تلفيق روش هاي خوشه بندي و جستجوي تصوير در تحليل اعداد دست نويس

Fusion of clustering and projection pursuit methods in the analysis ofthe handwritten digits

با پيشرفت هاي سريع علمي در عصر حاضر، مجموعه داده هايي با ابعاد بسيار بالا در كاربردهاي متنوعي شامل تصويرسازي ديجيتالي، تحقيقات بيولوژيكي، ژنتيكي و برخي علوم مبتني برتكنولوژي به وفور يافت مي شوند. بر همين اساس ارائه روش هاي مناسب براي تحليل خودكار، رده بندي و بازيابي اينگونه داده ها امري ضروري است. تلاش محققان در پي جستجوي نسل آينده الگوريتم هاي تحليلي و ماشين هاي پردازشگر جديد نشان مي دهد كه اين الگوريتم ها بايد داراي ابعاد كوچكتر و كارايي بسيار سريعتر از آنچه تاكنون تكامل يافته اند باشند، تا بتوانند به سرعت بر روي داده ها پردازش انجام دهند، آموزش ببينند، تفكر نمايند و به اصطلاح ماشين هاي پردازش شبه مغز باشند. يكي از مواردي كه جايگزيني آن بجاي انسان احساس مي شود تشخيص اعداد و حروفي است كه نوشته يا ثبت مي شوند. در راستاي پاسخ به اين نياز، تمركز اصلي تحقيق حاضر بر تلفيق دو حوزه ي خوشه بندي و جستجوي تصوير اعداد دست نويس قرار گرفته است. به طور خاص، روشي براي ديداري سازي مناسب داده هاي بعدبالاي دست نويس لاتين معرفي مي شود كه تفكيك نمونه ها را تا حد زيادي آسان مي كند.

With the rapid scientific progress in the new era, high-dimensional datasets are often in various applications, including digital imaging, biological research, genetics, and some technology-based sciences. Accordingly, it is necessary to provide appropriate methods for automatic analysis, classification, and retrieval of such data. Researchers’ efforts to find the next generation of analytical algorithms and new processing machines show that these algorithms must be smaller in size and much faster than they have ever evolved to be able to process, train, think, and think; be so-called pseudo brain processing machines. One of the topics in which replacing humans is required is related to recognition of the numbers and letters that are written or recorded. To respond to this need, the main focus of the present article is on fusion of the two areas of clustering and projection pursuit of handwritten digits. In particular, a method for proper visualization of high-dimensional data digits is introduced, which remarkably simplifies the separation of samples.