تشخيص ناهنجاري با استفاده از خودرمزنگار مبتني بر شبكه‌هاي عصبي گرافي

اصفهان : دانشگاه صنعتي اصفهان

رياضي كاربردي

كارشناسي ارشد

ﮐﺎﻫﺶ ﺑﻌﺪ، ﯾﮑﯽ ﺍﺯ ﻣﺮﺍﺣﻞ ﺍﺳﺎﺳﯽ ﺩﺭ ﭘﺮﺩﺍﺯﺵ ﺩﺍﺩﻩ ﻭ ﯾﺎﺩﮔﯿﺮﯼ ﺑﺪﻭﻥ ﻧﻈﺎﺭﺕ ﺍﺳﺖ ﮐﻪ ﺩﺭ ﺍﻧﻮﺍﻉ ﻣﺨﺘﻠﻔﯽ ﺍﺯ ﻭﻇﺎﯾﻒ ﺍﺯ ﺟﻤﻠﻪ ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎﺭﯼ ﻭ ﺧﻮﺷﻪﺑﻨﺪﯼ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﻗﺮﺍﺭ ﻣﯽﮔﯿﺮﺩ. ﻫﺪﻑ ﺍﺯ ﮐﺎﻫﺶ ﺑﻌﺪ، ﮐﺎﻫﺶ ﺗﻌﺪﺍﺩ ﻣﺘﻐﯿﺮﻫﺎ ﯾﺎ ﻭﯾﮋﮔﯽﻫﺎﯼ ﻣﻮﺟﻮﺩ ﺩﺭ ﺩﺍﺩﻩﻫﺎ ﺑﺎ ﺣﻔﻆ ﺍﻃﻼﻋﺎﺕ ﻣﻬﻢ ﻭ ﺍﺻﻠﯽ ﺁﻥﻫﺎ ﺍﺳﺖ. ﺍﯾﻦ ﮐﺎﺭ ﺍﻏﻠﺐ ﺑﻪ ﻣﻨﻈﻮﺭ ﺳﺎﺩﻩﺳﺎﺯﯼ ﻭﭘﯿﺶﭘﺮﺩﺍﺯﺵ ﺩﺍﺩﻩﻫﺎ ﺑﺮﺍﯼ ﻭﻇﺎﯾﻒ ﺑﻌﺪﯼ ﻣﺎﻧﻨﺪ ﺗﺸﺨﯿﺺ ﺍﻟﮕﻮﻫﺎ ﻭ ﺳﺎﺧﺘﺎﺭﻫﺎﯼ ﭘﻨﻬﺎﻥ ﺍﻧﺠﺎﻡ ﻣﯽﺷﻮﺩ. ﺩﺭ ﺩﺍﺩﻩﻫﺎﯾﯽ ﮐﻪ ﺩﺍﺭﺍﯼ ﺍﺑﻌﺎﺩ ﺑﺎﻻﯾﯽ ﻫﺴﺘﻨﺪ ﻭ ﺳﺎﺧﺘﺎﺭ ﻣﻨﯿﻔﻮﻟﺪ ﻏﯿﺮﺧﻄﯽ ﺩﺍﺭﻧﺪ، ﮐﺎﻫﺶ ﺑﻌﺪ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯﻣﺘﺮﯾﮏﻫﺎﯼ ﺧﺎﺹ ﻣﯽﺗﻮﺍﻧﺪ ﺑﻬﯿﻨﻪﺗﺮ ﺍﻧﺠﺎﻡ ﺷﻮﺩ. ﺑﻪﻃﻮﺭ ﺧﺎﺹ، ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﻣﺘﺮﯾﮏﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﻓﺎﺻﻠﻪ ﮊﺋﻮﺩﺯﯾﮑﯽ ﻣﻨﺎﺳﺐ ﺍﺳﺖ ﮐﻪ ﻗﺎﺩﺭ ﺑﻪ ﺗﺼﻮﯾﺮﺳﺎﺯﯼ ﺍﺭﺗﺒﺎﻃﺎﺕ ﻏﯿﺮﺧﻄﯽ ﺑﯿﻦ ﺩﺍﺩﻩﻫﺎ ﺩﺭ ﻓﻀﺎﯼ ﮐﻢ ﺑﻌﺪ ﺑﺎﺷﺪ. ﻣﺘﺮﯾﮏﻫﺎﯼ ﮊﺋﻮﺩﺯﯾﮑﯽ ﻣﺎﻧﻨﺪ ISOⅯAP ﻭ ﻣﺘﺮﯾﮏﻫﺎﯼ ﻣﺸﺎﺑﻪ ﺍﺯ ﺍﻟﮕﻮﺭﯾﺘﻢﻫﺎﯾﯽ ﺍﺳﺘﻔﺎﺩﻩ ﻣﯽﮐﻨﻨﺪ ﮐﻪ ﺳﺎﺧﺘﺎﺭ ﻣﻨﯿﻔﻮﻟﺪ ﺩﺍﺩﻩ ﺭﺍ ﺩﺭ ﻓﻀﺎﯼ ﺑﻌﺪﺑﺎﻻ ﮐﺸﻒ ﻣﯽﮐﻨﻨﺪ ﻭ ﺁﻥ ﺭﺍ ﺩﺭ ﻓﻀﺎﯼ ﮐﻢ ﺑﻌﺪ ﺑﺎﺯﻧﻤﺎﯾﯽ ﻣﯽﮐﻨﻨﺪ. ﯾﮑﯽ ﺍﺯ ﺭﻭﺵﻫﺎﯾﯽ ﮐﻪ ﺑﺮﺍﯼ ﺍﯾﻦ ﻣﻨﻈﻮﺭ ﺍﺳﺘﻔﺎﺩﻩ ﻣﯽﺷﻮﺩ، ﺍﻟﮕﻮﺭﯾﺘﻢ ﺩﺭﺧﺖ ﭘﻮﺷﺎﯼ ﮐﻤﯿﻨﻪ (MST) ﺍﺳﺖ. ﺍﯾﻦ ﺍﻟﮕﻮﺭﯾﺘﻢ ﻣﺒﺘﻨﯽ ﺑﺮ ﮔﺮﺍﻑ، ﺑﻪ ﺗﻘﺮﯾﺐ ﺳﺎﺧﺘﺎﺭ ﻣﺤﻠﯽ ﻫﻤﺴﺎﯾﻪﻫﺎ ﮐﻤﮏ ﻣﯽﮐﻨﺪ ﻭ ﺍﺯ ﺁﻥ ﺑﺮﺍﯼ ﺍﯾﺠﺎﺩ ﻓﺎﺻﻠﻪﻫﺎﯾﯽ ﺑﺮﺍﯼ ﺣﻔﻆ ﺳﺎﺧﺘﺎﺭ ﺑﯿﻦ ﻧﻘﺎﻁ ﺍﺳﺘﻔﺎﺩﻩ ﻣﯽﺷﻮﺩ. ﻣﺘﺮﯾﮏ ﻓﺎﺻﻠﻪ ﻣﺒﺘﻨﯽ ﺑﺮ MST، ﺟﺎﯾﮕﺰﯾﻨﯽ ﻣﻨﺎﺳﺐ ﺑﺮﺍﯼ ﻓﺎﺻﻠﻪ ﺍﻗﻠﯿﺪﺳﯽﺍﺳﺖ ﮐﻪ ﻗﺎﺩﺭ ﺑﻪ ﺍﻧﺪﺍﺯﻩﮔﯿﺮﯼ ﻓﻮﺍﺻﻞ ﻏﯿﺮﺧﻄﯽ ﺑﯿﻦ ﻧﻘﺎﻁ ﺍﺳﺖ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺍﯾﻦ ﺗﺤﻠﯿﻞﻫﺎ، ﺷﺒﮑﻪﻫﺎﯼ ﻋﺼﺒﯽ ﮔﺮﺍﻓﯽ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﻗﺮﺍﺭ ﻣﯽﮔﯿﺮﻧﺪ ﺗﺎ ﻫﻤﺴﺎﯾﮕﯽ ﻧﻤﻮﻧﻪﻫﺎ ﺭﺍ ﺩﺭ ﻧﻈﺮﺑﮕﯿﺮﻧﺪ ﻭ ﺳﭙﺲ ﺍﺯ ﯾﮏ ﺧﻮﺩﺭﻣﺰﻧﮕﺎﺭ ﻣﻨﻈﻢ ﮔﺮﺍﻓﯽ (GAE) ﺑﺮﺍﯼ ﺗﺸﺨﯿﺺ ﺍﻟﮕﻮﻫﺎﯼ ﻧﺎﻫﻨﺠﺎﺭﯼ ﻭ ﻃﺒﻘﻪﺑﻨﺪﯼ ﺩﺍﺩﻩﻫﺎ ﺍﺳﺘﻔﺎﺩﻩ ﻣﯽﺷﻮﺩ. ﺷﺒﮑﻪﻫﺎﯼ ﻋﺼﺒﯽ ﮔﺮﺍﻓﯽ ﻗﺎﺩﺭ ﺑﻪ ﻣﺪﻝﺳﺎﺯﯼ ﻭ ﺗﺤﻠﯿﻞ ﺍﺭﺗﺒﺎﻃﺎﺕ ﭘﯿﭽﯿﺪﻩ ﻭ ﻏﯿﺮﺧﻄﯽ ﺑﯿﻦ ﻧﻘﺎﻁ ﻫﺴﺘﻨﺪ ﻭ ﺍﺯ ﺍﯾﻦ ﺭﻭ، ﻣﻨﺎﺳﺐ ﺑﺮﺍﯼ ﻭﻇﺎﯾﻔﯽ ﻫﻤﭽﻮﻥ ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎﺭﯼ ﻭ ﺗﺸﺨﯿﺺ ﺍﻟﮕﻮﻫﺎ ﺩﺭ ﺩﺍﺩﻩﻫﺎﯼ ﺑﺎ ﺍﺑﻌﺎﺩﺑﺎﻻ ﻭ ﺳﺎﺧﺘﺎﺭ ﻣﻨﯿﻔﻮﻟﺪ ﻏﯿﺮﺧﻄﯽ ﻣﯽﺑﺎﺷﻨﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻔﺎﻫﯿﻢ ﻓﻮﻕ، ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺷﺒﮑﻪﻫﺎﯼ ﻋﺼﺒﯽ ﮔﺮﺍﻓﯽ ﺑﻪﻋﻨﻮﺍﻥ ﯾﮑﯽ ﺍﺯ ﺍﺑﺰﺍﺭﻫﺎﯼ ﺍﺻﻠﯽ ﺩﺭ ﮐﺎﻫﺶ ﺑﻌﺪ ﻭﺗﺤﻠﯿﻞ ﺩﺍﺩﻩﻫﺎ ﺑﺎ ﺍﺑﻌﺎﺩ ﺑﺎﻻ ﻭ ﺳﺎﺧﺘﺎﺭ ﻣﻨﯿﻔﻮﻟﺪ ﻏﯿﺮﺧﻄﯽ، ﻣﻮﺭﺩ ﺗﻮﺟﻪ ﻭﺍﻗﻊ ﻣﯽﺷﻮﺩ. ﺍﯾﻦ ﺭﻭﺵﻫﺎ ﻗﺎﺩﺭ ﺑﻪ ﺍﺳﺘﺨﺮﺍﺝﻭﯾﮋﮔﯽﻫﺎﯼ ﻣﻬﻢ ﺍﺯ ﺩﺍﺩﻩﻫﺎ ﻫﺴﺘﻨﺪ ﻭ ﺍﻣﮑﺎﻥ ﺗﻔﮑﯿﮏ ﺍﻟﮕﻮﻫﺎ ﻭ ﺳﺎﺧﺘﺎﺭﻫﺎﯼ ﭘﯿﭽﯿﺪﻩ ﺭﺍ ﻓﺮﺍﻫﻢ ﻣﯽﮐﻨﻨﺪ. ﺍﺯ ﻃﺮﻑ ﺩﯾﮕﺮ، ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺧﻮﺩﺭﻣﺰﻧﮕﺎﺭﯼ ﻣﻨﻈﻢ ﮔﺮﺍﻓﯽ ﺑﻪ ﻋﻨﻮﺍﻥ ﯾﮏ ﻣﮑﺎﻧﯿﺰﻡ ﺑﺮﺍﯼ ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎﺭﯼ ﻭ ﺗﻤﺎﯾﺰ ﺑﯿﻦ ﺍﻟﮕﻮﻫﺎﯼ ﻣﺨﺘﻠﻒ ﺩﺭ ﺩﺍﺩﻩﻫﺎ ﺍﺯ ﺍﻫﻤﯿﺖ ﺑﺎﻻﯾﯽ ﺑﺮﺧﻮﺭﺩﺍﺭ ﺍﺳﺖ. ﺍﯾﻦ ﺭﻭﺵﻫﺎ ﻣﯽﺗﻮﺍﻧﻨﺪ ﺑﻪ ﻋﻨﻮﺍﻥ ﺍﺑﺰﺍﺭﻫﺎﯼ ﻗﺪﺭﺗﻤﻨﺪﯼ ﺑﺮﺍﯼ ﭘﯿﺶﭘﺮﺩﺍﺯﺵ ﻭ ﺗﺤﻠﯿﻞ ﺩﺍﺩﻩﻫﺎﯼ ﭘﯿﭽﯿﺪﻩ ﻭ ﺑﺰﺭﮒ ﺑﺎ ﺍﺑﻌﺎﺩ ﺑﺎﻻ ﻭ ﺳﺎﺧﺘﺎﺭ ﻣﻨﯿﻔﻮﻟﺪ ﻏﯿﺮﺧﻄﯽ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﻗﺮﺍﺭ ﮔﯿﺮﻧﺪ ﻭ ﺩﺭ ﺗﺼﻤﯿﻢﮔﯿﺮﯼﻫﺎﯼ ﻣﺨﺘﻠﻔﯽ ﻣﺎﻧﻨﺪ ﺗﺸﺨﯿﺺ ﺍﻟﮕﻮﻫﺎ ﻭ ﺍﻟﮕﻮﻫﺎﯼ ﻧﺎﻫﻨﺠﺎﺭ ﻭ ﻫﻤﭽﻨﯿﻦ ﺩﺭ ﻣﺴﺎﺋﻞ ﭘﯿﺶﺑﯿﻨﯽ ﻭﺗﺼﻤﯿﻢﮔﯿﺮﯼ ﺑﻬﺒﻮﺩ ﻣﻌﻨﺎﺩﺍﺭﯼ ﺍﯾﺠﺎﺩ ﮐﻨﻨﺪ. ﺩﺭ ﺍﯾﻦ ﭘﺎﯾﺎﻥﻧﺎﻣﻪ، ﺍﺯ ﯾﮏ ﺧﻮﺩﺭﻣﺰﻧﮕﺎﺭ ﺍﺳﺘﻔﺎﺩﻩ ﮐﺮﺩﯾﻢ ﮐﻪ ﻻﯾﻪﻫﺎﯼ ﺁﻥ ﻫﻢ ﺷﺒﮑﻪﻫﺎﯼ ﻋﺼﺒﯽ ﮔﺮﺍﻓﯽ ﻭ ﻫﻢ ﻻﯾﻪﻫﺎﯼﺳﺎﺩﻩ ﻫﺴﺘﻨﺪ. ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ ﺍﯾﻦ ﻣﺪﻝ ﺍﺯ ﺩﻭ ﻗﺴﻤﺖ ﺗﺸﮑﯿﻞ ﺷﺪﻩ ﺍﺳﺖ: ﻗﺴﻤﺖ ﺍﻭﻝ ﺑﺎ ﻫﺪﻑ ﺣﻔﻆ ﺳﺎﺧﺘﺎﺭ ﺩﺭ ﺑﻌﺪﭘﺎﯾﯿﻦ ﻭ ﻗﺴﻤﺖ ﺩﻭﻡ ﺑﺎ ﻫﺪﻑ ﮐﻤﯿﻨﻪ ﮐﺮﺩﻥ ﺍﺧﺘﻼﻑ ﻣﺮﺑﻊ ﻭﺭﻭﺩﯼ ﻭ ﺧﺮﻭﺟﯽ ﺧﻮﺩﺭﻣﺰﻧﮕﺎﺭ ﺍﺳﺖ. ﭘﺲ ﺍﺯ ﺁﻣﻮﺯﺵ، ﺍﺧﺘﻼﻑﻫﺎﯼ ﻣﺮﺑﻌﯽ ﺑﯿﻦ ﻭﺭﻭﺩﯼ ﻭ ﺧﺮﻭﺟﯽﻫﺎ ﺭﺍ ﻣﺮﺗﺐ ﮐﺮﺩﻩ ﻭ n ﻣﻘﺪﺍﺭ ﺍﻭﻝ ﺭﺍ ﺑﻪ ﻋﻨﻮﺍﻥ ﻧﺎﻫﻨﺠﺎﺭﯼ ﺩﺭ ﻧﻈﺮ ﮔﺮﻓﺘﯿﻢ. ﺍﯾﻦ ﺭﻭﯾﮑﺮﺩ ﺑﺎ ﺗﺮﮐﯿﺐ ﺷﺒﮑﻪﻫﺎﯼ ﻋﺼﺒﯽ ﮔﺮﺍﻓﯽ ﻭ ﺧﻮﺩﺭﻣﺰﻧﮕﺎﺭ ﺑﺎ ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ ﻣﺒﺘﻨﯽ ﺑﺮ ﮊﺋﻮﺩﺯﯾﮑﯽ، ﺑﻪ ﺑﻬﺒﻮﺩ ﺗﺸﺨﯿﺺﻧﺎﻫﻨﺠﺎﺭﯼ ﺩﺭ ﺩﺍﺩﻩﻫﺎ ﮐﻤﮏ ﻣﯽﮐﻨﺪ.

226949

علوم داده

رياضي

دانشگاه صنعتي اصفهان