Từ kết quả đánh giá ta thấy hiệu năng mạng NN, và do đó là thời gian huấn luyện phụ thuộc nhiều vào các điều kiện huấn luyện (số node ẩn, tốc độ học, momentum, và trọng số ban đầu). Đặc biệt, kết quả học dùng MLP là rất nhạy cảm với các giá trị trọng số ban đầu của mạng NN. Khi sử dụng thuật toán GA tìm kiếm toàn cục để tìm ra một vector trọng số ban đầu tốt sẽ cải tiến thời gian hội tụ của thuật toán. Kết quả thực nghiệm cho thấy khi dùng thuật toán huấn luyện kết hợp, số bƣớc lặp đến hội tụ giảm xuống xấp xỉ 50%.
3.5.3. Đánh giá hiệu quả nhận dạng của các phƣơng pháp MLP-PCA và MLP-PCA-GA PCA-GA
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 54
FR = (tổng số ảnh test – tổng số ảnh nhận dạng đúng) / tổng số ảnh test x 100%.
Images FR of MLP-PCA FR of MLP-PCA-GA
8 0 0
12 8.3 8.3
24 12.5 8.3
Bảng 3.4 So sánh FR của 02 phƣơng pháp
Ngoài ra cũng có thể sử dụng tham số truyền thống là tỷ lệ nhận dạng đúngRR (Recognition Rate) để đánh giá.
RR = (tổng số ảnh nhận dạng đúng) / tổng số ảnh test x 100%
Images RR of MLP-PCA RR of MLP-PCA-GA
8 100 100
12 91.7 91.7
24 87.5 91.7
Bảng 3.5 So sánh FR của 02 phƣơng pháp
Hình 3.7. Tỷ lệ nhận dạng đúng (RR) của 2 phƣơng pháp trong test 1 (8 ảnh), test 2 (12), va test 3(24).
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 55
Theo kết quả nhận dạng ta thấy với số lƣợng ảnh test rất nhỏ, cả 2 phƣơng pháp cho tỷ lệ nhận dạng đúng là 100% (FR =0). Tuy nhiên khi tăng số lƣợng ảnh test lên thì tỷ lệ nhận dạng đúng của 2 phƣơng pháp giảm đi và phƣơng pháp kết hợp PCA-MLP-GA cho kết quả tốt hơn. Kết quả thực nghiệm ở đây cũng tƣơng đƣơng nhƣ các kết quả thực nghiệm đã thực hiện trong [17, 19, 20]. Nhƣ vậy cũng có thể thấy việc kết hợp PCA và GA vào mạng MLP không chỉ giúp tăng hiệu năng, giảm chi phí (thời gian thực hiện) mà còn làm tăng hiệu quả nhận dạng.