سیدحمید ظهیری - استادیار گروه مهندسی الکترونیک و مخابرات ،دانشکده مهندسی، دانشگاه ب

طبقه بندی کننده های گروه ذرات انواع جدیدی از طبقه بندی کننده ها هستند که با بکار گی ری یکی از روشهای هوش جمعی، مبادرت به یافتن ابر صفحه های جدا کننده کلاسهای مختلف در فضای ویژگی می نمایند . اهمیت ویژه این طبقه بندی کننده ها در عدم وابستگی عملکرد آنها به دانش قبلی در خصوص نحوه توزیع الگوها در فضای ویژگی است . در این تحقیق با تحلیل تئوریک رفت ار یک طبقه بندی کنند ه گروه ذرات اثبات می کنیم که به ازای تعداد نقاط آموزشی زیاد خطای این طبقه بندی کننده در مرحله آموزش از خطای طبقه بندی کننده بیز بیشتر نخواهد شد . این اثبات می تواند نویدبخش طراحی طبقه بندی کننده بهینه ای باشد که بر خلاف طبقه بندی کننده بهینه بیز از لزوم دانستن پیش فرضهایی نظیر توابع چگالی احتمال توزیع الگوها در فضای ویژگی بی نیاز است . دو مسئله متداول به عنوان « داده های شراب » و « داده های گلهای زنبق » طبقه بندی دو مثال با ابعاد مختلف بردارهای ویژگی در نظر گرفته شده اند تا مشاهدات ع ملی ناشی از حل آنها به درک نتایج تئوریک به دست آمده کمک کند

روش بهینه سازی گروه ذرات ١، طبقه بندی . کننده گروه ذرات ، تشخیص الگو ٢، هوش جمع