Veriye Bağlılık – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri
Veriye Bağlılık
Veriye bağlı ağırlıkları uyarlamalı olarak hesaplamak için sigmoidal bulanık dönüşümü kullanan bir filtre yapısı önerildi. Ele alınan vektörler arasındaki mesafeleri hesaplamak için önerilen ölçü, vektörler arasındaki açıydı.
Nihai filtre çıktısını oluşturmak için yukarıdakiyle aynı mesafe kriterine dayanan sıralı ağırlıklar kullanıldı. Benzer şekilde, nihai çıktıdaki vektörleri ağırlıklandırmak için Öklid mesafesinin tersini kullanan çok kanallı bir filtre önerildi.
Bu filtre, tek değişkenli giriş sinyalleri için tanıtılan metodolojiyi çok kanallı sinyallere kadar genişletir. Bununla birlikte, çok kanallı mesafe ölçümlerine dayalı ağırlıklar, birden fazla şekilde oluşturulabilir çünkü iki çok kanallı sinyal arasındaki mesafeyi tanımlamanın benzersiz bir yolu yoktur.
Kullanılan mesafe kriterlerine ve bunlara uygulanan dönüşümlere bağlı olarak, bir dizi farklı uyarlamalı filtre tasarlanabilir. Mesafeye dayalı uygun ağırlığın nasıl seçileceği net olmamakla birlikte, deneysel sonuçlardan, şeklinin filtre performansı için büyük önem taşıdığı bilinmektedir.
Bu çalışma, uygun ağırlık formunun seçimi sorununu ele almaktadır. Halihazırda kullanımda olan dönüşümlerin bir genellemesi olarak kabul edilebilecek ağırlık dönüşümlerini sağlamak için bulanık bağlantılar kullanılır.
Genelleştirilmiş bir ağırlık fonksiyonu oluşturmak için metodolojimizi tanıtmadan önce, yaygın mesafe ölçülerini ve bunlara karşılık gelen bulanık dönüşümleri tartışacağız.
Mesafeler ve Bulanık Ağırlıklar
Filtre tasarımındaki en önemli adım üyelik fonksiyonlarının geliştirilmesidir. Geçmişteki çabalara rağmen, birleşik bir bulanık üyelik fonksiyonu formu henüz türetilmemiştir. Çoğu durumda, bir şekilde mevcut oldukları varsayılır.
Burada ağırlıklar ξj, seçilen uzaklık kriterlerine dayalı bulanık üyelik fonksiyonları kullanılarak belirlenir. Bulanık dönüşüm benzersiz değildir. Farklı bulanık fonksiyonlar, bir dizi arzu edilen özelliği karşılamalıdır, ancak esas olarak, tüm giriş aralığı boyunca düzgün bir sonlu çıktıya sahip olmaları gerekir.
Birkaç aday işlev, yukarıdaki belirtimi karşılayabilir. Buna göre, üyelik fonksiyonları için en yaygın kullanılan şekiller üçgen, yamuk, parçalı doğrusal ve Gauss benzeri fonksiyonlardır. Bu işlevler, tasarım tarafından empoze edilen deneyime, problem özelliklerine ve hesaplama kısıtlamalarına dayalı olarak tasarımcı tarafından keyfi olarak seçilir.
Üyelik fonksiyonu formunun seçimi büyük ölçüde probleme bağlı olduğu için, uygulanabilir tek apriori kural, tasarımcıların kendilerini sürekli ve monoton olan fonksiyonlarla sınırlandırmaları gerektiğidir.
Dikkatimizi, doğrusal olmayan filtre tasarımı için yaygın olarak kullanılan iki önemli uzaklık ölçüsü için uygun olan bulanık dönüşümlere adadık.
Tasarımdaki amaç, minimum mesafeye sahip piksele maksimum ağırlık atanacak şekilde uygun bir bulanık dönüşüm seçmektir.
İki vektör arasındaki benzerliği (mesafeyi) yargılamak için kullanılan ilk kriter, sözde vektör açısı kriteridir. Bu kriter, iki vektör arasındaki açıyı uzaklık olarak kabul eder. n uzunluğundaki işleme penceresi içindeki gürültülü vektör xi ile ilişkili mesafe olarak tanımlanabilir.
Normatif bağlılık nedir
Veriye Dayalı Karar Verme aşamaları
Veriye Dayalı karşılaştırma nedir
Veri Yönetimi Nedir
Veri Okuryazarlığı Nedir
Bu benzerlik ölçüsü, renk vektörleri arasındaki mesafeleri ölçmek için tanıtıldı. RGB renk uzayında renk, mutlak yoğunluk değerlerinin üçlüsü olarak değil, trikromatik kanaldaki göreli değerler olarak tanımlandığından, mesafe ölçüsünün mutlak yoğunluk farklarına değil, göreli yoğunluk farklılıklarına (kromatiklik) yanıt vermesi gerektiği ileri sürülmüştür. (parlaklık).
Bu nedenle, iki renk vektörü arasındaki oryantasyon farkı, spektral oran farkıyla iyi bir korelasyona sahip olduğu için mesafe ölçüsü olarak seçildi.
Vektör açısı kriterine dayalı bir üyelik fonksiyonu oluşturmak için bir dizi farklı şekil kullanılabilir. Bununla birlikte, sinir ağları ve bulanık sistemler literatüründe, bir sigmoidal dönüşüm genellikle iç çarpım tipi mesafelerle ilişkilendirilir. Bu nedenle, benzerlik ölçüsü olarak açıların toplamı seçilirse, bir sigmoidal üyelik fonksiyonu kullanılmalıdır.
Burada β ve r belirlenecek parametrelerdir. r’nin değeri, üyelik fonksiyonunun ağırlıklandırma etkisini ayarlamak için kullanılır ve β, bir ağırlık ölçeği eşiğidir. Tanım gereği, vektör açı mesafesi kriteri [0,nπ] aralığında pozitif bir sayı sağladığından, yukarıda tanıtılan bulanık dönüşümün çıktısı [βr,β] aralığında bir üyelik değeri üretir.
Ancak, 3×3 veya (1+exp((nπ)) 2r 5×5 penceresi gibi orta büyüklükte bir pencere için bile, yukarıdaki aralığın alt sınırı güvenli bir şekilde sıfır olarak kabul edilmelidir. mütevazı 3×3 penceresi ve r = 1 ve β = 2 ile karşılık gelen aralık [1.4 × 10−12, 1]’dir ve 5×5 penceresi için aralık [1.5 × 10−35, 1] olur. yukarıdaki üyelik fonksiyonunun [0, 1] aralığında değerlere sahip olduğunu düşünebiliriz.Yukarıdaki dönüşümün tasarım hedeflerini karşıladığı basit hesaplamalarla kolayca görülebilir.
Burada r pozitif bir sabittir ve β bir mesafe eşiğidir. Parametrelerin gerçek değerleri uygulamaya göre değişir. Yukarıdaki parametreler, bulanık ağırlıktaki bulanıklık miktarını kontrol eden mezhepsel ve üstel bulanık üreteçlere karşılık gelir. Mesafe ölçüsü her zaman pozitif bir sayı olduğundan, bu bulanık üyelik fonksiyonunun çıktısının aralıkta olduğu açıktır.
Bulanık dönüşüm, mesafe değeri ne kadar yüksek olursa, bulanık ağırlık o kadar düşük olur. Üyelik fonksiyonunun mesafe değeri sıfır olduğunda bir (maksimum değer) olduğu ve mesafe değeri sonsuz olduğunda sıfır (minimum değer) olduğu kolayca görülebilir.
Üyelik İşlevleri
Her iki üyelik fonksiyonu (5.10)’daki filtre yapısında tanıtılan bulanık ağırlıkları türetmek için kullanılabilir. Bununla birlikte, fonksiyonların şekli ve parametreleri, deneyimlerimize ve seçilen mesafe kriterine dayalı olarak sezgisel olarak seçilmiştir. Daha yakın zamanlarda, üyelik fonksiyonları optimizasyon prosedürleri kullanılarak tasarlanmıştır.
Genel fikir, bir eğitim sinyali kullanarak üyelik fonksiyonunun şeklini ve parametrelerini ayarlamaktır. Bulanık üyelik fonksiyonunun şekli genellikle önceden belirlenir. Ardından, varsayılan üyelik fonksiyonunun parametrelerini ayarlamak için bir dizi mevcut eğitim çifti (giriş, üyelik değerleri) kullanılır.
En sık kullanılan prosedür, ortalama karesel hata (MSE) kriterinden yararlanır. Ek olarak, kullanılan şekillerin çoğu doğrusal olmadığından, hesaplamalarda yinelemeli şemalar (örneğin, geriye yayılım) kullanılır.
Ancak görüntü işleme gibi bir uygulamada üyelik fonksiyonunun uyarlamalı olarak ayarlanabilmesi için orijinal görüntünün veya orijinaline benzer özelliklere sahip bir görüntünün mevcut olması gerekir. Ne yazık ki, bozulmamış orijinal görüntünün veya gürültü özellikleri hakkında bilginin mevcut olmadığı gerçek zamanlı görüntü işleme uygulamalarında bu nadiren olur. Bu nedenle, “en iyi” bulanık dönüşümü elde etmenin alternatif yolları araştırılmalıdır.
Normatif bağlılık nedir Veri Okuryazarlığı Nedir Veri Yönetimi Nedir Veriye Dayalı Karar Verme aşamaları Veriye Dayalı karşılaştırma nedir
