الغاية من هذا المقال إلقاء الضوء على آلية ومراحل عمل نظام خبير , يقوم بتحديد انتماء وجه مدخل الى أي من تعابير الوجه الستة النموذجية وهي الغضب , الاشمئزاز , الخوف , السعادة , الحزن , الدهشة بالإضافة إلى الحالة الطبيعية .
وذلك بتطبيق خوارزمية تحليل ال
مكونات الأساسية PCA- principal component analysis , والمتعلقة بالعناصر الثلاث العين والحاجب والفم , خلافا للدراسات المعهودة في هذا المجال التي تعتمد على الوجه بالكامل.
هذه القيم الناتجة تستخدم في تحديد شعاع صفات الوجه كقيم لدخل الشبكة العصبونية , ويتم تدريب الشبكة العصبونية باستخدام خوارزمية الانتشار الخلفي . علما أن الوجوه المستخدمة تعود لأشخاص من أعمار وعروق مختلفة .
يمكن تحليل و معالجة بيانات صور الفيديو من خلال العديد من الطرق. يكشف هذا البحث إلى أي مدى يمكن أن تكون الخلية العصبونية النابضة Spiking Neuron المصممة وفق النموذج Hodgkin-Huxley ملائمة لهذه المهمة. ستناقِش عمليات المحاكاة الموثقة في هذا البحث استجابة
الخلايا العصبونية من النموذج تكامل- إطلاق لتيارات الدخل الثابتة و المتغيرة و المدخلات المقادة بكثافة البكسل. و بشكل عام تستخدم برمجيات التطبيق المصمم 64 خلية عصبونية نابضة تعمل بشكل مستقل حيث تقوم هذه الخلايا العصبونية بمعالجة بيانات الصورة المأخوذة كل 25 ميلي ثانية.
تم اختبار العصبونات المصممة على 100 صورة تتضمن حالات مختلفة من الإضاءة و الإشباع اللوني و التباين, و أظهرت النتائج أن الخلية العصبونية من النموذج تكامل – إطلاق حساسة للتغيرات في كثافة البكسل إذا تم اختيار بارامتراتها بشكل جيد, مما يجعل استخدام شبكة عصبونية من هذه العصبونات أمراً مناسباً في بعض التطبيقات مثل Saliency Maps و التي تعتمد بشكل كبير على قيم الكثافة لمجموعة من البكسلات.
تمّ في هذا البحث تطوير نموذج تأقلمي مستوحى من النّماذج الدّاخليّة للمخيخ يسمّى التعلّم بخطأ التغذية العكسيّة Feedback Error Learning (FEL), و هي الطّريقة الأم للتّحكم التّعلّمي الأمامي Learning Feed-forward Control(LFFC), و تعتمد على متحكّم تغذية عك
سيّة بالإضافة إلى متحكم أمامي و هو عبارة عن شبكة عصبونيّة neural network يتمّ تدريبها عن طريق خرج متحكّم التغذية العكسيّة. و قد قمنا بتطوير هذه الطّريقة للتّحكم بذراع آليّة, بالإضافة إلى حل مسألة توازن النّواس المعكوس inverted pendulum و التّحكم بنظام التّعليق لباص, و تمّ تطوير هذه الطّريقة بإضافة شبكة عصبونيّة ثانية يتمّ تدريبها بواسطة خرج متحكّم FEL, و تمّت المحاكاة للأنظمة السّابقة على الحاسب باستخدام البيئة البرمجيّة Matlab and Simulink, و بيّنت النّتائج أنّ هذا التطوير يحسّن أداء التّحكم.
يقدم هذا البحث منظومة للتعرف على مسميات المخططات الزمنية، حيث يتم استخلاص المسميات من المخططات، التي هي عبارة عن صورة باستخدام التقسيم المكاني من أجل اقتطاع صور المسميات فقط. تُوحد أحجام صور المسميات باستخدام خوارزمية المتوسط لسببين؛ الأول تشكيل قاعد
ة البيانات التدريبية للشبكات العصبونية المستخدمة، و ثانياً من أجل اجراء عملية التعرف. تم اعتماد الشبكات العصبونية للتعرف بآليتين مختلفتين: آلية التصنيف classification باستخدام شبكة Perceptron و آلية التمييز باستخدام شبكة الانتشار العكسي، حيث تم بناء شبكة Perceptron دخلها صورة المسمى فتُعطي في خرجها الدليل التصنيفي للمسمى، ليتم معرفته بالاعتماد على جدول مسميات مخزن مسبقاً، و شبكة انتشار عكسي دخلها صورة المسمى و خرجها الترميز الحاسوبي للمسمى، كما تم تصميم شبكة الانتشار العكسي بحيث يمكن لها التعرف على كافة صور مسميات أحرف الأبجدية الانكليزية المستخدمة في المخططات الزمنية، أظهرت نتائج البحث فعالية المنظومة المصممة للتعرف على مسميات المخططات الزمنية من صورها، و ذلك للآليتين التصنيفية و التمييزية، بعد تطبيق النظام على ثلاث مخططات زمنية.
