که n_t بیشینه تعداد تکرار، مقدار اولیه وزن اینرسی، مقدار نهایی وزن اینرسی و مقدار اینرسی در زمان t است. نکته آنکه .
۳٫ کاهش غیر خطی؛ که مقادیر زیاد اینرسی به صورت غیر خطی، به مقادیر کم کاهش می‌یابد. در روش‌های کاهش غیر خطی، زمان اکتشاف کم‌تر از روش‌های کاهش خطی است و در مقابل زمان استخراج بیشتر است. روش‌های کاهش غیر خطی، بیشتر برای فضاهای جستجوی نرم مناسب هستند.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۲-۵-۲- چالش‌ها و مسائل پیش روی الگوریتم بهینه‌سازی ازدحام ذرات

بهینه‌سازی ازدحام ذرات یک الگوریتم بهینه‌سازی الهام گرفته از طبیعت است که ثابت شده در مسائل بهینه‌سازی بسیاری به خوبی کار می‌کند. از اواسط دهه نود میلادی که PSO ارائه شد کارهای بسیاری برای ارتقاء آن صورت گرفته و در سال‌های اخیر PSO در محدوده وسیعی از کاربردهای گوناگون بکار گرفته شده است. مسائل بسیاری از جمله گیر افتادن در بهینه محلی، واگرایی، سرعت پایین همگرایی، توانایی حل مسائل بهینه‌سازی با ابعاد بالا از چالش‌های الگوریتم پایه‌ی PSO محسوب می‌شدند.
آی دی فالکو^[۳۰] و همکاران [۴۲, ۴۳] ارتباطاتی میان اندازه مسأله و کارایی PSO از طریق نتایج تجربی بدست آوردندد. نتایج بدست آمده نشان می‌داد که مسائل دسته‌بندی دو کلاسه به خوبی توسط PSO مورد ملاحظه قرار می‌گیرد اما نتایج روشنی برای مسائل سه کلاسه یا بیشتر مشاهده نمی‌شود. ضمن اینکه دقت دسته‌بندی با افزایش تعداد کلاس‌ها و همچنین افزایش سایز مسئله کاهش می‌یابد. نوآریا^[۳۱] و بوکادوم^[۳۲] [۴۴] مکانیسم‌های چاره سازی برای مجموعه داده‌های با ابعاد بالا ارائه دادند.
در بازبینی که روی کارهای اخیر در دسته‌بندی به کمک الگوریتم PSO صورت گرفته [۴۵] دو مشکل به صورت متناوب در به‌کارگیری این الگوریتم به چشم می‌خورد: یکی ابعاد بالا^[۳۳] برای داده‌های ورودی که ممکن است اندازه بزرگ پایگاه داده نیز با آن ترکیب شود. مشکل دیگر این که چگونه با داده‌هایی که میان ویژگی‌های آن‌ها همبستگی^[۳۴] وجود دارد برخورد کنیم. توانایی برخورد با مجموعه داده با ابعاد بالا و یا دارای همبستگی میان مشخصه‌ ها از چالش‌های تمام الگوریتم‌های تکاملی می‌باشد.

۲-۵-۲-۱- مشکل ابعاد بالا

دسته‌بندی برای داده‌هایی که دارای خصیصه‌های ابعاد بالا هستند بسیار رخ می‌دهد. فَن^[۳۵] و همکاران [۴۶] تأثیر بالا بودن ابعاد را در عملیات دسته‌بندی مطالعه کردند. آن‌ها اشاره می‌کنند که سختی دسته‌بندی برای ابعاد بالا به طور ذاتی برخاسته از وجود ویژگی‌های نویز دار است که در کاهش خطای دسته‌بندی همکاری نمی‌کنند. دسته‌بندی که از تمام خصیصه‌ها استفاده می‌کند می‌تواند به اندازه حدس زدن تصادفی ضعیف عمل کند. این امر به علت انباشتگی نویز که عموماً به خاطر تخمین اشتباه مرکز جمعیت در فضای ویژگی‌های با ابعاد بالا است رخ می‌دهد. بنابراین، انتخاب زیرمجموعه‌ای از ویژگی‌ها که اهمیت بیشتری دارند برای دسته‌بندی با ابعاد بالا بسیار حائز اهمیت است.
De Falco و سایرین [۴۳] اثربخشی PSO را در دسته‌بندی داده‌ها از مجموعه داده‌های مختلف ارزیابی کردند، که در میان آن‌ها چند مجموعه داده با ابعاد بالا نیز وجود داشت. آن‌ها مجموع تعداد نمونه‌های داده را (D)، تعداد کلاس‌هایی که داده‌ها در آن قرار می‌گیرند © و مجموعه پارامترهایی که هر یک از نمونه‌ها دارند را (N) نامیدند و ادعا کردند رابطه‌ای میان کارایی PSO و حاصل ضرب از یک سو و C از سمت دیگر وجود دارد. نتایج آن‌ها نشان داد دقت دسته‌بندی PSO با افزایش مقدار C و همین‌طور افزایش P تمایل به کاهش دارد.
مجموعه داده‌های با ابعاد بالا چالش‌های ریاضی زیادی را به همراه این فرصت که جنبه‌های بیشتری از اطلاعات نهفته را نمایش می‌دهند به وجود می‌آورند. یکی روش‌هایی که برای برخورد با مجموعه داده‌های با ابعاد بالا ارائه شدند روش کاهش ابعاد فضای جستجو هستند. Fodor [47] اشاره می‌کند که روش‌های آمار سنتی در مواجه با مسائل ابعاد بالا جوابگو نمی‌باشند، که به علت افزایش تعداد ملاحظات و بیشتر به خاطر افزایش در تعداد پارامترهایی همراه هر یک از این ملاحظات می‌باشد. او به جمع آوری اطلاعات از ابزارها قدیمی و جدید که برای کاهش بُعد مسائل ابعاد بالا را چاره گر هستند پرداخت.
نوآریا و بوکادوم [۴۴] به جای کاهش ابعاد فضای جستجو نویسندگان بر اکتشاف بهتر متمرکز شدند. در پیاده‌سازی‌هایی که بر اکتشاف بیشتر در فضای جستجو تاکید دارند مکانیزم کنترلی جدیدی برای بروز رسانی مکان ذره و یا مقدار دهی اولیه جمعیت ارائه می‌شود. Liu و سایرین [۴۸] یک استراتژی برای حرکت دادن ذرات تنبل که سبب ایستایی^[۳۶] و نهایتاً همگرایی زودرس^[۳۷] می‌شوند ارائه داده که این امر به اکتشاف بهتر و یافتن راه‌ حل ‌های مناسب‌تر منتج می‌شود. اگر سرعت ذره از یک مقدار مینیمم آستانه کمتر شود، یک سرعت جدید به وسیله مکانیزم آشفتگی به آن تخصیص داده می‌شود. مقدار مینیمم سرعت ذرات به وسیله‌ی یک کنترل گر منطق فازی تنظیم می‌شود. Coelho و سایرین [۴۹] یک روش ترکیبی ارائه دادند که در آن مؤلفه‎های PSO از یک توالی آشفته که توسط نگاشت Henon به وجود آمده استفاده می‌کنند. کاربرد توالی آشفته به جای توالی تصادفی یک استراتژی قدرتمند برای متنوع کردن و ایجاد جمعیت گوناگونی از ذرات است که کارایی PSO را به وسیله جلوگیری از همگرایی زودرس در بهینه محلی بهبود می‌دهد. محققان بسیاری PSO را با روش Simulated Annealing (SA) ترکیب کرده‌اند به گونه‌ای که PSO بهترین راه‌حل سراسری را یافته سپس به وسیله یک جستجو محلی با SA ارتقاء می‌یابد [۵۰-۵۲].
نوآریا و بوکادوم [۴۵] مکانیزم‌های محدودیت و پراکندگی باد بکار برده شدند. مکانیزم محدودیت به وسیله مقید کردن تغییرات در یک بازه محدود عمل می‌کند. به این صورت که مؤلفه k ام از فضای N بُعدی مکان ذره i به صورت معادله (۳-۶) مقید می‌شود:
(۲-۱۵)
مکانیزم دومی که به عنوان یک فرایند جستجوی آشفته شرح داده شده، پراکندگی به وسیله باد است. سرعت و جهت باد برای مدل کردن فضای جستجو تعریف شده‌اند. معادله به روز رسانی سرعت باد به صورت زیر در می‌آید.
(۲-۱۶)
که در آن vw سرعت باد، v_op عامل جهت مخالف و برابر ۱- و v_su عامل جهت موافق و برابر با ۱ است. سرعت باد دو اثر می‌تواند داشته باشد: حرکت یک ذره را می‌تواند برعکس جهت فعلی نماید و یا آن را تقویت کند. اثر مخالف سرعت ذره را در رسیدن به بهترین ذره کاهش می‌دهد و اثر موافق سرعت ذره را در رسیدن به آن افزایش می‌دهد. هر ذره به صورت جداگانه به روز می‌شود. این امر سبب ایجاد نیروهای پویای متفاوتی در فضای مسأله می‌شود. اگر مقادیر اثر موافق و مخالف سرعت‌های باد یکسان باشد، یک اتمسفر ایستا مدل می‌شود. معادله اصلاح شده‌ی فضای مکان N بُعدی خواهد بود:
(۲-۱۷)
وقتی مکانیزم محدودیت را با معادله به روز رسانی مکان ذره را با مکانیزم پراکندگی باد ادغام کنیم به جای معادله (۳-۶) خواهیم داشت:
(۲-۱۸)
مقادیر اولیه سرعت و جهش باد نقش مهمی را در همگرایی نهایی ذرات به راه‌حل بهینه بازی می‌کنند.

۲-۵-۲-۲- مشکل همبستگی میان داده‌ها

در انجام دسته‌بندی داشتن داده‌ها ورودی ناهمگن شامل مخلوطی از پارامترهای گسسته و پیوسته عددی^[۳۸] و پارامترهای اسمی^[۳۹] بسیار رخ می‌دهد. به عنوان مثال وقتی سیستم دسته‌بند در یک بیمارستان می‌خواهد افراد مراجعه کننده را به گروه‌های پیش شناسی و تشخیص (سالم و بیمار) تقسیم کند، تصمیم گیری در مورد این که آن‌ها را بپذیرد یا سرپایی درمان کند به شاخص‌های پیوسته (مانند درجه حرارت بدن، سطح اشباع اکسیژن و…)، شاخص‌های اسمی (مانند وجود یا نبود بعضی از نشانه‌های بیماری، جنسی بیمار و…) و مقیاس ترتیبی^[۴۰] بستگی دارد.
هنگامی با چنین داده‌های ناهمسانی سر و کار داریم، دسته‌بندهای معمولی یک مرحله کد نویسی اولیه برای نگاشت مقادیر غیر عددی به عدد صحیح انجام می‌دهند. در این رابطه آن‌ها با دو مشکل مواجه می‌شوند: چگونه یک رابطه ترتیبی وزن‌های واقعی برای مقادیر متفاوت را در داده‌های تغییر شکل یافته توجیه و برقرار می‌کند. همچنین، چگونه سمت‌گیری^[۴۱] دانش ارائه شده به علت یک روش کدگذاری دلخواه که اهمیت نسبی مقادیر غیر عددی را نادیده می‌گیرد مورد ملاحظه قرار می‌دهد. نوآریا و بوکادوم [۵۳] روشی برای اجتناب از مشکلات قبلی ارائه شد که به جای کد نویسی محض از ترجمه استفاده می‌کند. مکانیزم ترجمه^[۴۲] (تفسیر) به طور ذاتی وزن‌های معنایی را تولید کرده و به آسانی در روش‌های دسته‌بندی مکاشفه‌ای تلفیق می‌شود.
چندین مدل بر پایه‌ی گسسته سازی الگوریتم بهینه‌سازی ازدحام ذرات پیشنهاد شده که برای حل مسائل گسسته کاربرد دارند. در این روش‌ها ذرات نمی‌توانند به صورت پیوسته پرواز کنند.
در روش کدگذاری دودویی PSO یک مدل تغییر یافته از الگوریتم PSO برای حل مسائل که راه‌حل آن‌ها از عنصرهای دودویی تشکیل شده بودند به وسیله ابداع کنندگان PSO ارائه شد [۵۴].
الگوریتم اصلاح شده مکانیزم به روز رسانی مکان بردار ذره که در معادله (۲-۱۰) آمده را یک معادله جدید که مؤلفه‌های بردار مکان آن به صورت زیر خواهد بود:
x_ij =
۱ if rand() < S(v_ij)
۰ otherwise
(۲-۱۹)
در معادله (۲-۱۹) v_ij سرعت ذره i ام در مؤلفه j ام است که از طریق معادله (۲-۱۱) به دست آمده و S(v_ij) یک تابع سیگموئید است. از آنجایی که ذرات نمی‌توانند در فضای گسسته به صورت پیوسته پرواز کنند، مفهوم پارامتر سرعت به احتمال بخش متناظر راه‌حل اشاره می‌کند که می‌تواند مقدار ۱ یا ۰ بگیرد.
در روش گرد کردن مقادیر مکان مقدار مکان به نزدیک‌ترین عدد صحیح گرد می‌شود و به این ترتیب راه‌حل گسسته تولید می‌شود [۵۵]. این روش از همگرایی آهسته مقادیر سرعت کم (کمتر از ۰٫۵) رنج می‌برد زیرا این سرعت‌ها به صفر گرد می‌شوند. بنابراین اگر سرعت ذره خیلی پایین باشد ذره در دور مربوطه حرکت نخواهد کرد. باید در نظر داشت که مسائل بهینه‌سازی پیچیده به هزاران تکرار برای کامل شدن نیاز دارند و وقوع سرعت‌های پایین می‌تواند به طور قابل ملاحظه‌ای سرعت فرایند بهینه‌سازی را کاهش دهد.
الگوریتم دیگری که نوعی بهینه‌سازی ازدحام ذرات گسسته DPSO^[43] محسوب می‌شود الگوریتم JPSO^[44] است [۵۶, ۵۷]. این روش چیزی به نام سرعت در نظر نمی‌گیرد که این را به علت بی معنی بودن مفهوم سرعت پیوسته در فضای گسسته می‌داند. اما جذب توسط بهترین ذرات همچنان وجود دارد. JPSO جمعیتی از ذرات را که موقعیتشان درون فضای حالت توسط پرش از یک مکان به مکان (راه‌حل) دیگر تغییر کرده و تکامل می‌یابد. در هر تکرار هر ذره یک رفتار تصادفی را برای پریدن به مکان جدید بروز می‌دهد به طوری که یک جذب کننده نیز بر این رفتار اثر گذاشته و آن را هدایت می‌کند. الگوریتم سه جذب کننده را برای حرکت ذره i ام در نظر می‌گیرد: بهترین موقعیت شخصی ذره y_i (t)، بهترین موقعیت همسایگان اجتماعی و بهترین موقعیت جمعی که کل ذرات تا آن لحظه کشف نموده‌اند. نویسندگان نشان دادند که JPSO توانایی بدست آوردن پاسخ‌های مناسب برای مجموعه داده‌های بزرگ را دارد.
روش تفسیر مکانی بر مبنای نوع ویژگی هنگامی که PSO را برای مجموعه داده با ویژگی‌های ناهمسان به کار می‌بریم کاربرد دارد. مطالعات پیشین اکثراً بر مدل نمودن PSO به صورت مقادیر پیوسته یا گسسته اشاره داشتند. گسسته سازی و نگاشت مقادیر اسمی و غیر عددی به عدد صحیح در مواردی مانند مواجه با ویژگی‌های اسمی می‌تواند مشکلات بالقوه‌ای را ایجاد کند. اما همان‌طور که اشاره شد در این رابطه‌ها با دو مشکل به وقوع می‌پیوندد: چگونه یک رابطه ترتیبی وزن‌های واقعی برای مقادیر متفاوت را در داده‌های تغییر شکل یافته توجیه و برقرار می‌کند. همچنین، چگونه سمت‌گیری^[۴۵] دانش ارائه شده به علت یک روش کدگذاری دلخواه که اهمیت نسبی مقادیر غیر عددی را نادیده می‌گیرد مورد ملاحظه قرار می‌گیرد و یک نمایش یکدست ارائه می‌شود.
نوآریا^[۴۶] و بوکادوم^[۴۷] [۵۸] یک الگوریتم PSO با یک مکانیزم تفسیر مکانی بر مبنای نوع ویژگی برای بازیابی مواردی که ویژگی‌های ناهمسان در داده‌ها موجود بود ارائه کردند. نوآریا^[۴۸] و بوکادوم^[۴۹] [۵۳] روش دیگری دوباره برای دسته‌بندی بر روی مجموعه داده‌های مختلفی آزمایش شد. این روش به وسیله تفسیر به جای کد نویسی به طور ذاتی از بسیاری از مشکلات قبلی دوری می‌گزیند. مکانیزم ترجمه به طور ذاتی وزن‌های معنایی را تولید کرده و به آسانی در روش‌های دسته‌بندی مکاشفه‌ای تلفیق می‌شود. این روش می‌تواند به طور یکسان در کارهای دسته‌بندی با انواع داده‌های ورودی اسمی، پیوسته و گسسته به کار رود. ایده اصلی به این صورت است که با یک الگوریتم PSO پیوسته شروع به کار کنیم و از مکانیزم‌هایی برای ترجمه و تفسیر مکان ذرات به صورت مناسب استفاده کرد؛ لذا دو فضا مورد بررسی قرار می‌گیرد: یک فضای جستجو مانند PSO استاندارد که ذرات در مختصات پیوسته تکامل می‌یابند و یک فضای تفسیر که در مواردی که بردارهای ورودی با مقادیر عددی پیوسته یا گسسته و یا مؤلفه‌های اسمی بیان شده‌اند منعکس کننده واقعیات است. هنگامی ذره در امتداد محورهای پیوسته در فضای جستجو تکامل می‌یابد، موقعیت‌های مکانی آن به عبارت‌های توصیف گر^[۵۰] (برای صفات) از انواع مختلف ترجمه می‌شوند. یک نگاشت معنایی بین این دو فضا اجازه انتقال از یک فضا به دیگر را می‌دهد. در نگاشت معنایی مجموعه‌ای از مکانیزم‌های تفسیر (ترجمه) تضمین می‌کنند برای مقادیر پیوسته در فضای اول مقادیر پیوسته، گسسته و یا اسمی در فضای دوم وجود خواهد داشت.
در نتیجه‌ی وجود مکانیزم‌های ترجمه الگوریتم PSO همچنان کارکرد خود را به عنوان یک روش پیوسته حفظ کرده است و تنها تفسیر متفاوتی از موقعیت‌های مکانی ارائه شده است. تغییرات در درجه اول برای ارزیابی تابع برازش که معنای فضای تفسیر را بیان می‌کند اتفاق می‌افتد. سرعت، موقعیت و اینرسی همچنان در فضای جستجوی پیوسته تکامل می‌یابند و تنها تابع برازش با مقادیر ترجمه شده صفات ناهمسان در فضای تفسیر ارزیابی می‌شود. به بیان دیگر جستجو در فضای جستجو و مقایسه در فضای تفسیر انجام می‌شوند.

۲-۵-۳- گونه‌های مختلف PSO

همان‌طور که در بخش قبل بیان شد الگوریتم PSO با چالش‌های بسیاری از جمله گیر افتادن در بهینه محلی، واگرایی، سرعت پایین همگرایی، توانایی حل مسائل بهینه‌سازی با ابعاد بالا مواجه است. برای رفع این مشکلات گونه‌های مختلفی از الگوریتم PSO ارائه شده که در زیر به آن‌ها می‌پردازیم.

۲-۵-۳-۱- بهینه‌سازی ازدحام ذرات مبتنی بر شبکه‌های جمعی

انواع پیاده‌سازی PSO مبتنی بر شبکه‌های جمعی میان ذرات شیوه محاسبه بهترین خاطره شخصی و بهترین مکان‌های موجود در همسایگی را تغییر می‌دهد و یک توپولوژی اجتماعی جدید را معرفی می‌کند.

۲-۵-۳-۱-۱- همسایگی مبتنی بر فاصله فضایی

Suhanthan فاصله اقلیدسی میان ذرات را به عنوان همسایگی میان آن‌ها پیشنهاد داد [۳۶]. برای همسایگی به اندازه n_N، همسایگی ذره i شامل n_N ذراتی می‌شود که به ذره i نزدیک‌تر هستند. محاسبه فضای همسایگی نیازمند مشخص کردن فاصله اقلیدسی میان تمام ذرات در هر دور است، که مسلماً پیچیدگی محاسباتی الگوریتم جستجو را بسیار بالا می‌برد. اگر n_t دور از الگوریتم اجرا شده باشد محاسبه فضای همسایگی دارای هزینه محاسباتی O(n_tn_s²) می‌باشد. همچنین تعیین همسایگی بر اساس فاصله این فایده را دارد که تغییرات در همسایگی به صورت پویا در هر دور حساب می‌شود.
یک نوع متفاوت از پیاده‌سازی فضای همسایگی به نام همسایگی فضایی مبتنی بر برازندگی^[۵۱] توسط Braendler و Hendtlass ارائه شد [۵۹]، که در آن ذرات به سمت ذراتی از همسایگی حرکت می‌کنند که پاسخ مناسبی را پیدا کرده‌اند.

۲-۵-۳-۱-۲- همسایگی فزاینده

همان‌طور که قبلاً مطرح کردیم چنانچه شبکه جمعی میان ذرات دارای اتصالات داخلی کمتری باشند دیرتر همگرا می‌شوند، که باعث می‌شود اکتشاف بیشتری در فضای جستجو انجام شود. یک توپولوژی ستاره مانند با اتصالات داخلی کامل سریع‌تر همگرا می‌شود اما به قیمت نادیده گرفتن بخش‌هایی از فضای جستجو. برای اینکه بتوان از فواید اکتشاف بیشتر و سرعت همگرایی بالاتر بهره ببریم Suhanthan این دو ایده را با هم ترکیب نمود [۳۶].
جستجو با اندازه همسایگی n_N=2 برای تعیین بهترین موقعیت در همسایگی آغاز می‌شود. اندازه همسایگی با افزایش تکرار بیشتر می‌شود تا این که همسایگی تمام جمعیت را در بر بگیرد (n_N=n_s). همسایگی فزاینده اجازه می‌دهد در تکرارهای اولیه اکتشاف بهتری در فضای جستجو داشته باشیم و در مراحل پایانی سرعت همگرایی را افزایش دهیم.

۲-۵-۳-۱-۳- بهینه‌سازی ازدحام ذرات کاملاً آگاه (FIPS^[52])

همان‌طور که در معادله سرعت استاندارد (۲-۱۱) آمده موقعیت جدید هر ذره به وسیله خود ذره و بهترین ذره‌ای که در همسایگی‌اش قرار دارد مورد تأثیر قرار می‌گیرد. Kennedy و Mendes مشاهده کردند گونه‌های انسانی به وسیله تنها یک فرد مورد تأثیر قرار نمی‌گیرند، بلکه عموماً مجموع کلی همسایگان بر آن‌ها اثر خواهند گذاشت [۶۰].
بر مبنای این اصل معادله سرعت در FIPS به گونه‌ای تغییر می‌کند که هر ذره توسط نتایج مطلوب مجموع همسایگانش و نه کارایی تنها یک ذره تحت تأثیر قرار می‌گیرد. نقطه‌ی ضعف FIPS این است که این حقیقت را که اثر چند ذره ممکن تأثیر یکدیگر را خنثی کنند را در نظر نمی‌گیرد. مثلاً فرض کنید اگر دو همسایه به ترتیب به اندازه a و –a در معادله سرعت تأثیر داشته باشند، جمع آن‌ها برابر صفر می‌شود.

الگوریتم‏های سیستم پیشنهادی در محیط نرم‏افزار MATLAB R2008a پیاده‏سازی شده و بر روی یک کامپیوتر شخصی Intel Core2Dou 2.66 GHz با ۲ GB حافظه مورد آزمایش قرار گرفته است. توجه به این نکته ضروری است که هرچند پردازنده کامپیوتری که نتایج بر روی آن آزمایش شده، دوهسته‏ای^[۱۴۴] می‏باشد، اما به دلیل نوع نرم‏افزار استفاده شده برای پیاده‏سازی الگوریتم‏ها (نرم‏افزار MATLAB)، در عمل تنها از یک پردازنده آن برای انجام محاسبات استفاده می‏شود. نرم‏افزار MATLAB توانایی استفاده از دو هسته یک پردازنده را ندارد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

برای ارزیابی دقیق‏تر سیستم، هر یک از بخش‏های نرم‏افزار هوشمند تا حد امکان به طور جداگانه مورد ارزیابی قرار گرفت. درنهایت نیز چند آزمایش برای ارزیابی کلی سیستم انجام شد. به این ترتیب نتایج آزمایشات و ارزیابی سیستم شامل بخش‏های زیر خواهد بود:
آشکارسازی چهره
ردیابی چهره
استخراج ویژگی ناحیه چشم
استخراج ویژگی ناحیه چهره و سر
تشخیص کاهش هوشیاری
ارزیابی کلی سیستم
معیار‏های ارزیابی
ارزیابی دقیق سیستم‏های نظارت چهره راننده بر اساس خطای False Positive و False Negative انجام می‏شود. این ارزیابی معادل بیان دقت سیستم بر اساس True Positive و True Negative است. در آشکارسازی چهره یا چشم نیز از این معیار‏ها برای تعیین دقت الگوریتم استفاده می‏گردد.
از این پس به جای اصطلاحات نرخ False Positive، False Negative، True Positive و True Negative به ترتیب از اختصارات FPR^[145]، FNR^[146]، TPR^[147] و TNR^[148] استفاده خواهد شد. با فرض نرمال بودن مقادیر فوق، بین FPR و TNR و بین FNR و TPR روابط زیر بر قرار است:

FPR به معنی نرخ خطای سیستم در تشخیص اشتباه خواب‏آلودگی یا عدم تمرکز حواس است و FNR نرخ خطای سیستم در عدم تشخیص خواب‏آلودگی را نشان می‏دهد. به همین ترتیب TPR نرخ تشخیص صحیح خواب‏آلودگی و TNR نرخ تشخیص صحیح هوشیاری راننده است. در جدول ‏۴‑۴ مفاهیم FPR، FNR، TPR و TNR در ماتریس اغتشاش^[۱۴۹] بیان شده‏اند.
جدول ‏۴‑۴: بیان مفاهیم FPR، FNR، TPR و TNR در قالب ماتریس اغتشاش

دسته ‏بندی واقعی

کلاس Negative

کلاس Positive

FPR

TPR

کلاس Positive

دسته ‏بندی سیستم

TNR

FNR

کلاس Negative

در یک سیستم ایده‏آل FPR و FNR صفر است. در برخی گزارشات، ارزیابی سیستم فقط بر اساس نرخ هشدار اشتباه^[۱۵۰] (FAR) بیان می‏شود. در واقع FAR معادل FPR است. گاهی نیز دقت سیستم به عنوان معیار ارزیابی مورد استفاده قرار می‏گیرد. دقت سیستم معادل TPR است.
آشکارسازی چهره
برای آموزش الگوریتم آشکارسازی چهره از حدود ۳۰۰۰ تصویر چهره و حدود ۳۰۰۰۰۰ تصویر غیرچهره استفاده شد. تصاویر چهره از پایگاه داده FERET انتخاب شد و به صورت دستی مکان چشم‏های آن تعیین گردید. تمام تصاویر چهره بر اساس فاصله بین دو چشم یکسان‏سازی مقیاس^[۱۵۱] و سپس به یک اندازه دلخواه (۴۰×۴۰ پیکسل) یکسان‏سازی اندازه^[۱۵۲] شد. برای تولید تصاویر غیرچهره از تعدادی تصویر تصادفی استفاده گردید. ابتدا اگر چهره انسان در این تصاویر وجود داشت، به طور دستی حذف شد. سپس این تصاویر به تصاویر کوچک با ابعاد تصاویر چهره (۴۰×۴۰) قسمت‏بندی شد. هر قسمت به عنوان یک تصویر غیرچهره در سیستم مورد استفاده قرار گرفت. نمونه‏هایی از تصاویر چهره و غیرچهره که برای آموزش استفاده شده است، به ترتیب در شکل ‏۴‑۳ و شکل ‏۴‑۴ مشاهده می‏شود.

شکل ‏۴‑۳: نمونه‏هایی از تصاویر چهره مورد استفاده برای آموزش الگوریتم آشکارسازی چهره

شکل ‏۴‑۴: نمونه‏هایی از تصاویر غیرچهره مورد استفاده برای آموزش الگوریتم آشکارسازی چهره
در هنگام آموزش الگوریتم آشکارسازی چهره، توجه به این نکته ضروری است که با کاهش نرخ آشکارسازی اشتباه (FPR)، نرخ عدم آشکارسازی (FNR) بیشتر خواهد شد و بالعکس. بنابراین باید با توجه به کاربرد، مصالحه‏ای میان FPR و FNR برقرار گردد.
برای آزمایش الگوریتم آشکارسازی چهره، از ۳۰۰۰ تصویر چهره و ۸۰۰۰۰ تصویر غیرچهره استفاده شد. طبق آزمایش انجام شده، نرخ عدم آشکارسازی چهره (FNR) برابر ۸/۱% و نرخ آشکارسازی اشتباه (FPR) برابر ۸/۰% بدست آمد. نتایج ارزیابی الگوریتم آشکارسازی در جدول ‏۴‑۵ نشان داده شده است.
جدول ‏۴‑۵: ارزیابی الگوریتم آشکارسازی چهره

تعداد عدم آشکارسازی

نرخ خطای عدم آشکارسازی

[۲۶] C. M. Bishop and N. M. Nasrabadi, Pattern recognition and machine learning vol. 1: springer New York, 2006.
[۲۷] R. S. Parpinelli, et al., “Data mining with an ant colony optimization algorithm,” Evolutionary Computation, IEEE Transactions on, vol. 6, pp. 321-332, 2002.
[۲۸] O. Cordón, et al., “Genetic fuzzy systems. New developments,” Fuzzy Sets and Systems, vol. 141, pp. 1-3, 2004.
[۲۹] R. C. Green, et al., “Training neural networks using central force optimization and particle swarm optimization: insights and comparisons,” Expert systems with applications, vol. 39, pp. 555-563, 2012.
[۳۰] R. Eberhart and J. Kennedy, “A new optimizer using particle swarm theory,” in Micro Machine and Human Science, 1995. MHS’95., Proceedings of the Sixth International Symposium on, 1995, pp. 39-43.
[۳۱] T. Krink, et al., “Particle swarm optimisation with spatial particle extension,” in Evolutionary Computation, 2002. CEC’02. Proceedings of the 2002 Congress on, 2002, pp. 1474-1479.
[۳۲] J. Kennedy and R. Mendes, “Population structure and particle swarm performance,” in Evolutionary Computation, 2002. CEC’02. Proceedings of the 2002 Congress on, 2002, pp. 1671-1676.
[۳۳] E. Peer, et al., “Using neighbourhoods with the guaranteed convergence PSO,” in Swarm Intelligence Symposium, 2003. SIS’03. Proceedings of the 2003 IEEE, 2003, pp. 235-242.
[۳۴] F. Van den Bergh and A. P. Engelbrecht, “A cooperative approach to particle swarm optimization,” Evolutionary Computation, IEEE Transactions on, vol. 8, pp. 225-239, 2004.
[۳۵] R. Brits, et al., “A niching particle swarm optimizer,” in Proceedings of the 4th Asia-Pacific conference on simulated evolution and learning, 2002, pp. 692-696.
[۳۶] P. N. Suganthan, “Particle swarm optimiser with neighbourhood operator,” in Evolutionary Computation, 1999. CEC 99. Proceedings of the 1999 Congress on, 1999.
[۳۷] Y. Shi and R. Eberhart, “A modified particle swarm optimizer,” in Evolutionary Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence., The 1998 IEEE International Conference on, 1998, pp. 69-73.
[۳۸] Y. Shi, “Particle swarm optimization: developments, applications and resources,” in Evolutionary Computation, 2001. Proceedings of the 2001 Congress on, 2001, pp. 81-86.
[۳۹] J. Peng, et al., “Battery pack state of charge estimator design using computational intelligence approaches,” in Battery Conference on Applications and Advances, 2000. The Fifteenth Annual, 2000, pp. 173-177.
[۴۰] D. Tsou and C. MacNish, “Adaptive particle swarm optimisation for high-dimensional highly convex search spaces,” in Evolutionary Computation, 2003. CEC’03. The 2003 Congress on, 2003, pp. 783-789.
[۴۱] A. Ratnaweera, et al., “Self-organizing hierarchical particle swarm optimizer with time-varying acceleration coefficients,” Evolutionary Computation, IEEE Transactions on, vol. 8, pp. 240-255, 2004.
[۴۲] I. De Falco, et al., “Facing classification problems with particle swarm optimization,” Applied Soft Computing, vol. 7, pp. 652-658, 2007.
[۴۳] I. De Falco, et al., “Evaluation of particle swarm optimization effectiveness in classification,” in Fuzzy Logic and Applications, ed: Springer, 2006, pp. 164-171.
[۴۴] N. Nouaouria and M. Boukadoum, “Particle swarm classification for high dimensional data sets,” in Tools with Artificial Intelligence (ICTAI), 2010 22nd IEEE International Conference on, 2010, pp. 87-93.
[۴۵] N. Nouaouria, et al., “Particle swarm classification: A survey and positioning,” Pattern Recognition, ۲۰۱۳٫
[۴۶] J. Fan and Y. Fan, “High dimensional classification using features annealed independence rules,” Annals of statistics, vol. 36, p. 2605, 2008.
[۴۷] I. K. Fodor, “A survey of dimension reduction techniques,” ed: Technical Report UCRL-ID-148494, Lawrence Livermore National Laboratory, 2002.
[۴۸] H. Liu, et al., “A fuzzy adaptive turbulent particle swarm optimisation,” International Journal of Innovative Computing and Applications, vol. 1, pp. 39-47, 2007.
[۴۹] L. d. S. Coelho and V. C. Mariani, “A novel chaotic particle swarm optimization approach using Hénon map and implicit filtering local search for economic load dispatch,” Chaos, Solitons & Fractals, vol. 39, pp. 510-518, 2009.
[۵۰] X. Wang, et al., “Distributed particle swarm optimization and simulated annealing for energy-efficient coverage in wireless sensor networks,” Sensors, vol. 7, pp. 628-648, 2007.
[۵۱] M. Kessentini, et al., “Search-based model transformation by example,” Software & Systems Modeling, vol. 11, pp. 209-226, 2012.
[۵۲] V. M. Saffarzadeh, et al., “A Hybrid Approach Using Particle Swarm Optimization and Simulated Annealing For N-queen Problem,” Journal of World Academy of Science, Engineering and Technology, vol. 67, pp. 974-978, 2010.
[۵۳] N. Nouaouria and M. Boukadoum, “A particle swarm optimization approach to mixed attribute data-set classification,” in Swarm Intelligence (SIS), 2011 IEEE Symposium on, 2011, pp. 1-8.
[۵۴] J. Kennedy and R. C. Eberhart, “A discrete binary version of the particle swarm algorithm,” in Systems, Man, and Cybernetics, 1997. Computational Cybernetics and Simulation., 1997 IEEE International Conference on, 1997, pp. 4104-4108.
[۵۵] M. G. Omran, et al., “Dynamic clustering using particle swarm optimization with application in image segmentation,” Pattern Analysis and Applications, vol. 8, pp. 332-344, 2006.
[۵۶] J. Moreno-Pérez, et al., “Discrete Particle Swarm Optimization for the p-median problem,” in Proceedings of the 7th metaheuristics international conference, Montréal, Canada, 2007.
[۵۷] S. Consoli, et al., “Discrete Particle Swarm Optimization for the minimum labelling Steiner tree problem,” Natural Computing, vol. 9, pp. 29-46, 2010.
[۵۸] N. Nouaouria and M. Boukadoum, “A Particle Swarm Optimization Approach for the Case Retrieval Stage in CBR,” in Research and Development in Intelligent Systems XXVII, ed: Springer, 2011, pp. 209-222.
[۵۹] D. Braendler and T. Hendtlass, “The suitability of particle swarm optimisation for training neural hardware,” in Developments in Applied Artificial Intelligence, ed: Springer, 2002, pp. 190-199.
[۶۰] J. Kennedy and R. Mendes, “Neighborhood topologies in fully informed and best-of-neighborhood particle swarms,” Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, vol. 36, pp. 515-519, 2006.
[۶۱] I. C. Trelea, “The particle swarm optimization algorithm: convergence analysis and parameter selection,” Information processing letters, vol. 85, pp. 317-325, 2003.
[۶۲] F. Van den Bergh and A. P. Engelbrecht, “A study of particle swarm optimization particle trajectories,” Information sciences, vol. 176, pp. 937-971, 2006.
[۶۳] M. Jiang, et al., “Stochastic convergence analysis and parameter selection of the standard particle swarm optimization algorithm,” Information processing letters, vol. 102, pp. 8-16, 2007.
[۶۴] B. R. Secrest and G. B. Lamont, “Visualizing particle swarm optimization-Gaussian particle swarm optimization,” in Swarm Intelligence Symposium, 2003. SIS’03. Proceedings of the 2003 IEEE, 2003, pp. 198-204.
[۶۵] P. J. Angeline, “Using selection to improve particle swarm optimization,” in Evolutionary Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence., The 1998 IEEE International Conference on, 1998, pp. 84-89.
[۶۶] C. A. Koay and D. Srinivasan, “Particle swarm optimization-based approach for generator maintenance scheduling,” in Swarm Intelligence Symposium, 2003. SIS’03. Proceedings of the 2003 IEEE, 2003, pp. 167-173.
[۶۷] M. Løvbjerg, “Improving particle swarm optimization by hybridization of stochastic search heuristics and self-organized criticality,” Aarhus Universitet, Datalogisk Institut, 2002.
[۶۸] T. Hendtlass, “A combined swarm differential evolution algorithm for optimization problems,” in Engineering of Intelligent Systems, ed: Springer, 2001, pp. 11-18.
[۶۹] S. Das, et al., “Particle swarm optimization and differential evolution algorithms: technical analysis, applications and hybridization perspectives,” in Advances of Computational Intelligence in Industrial Systems, ed: Springer, 2008, pp. 1-38.
[۷۰] M. R. AlRashidi and M. E. El-Hawary, “A survey of particle swarm optimization applications in electric power systems,” Evolutionary Computation, IEEE Transactions on, vol. 13, pp. 913-918, 2009.
[۷۱] W.-J. Zhang and X.-F. Xie, “DEPSO: hybrid particle swarm with differential evolution operator,” in Systems, Man and Cybernetics, 2003. IEEE International Conference on, 2003, pp. 3816-3821.
[۷۲] K. Chandramouli and E. Izquierdo, “Image classification using chaotic particle swarm optimization,” in Image Processing, 2006 IEEE International Conference on, 2006, pp. 3001-3004.
[۷۳] H. Gao, et al., “Training RBF neural network with hybrid particle swarm optimization,” in Advances in Neural Networks-ISNN 2006, ed: Springer, 2006, pp. 577-583.
[۷۴] B. Al-kazemi and C. K. Mohan, “Multi-phase generalization of the particle swarm optimization algorithm,” in Evolutionary Computation, 2002. CEC’02. Proceedings of the 2002 Congress on, 2002, pp. 489-494.

نرخ آشکارسازی صحیح

TPR (True Positive Rate)

فیلتر کالمن غیرمعطر

UKF (Unscented Kalman Filter)

مقدمه
تعریف سیستم‏های نظارت چهره راننده
همراه با توسعه صنعت خودرو در جهان، کاربرد فناوری‏های نوین در اتومبیل نیز افزایش یافته است. سیستم‏های حمل و نقل هوشمند^[۱] یا به اختصار ITS، کاربرد کامپیوتر و فناوری اطلاعات و ارتباطات در شبکه‏های حمل و نقل انسان و کالا است. سیستم پیشرفته دستیار راننده^[۲] یکی از بخش‏های سیستم حمل و نقل هوشمند محسوب می‏گردد. این سیستم‏ها برای بهبود کارایی خودرو و افزایش امنیت راننده و سرنشینان آن استفاده می‏شوند و در مواقع بحرانی، به راننده اعلام هشدار کرده یا به جای راننده تصمیم مناسب را برای کنترل و هدایت خودرو اتخاذ می‏کنند.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

سیستم نظارت چهره راننده، یک سیستم بلادرنگ^[۳] است که بر اساس پردازش تصویر چهره راننده، وضعیت جسمی و تا حدی وضعیت روحی او را تحت نظارت قرار می‏دهد. معمولا وضعیت راننده از بسته بودن پلک‏ها، نحوه پلک‏زدن، خیره بودن چشم‏ها به نقطه خاص، جهت نگاه چشم، خمیازه کشیدن و حرکت سر قابل تشخیص است. این سیستم در هنگام خواب‏آلودگی، خستگی و عدم توجه راننده به جاده، اعلام هشدار^[۴] می‏کند.
ضرورت سیستم‏های نظارت چهره راننده
یکی از مهمترین عوامل موثر در تصادفات، خصوصا در جاده‏های بین شهری^[۵]، خستگی، خواب‏آلودگی و عدم تمرکز حواس راننده است. خستگی و خواب‏آلودگی باعث کاهش درک و قدرت تصمیم‏ گیری راننده برای کنترل خودرو می‏شود. تحقیقات نشان می‏دهد معمولا به طور طبیعی، پس از یک ساعت رانندگی، راننده دچار خستگی می‏شود. اما در ساعات ابتدایی بعد از ظهر، بعد از نهار و همچنین در نیمه شب، راننده در مدت زمان بسیار کمتر از یک ساعت احساس خواب‏آلودگی می‏کند. البته علاوه بر دلایل طبیعی، مصرف الکل، مواد مخدر و دارو‏هایی که منجر به کاهش هوشیاری می‏شوند نیز در خواب‏آلودگی راننده تاثیر‏گذار است [۱-۳]. عمده تصادفاتی که علت اصلی آن خستگی یا عدم تمرکز حواس اعلام می‏شود، در جاده‏های بین شهری و برای خودرو‏های سنگین رخ می‏دهد. اکثر این تصادفات در حدود ساعت ۶-۲ یا ۱۶-۱۵ به وقوع می‏پیوندد [۲].
در کشور‏های مختلف، آمار متفاوتی در مورد تصادفاتی که به علت خستگی و عدم تمرکز حواس راننده رخ می‏دهد، ارائه شده اما به طور کلی می‏توان گفت علت حدود ۲۰% از تصادفات و ۳۰% از تصادفات منجر به مرگ، خواب‏آلودگی و عدم تمرکز حواس راننده است. در تصادفات تک خودرو^[۶] یا تصادفات خودرو‏های سنگین این رقم تا ۵۰% نیز گزارش شده است [۱, ۴-۱۰].
کشور ایران به لحاظ امنیت ترافیکی، نه تنها در بین کشور‏های دنیا، بلکه در بین کشور‏های در حال توسعه نیز وضعیت بحرانی دارد. بر اساس آمار پزشکی قانونی در سال ۱۳۸۶، بر اثر تصادفات رانندگی بیش از ۲۳۰۰۰ نفر کشته و ۲۴۵۰۰۰ نفر مجروح شده‏اند [۱۱]. بر اساس آمار اعلام شده، خسارت‏های ناشی از تصادفات در ایران بیش از ۶۵۰۰۰ میلیارد ریال (معادل ۶۷ میلیارد دلار) برآورد شده که حدود ۴/۶% تولید ناخالص ملی^[۷] را تشکیل می‏دهد [۱۲]. این در حالی است که کشور استرالیا به عنوان یک کشور توسعه یافته، خسارت ناشی از تصادفات را حدود ۱۷ میلیارد دلار و معادل ۳/۲% تولید ناخالص ملی اعلام کرده است [۱۳].
با توجه به خسارات‏های جانی و مالی فراوان حاصل از خواب‏آلودگی و عدم تمرکز حواس راننده، طراحی و توسعه سیستم‏های تشخیص خواب‏آلودگی و عدم تمرکز حواس بسیار ضروری به نظر می‏رسد. یکی از بهترین روش‏های کاربردی برای این منظور، نظارت چهره راننده است. بر اساس مطالعات صورت گرفته، پیش‏بینی می‏شود استفاده از سیستم‏های تشخیص خواب‏آلودگی و عدم تمرکز حواس بتواند بین ۱۰% تا ۲۰% از تصادفات بکاهد [۱۴].
چالش‏های اساسی در سیستم‏های نظارت چهره راننده
در یک سیستم نظارت چهره راننده، دو مشکل اصلی مطرح است: «چگونگی اندازه‏گیری خستگی» و «چگونگی اندازه‏گیری تمرکز». این مشکلات به عنوان چالش‏های اصلی سیستم‏های نظارت چهره شناخته می‏شود. با وجود پیشرفت علم در زمینه فیزیولوژی و روان‏شناسی، هنوز هیچ تعریف دقیقی از خستگی ارائه نشده است. مسلما به دلیل عدم وجود تعریف دقیق خستگی، هیچ معیار قابل سنجشی^[۸] نمی‏توان برای آن ارائه کرد [۹]. با این وجود ارتباطاتی میان میزان خواب‏آلودگی و دمای سطح بدن، مقاومت الکتریکی پوست، فعالیت و حرکت چشم، نرخ تنفس، نرخ تپش قلب و فعالیت مغزی وجود دارد [۳, ۹, ۱۵, ۱۶]. یکی از اولین و مهمترین نشانه‏های خستگی در چشم ظاهر می‏شود. بر اساس تحقیقات انجام شده، رابطه مستقیمی بین میزان خستگی و درصد بسته بودن پلک‏ها در یک مدت معین وجود دارد. به درصد بسته بودن پلک‏ها در یک دوره زمانی PERCLOS^[9] می‏گویند. به همین دلیل تقریبا در تمام سیستم‏های نظارت چهره راننده، پردازش ناحیه چشم و بررسی میزان بسته بودن پلک‏ها به عنوان اولین و مهمترین معیار در اندازه‏گیری خستگی استفاده می‏شود.
مشکل اساسی دیگر، اندازه‏گیری میزان توجه راننده به جاده است. میزان توجه راننده را می‏توان از جهت سر و جایی که چشم‏ها به آنجا نگاه می‏کند تا حدی تخیمن زد. اما مشکل این است که اگر جهت سر به سمت جلو و نگاه به سمت جاده باشد، لزوما راننده به جاده توجه نمی‏کند. به عبارت دیگر نگاه کردن به جاده به معنی توجه کردن به آن نیست [۹].
جدا از چالش‏های اصلی سیستم‏های نظارت چهره راننده، پیاده‏سازی بلادرنگ سیستم بر روی سخت‏افزار‏های معمول، کاهش خطای سیستم در آشکارسازی چهره، کاهش خطای ردیابی چهره، افزایش کارایی روش‏های استخراج ویژگی و افزایش دقت الگوریتم‏های تشخیص خواب‏آلودگی و عدم تمرکز حواس از دیگر مشکلات این سیستم‏ها محسوب می‏شود.
مفاهیم خستگی، خواب‏آلودگی و عدم‏تمرکز‏حواس
در این بخش مفاهیم خستگی^[۱۰]، خواب‏آلودگی^[۱۱] و عدم تمرکز حواس^[۱۲] از دیدگاه فیزیولوژی و روان‏شناسی مورد بررسی قرار می‏گیرد. هر چند از لحاظ فیزیولوژی و روان‏شناسی مفاهیم خستگی و خواب‏آلودگی با هم متفاوت است، اما در این گزارش مشابه بسیاری از مقالات ارائه شده در این زمینه، خستگی و خواب‏آلودگی دو مفهوم مترادف هم تلقی می‏شوند. همچنین اصطلاحات مراقبت^[۱۳] و هوشیاری^[۱۴] به یک معنا بوده و منظور حالت طبیعی و ایده‏آل راننده است. در مقابل اصطلاح هوشیاری و مراقبت، مفهوم کاهش هوشیاری^[۱۵] مطرح می‏شود که ممکن است شامل خواب‏آلودگی یا عدم تمرکز و یا هر دو باشد.
خستگی و خواب‏آلودگی
هنوز یک تعریف دقیق برای خستگی و معیار کمی برای اندازه‏گیری آن ارائه نشده است. خستگی در سه نوع مختلف بروز می‏کند: خستگی اعصاب حسی^[۱۶]، خستگی ماهیچه‏ای^[۱۷] و خستگی ادراکی^[۱۸]. از این سه نوع خستگی، تنها خستگی اعصاب حسی و ماهیچه‏ای قابل اندازه‏گیری هستند و تاکنون روشی برای اندازه‏گیری خستگی ادراکی کشف نشده است [۷, ۹]. مهمترین علل خستگی و خواب‏آلودگی به هنگام رانندگی عبارتند از [۱, ۲]:
مدت زمان طولانی کار
جابجایی زمان خواب و رانندگی
استفاده از مواد الکلی یا دارو‏هایی که عدم تمرکز حواس و خواب‏آلودگی به همراه دارند
رانندگی طولانی مدت
رانندگی بدون خواب کافی (کمتر از ۸ ساعت) قبل از آن
بیماری
با وجود این که هنوز تعریف دقیقی برای خستگی ارائه نشده، اما ارتباطاتی میان میزان خواب‏آلودگی و دمای سطح بدن، مقاومت الکتریکی پوست، فعالیت و حرکت چشم، نرخ تنفس، نرخ تپش قلب و فعالیت‏های الکتریکی مغز وجود دارد [۳, ۹, ۱۵, ۱۶]. در این میان، بهترین ابزار برای اندازه‏گیری خستگی و خواب‏آلودگی، بررسی فعالیت‏های الکتریکی مغز است. اما برای دریافت سیگنال‏های الکتریکی مغز باید الکترود بر روی سر راننده نصب شود که از نظر عملی کار دشواری است.
پس از فعالیت‏های الکتریکی مغز، مهمترین نشانه خستگی در چشم ظاهر می‏شود. بر اساس تحقیقات به عمل آمده، یکی از راهکار‏های تعیین میزان هوشیاری، زمان تاخیر بین تحریک عصب بینایی^[۱۹] و انجام واکنش است. این زمان تاخیر را با پارامتری به نام PVT^[20] نشان می‏دهند که سرعت عمل فرد نسبت به تحریکات بینایی را بیان می‏کند. از طرفی ثابت شده که رابطه بسیار نزدیکی بین PVT و درصد بسته بودن پلک‏ها در یک دوره زمانی^[۲۱] (PERCLOS) وجود دارد [۸]. بنابراین رابطه بسیار نزدیکی بین میزان خستگی و درصد بسته بودن چشم برقرار است. این معیار در تشخیص خستگی و خواب‏آلودگی نقش بسیار موثری دارد.
عدم تمرکز حواس
یکنواختی یک عمل خاص می‏تواند باعث کاهش تمرکز حواس شخصی شود که آن عمل را انجام می‏دهد. یکنواختی به دو دلیل عمده ایجاد می‏شود: عدم علاقه شخص^[۲۲] و تکراری بودن^[۲۳] عمل. در مورد رانندگی معمولا یکنواختی به دلیل تکراری و قابل پیش‏بینی بودن عمل ایجاد می‏شود. رانندگی طولانی مدت در جاده‏های بدون پیچ و خم و با ترافیک روان تاثیر منفی بر عملکرد راننده دارد. در این گونه موارد شخص دچار خستگی نشده، ولی به دلیل یکنواختی رانندگی، به تدریج تمرکز حواس وی از موضوع رانندگی خارج شده و راننده کنترل دقیقی بر روی خودرو نخواهد داشت. از دیگر علل عدم تمرکز حواس می‏توان به مشغله ذهنی، صحبت کردن راننده با سرنشینان خودرو یا تلفن همراه و گوش دادن به موسیقی اشاره کرد [۷, ۹].
میزان توجه راننده را می‏توان از جهت سر و جایی که چشم‏ها به آنجا نگاه می‏کند تا حدی تخیمن زد. اما مشکل اصلی این است که اگر جهت سر به سمت جلو و نگاه به سمت جاده باشد، لزوما راننده به رانندگی توجه نمی‏کند [۹].
روش‏های تشخیص خستگی و عدم تمرکز حواس راننده
مهمترین روش‏های استفاده شده برای تشخیص خستگی راننده عبارتند از: روش‏های مبتنی بر سیگنال‏های بیوالکتریکی و عصبی، روش‏های مبتنی بر نحوه رانندگی و کنترل خودرو، روش‏های مبتنی بر نظارت چهره راننده و روش‏های ترکیبی. اما مسئله تشخیص عدم تمرکز حواس راننده پیچیده‏تر از تشخیص خستگی است. یک راننده ممکن است در ظاهر کاملا بیدار بوده و به جاده نگاه کند، اما تمرکز کافی بر روی رانندگی نداشته باشد. به عنوان مثال ممکن است راننده به دلیل مشغله ذهنی، تمرکز کافی برای رانندگی نداشته باشد. تشخیص عدم تمرکز حواس راننده مشکل است و امروزه تنها روش‏های مبتنی بر نحوه رانندگی و روش‏های مبتنی بر نظارت چهره راننده به صورت محدود می‏توانند عدم تمرکز حواس راننده را تخمین بزنند. روش‏های کلی تشخیص خستگی و عدم تمرکز حواس در [۱۷, ۱۸] بیشتر مورد بررسی قرار گرفته است.
طرح کلی پایان‏ نامه
در این فصل، مقدمه‏ای بر موضوع سیستم‏های نظارت چهره راننده شامل تعاریف، لزوم و چالش‏های سیستم و راهکار‏های کلی حل مسئله بیان گردید. در فصل دوم مروری بر پژوهش‏ها و کارهای گذشته خواهد شد. سیستم پیشنهادی در فصل سوم معرفی شده است که در آن با ارائه پیکربندی کلی سیستم، هر یک از بخش‏های آن شرح داده می‏شود. نتایج آزمایش‏های انجام شده برای ارزیابی سیستم پیشنهادی در فصل چهارم ارائه خواهد شد. آخرین فصل از پایان‏ نامه به نتیجه‏گیری و پیشنهادات برای کارهای آینده اختصاص داده شده است.
مروری بر کارهای گذشته
در این بخش پس از بررسی پیکربندی کلی سیستم‏های نظارت چهره راننده، مروری کوتاه بر تحقیقات انجام شده برای طراحی و تولید این سیستم‏ها خواهد شد. این بخش به زیر‏بخش‏های زیر تقسیم‏بندی شده است:
پیکربندی کلی سیستم‏های نظارت چهره راننده
آشکارسازی چهره
آشکارسازی چشم
آشکارسازی بینی و دهان
ردیابی چهره و اجزای آن
استخراج ویژگی‏های مربوط به کاهش هوشیاری
تشخیص کاهش هوشیاری
سیستم‏های نظارت چهره راننده در خودروهای تجاری
پیکربندی کلی سیستم‏های نظارت چهره راننده
یک سیستم نظارت چهره راننده از سه بخش عمده شامل بخش تصویربرداری، بخش سخت‏افزار و پردازنده و بخش نرم‏افزار هوشمند تشکیل شده است. هر یک از بخش‏های این سیستم، نقش سازنده و مهمی را در کارایی سیستم دارند و این بخش‏ها به یکدیگر وابسته‏اند. می‏توان گفت مهمترین بخش سیستم، بخش نرم‏افزار هوشمند است که به عنوان مغز متفکر و مرکز کنترل سیستم عمل می‏کند. سایر بخش‏های سیستم شامل بخش تصویربرداری و بخش سخت‏افزار و پردازنده باید متناسب با الگوریتم‏های بخش نرم‏افزار هوشمند انتخاب شده و مورد استفاده قرار گیرند.
تصویربرداری
بخش تصویربرداری شامل نورپردازی^[۲۴]، دوربین و در صورت لزوم فیلتر نوری، کارت اخذ تصویر^[۲۵] و کنترل‏کننده^[۲۶] است. چون سیستم نظارت چهره راننده باید در تمام شرایط نوری کار کند، نورپردازی و انتخاب دوربین یکی از مهمترین بخش‏های آن محسوب می‏شود. ابزار نورپردازی باید ضمن فراهم کردن نور کافی در محیط، باعث آزار چشم راننده نشود. به همین دلیل معمولا از طیف مادون قرمز^[۲۷] (IR) در نورپردازی استفاده می‏شود. بنابراین دوربین باید بر اساس طیف نورپردازی انتخاب شود. البته از طیف مرئی نیز در سیستم‏های نظارت چهره راننده استفاده شده است. اما به دلیل نیاز به نورپردازی چهره در شب و مزاحمت نور مرئی برای چشم راننده، به نظر می‏رسد در شرایط واقعی استفاده از طیف مرئی چندان مناسب نباشد.
توجه به این موضوع بسیار لازم به نظر می‏رسد که نورپردازی در طیف مادون قرمز باید براساس استاندارد ICE 825-1 انجام گیرد تا به چشم (به خصوص شبکیه) آسیب وارد نشود [۱۹]. بر اساس این استاندارد حداکثر توان نور مادون قرمز برای نورپردازی چهره تعیین می‏گردد.

شکل ‏۴‑۱۴: نمونه فریم‏هایی از یک فیلم ۹ دقیقه‏ای که در آن روند تغییرات فاصله بین پلک‏ها از حالت کاملا هوشیار به حالت خواب‏آلوده نشان داده شده است. تصاویر از بالا به پایین و از راست به چپ مربوط به زمان‏های دقیقه اول، دقیقه سوم، دقیقه پنجم، دقیقه هفتم، دقیقه هشتم و دقیقه نهم می‏باشد.
شکل ‏۴‑۱۵: نمودار تغییرات ELDC نسبت به زمان
سعی شد الگوریتم پیشنهادی آشکارسازی بسته بودن چشم با برخی از روش‏های دیگر مقایسه شود. متاسفانه در برخی سیستم‏ها مانند [۳۰, ۳۴, ۴۷, ۴۸] مدت آزمایش‏های انجام شده بسیار کوتاه (معمولا حدود ۵ دقیقه یا کمتر) می‏باشد. همچنین در آزمایش برخی از سیستم‏ها [۶, ۳۰, ۴۶, ۴۸, ۵۸] دقت آشکارسازی بسته شدن چشم بیان نشده است.
در [۴۹] یک سیستم بلادرنگ مبتنی بر پردازنده‏های گرافیکی^[۱۵۳] (GPU) برای آشکارسازی پلک‏زدن راننده طراحی شده که در طیف مادون قرمز عمل می‏کند. این سیستم تصاویر را با نرخ ۲۵ فریم در ثانیه پردازش می‏کند. خطای FPR و FNR این سیستم بر روی ۲۲ فیلم یک دقیقه‏ای از ۲۲ فرد مختلف (در مجموع ۳۳۰۰۰ فریم) به ترتیب ۵/۱۰% و ۳% گزارش شده است. این سیستم فقط براساس ردیابی چشم و استخراج ویژگی PERCLOS خستگی راننده را تعیین می‏کند.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

Batista [27] روشی برای آشکارسازی بسته شدن چشم ارائه کرده که نرخ خطای FPR و FNR آن به ترتیب ۵/۹% و ۷/۱% می‏باشد. این الگوریتم بر روی ۵ فیلم در مجموع به تعداد ۱۸۰۰ فریم (حدود ۷۲ ثانیه) آزمایش شده است. هرچند به نظر می‏رسد روش ارائه شده در این مقاله بهتر از روش پیشنهادی ماست، اما آزمایش‏های انجام شده برای ارائه دقت سیستم کافی به نظر نمی‏رسد.
Bergasa و همکارانش [۲۳] سیستم خود را بر روی ۱۰ فیلم در مجموع به مدت ۲ ساعت آزمایش کرده‏اند. در این آزمایش دقت آشکارسازی بسته شدن چشم ۸۰% ارائه شده است.
روش ارائه شده توسط Smith و همکارش [۴۷] بر روی ۸ فیلم که در مجموع شامل ۱۱۶۰ فریم می‏باشد، آزمایش گردید. بر اساس نتایج ارائه شده، نرخ خطای FPR و FNR این سیستم به ترتیب ۷۱% و ۱۵% گزارش شده است. نتایج ارائه شده نشان می‏دهد خطای FPR سیستم در آشکارسازی بسته شدن چشم بسیار زیاد است.
در جدول ‏۴‑۸ مقایسه اجمالی میان الگوریتم پیشنهادی و سایر الگوریتم‏های ارائه شده برای آشکارسازی بسته بودن چشم، مشاهده می‏شود. همان گونه که مشاهده می‏گردد روش پیشنهادی در مقایسه با سایر روش‏های ارائه شده دقت بسیار خوبی دارد.
جدول ‏۴‑۸: مقایسه الگوریتم پیشنهادی با سایر الگوریتم‏های ارائه شده برای آشکارسازی بسته شدن چشم

نام روش

خطای FPR

خطای FNR

روش Lalonde

۵/۱۰%

۳%

روش Batista

۵/۹%

۷/۱%

روش Bergasa

؟

۲۰%

روش Smith

۷۱%

۱۵%

روش پیشنهادی

۴/۲%

۷/۸%

استخراج ویژگی‏های ناحیه سر و چهره
ویژگی استخراج شده از ناحیه سر و چهره، آشکارسازی چرخش سر است. برای ارزیابی الگوریتم پیشنهادی در آشکارسازی چرخش سر، مقدار چرخش سر در هر فریم ® با یک حد آستانه مقایسه شد. اگر مقدار R کمتر از حد آستانه باشد، چرخش آشکارسازی نشده، در غیر این صورت چرخش سر رخ داده است. برای ارزیابی این بخش از سیستم، تعداد ۱۱ فیلم به مدت ۳۷ دقیقه مورد استفاده قرار گرفت.
نتایج نشان می‌دهد الگوریتم پیشنهادی در آشکارسازی چرخش سر حول محورهای مختلف بسیار خوب عمل می‌کند. هرچند در این سیستم، ردیابی چهره براساس ساده‌ترین روش انجام شده، اما نتایج رضایت‌بخشی بدست آمده است. بر اساس این نتایج الگوریتم پیشنهادی قادر است افتادن سر و چرخش سر حول تمام محور‌های مختصات را آشکارسازی کند. اگر راستای محور‌های مختصات مطابق شکل ‏۴‑۱۶ درنظر گرفته شود، توانایی سیستم در آشکارسازی چرخش سر مطابق جدول ‏۴‑۹ خواهد بود.
X
Y
Z
شکل ‏۴‑۱۶: نمایش وضعیت سر نسبت به محورهای مختصات
جدول ‏۴‑۹: توانایی سیستم پیشنهادی در آشکارسازی چرخش سر حول محورهای مختصات

گردش حول محور