Abstract— 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 performed by 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.
Keywords— Feature selection, Genetic algorithms, Handwriting recognition

چکيده:  در چهارچوب فرآیند شناسایی دستخط، ما در این مقاله، یک الگوریتم جدید گزینش ویژگی مبتنی بر الگوریتم ژنتیک را معرفی می نماییم که زیر مجموعه های ویژگی در آن، با استفاده از یک شاخص تفکیک پذیری با طراحی خاص، تخمین زده می شوند. این شاخص، خصوصیات آماری زیرمجموعه ویژگی را مورد سنجش قرار می دهد و به هیچ الگوی طبقه بندی خاصی ‌وابسته نیست. شاخص پیشنهادی، توسعه ای از روش تفکیک خطی Fisher را ارائه می نماید و جهت ارزیابی چگونگی انتشار توزیع های احتمال رده، در فضای ویژگی N بعدی مورد نظر، از ماتریس های کوواریانس استفاده می کند. یکی از مشخصه های کلیدی روش ما این است که این روش به دانش اولیه در خصوص تعداد ترکیبات مورد استفاده در زیر مجموعه ویژگی، نیازی ندارد. آزمایشات انجام شده با استفاده از سه بانک اطلاعاتی استاندارد شامل ارقام دستنویس و یک بانک اطلاعاتی استاندارد شامل حروف دستنویس،‌ صورت گرفته اند؛‌ در حالیکه راه حل های ارائه شده، با استفاده از روش های طبقه بندی متفاوت تست شده اند. نتایج حاصله در اینجا،‌ با نتایج بدست امده از طریق استفاده از الگوریتم های استاندارد گزینش، مقایسه شده اند. نتایج این مقایسه، کارایی روش ما را تائید می کنند.
کلمات کليديـ گزینش ویژگی،‌ الگوریتم های ژنتیک، شناسایی دستخط