موجک در واقع به خاطر بالا بردن کارآئی شبکه عصبی است. سیستم کلی این بخش ،یک سیستم چند کاناله است که آنالیزورهای موجک در آن عمل پردازش را انجام می دهند.
از ویژگیهای این سیستم مقاوم بودن در مقابل چرخش،حرکت شدید و تغییر مقیاس است. سازوکار کلی قابل هماهنگی برای پردازش های گوناگون و آموزش شبکه های عصبی مختلف است.

در اینجا میزان انتقال نور پارامتر مهمی است،به اینصورت که میزان انتقال نور در owp به عنوان پارامتر مربوط به تابع همبستگی بین یک سیگنال و تابع موجک محاسبه شود.استفاده از یک همبسته کننده نوری هم طبیعی وهم بهینه است. در یک صفحه طیفی مربوط به همبسته کننده،طیف فوریه مربوط به تصویر ورودیs(x,y) ،تبدیل فوریه(FT ) موجکh(x,y) که در CGH( Computer Generated Hologram)، موسوم به تصویر سه بعدی تولید شده توسط رایانه، کد می شود، که برابر است با تبدیل فوریه Ws که از رابطه زیر بدست می آید:

° 6-1) هدف………………………………………………………………………………………………………………………….49
° 6-2) شبکه عصبی و آنالیز موجک نوری…………………………………………………………………………………………49
° 6-3) آنالیز موجک نوری بر پایه VanderLugt…………………………………………………………………………………..ا..50
° 6-4) شبکه عصبی…………… …………………………………………………………………………………………………..51
6-5) آموزش شبکه……………………………………………………………………………………………………………………25
6-6) پس پردازش بر روی سیگنال خروجی…… ………………………………………………………………………………….35
6-7) عملکرد در مقابل نویز………. ………………………………………………………………………………………………….45
6-8) آزمایش………………… ………………………………………………………………………………………………………..55
6-9) شبکه عصبی بدون پیش پردازش……………………………………………………………………………………………..75
6-01) پیش پردازش بهبود لبه وآنالیز موجک………………………………………………………………………………………..75
6-11) داده های نویزی…………….. ……………………………………………………………………………………………….95
6-21) شبکه عصبی فقط با پیش پردازش فیلتر لبه. ……………………………………………………………………………..06
6-31) شبکه عصبی فقط با پیش پردازش موجک…… …………………………………………………………………………….06
6-41) نتیجه گیری………………………………………………………………………………………………………………………16
منابع و ماخذ……………………………………………………………………………………………………………………………..36

فهرست منابع لاتین……………………………………………………………………………………………………………………….36
سایت های اطلاع رسانی………………………………………………………………………………………………………………..36

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فهرست جداول

جدول 1-1 :مقایسه مشخصات زیست سنجی انسان………………………………………………………………………………..7

جدول 5-1:مقایسه الگوریتم های آموزشی……………………………………………………………………………………………44

جدول5-2:مقایسه بهبود روش درمیزان امنیت های مختلف…………………………………………………………………………54

جدول6-1: شبکه عصبی بدون پیش پردازش………………………………………………………………………………………….75

جدول6-2:نتاج شبیه سازی سیستم کلی………. …………………………………………………………………………………..95

جدول 6-3:نتایج تشخیص در رنج های مختلف نویز… ………………………………………………………………………………..95

جدول6-4:نتایج، فقط با پیش پردازش فیلتر لبه… …………………………………………………………………………………….60

جدول 6-5:نتایج،فقط با پیش پردازش موجک…. ……………………………………………………………………………………….60

جدول 6-6:مقایسه روش های مختلف………….. ……………………………………………………………………………………..61

فهرست شکل ها

شکل 1-1 :سیستم HENRY……………………………………………………………………………………..ا…………………….5

شکل 1-2:هسته ها ودلتاها در اثرانگشت…. …………………………………………………………………………………………5

شکل 1-3:تعریفات اثرانگشت…………… ……………………………………………………………………………………………….8

شکل2-1: شبکه هاپفیلد…………….. ………………………………………………………………………………………………….11
شکل2-2 :پرسپترون چند لایه……….. …………………………………………………………………………………………………..14
شکل2-3 :موجهای مولدMEXICAN HAT،MORLET،MEYER…………………………………………………….ا………………….16
شکل2-4 : Daubechies ………………… ………………………………………………………….ا…………………………………..17

شکل2-5:دسته بندی در SVM……………. …………………………………………………ا………………………………………20

شکل2-6:نحوه دسته بندی توسط فراصفحه ها…………………………………………………………………..ا……………………20

شکل 3-1: حسگر FTIR…..ا……………………………………………………………………………………………………………….25

شکل 3-2: FTIR ها با صفحه منشوری…………………………………………………………………………………………………..26

شکل 3-3: فیبرهای نوری………………………………………………………………………………………………………………….26

شکل 3-4: حسگرهای الکترونیکی-نوری…………………………………………………………………………………………………27

شکل3-5: حسگرهای خازنی……………………………………………………………………………………………………………….28

شکل3-6: حسگرهای فراصوت………………………………………………………………………………………………………………29

شکل 3-7: حسگرهای سایشی…………………………………………………………………………………………………………….29

شکل 4-1: شبکه ADAM………….ا…………………………………………………………………………………………………………35

شکل 4-2:مثالی از شبکه ADAM…………ا………………………………………………………………………………………………..36

شکل4-3: شبکه AURA……………….ا……………………………………………………………………………………………………..37

شکل4-4:سیتم کلی پردازش تصویر…………………………………………………………………………………………………………38

شکل 5-1:خلاصه سازو کار کلی سیستم…………………………………………………………………………………………………..42

شکل5-2:طبقه بندی کننده……………………………………………………………………………………………………………………43

شکل 5-3:سازو کار کلی در SVM……..ا……………………………………………………………………………………………………..46

شکل 5-4:سازوکارکلی هرس کردن…………………………………………………………………………………………………………..47

شکل 6-1:سازو کار کلی سیستم…………………………………………………………………………………………………………….49

شکل6-2: آنالیز موجک نوری بر پایه VanderLugt…………ا……………………………………………………………………………….50

شکل6-3:شبکه عصبی استفاده شده……………………………………………………………………………………………………….51

شکل6-4:فیلتر بهبود سازی لبه ها………….. ……………………………………………………………………………………………………52

شکل 6-5:خروجی شبکه عصبی……………… …………………………………………………………………………………………………53

شکل 6-6:خروجی همراه با نویز……………… …………………………………………………………………………………………………54

شکل 6-7:الگو های آزمایشی نوع اول…………… ……………………………………………………………………………………………55

شکل6-8:نمونه های اثر انگشت با تغییرات مختلف……………………………………………………………………………………………55

شکل 6-9:پدیده های PICH , PUNCH……ا… ………………………………………………………………………………………………56

شکل6-01:نمونه های مختلف از یک اثرانگشت……. ………………………………………………………………………………………….56

شکل 6-11: طیف خروجی آنالیز موجک:(الف):هار با مقیلس 2 .(ب):هار با مقیاس 4 .(ج)اثرانگشت لگاریتمی………………………58
شکل 6-21:خروجی فیلتر بهبود لبه…….. …………………………………………………………………………………………………..58

 


 


مقطع : کارشناسی ارشد


خرید فایل pdf

خرید فایل word