سیدامیر ادبی - Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad
محبوبه هوشمند - Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad
سیدعابد حسینی - Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad

همواره یکی از مهم ترین دغدغه های داده کاوان در اختیار داشتن داده هایی صحیح و عاری از خطاست. داده هایی که اشتباهات انسانی در آن وجود نداشته باشد و رکوردهای آن تماما پر و حاوی داده هایی صحیح باشند. در این مقاله یک مدل یادگیری جدید مبتنی بر شبکه عصبی ماشین یادگیر مفرط برای تشخیص داده پرت پیشنهاد می شود. عملکرد شبکه های عصبی وابسته به پارامترهای مختلفی از قبیل ساختار آن، وزن های اولیه، تعداد نورون های لایه پنهان و نرخ یادگیری است. محاسبات کوانتومی یک روش جدید پردازش اطلاعات بر مبنای مکانیک کوانتومی است که امروزه مفاهیم آن در کاربردهای هوش مصنوعی نیز مورد استفاده قرار می گیرد. در روش پیشنهادی، شبکه عصبی ماشین یادگیری مفرط با استفاده از مفهوم خوشه بندی فازی c-Means کوانتومی، بهبود می یابد.  این خوشه بندی به پیدا کردن وزن بهینه اتصالات لایه ورودی به لایه پنهان شبکه عصبی کمک می کند. همچنین باعث می شود، معماری شبکه در لایه پنهان به شکل سازنده ای شکل بگیرد و یادگیری بهبود یابد. عملکرد روش پیشنهادی از لحاظ صحت، نرخ صحیح مثبت و نرخ صحیح منفی نشان دهنده برتری روش پیشنهادی در تشخیص داده پرت نسبت به روش­های دیگر است.

Outlier, Neural Networks, Fuzzy c-Means, Quantum computing, Extreme Learning Machine, داده پرت, شبکه عصبی, فازی c-Means, محاسبات کوانتومی, ماشین یادگیری مفرط