‫اﺳﺘﺨﺮاج وﯾﮋﮔﯽ‬

‫‪ -1‬ﺗﻬﯿﻪ دﯾﺘﺎ ﺳﺖ‪:‬‬

‫ﺑﺮاي ﻫﺮ ﻓﺮاﯾﻨﺪ ﺷﺎﻣﻞ ﭘﯿﺶ ﺑﯿﻨﯽ؛ ﺗﺨﻤﯿﻦ؛ ﻃﺒﻘﻪ ﺑﻨﺪي و ‪ ...‬ﻧﯿﺎز ﺑﻪ ﺗﻌﺪادي اﻟﮕﻮ ﯾﺎ ورودي ﺧﺮوﺟﯽ ﻫﺎي ﻣﺸﺨﺺ و در ﮐﻞ اﻃﻼﻋﺎﺗﯽ‬
‫ﻣﺒﺘﻨﯽ ﺑﺮ ﮔﺬﺷﺘﻪ ﺳﯿﺴﺘﻢ دارﯾﻢ ﮐﻪ ﺑﻪ اﯾﻦ ﺑﺴﺘﻪ اﻃﻼﻋﺎﺗﯽ دﯾﺘﺎ ﺳﺖ ﮔﻔﺘﻪ ﻣﯿﺸﻮد‪.‬‬

‫دﯾﺘﺎ ﺳﺖ ﻣﺮﺑﻮط ﺑﻪ ﺗﮑﺎﻟﯿﻒ اﯾﻦ دوره ﺷﺎﻣﻞ ‪ 11200‬ﺣﺮوف ﮔﺴﺴﺘﻪ ﻓﺎرﺳﯽ "ب" "پ" "ت" "ث" "ج" "چ" "ح" "خ" ﻣﯽ‪-‬‬
‫ﺑﺎﺷﺪ‪.‬‬

‫اﯾﻦ دﯾﺘﺎ ﺳﺖ داراي ﺗﻮزﯾﻊ ﯾﮑﻨﻮاﺧﺖ ﺑﻮده ﯾﻌﻨﯽ در واﻗﻊ ‪ 1400‬ﻧﻤﻮﻧﻪ ﺑﺮاي ﻫﺮ ﺣﺮف ﺑﺮاي ﺑﺨﺶ آﻣﻮزش و ‪ 400‬ﻧﻤﻮﻧﻪ ﺑﺮاي ﺑﺨﺶ‬
‫آزﻣﺎﯾﺶ‪.‬‬

‫ﺑﺮاي ﻧﻤﻮﻧﻪ؛ ﺗﺼﻮﯾﺮ ﭼﻨﺪ ﺣﺮف در ﺷﮑﻞ‪ 1‬ﻧﻤﺎﯾﺶ داده ﺷﺪه اﺳﺖ‪.‬‬
 ‫ﺷﮑﻞ ‪1‬‬

‫‪ -2‬اﺳﺘﺨﺮاج وﯾﮋﮔﯽ‪:‬‬

‫اﻏﻠﺒﺎ ﻧﯿﺎز اﺳﺖ ﮐﻪ ﺑﺮاي ﺗﺤﻠﯿﻞ و اﻧﺎﻟﯿﺰ ﯾﮏ ﭘﺪﯾﺪه ﻏﯿﺮ ﻋﺪدي ان را ﺑﺮ روي ﻓﻀﺎي ﺑﺮداري ﻧﮕﺎﺷﺖ دﻫﯿﻢ‪ .‬ﻧﮕﺎﺷﺖ ﯾﮏ ﺗﺼﻮﯾﺮ ﺑﺮ روي‬
‫ﻓﻀﺎي ﺑﺮداري ﮐﻪ از آن ﺑﻪ اﺳﺘﺨﺮاج وﯾﮋﮔﯽ از ﺗﺼﻮﯾﺮ ﯾﺎد ﻣﯽ ﺷﻮد را ﻣﯽﺗﻮان ﺑﻪ ﻃﺮق ﻣﺨﺘﻠﻒ اﻧﺠﺎم داد‪.‬ﺗﻌﺪادي از اﯾﻦ روﺷﻬﺎ ﻋﺒﺎرﺗﻨﺪ‬
‫از‪:‬‬

‫‪ -1‬ﮔﺮادﯾﺎن‬

‫‪ -2‬ﮔﺸﺘﺎور‬

‫‪ -3‬ﻣﯿﺎﻧﮕﯿﻦ و اﻧﺤﺮاف ﻣﻌﯿﺎر‬

‫‪ -3‬ﺗﺒﺪﯾﻞ ﻓﻮرﯾﻪ‬

‫‪ -4‬ﺗﺒﺪﯾﻞ ﻣﻮﺟﮏ و ‪...‬‬

‫روﺷﯽ ﮐﻪ در اﯾﻦ دﺳﺖ ﭘﺮوژﻫﺎ ﺑﮑﺎر ﺑﺴﺘﻪ ﻣﯽ ﺷﻮد ﺑﺮ ﻣﺒﻨﺎي ﺗﻮازﻧﯽ اﺳﺖ ﮐﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺲ ﻣﯿﺎن دﻗﺖ ﺷﻨﺎﺳﺎﯾﯽ ﺣﺮوف و ﭘﯿﭽﯿﺪﮔﯽ‬
‫ﺑﺮﻧﺎﻣﻪ ﺑﺮﻗﺮار ﻣﯽﮐﻨﺪ ﮐﻪ اﻟﺒﺘﻪ ﺳﻠﯿﻘﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺲ در اﯾﻦ ﻣﯿﺎن ﺑﯽ ﺗﺎﺛﯿﺮ ﻧﯿﺴﺖ‪.‬‬

‫در اﯾﻦ ﻗﺴﻤﺖ ﻣﺎ از روش ﻣﯿﺎﻧﮕﯿﻦ ﮔﯿﺮي و اﻧﺤﺮاف ﻣﻌﯿﺎر ﺟﻬﺖ اﺳﺘﺨﺮاج وﯾﮋﮔﯽ اﺳﺘﻔﺎده ﮐﺮده اﯾﻢ ‪ .‬ﺑﺮاي درك ﺑﻬﺘﺮ؛ در اداﻣﻪ؛‬
‫ﺑﺮﻧﺎﻣﻪي اﺳﺘﺨﺮاج وﯾﮋﮔﯽ از ﺗﺼﻮﯾﺮ آورده ﺷﺪه و ﺗﻮﺿﯿﺤﺎت ﻻزم داده ﺷﺪه‪.‬‬
1- A=importdata(q);
2- [bm]=A.cdata;
3- k=0;s=0;a=0;b=0;
4- [a,b]=size(bm);
5- l=floor(a/5); %L=linspace(0,a); floor(L(1'4));
6- w=floor(b/5); %L=linspace(0,b);
7- for r=0:3
8- for z=0:3
a. s=0;
b. for m=(r*l+1):(r+1)*l
i. for n=(z*w+1):(z+1)*w
1. k=bm(m,n);
2. s=s+k;
ii. end
c. end
d. d=l*w;
e. av=s/d;
f. var=(s*(1-av)^2+(d-s)*av^2)/d;
g. fprintf('%f,%f,',av,var)
9- end
10- end
11- r=0;m=0;z=0;s=0;n=0;k=0;s=0;av=0;d=0;
12- for z=0:3
13- s=0;d=0;
a. for n=(z*w+1):(z+1)*w
i. for m=(4*l+1):a
1. k=bm(m,n);
2. s=s+k;
ii. end
b. end
c. d=(a-4*l)*w;
d. av=s/d;
e. var=(s*(1-av)^2+(d-s)*av^2)/d;
f. fprintf('%f,%f,',av,var)
14- end
15- r=0;m=0;z=0;s=0;n=0;k=0;s=0;av=0;d=0;
16- for r=0:3
17- s=0;
a. for m=(r*l+1):(r+1)*l
i. for n=(4*w+1):b
1. k=bm(m,n);
2. s=s+k;
ii. end
b. end
c. d=(b-4*w)*l;
d. av=s/d;
e. var=(s*(1-av)^2+(d-s)*av^2)/d;
 ‫)‪f. fprintf('%f,%f,',av,var‬‬
‫‪18-‬‬ ‫‪end‬‬
‫‪19-‬‬ ‫;‪r=0;m=0;z=0;s=0;n=0;k=0;s=0;av=0;d=0‬‬
‫‪20-‬‬ ‫‪for m=(4*l+1):a‬‬
‫‪21-‬‬ ‫‪for n=(4*w+1):b‬‬
‫;)‪a. k=bm(m,n‬‬
‫;‪b. s=s+k‬‬
‫‪22-‬‬ ‫‪end‬‬
‫‪23-‬‬ ‫‪end‬‬
‫‪24-‬‬ ‫;)‪d=(b-4*w)*(a-4*l‬‬
‫‪25-‬‬ ‫;‪av=s/d‬‬
‫‪26-‬‬ ‫;‪var=(s*(1-av)^2+(d-s)*av^2)/d‬‬
‫‪27-‬‬ ‫)‪fprintf('%f,%f,',av,var‬‬

‫در ﺧﻂ اول ﺑﺎ دﺳﺘﻮر ‪ importdata‬اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﻋﮑﺲ ﻣﻮرد ﻧﻈﺮ را ﻣﺸﺎﻫﺪه ﻣﯽﮐﻨﯿﻢ ﮐﻪ اﯾﻦ اﻃﻼﻋﺎت ﺷﺎﻣﻞ ﻣﺎﺗﺮﯾﺲ رﻧﮕﻬﺎ‬
‫و ﻣﺎﺗﺮﯾﺲ ﮐﺪﻫﺎ ﻣﯽﺑﺎﺷﺪ‪.‬ﻣﺎﺗﺮﯾﺲ ﻣﺮﺑﻮط ﺑﻪ ﮐﺪﻫﺎ را در ﻣﺘﻐﯿﺮدﯾﮕﺮي رﯾﺨﺘﻪ و ﺑﺎ دﺳﺘﻮر ‪ ،size‬اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﺗﻌﺪاد ﺳﻄﺮﻫﺎ و‬
‫ﺳﺘﻮنﻫﺎ را ﻣﺸﺎﻫﺪه ﻣﯽﮐﻨﯿﻢ‪.‬‬

‫ﺑﺮاي ﻣﯿﺎﻧﮕﯿﻦ ﮔﯿﺮي و اﻧﺤﺮاف ﻣﻌﯿﺎر ﻣﺎ ﻋﮑﺲ را ﺑﻪ ‪ 25‬ﺧﺎﻧﻪ ﺗﻘﺴﯿﻢ ﻣﯽﮐﻨﯿﻢ درواﻗﻊ ﻃﻮل را ﺗﻘﺴﯿﻢ ﺑﺮ ‪ 5‬و ﻋﺮض را ﺗﻘﺴﯿﻢ ﺑﺮ ‪5‬‬
‫ﻣﯽﮐﻨﯿﻢ‪،‬ﻣﻨﺘﻬﯽ ﭼﻮن ﻣﻤﮑﻦ اﺳﺖ ﺗﻌﺪاد ﭘﯿﮑﺴﻞﻫﺎي ﻃﻮل و ﻋﺮض اﻟﺰاﻣﺎً ﺑﺮ ‪ 5‬ﺑﺨﺶ ﭘﺬﯾﺮ ﻧﺒﺎﺷﻨﺪ ﻣﺎ از دﺳﺘﻮر ‪ floor‬اﺳﺘﻔﺎده ﮐﺮدﯾﻢ‬
‫ﮐﻪ ﺟﺰ ﺻﺤﯿﺢ را ﺑﻪ ﻣﺎ ﻣﯿﺪﻫﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ ﻋﮑﺲ ﻣﻮرد ﻧﻈﺮ ﻣﺎ ‪ 16*27‬ﺑﺎﺷﺪ ‪ 16‬ﺧﺎﻧﻪ ‪ 3،4*5‬ﺧﺎﻧﻪ ‪4،4*5‬ﺧﺎﻧﻪ ‪ 3*7‬و ﯾﮏ‬
‫ﺧﺎﻧﻪ ‪ 4*7‬ﺧﻮاﻫﯿﻢ داﺷﺖ‪.‬ﺑﺮاي درك ﺑﻬﺘﺮ ﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﻮﯾﺮ ﺗﻘﺴﯿﻢ ﺑﻨﺪي ﺷﺪه در اداﻣﻪ آورده ﺷﺪه اﺳﺖ‪.‬‬

‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﯿﺎﻧﮕﯿﻦ و وارﯾﺎﻧﺲ ﺧﺎﻧﻪ ﻫﺎ ﺑﺮاي ﻫﻤﯿﻦ ﺗﺼﻮﯾﺮ ‪ 16*27‬دارﯾﻢ‪:‬‬

‫ﺑﺮاي ﺧﺎﻧﻪﻫﺎي ‪ 3*5‬ﻣﺠﻤﻮع درﯾﻬﯽ آﻧﻬﺎرا ﺗﻘﺴﯿﻢ ﺑﺮ ‪ 15‬و ﺟﺬر ﻣﺠﻤﻮع ﺗﻮان دوم ﺗﻔﺎﺿﻞ از ﻣﯿﺎﻧﮕﯿﻦ آﻧﻬﺎرا ﺗﻘﺴﯿﻢ ﺑﺮ ‪ 15‬ﻣﯽﮐﻨﯿﻢ‪.‬‬
‫ﺑﺮاي ﺧﺎﻧﻪﻫﺎي ‪ 4*5‬ﻣﺠﻤﻮع درﯾﻬﯽ آﻧﻬﺎرا ﺗﻘﺴﯿﻢ ﺑﺮ ‪ 20‬و ﺟﺬر ﻣﺠﻤﻮع ﺗﻮان دوم ﺗﻔﺎﺿﻞ از ﻣﯿﺎﻧﮕﯿﻦ آﻧﻬﺎرا ﺗﻘﺴﯿﻢ ﺑﺮ ‪ 20‬ﻣﯽﮐﻨﯿﻢ‪.‬‬
‫ﺑﺮاي ﺧﺎﻧﻪﻫﺎي ‪ 3*7‬ﻣﺠﻤﻮع درﯾﻬﯽ آﻧﻬﺎرا ﺗﻘﺴﯿﻢ ﺑﺮ ‪ 21‬و ﺟﺬر ﻣﺠﻤﻮع ﺗﻮان دوم ﺗﻔﺎﺿﻞ از ﻣﯿﺎﻧﮕﯿﻦ آﻧﻬﺎرا ﺗﻘﺴﯿﻢ ﺑﺮ ‪ 21‬ﻣﯽﮐﻨﯿﻢ‪.‬‬
‫ﺑﺮاي ﺧﺎﻧﻪﻫﺎي ‪ 4*7‬ﻣﺠﻤﻮع درﯾﻬﯽ آﻧﻬﺎرا ﺗﻘﺴﯿﻢ ﺑﺮ ‪ 28‬و ﺟﺬر ﻣﺠﻤﻮع ﺗﻮان دوم ﺗﻔﺎﺿﻞ از ﻣﯿﺎﻧﮕﯿﻦ آﻧﻬﺎرا ﺗﻘﺴﯿﻢ ﺑﺮ ‪ 28‬ﻣﯽﮐﻨﯿﻢ‪.‬‬

‫در ﺻﻔﺤﻪ ﺑﻌﺪ ﺣﺮف "ب" ﺑﻌﻨﻮان ﻧﻤﻮﻧﻪ ﺑﻪ ﻫﻤﺮاه ﻣﺎﺗﺮﯾﺲ وﯾﮋﮔﯽ اﻧﻬﺎ اورده ﺷﺪه اﺳﺖ‪.‬‬
 ‫ﺷﮑﻞ ‪2‬‬

‫‪0.500000,0.250000,1.000000,0.000000,1.000000,0.000000,1.000000,0.000000,0.375000,0.2343‬‬
‫‪75,1.000000,0.000000,1.000000,0.000000,0.975000,0.024375,0.800000,0.160000,0.475000,0.24‬‬
‫‪9375,0.400000,0.240000,0.450000,0.247500,1.000000,0.000000,1.000000,0.000000,1.000000,0.‬‬
‫‪000000,1.000000,0.000000,1.000000,0.000000,1.000000,0.000000,1.000000,0.000000,0.700000‬‬
‫‪,0.210000,0.725000,0.199375,0.400000,0.240000,0.875000,0.109375,1.000000,0.000000,1.0000‬‬
‫‪00,0.000000,‬‬