عنوان : ( تشخیص ناهنجاری در مسیرخودرو با استفاده از بازسازی تنک )
نویسندگان: ریحانه تقی زاده خانکوک , عباس ابراهیمی مقدم , مرتضی خادمی درح ,بر اساس تصمیم نویسنده مقاله دسترسی به متن کامل برای اعضای غیر دانشگاه ممکن نیست
چکیده
در سامانه های کنترل ترافیک و ثبت تخلفات وسایل نقلیه همواره دست یابی به سامانه ای که بتوان با استفاده از آن به طور خودکار رفتارهای ناهنجار رانندگان را شناسایی کرد، چالشی اساسی به شمار می آید. در این تحقیق سامانهای با مشخصات مذکور برای تشخیص ناهنجاری مسیر خودروها پیشنهاد گردیده که در آن ابتدا به استخراج ویژگی های زمانی – مکانی و تشکیل یک طبقه بند با کمک لغتنامه حاصل از آن ویژگی ها پرداخته می شود. طبقه بند از پردازش هایی چون، خوشه بندی بهینه شده با الگوریتم جفت گیری زنبور عسل و پردازش تنک روی ویژگی های زمانی – مکانی حاصل از داده های آموزشی تشکیل می گردد. طبقه بند طراحیشده روی داده های آزمون، بهمنظور تشخیص ناهنجاری اعمال می شود. وجه تمایز این پژوهش نسبت به پژوهش های پیشین علاوه بر شیوه نوین در پیش پردازش صورت گرفته به منظور ایجاد ماتریس لغتنامه، تشخیص ناهنجاری بر پایه ارزیابی ماتریس حاصل از تعلق داده ها به هر طبقه است، که منجر به دقت بالاتر روش پیشنهادی نسبت به سایر روش های رقیب میشود. برای ارزیابی بهتر روش پیشنهادی، ابتدا آن را روی پایگاه داده UCSD و سپس روی دنباله های ویدئویی استخراج شده از عبور و مرور خودروها در ضلع شمالی دانشگاه فردوسی مشهد اعمال نموده و سپس نتایج حاصل، با نتایج سایر پژوهش های شناخته شده در این حوزه مقایسه می گردد.
کلمات کلیدی
, آموزش لغت نامه, استخراج ویژگی, بازسازی تنک تشخیص ناهنجاری@article{paperid:1088867,
author = {تقی زاده خانکوک, ریحانه and ابراهیمی مقدم, عباس and خادمی درح, مرتضی},
title = {تشخیص ناهنجاری در مسیرخودرو با استفاده از بازسازی تنک},
journal = {مهندسی برق و مهندسی کامپیوتر ایران},
year = {2022},
volume = {20},
number = {1},
month = {June},
issn = {1682-3745},
pages = {57--65},
numpages = {8},
keywords = {آموزش لغت نامه، استخراج ویژگی، بازسازی تنک تشخیص ناهنجاری},
}
%0 Journal Article
%T تشخیص ناهنجاری در مسیرخودرو با استفاده از بازسازی تنک
%A تقی زاده خانکوک, ریحانه
%A ابراهیمی مقدم, عباس
%A خادمی درح, مرتضی
%J مهندسی برق و مهندسی کامپیوتر ایران
%@ 1682-3745
%D 2022