با توجه به ارائه اين درس توسط دو مدرس در نيمسال جاري براي دانشجويان دكتري، طرح درس زير با توجه به محدوديت زماني نيمسال، دنبال خواهد شد:
هدف: بررسي تخصصي مفاهيم هوش محاسباتي و زمينههاي كاربردي آن در فتوگرامتري و سنجش از دور از اهداف اين درس است.
رئوس مطالب شامل موارد زير است كه موارد قرمز تحت عنوان كلي استخراج ويژگي هوشمند و عوارض توسط يك استاد و موارد سياه رنگ تحت عنوان محاسبات هوشمند در پردازش تصاوير توسط استاد ديگر ارائه خواهد شد. هر بند در يك هفته ارائه ميشود و ترتيب مطالب بر حسب نياز تنظيم خواهد شد:
1- استخراج عوارض از تصاوير: لزوم، مروري بر روشهاي مختلف و رويكردهاي تحقيقاتي، جايگاه هوش محاسباتي در استخراج عوارض، ايجاد بردار ويژگي – توصيفگرها، روشهاي نمايش بردار ويژگي
2- منطق فازي: مقدمه، مجموعههاي فازي، عملگرهاي فازي، روابط فازي و اصل توسعه، قواعد فازي
و متغيرهاي زباني، استنتاج فازي و پايگاه قوانين، فازي سازي و غير فازي ساز، نحوه استخراج قواعد فازي
3- شبكههاي عصبي: توابع فعاليت، تابع هزينه و ابعاد شبكه، آموزش شبكه، ماتريس هسين، الگوريتم پس-انتشار خطا، شبكههاي كوهنن، شبكه هاي هاپفيلد، شبكههاي توابع پايه شعاعي، نحوه انتخاب پارامترها،
معيارهاي ارزيابي شبكه عصبي
4-سيستمهاي عصبي-فازي: سيستمها با توابع تعلق ثابت و تطبيقي، سيستمهاي استناج تطبيقي، شبكه كنترل آموزش پذير تطبيقي فازي، نرونهاي فازي (نوع 1، نوع 2، نوع 3)
5-زمينههاي كاربردي هوش محاسباتي در فتوگرامتري و سنجش از دور
6- كشف محدوده عوارض بر اساس شبكههاي عصبي، آناليز بافت تصوير، طبقهبندي عصبي و عصبي-فازي
7- خوشهبندي C-Means وC-Means Fuzzy، خوشهبندي با شبكههاي خود سازمانده، خوشهبندي عصبي-فازي
8- پردازش تصاوير فازي: يكنواخت سازي فازي هيستوگرام، آستانه گذاري فازي، كشف گوشهها بر اساس منطق فازي، اندازهگيري ويژگيهاي هندسي عوارض تصويري به روش فازي، كشف لبه بر اساس منطق فازي
9- شناسايي الگو بر اساس پردازشهاي منطق فازي
روش ارزيابي:
ارزيابي شامل دو بخش اصلي است. بخش اول پروژه و بخش دوم آزمون. تمرينها و ارائه هاي كلاسي نيز بخش فرعي ارزيابي را شكل خواهد داد. با توجه به سطح دانشجويان دكتري حدود 90% نمره به بخش اصلي اختصاص دارد.
منابع اصلي:
1- M. Grana, R.J. Duro, “Computational Intelligence for Remote Sensing”, Softcover Edition, Springer, 2010.
2- I.H. Witten and E. Frank, “Data Mining: Practical Machine Learning Tools and Techniques”, 3rd Edition, Morgan Kaufmann Publisher, 2011.
3- A.D. Kulkarni, “Computer Vision and Fuzzy-Neural Systems”, Prentice Hall, 2001.