چکیده فارسی :

در چارچوب تشخیص دست خط، ما یک الگوریتم جدید انتخاب ویژگی بر اساس GA  ارائه می کنیم که در آن ویژگی های زیر مجموعه ها با استفاده از شاخص تفکیک پذیری به طور خاص طراحی شده مورد بررسی قرار می گیرد. این شاخص های خواص آماری زیر مجموعه ویژگی ها را اندازه گیری می کند و به هر طرح طبقه بندی خاص بستگی ندارد. شاخص ارائه شده نشان دهنده یک فرمت از روش تشخیص خطی فیشر است و از ماتریس کوواریانس برای تخمین چگونگی گسترش توزیع های احتمال کلاس ها در فضای ویژگی های N بعدی در نظر گرفته شده استفاده می نماید. ویژگی های کلیدی رویکرد ما این است که آن هیچ نیازی به دانش قبلی در مورد تعداد ویژگی هایی که در زیر مجموعه ویژگی ها مورد استفاده قرار می گیرد ندارد. آزمایش با استفاده از سه پایگاه داده استاندارد از نامه های  دست نویس و یک پایگاه داده استاندارد از حروف دست نویس انجام شده است، در حالی که راه حل های یافت شده با روش های مختلف طبقه بندی آزمایش شده است. نتایج با موارد به دست آمده با استفاده از مجموعه ویژگی ها  و با موارد به دست آمده با استفاده از الگوریتم انتخاب ویژگی های استاندارد مقایسه شده است. نتایج مقایسه، اثر بخشی روش ما را تایید کرد.

چکیده انگلیسی :

In the framework of handwriting recognition, we present a novel GA–based feature selection algorithm in which feature subsets are evaluated by means of a specifically devised separability index. This index measures statistical properties of the feature subset and does not depends on any specific classification scheme. The proposed index represents an extension of the Fisher Linear Discriminant method and uses covariance matrices for estimating how class probability distributions are spread out in the considered N-dimensional feature space. A key property of our approach is that it does not require any a priori knowledge about the number of features to be used in the feature subset. Experiments have been performedby using three standard databases of handwritten digits and a standard database of handwritten letters, while the solutions found have been tested with different classification methods. The results have been compared with those obtained by using the whole feature set and with those obtained by using standard feature selection algorithms. The comparison outcomes confirmed the effectiveness of our approach.