بیا تو پروژه

استخراج ویژگی شامل دو مورد انتخاب ویژگی مناسب و موثرتر و حفظ تفکیک پذیری دو کلاس و همچنین کاهش ابعد داده ها می­باشد. LDA یکی از روش­های کارآمد در تشخیص الگو، تشخیص چهره، ربات متحرک و... است. روش PCA نیز همچنین با پیدا کردن جهت بهینه به منظور کاهش بعد استفاده می­شود.

برای کاربردهای معمولی این دو روش، در حالت کلی فرض می­شود که مجموعه کل داده های آموزش موجود است و فرآیند آموزش به صورت Batch انجام می­شود. اما در مواقعی که داده­های آموزش همگی در دسترس نیستند. برای مثال در کاربردهای تشخیص چهره برخط و ربات متحرک داده ها به صورت یک رشته موجود هستند و داده های بعدی در دسترس نیستند این الگوریتم ها دچار ضعف می­شوند. در این مواقع نیاز است تا بردار تبدیل با آمدن هر نمونه آپدیت شود.

در این پروژه ابتدا یک مرور کوتاه بر روی روش LDA و Incremental LDA انجام می­دهیم و سپس روشی برای محاسبه  ارایه گردیده است. بعد از این به ارایه روشی برای افزایش سرعت همگرایی با استفاده از بهینه کردن مقدار گام در هر نمونه ارایه می­شود.