زهرا ثابت بیرجندی - دانشجوی گروه مهندسی پزشکی، دانشکده بهداشت علوم پزشکی تهران، دانشگاه آزاد اسلامیتهران، ایران
زهره مودبی پور - دانشجوی گروه مهندسی پزشکی، دانشکده بهداشت علوم پزشکی تهران، دانشگاه آزاداسلامی تهران، ایران
بهاره قربانی متقی - دانشجوی گروه مهندسی پزشکی، دانشکده بهداشت علوم پزشکی تهران، دانشگاه آزاد اسلامیتهران، ایران
سیده زهره سیدصالحی - استادیار گروه مهندسی پزشکی، دانشکده بهداشت علوم پزشکی تهران،دانشگاه آزاد اسلامی تهران، ایران

یکی از ضعف هایی که برای بسیاری از روش های کاهش بعد غیرخطی مطرح است، عدم توجه به حفظتمایزپذیری بین طبقات یا به عبارتی قابلیت تفکیک و تمایز بین داده ها با برچسب های متفاوت در فضای بابعد پایین است؛ لذا با حفظ اطلاعات برچسب ها، تمایزپذیری بهتری بین داده ها با برچسب های مختلف انجاممی پذیرد. در این مقاله، یک شبکه عصبی گلوگاه باسرپرست که یک ساختار شبکه عصبی دو تکلیفهمی باشد، پیشنهاد شده است. این شبکه با هدف کاهش بعد تصاویر و سپس بازسازی مجدد آن ها مورد تعلیمقرارگرفته به گونه ای که برای تفکیک طبقات داده بهینه باشد. در مرحله بازسازی، اطلاعات اصلی و مرتبط بانمونه ها درصورت استفاده از این شبکه حفظ می شود. برای انجام طبقه بندی داده های آزمون، از الگوریتم k -نزدیک ترین همسایگی استفاده می شود. با استفاده از مولفه های استخراج شده در لایه گلوگاه مدل ها،داده های آزمون به دسته های مختلف تفکیک و طبقه بندی شدند. الگوریتم k نزدیک ترین همسایگی یک الگوریتم طبقه بندی ساده است که براساس شباهت داده ها و برچسب های آن ها کار می کند. پایگاه داده مورداستفاده در این پژوهش، مجموعه داده MNSIT می باشد که شامل ۶۰۰۰۰ تصویر از اعداد دست نویسانگلیسی (صفر تا نه) و ۱۰۰۰۰ داده ی آزمون است. آزمایشات انجام شده نشان می دهند تعلیم شبکه بابرچسب داده (گلوگاه باسرپرست) در مقایسه با روش تعلیم بدون برچسب داده، از درصد صحت بالاتریبرخوردار است .

کاهش بعد غیرخطی، شبکه عصبی گلوگاه، دو تکلیفه، حفظ اطلاعات برچسب داده،تمایزپذیری