دسته بند تک کلاسه مبتنی بر بردارهای پشتیبان برای داده های نویزی با استفاده از الگوریتم گروه میگوی آشوبی و تراکم محلی
Publish place: Tabriz Journal of Electrical Engineering، Vol: 48، Issue: 3
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 452
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TJEE-48-3_032
تاریخ نمایه سازی: 17 تیر 1398
Abstract:
هدف دسته بندی تک کلاسه، تشخیص و جداسازی داده های اصلی از داده های پرت است. دسته بند توصیف داده ها مبتنی بر بردار پشتیبان، یکی از روش های دسته بندی تک کلاسه است. این روش با تعریف ابرکره ای در فضای ویژگی ها، سعی بر پوشش داده های اصلی در فضای ابرکره دارد. سطح ابرکره، مرز جداساز داده های اصلی از داده های پرت است. تعیین شعاع و مرکز مناسب برای ابرکره در فضای ویژگی ها، یک مسئله بهینه سازی است. وجود داده های نویزی در مجموعه داده های اصلی و عدم توجه به تراکم داده ها در انتخاب مرکز، از چالش های روش فوق است که باعث ایجاد خطا در تعیین مرز ابرکره خواهند شد. یکی از هدف های دسته بند پیشنهادی (KH-SVDD)، جستجوی مرکز مناسب برای ابرکره، با استفاده از الگوریتم بهینه سازی گروه میگوی آشوبی است. همچنین با استفاده از تراکم محلی نقاط داده ها، اهمیت و تاثیر نقاط بر مرز دسته بند، به صورت یک وزن محاسبه می شود. این وزن، پارامتری کمکی برای تشخیص داده های اصلی و نویزی است. برای ارزیابی روش پیشنهادی، آزمایش های متعددی بر روی مجموعه داده های واقعی انجام شده است. نتایج حاصل از آزمایش ها نشان دهنده عملکرد بهتر روش پیشنهادی از نظر تشخیص داده های نویزی در مقایسه با الگوریتم های مرز دانش است.
Keywords:
Authors
محمدهادی قومنجانی
دانشکده مهندسی کامپیوتر و فناوری اطلاعات - دانشگاه صنعتی سجاد - مشهد
جواد حمیدزاده
دانشکده مهندسی کامپیوتر و فناوری اطلاعات - دانشگاه صنعتی سجاد - مشهد
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 :