کاهش ابعاد ویژگی توسط الگوریتم ژنتیک کوانتومی و کاربرد آن در تشخیص کاراکتر های دست نویس فارسی

. ابعاد زیاد مساله، نرخ دسته‏بندی را بالا برده و باعث ایجاد خطا در دسته‏بندی می‏شود. انتخاب زیرمجموعه ویژگی‏ها، به معنای شناسایی و انتخاب یک زیرمجموعه موثر از ویژگی‏ها از میان مجموعه داده‏های اولیه بوده و همچنین مبحث مهمی در تحلیل میزان همبستگی در زمینه‏های دسته‏بندی و مدلینگ می‏باشد که در کاهش ابعاد ویژگی‏ها بکار می‏آید. این کار با انتخاب ویژگی‏هایی که تاثیر بیشتری در دسته‏بندی و تشخیص کاراکتر‏ها دارند و یا حذف ویژگی‏هایی که ایجاد نویز می‏کنند و یا عملکرد مشابهی با دیگر ویژگی‏ها دارند، انجام می‏شود. هدف از این پژوهش، بهبود کارآیی تشخیص و دسته‏بندی کاراکترها، ایجاد دسته‏بندی‏های سریع و کم هزینه و در نهایت رسیدن به دقت و سرعت بالاتری در تشخیص کاراکترهای دستنویس فارسی است. همچنین مقایسه و بررسی کارایی الگوریتم ژنتیک کوانتومی نسبت به الگوریتم ژنتیک کلاسیک، از اهداف این پژوهش می‏باشد.