تعیین تابع هسته تبدیل ویژگی مبتنی برهسته بر اساس معیار خمینه
Publish place: اولین همایش ملی فناوری اطلاعات، ارتباطات و محاسبات نرم
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 956
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ITCSC01_038
Index date: 29 October 2016
تعیین تابع هسته تبدیل ویژگی مبتنی برهسته بر اساس معیار خمینه abstract
تبدیل ویژگی به عنوان مرحلهای مهم در سیستم کلاسبندی میباشد. روشهای تبدیل وی ژگی به دو دسته کلی تبدیلات ویژگی مبتنی بر داده و مبتنی بر کلاسبند تقسیم بندی میشوند. روشهای تبدیل ویژگی مبتنی بر داده به توصیف دادهها توجه داشته و به خطای کلاسبندی توجهی ندارد. همچنین این روشها دارای فرضیات نادرستی رویرفتار آماری دادگان هستند. در مقابل تبدیلات ویژگی مبتنی بر کلاسبند به خطای کلاسبندی توجه دارند و توصیف دادهها را در نظر نمیگیرند. از سویی تبدیلات ویژگی تحلیل مولفههای اصلی و تحلیل متمایزساز خطی غالباً همسایگی نمونهها را در نظر نمیگیرند. مقاله حاضر روشی برای تعیین تابع هسته برای روشهای غیرخطی مبتنی بر داده بر اساسمعیار خمینه معرفی مینماید. بدین منظور از الگوریتم ژنتیک چند هدفه برای ترکیب خطی توابع هسته متداول بهره و خمینه بکار Fisher ، گرفته شده است. توابع برازندگی خطای کلاسبندی، همبستگی، اطلاعات متقابل ویژگی و کلاس خمینه و اطلاعات متقابل +Fisher+ گرفته شدند که طبق نتایج آزمایشات استفاده توأم از معیارهای اطلاعات متقابل+همبستگی+خمینه به دلیل بکارگیری اطلاعات کلاسبندی و حفظ همسایگی المانها در تعیین هسته مناسب نتایج بهتری در برداشت.
تعیین تابع هسته تبدیل ویژگی مبتنی برهسته بر اساس معیار خمینه Keywords:
تعیین تابع هسته تبدیل ویژگی مبتنی برهسته بر اساس معیار خمینه authors
طیبه محمدی گهرویی
دانشجوکارشناسی ارشد،دانشکده فنی مهندسی - دانشگاه آزاد اسلامی واحد شهرکرد - شهرکرد - ایران
بهزاد زمانی دهکردی
استادیار،گروه کامپیوتر- دانشگاه آزاد اسلامی واحد شهرکرد-شهرکرد-ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :