دانلود مقالات ISI درباره استخراج ویژگی + ترجمه فارسی

استخراج ویژگی(به انگلیسی: Feature extraction) فرایندی است که در آن داده‌ها در فضای با بعد بالا به فضای با بعد کمتر نگاشت می‌شوند. این نگاشت می‌تواند خطی (مانند روش تحلیل مؤلفه‌های اصلی) یا غیر خطی باشد. فرایندی است که در آن با انجام عملیاتی بر روی داده‌ها، ویژگی‌های بارز و تعیین‌کننده آن مشخص می‌شود. استخراج ویژگی با روش PCA در واقع همان کاهش بعد تصویر می باشد. برای مثال اگر یک تصویر 50در50 داشته باشیم، این تصویر 2500 بعد منحصر به فرد دارد، در واقع هر پیکسل یک ویژگی محسوب می شود. در صورتی که بخواهیم بدون کاهش بعد، کلاس بندی را انجام دهیم لازم است تا تمام 2500 بعد هر تصویر با تصویر مرجع مقایسه شود، که کار بسیار پرمحاسبه و زمان گیری است و معمولا عملی نیست. بنابراین لازم است تا با تکنیک هایی این تعداد بعد (ویژگی) را کاهش دهیم، در واقع تنها ویژگی هایی را نگه داریم که تصاویر مربوط به دو کلاس در آن ویژگی تفاوت زیادی می کنند روشهای مبتنی بر استخراج ویژگی، یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت می دهند. این روشها به دو دسته ی خطی و غیرخطی تقسیم می شوند. روشهای خطی که ساده ترند و فهم آنها راحت تر است بدنبال یافتن یک زیرفضای تخت عمومی (Global flat subspace) هستند. اما روشهای غیرخطی که مشکلترند و تحلیل آنها سخت تر است بدنبال یافتن یک زیرفضای تخت محلی (Locally flat subspace) می باشند. پیشرفتهای بوجود آمده در جمع آوری داده و قابلیتهای ذخیره سازی در طی دهه های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات روبرو شویم. محققان در زمینه های مختلف مانند مهندسی، ستاره شناسی، زیست شناسی و اقتصاد هر روز با مشاهدات بیشتر و بیشتری روبرو می شوند. در مقایسه با بسترهای داده ای قدیمی و کوچکتر، بسترهای داده ای امروزی چالشهای جدیدی در تحلیل داده ها بوجود آورده اند. روشهای آماری سنتی به دو دلیل امروزه کارائی خود را از دست داده اند. علت اول افزایش تعداد مشاهدات است، و علت دوم که از اهمیت بالاتری برخوردار است افزایش تعداد متغیرهای مربوط به یک مشاهده می باشد. تعداد متغیرهایی که برای هر مشاهده باید اندازه گیری شود ابعاد داده نامیده می شود. روشهای مبتنی بر استخراج ویژگی: این روشها یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت میکنند. در واقع با ترکیب مقادیر ویژگیهای موجود، تعداد کمتری ویژگی بوجود می آورند بطوریکه این ویژگیها دارای تمام (یا بخش اعظمی از) اطلاعات موجود در ویژگیهای اولیه باشند. روشهای مبتنی بر انتخاب ویژگی: این روشها سعی میکنند با انتخاب زیرمجموعه ای از ویژگیهای اولیه، ابعاد داده ها را کاهش دهند. در پاره ای از اوقات تحلیلهای داده ای نظیر طبقه بندی برروی فضای کاسته شده نسبت به فضای اصلی بهتر عمل می کند. روش‌های مختلف استخراج ویژگی بنا به فلسفه پشت سرشان ممکن است یک یا چند کار زیر را انجام دهند: 1. حذف نوفه داده‌ها 2. جداسازی اجزای مستقل داده‌ها 3. فروکاهی ابعاد برای تولید بازنمایی مختصرتر 4. افزایش بعد برای تولید بازنمایی جدایی‌پذیرتر. انجام استخراج ویژگی فرایند بسیار متداول‌ای در انواع مختلف پردازش داده‌ها چون پردازش تصویر، پردازش صوت و غیره است.