مقایسه عملکرد مدلهای پیش بینی مقاومت فشاری بتن به روش تحلیل رگرسیون، شبکه عصبی مصنوعی و الگوریتم بیان ژن

انجام پروژههای وسیع تحقیقاتی بر روی مواد مختلف تشکیل دهنده بتن و آزمایش بتنهای مختلف با مواد جدید در سالهای آخر قرن اخیر منجر به پیدایش بتن هایی شده که علاوه بر تأمین مقاومت، خواص دیگری از این ماده نظیر دوام، کارایی، نرمی و مقاومت در برابر عوامل مختلف را دستخوش تغییرات اساسی نموده است. باید اذعان نمود که نتایج تحقیقات سالهای آخر قرن حاضر و ادامه آنها میتواند نگرش تازهای به بتن بعنوان یک ماده ساختمانی پرمصرف داده که با مقاومت فشاری خوب و خواص ویژه بتنهای جدید، نظر اکثر دستاندرکاران پروژههای بزرگ عمرانی را در جهان بخود معطوف سازد. تعیین مقاومت فشاری بتن اغلب از طریق آزمایشهای مخرب صورت می گیرد که زمان بر و پر هزینه است.انجام پروژههای وسیع تحقیقاتی بر روی مواد مختلف تشکیل دهنده بتن و آزمایش بتنهای مختلف با مواد جدید در سالهای آخر قرن اخیر منجر به پیدایش بتنهایی شده که علاوه بر تأمین مقاومت، خواص دیگری از این ماده نظیر دوام، کارایی، نرمی و مقاومت در برابر عوامل مختلف را دستخوش تغییرات اساسی نموده است. باید اذعان نمود که نتایج تحقیقات سالهای آخر قرن حاضر و ادامه آنها میتواند نگرش تازهای به بتن بعنوان یک ماده ساختمانی پرمصرف داده که با مقاومت فشاری خوب و خواص ویژه بتنهای جدید، نظر اکثر دستاندرکاران پروژههای بزرگ عمرانی را در جهان بخود معطوف سازد. تعیین مقاومت فشاری بتن اغلب از طریق آزمایشهای مخرب صورت می گیرد که زمان بر و پر هزینه است.

تأثیر سایر مکانیزم‌های حاکمیت شرکتی بر رابطه بین سرمایه گذاران نهادی و مدیریت موجودی کالا

عنوان مقاله: تأثیر سایر مکانیزم‌های حاکمیت شرکتی بر رابطه بین سرمایه گذاران نهادی و مدیریت موجودی کالا

قالب بندی: word

قیمت: 2500 تومان

شرح مختصر:

یکی از اهداف گزارشگری مالی، ارائه­ ی اطلاعاتی است که برای سرمایه­ گذاران، اعتباردهندگان و دیگر کاربران فعلی و بالقوه در تصمیم­ گیری­های مربوط به سرمایه­ گذاری و اعتباردهی و سایر تصمیم­ ها، سود­مند باشد. هدف از این پژوهش، بررسی تأثیر سایر مکانیزم‌های حاکمیت شرکتی شامل مالکیت مدیریتی، ساختار هیئت مدیره و اندازه هیئت مدیره بر رابطه بین سرمایه گذاران نهادی و مدیریت موجودی کالا در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران است. برای تجزیه و تحلیل داده‌ها از رگرسیون چندمتغیره با استفاده از گشتاورهای تعمیم یافته استفاده شده است. نمونه آماری این پژوهش شامل 47 شرکت می‌باشد که طی سال‌های 1385 تا 1390 عضو بورس اوراق بهادار تهران بوده‌اند. نتایج نشان داد که مالکیت مدیریتی و اندازه هیئت مدیره بر رابطه بین سرمایه گذاران نهادی و مدیریت موجودی کالا تأثیر معنی داری دارد. اما در ارتباط با تاثیر ساختار هیئت مدیره بر رابطه بین سرمایه گذاران نهادی و مدیریت موجودی کالا تأثیر معناداری مشاهده نشد.

پـــایان نامه روش های دسته بندی جریان داده

چکیده

حجم بزرگ داده ها به تنهایی به مدیران سازمان ها در تصمیم سازی و تصمیم گیری هیچ کمکی نمی کند، بلکه باعث سردرگمی مدیران سازمان ها نیز می شود.بنابراین مدیریت داده های خام و تبدیل داده های خارجی و داخلی سازمان به اطلاعات و دانش با استفاده از تکنیک های گوناگون،نقش اساسی و محوری دارد.از تکنیک های معروف در این زمینه داده کاوی است،که می تواند بر روی بانک اطلاعاتی انجام شود و دانش مورد نیاز را بدست آورد.در فصل اول به بررسی این مفهوم پرداختیم. کاوش خوشه ها نیز یکی از تکنیک های حائز اهمیت در زمینه رو به رشد،معروف به داده کاوی اکتشافی می باشد که در رشته های گوناگون مهندسی و علمی از قبیل زیست شناسی،روان شناسی،پزشکی،بازاریابی،کامپیوتر و نقشه برداری ماهواره ای به کار گرفته شده است. این مفهوم در فصل های سوم و چهارم دنبال شده است.در فصل سوم به یکی از الگوریتم های خوشه بندی به نام CStree پرداخته شده و نقاط ضعف این الگوریتم نیز مطرح شده است .تحلیل خوشه ها،اطلاعات را بوسیله یک ساختار اساسی مختصر بدو شکل گروه بندی تنها یا گروه بندی سلسله مراتبی سازماندهی می نماید.خوشه بندی ،ابزاری برای اکتشاف ساختارهایی از درون داده هاست که نیاز به هیچ فرضی از آنها نیست.این روش در هوش مصنوعی و شناسایی الگو،یادگیری بدون ناظر نامیده می شود.الگوریتم های خوشه بندی گوناگونی برای استخراج دانش از درون مجموعه اطلاعات مختلف وجود دارد.اما عموما این الگوریتم ها حساس به داده های مورد آزمایش و برخی پارامترهای اولیه می باشند،لذا نتایج حاصل از آنها وابسته به ساختار داده ها می باشد.تاکنون الگوریتمی ارائه نشده است که بتواند هر گونه ساختار داده ای را استخراج نماید. یکی دیگر از پدیده های نوظهور در دنیای اطلاعات،داده های جریانی می باشند.این پدیده که در فصل چهارم مطرح شده است،اشاره به حجم وسیعی از اطلاعات انباشته شده دارد که محدودیت های فراوانی برای پردازش ایجاد کرده اند.اندازه این داده ها بیش از حافظه اصلی،یکی از این موانع می باشد.لذا می بایست الگوریتم های جدیدی برای برخورد با این گونه داده ها توسعه یابند

تعداد صفحات 112 word

فهرست مطالب

تقدیم به: 3

تقدیر و تشکر. 4

فصل اول مقدمه ای بر داده کاوی. 1

1-1 مقدمه 2

1-2عامل مسبب پیدایش داده کاوی. 2

1-3داده کاوی و مفهوم اکتشاف دانش (K.D.D) 3

1-3-1 تعریف داده کاوی. 5

2-3-1 فرایند داده‌کاوی. 6

1-3-3 قابلیتهای داده کاوی. 7

4-3-1 چه نوع داده‌هایی مورد کاوش قرار می گیرند؟ 8

4-1 وظایف داده کاوی. 9

1-4-1 کلاس بندی. 10

2-4-1 مراحل یک الگوریتم کلاس‌بندی. 11

3-4-1 انواع روش‌های کلاس‌بندی. 11

1-3-4-1 درخت تصمیم. 12

1-1-3-4-1 کشف تقسیمات.. 13

2-1-3-4-1 دسته بندی با درخت تصمیم. 15

3-1-3-4-1 انواع درخت‌های تصمیم. 17

4-1-3-4-1 نحوه‌ی هرس کردن درخت.. 17

2-3-4-1 بیزی. 18

1-2-3-4-1 تئوری بیز. 20

2-2-3-4-1 دسته بندی ساده بیزی. 22

4-4-1 ارزیابی روش‌های کلاس‌بندی. 28

4-1-6 انواع روش‌های پیش بینی. 29

1-4-6-1 رگرسیون. 29

1-4-6-1-1 رگرسیون خطی. 29

1-4-6-1-2 رگرسیون منطقی. 31

1-4-7 تخمین. 32

فصل دوم خوشه بندی. 34

2 1-تعریف فرایند خوشه‌بندی. 35

2-2 روش ها و الگوریتم‌های خوشه‌بندی. 36

2-3 روش و الگوریتم سلسله مراتبی. 37

2 3-1-روش های سلسله‌مراتبی. 37

2 3-2-الگوریتم های سلسله مراتبی. 38

2-3-3- الگوریتم خوشه بندی single-linkage. 39

2 3-4-الگوریتم‌های تفکیک... 45

3-5-2روش‌های متکی برچگالی. 46

3-7-2 روش‌‌های متکی بر مدل. 47

فصل سوم خوشه بندی CS tree. 48

3-1مقدمه 49

3-2 مروری بر روش های خوشه بندی جریان داده 50

3-3 خوشه بندی توری جریان داده 52

3-1-3 مروری بر روش خوشه بندی توری CS tree. 53

3-2- 3 بررسی نقاط ضعف الگوریتم CS tree. 56

3-4 الگوریتم پیشنهادی. 60

3-1-4 بازتعریف مفهوم همسایگی و رفع مشکل تقسیم بی معنی خوشه ها 63

3-5 اصلاح روند بروز رسانی خوشه ها 66

3-6 اصلاح ساختار نمایش خوشه ها 67

فصل چهارم جریان داده و مدل های ان. 69

4-1 مقدمه 70

4-2 کاربردهای داده های جریانی. 71

4-2-1 شبکه های حسگر. 71

4-2-2 تحلیل ترافیک شبکه 72

4-2-3 محرک های مالی. 73

4-2-4 تحلیل تراکنش ها 73

4-3 مدل داده های جریانی. 74

4-4 زیربنای نظری. 75

4-4-1 تکنیک های مبتنی بر داده 76

4-4-1-1 نمونه برداری. 76

4-4-1-2 پراکنده ساختن بار 77

4-4-1-3 طراحی اولیه 77

4-4-1-4 ساختمان داده خلاصه 78

4-4-1-5 انبوه سازی. 78

4-4-2 تکنیک های مبتنی بر وظیفه 78

4-4-2-1 الگوریتم های تخمین. 79

4-4-2-2 الگوریتم های مبتنی بر پنجره 79

4-4-2-3 الگوریتم های دانه دانه سازی نتایج. 80

4-5 خوشه بندی داده های جریانی. 80

4-5-1 بهبود روش های سنتی. 81

4-5-1-1 الگوریتم CLARANS. 82

4-5-1-2 الگوریتم BIRCH.. 84

4-5-2 ظهور تکنیک های جدید. 87

4-5-2-1 الگوریتم مبتنی بر چگالی DBSCAN.. 87

4-5-2-2 الگوریتم مبتنی بر گریدSTING.. 90

4-6 بحث در مورد الگوریتم ها 93

4-6-1 ایا توسعه روش های سنتی درست است؟ 93

4-6-2 روش های جدید چه پیشنهاداتی دارند؟ 94

منابع. 96

فهرست اشکال

شکل 1-1 فرآینده داده کاوی.. 7

شکل1-2 نمونه یک درخت تصمیم.. 13

شکل 1-3 یک تقسیم بندی خوب ، درجه خلوص را برای فرزندان افزایش می دهد. 15

شکل 3-1 تقسیم خوشه های با معنی به زیر خوشه های بی معنی.. 58

شکل3-2 خطاهای روش Cs tree در ترکیب خوشه های یک بعدی و ایجاد خوشه های چند بعدی- قسمت A خطا در تعداد خوشه ها ، قسمت B خطا در شکل خوشه ها، قسمت C خطا در مرز خوشه ها59

شکل3 -3 روی هم افتادگی خوشه ها در بروز رسانی به روش Cs tree. 60

شکل 4-2 الگوریتم خوشه بندیCLARA.. 82

شکل 4-3 الگوریتم خوشه بندیCLARANS . 84

شکل 4-4 الگوریتم خوشه بندیBIRCH.. 86

شکل 4-6 الگوریتم خوشه بندی.STING.. 92

ترجمه مقاله ارتباط بازیهای خشونت بار ویدویی، عصبی بودن و پرخاشگری

ترجمه مقاله در زمینه بازیهای رایانه ای خشونت بار و ارتباط با پرخاشگری با بررسی نقطه میانجی عصبی بودن (16 صفحه)

لینک دانلود فایل انگلیسی مقاله (پی دی اف):

http://s6.picofile.com/file/8203793192/violent_video_games.pdf.html 

بازی‌های تصویری خشونت بار و عصبی بودن[1] به عنوان عوامل پیش‌بینی کننده پرخاشگری

چکیده

تحقیقات قابل ملاحظه‌ای نشان داده است که انجام بازی‌های خشونت‌بار ویدئویی می‌تواند پرخاشگری را افزایش دهد. چارچوب نظری زیربنای بسیاری از این تحقیقات، با عنوان مدل عمومی پرخاشگریGAM) )[2] شناخته شده است. بررسی حاضر، یکی از مفروضاتِ GAM را بدین گونه بررسی می‌کند که آیا ویژگی مزاجی عصبی‌ بودن، رابطه بین بازی‌های تصویری خشونت بار و پرخاشگری را تعدیل می کند یا نه. 167 دانشجوی در حال تحصیل (79زن و 88 مرد) ابتدا یک مقیاس اندازه گیری عصبی بودن را تکمیل کردند و سپس به صورت تصادفی انتخاب شدند تا یک بازی غیرخشونت بار یا خشونت بار را انجام دهند. پس از انجام بازی تصویری، شرکت کنندگان، بخش‌های داستانی مبهمی[3] را به منظور سنجش پرخاشگری تکمیل کردند. همخوان با پیش بینی های GAM، عصبی بودن به صورت معناداری، اثر خشونتِ بازی تصویری را بر روی پرخاشگری تعدیل می کرد. بویژه، شرکت کنندگانی که عصبی بودند، بیشتر از شرکت کنندگانی که عصبی نبودند، از بازیهای تصویری خشونت بار تأثیر پذیرفتند.

کلیدواژه‌ها: بازی‌های تصویری خشونت‌بار- پرخاشگری – عصبی بودن، اثرات تعاملی

1-مقدمه

به دنبال تیراندازی‌های سال 1999 در دبیرستان کلمبین، قانون گذاران، محققان، فعالان و عموم مردم به طور فزاینده‌ای در مورد آثارِ بالقوه خطرناکِ بازیهای تصویری خشونت بار ابراز نگرانی کردند. جک تامپسون[4] (2000)، وکیلی که برای تبرئه متهمانِ بازیهای خشونت بار بحث کرده است، می‌نویسد: «در مورد هر تیراندازی در مدارس، ما درمی‌یابیم بچه‌هایی که ماشه اسلحه را می‌کشند، بازیکنانِ بازی‌های تصویری هستند.» البته با توجه به محبوبیت بازیهای تصویری، واضح است که بیشترِ بچه‌هایی که این بازی‌ها را انجام می دهند آنقدر از این ابزار خشونت بار تأثیر نمی پذیرند که عملاً مرتکب قتل شوند. در واقع، اگرچه بسیاری از بچه‌هایی که در جنجال‌های خشونت بار مدرسه درگیر شده‌اند، بازیکنان بازیهای تصویری هستند (اندرسون، 2004)، اما این کودکان عموماً توسط خودشان و دیگران نیز به عنوان افرادِ به غایت عصبی توصیف می‌شوند (گیبس[5] و روک[6]، 1999؛ سندلر[7] و آلپرت[8]،2000). چنین مشاهدات داستان‌گونه‌ای نشان می‌دهد افرادی که عموماً عصبی هستند ممکن است تأثیر بدتری از بازیهای تصویری خشونت بار بپذیرند، تا افرادی که عصبی نیستند. به همین منظور پژوهش جاری بررسی می‌کند که آیا ویژگی عصبی بودن، اثری را که بازی‌های خشونت بار تصویری بر پرخاشگری دارند تعدیل می کند یا نه.

[1]anger

[2] اندرسون[2]، سی ای و بوشمان[2]، بی جی 2002، پرخاشگری انسانی. بازبینی سالانه روانشناسی.53، 51-27

[3]ambiguous

[4]Thampson

[5]Gibbs

[6]Roche

[7]Sandler

[8]Alpert

پایان نامه کامپیوتر - تشخیص احساسات در چهره انسان

چکیده 

پیشرفت علم پردازش تصویر در چند دهه اخیر تا حدی بوده است که استفاده ان را در علوم و صنایع گوناگون می توان به وضوح احساس کرد. تا جایی که عدم وجود این علم در بعضی از این موارد کاملا ان مورد را بی استفاده می کند. یکی از موارد پردازش تصویر که در این پایان نامه به ان پرداخته ایم تشخیص حالت چهره است؛ بدین صورت که تصویر بعنوان ورودی به سیستم وارد می شود و نرم افزار با استفاده از متد خاصی حالت چهره را (6 حالت) بعنوان خروجی بر می گرداند. در فصل اول به مقدمه ای درباره علم بینایی ماشین و پردازش تصویر پرداخته شده است. فصل دوم توصیف تاریخچه، تحلیل، متد استفاده شده برای پیاده سازی این نرم افزار ارائه شده است. در فصل سوم مقدمه ای در دسته بندی و متدی که استفاده شده در این پروژه پرداخته شده است. فصل چهارم به نتایج و مقایسه تخصیص داده شده است.

تعداد صفحات 128 word

فهرست مطالب

فصل اول

مقدمه............................................................................................ 1

1-1مقدمه ای بر ماشین بینایی...................................................................... 2

1-1-1 بینایی ماشین(MV)

1-1-2 کاربردهای بینایی ماشین................................................................... 2

1-1-3 متدها.................................................................................... 2

1-1-4 پردازش تصویر........................................................................... 3

1-1-4-1 استخراج ویژگی........................................................................ 3

1-1-4-2 روش های قسمت بندی تصویر......................................................... 5

1-1-4-3 دسته بندی............................................................................. 6

1-1-5 روش های پردازش تصویر در بینایی ماشین................................................. 6

1-1-6 مراحل بینایی ماشین....................................................................... 8

1-1-7 روش های فشرده‌سازی تصاویر............................................................ 9

1-1-8 تصاویر رقومی(دیجیتالی)................................................................ 11

1-1-9 مقادیر پیکسلها........................................................................... 11

1-1-10 دقت تصویر........................................................................... 11

1-2 تاریخچه پردازش تصویر.................................................................... 12

1-2-1 مراحل اصلی پروسه تشخیص تصویر..................................................... 14

فصل دوم

تحلیل.......................................................................................... 23

2-1تاریخچه الگوریتم الگوی باینری محلی..................................................... 24

2-1-1 نمونه 1: دسته بندی بافته بااستفاده ازطیف بافته......................................... 24

2-1-2 نمونه 2: مطالعه تفضیلی اندازه گیری و سنجش بافته ازطریق رده بندی برپایه توزیع خصایص........... 26

2-1-3 نمونه 3: مکانیابی واستخراج چشم درتصاویرچهره انسان.............................................. 26

2-1-4 نمونه 4: تشخیص چهره: مشکل تصحیح تغییراتی که در مسیر شدت های روشنایی در تصویر ایجاد می شود..... 28

2-1-5 نمونه 5: رده بندی بافت های مقاوم به چرخش(Rotation-invariant) با استفاده از توزیعات خصایص..... 30

2-1-6 نمونه 6: توالی هیستوگرام ..................................................................... 31

2-1-7 نمونه7: تشخیص قوی حالات چهره بااستفاده از........................................................ 34

2-1-8 نمونه 8: تشخیص احساسات با استفاده از الگوهای پیشرفته دودویی محلی(LBP)، پراکندگی(Entropies) tsallis وخصایص ظاهری و سراسری در چهره......................................................................... 36

2-1-9 نمونه 9: هیستوگرام الگوی دودویی محلی چند طیفه(Multispectral Local Binary Pattern Histogram) برای عناصر و اجزای مبتنی بر بازبینی رنگ چهره............................................. 38

2-2معرفی سیستم های مشابه.............................................................................. 39

2-2-1 الگوهای باینری محلی .................................................................... 39

2-2-2 الگوهای باینری یکنواخت محلی (local uniform binary pattern)..

2-2-3 الگوهای باینری محلی مقاوم در برابر چرخش (rotation invariant local binary pattern).

2-2-4 الگوی باینری محلی چند مقیاسه (multi-scale local binary pattern).

2-2-5 الگوی باینری Gabor محلی (local gabor binary pattern)

2-2-6 مقدار سطح شیب در الگوی باینری محلی (magnitude local binary pattern)

2-3تحلیل.............................................................................................. 42

2-3-1 واحد بافته(Texture Unit) و طیف بافته(Texture Spectrum)

2-3-1-1 دسته بندی بافته(Texture Classification).

2-3-2 مقیاس خاکستری(Gray Scal) و الگوهای باینری محلی با خصوصیت مقاوم به چرخش(Rotation Invariant LBP)

2-3-2-1 دست یافتن به تغییر ناپذیری مقیاس خاکستری در تصاویر gray scale..

2-3-2-3 بهبود ویژگی مقاوم به چرخش در تصاویر با الگوهای یکنواخت و بهتر شدن تدریجی(Quantization) زاویه های چرخش در تصویر 55

2-3-2-4 اندازه گیری واریانس(انحراف) در ویژگی مقاوم به چرخش تصاویر به واسطه ی کنتراست(تفاوت رنگ) بافت تصویر محلی 59

2-3-2-5 قاعده کلی دسته بندی غیر پارامتری..................................................... 60

2-3-2-6 انالیز چند رزولیشنه(Multiresolation Analysis)....................................

2-3-3-1 مدل یادگیری برای توصیف بافته......................................................... 63

2-3-3-2 فرمولاسیون مدل یادگیری پیشنهادی....................................................... 63

2-3-4 سطح الگوی باینری محلی (VLBP)

2-3-4-1 سطح الگوی باینری محلی پایه ای(Basic Volume Local Binary Pattern).

2-3-4-2 خاصیت مقاوم در چرخش در سطح الگوی باینری محلی(Rotation Invariant VLBP)..............

2-3-4-3 الگوهای باینری محلی از سه سطح متعامد(Local Binary Patterns From Three Orthogonal Planes)

2-3-4-4 توصیف گر محلی برای انالیز تصویر چهره...................................................... 84

فصل سوم

دسته بندی........................................................................................ 89

3-1 چکیده.................................................................................. 90

3-2 مقدمه.................................................................................... 90

3-3 مقدمه ای در دسته بندی......................................................................... 91

3-4-1 SVM.......................................................................................

3-4-2 SVM غیر خطی.................................................................................... 103

3-4-3 Svm خطی.......................................................................... 104

3-4-3-1 فرم اولیه......................................................................................... 106

3-5- 4 SVM Multiclass................................................................

3-6 استفاده از دانش قبلی در SVM..................................................................

3-7 Soft Margin(حاشیه نرم)............................................................................ 110

3-8 خصوصیات SVM.......................................................................................

3-9 رگرسیون(Regression)...........................................................................

فصل چهارم

نتایج ومقایسه.......................................................................................... 113

1-4 نتایجی برای VLBP..........................................................................

4-2 نتایجی برای LBP-TOP...............................................................................

4-4 نتیجه گیری............................................................................................... 118

پیوست ها................................................................................................. 120

پیوست الف................................................................................................................................... 121

چکیده انگلیسی.............................................................................................. 122

فهرست اشکال و نمودارها

شکل 1: 5 حالت مختلف از یک تصویر. 29

شکل 2: نرمال سازی تصویر frontal29

شکل 3: چهارچوب کلی LGBPHSبرای نمایش چهره31

شکل 4: عملگر LBPاصلی و اولیه. 34

شکل 5: تقسیم تصویر به یک بلوک 7*6. 36

شکل 6: مثالی از انتقال یک همسایگی در یک واحد بافته. 43

شکل 7: مثالی از طیف بافته که از طریق تصاویر شکل 6 محاسبه شده اند. 44

شکل 9: دسته بندی با حضور ناظر از شکل8. چهار کلاس با چهار سطح خاکستری نمایش داده شده اند.48

شکل 10: اختصاص دهی احتمال در دسته بندی برای هر عنصر از شکل 4.49

شکل 11: مجموعه همسایگی های متقارن. 50

شکل 12: مجموعه های همسایگی متقارن مدوّر برای (P,R) های مختلف... 50

شکل 13: مستقل سازی و جدا کردن پیکسل مرکزی از پیکسل های همسایگی.. 51

شکل 14: 36 دوران ثابت منحصر به فرد. 54

شکل 15: استخراج الگوها برای نمایش نقاط تیره و روشن، نواحی مسطح و لبه ها55

شکل 16: مثالی از دوران زاویه ای.. 56

شکل 17: مثالی از الگوهای یکنواخت و غیر یکنواخت.. 56

شکل 18: الگوهای یکنواخت و غیر یکنواخت.. 58

شکل 19: توزیع اتصالات.. 60

شکل 20: تصویر شماتیکی از یک مدل یادگیری.65

شکل 22: عدد خصایص در مقابل عدد کدهای LBP. 79

شکل23: سه سطح در الگوی پویا در استخراج نقاط همسایگی.. 80

شکل 25: (a) سه سطح در بافته پویا، (b) هیستوگرام LBPاز هر سطح، (c) الحاق هیستوگرام خصیصه. 82

شکل 26: شعاع وعدد نقاط همسایگی های مختلف روی سه سطح.. 83

شکل 27: جزئیات نمونه گیری برای شکل 26. با83

شکل 28: (a) بلوک های غیر همپوشانی شده (8*9)، (b) بلوک های همپوشانی شده(3*4 با سایز همپوشانی 10)86

شکل 29: خصایص در هر سطح بلوک. (a) سطوح بلوک، (b) خصایص LBPاز سه سطح متعامد، (c) خصایص برای هر سطح بلوک از طریق شکل ظاهری وحرکت با هم الحاق می شوند.87

شکل30: نمایش حالات چهره87

شکل 31. نوع اول چیدمان داده ها92

شکل 32. نوع دوم چیدمان داده ها93

شکل 33. نوع سوم چیدمان داده ها94

شکل 34. نوع چهارم چیدمان داده ها95

جدول 1. 114

جدول 2. 115

جدول 3. 116

جدول 4. 116

نمودار 1. 117