ارائه ی یک روش انتخاب ویژگی جدید مبتنی بر بهینه سازی ازدحام ذرات با استفاده از به روزرسانی فازی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 314

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_TJEE-50-4_011

تاریخ نمایه سازی: 9 خرداد 1400

چکیده مقاله:

انتخاب ویژگی یکی از مسائل مهم در رده بندی است که نقش مهمی در افزایش کارایی دارد و روش های متفاوتی برای حل آن وجود دارد. بهینه سازی ازدحام ذرات یکی از الگوریتم های مبتنی بر هوش جمعی است که در زمینه های متفاوتی از جمله انتخاب ویژگی استفاده شده و کارایی خوبی از خود نشان داده است. پژوهش های بسیاری از بهینه سازی ازدحام ذرات برای انتخاب ویژگی استفاده نموده اند. در یکی از پژوهش های انجام شده در این زمینه، نویسندگان چندین راهبرد مختلف برای مقداردهی اولیه ی ذرات و چندین روش برای به روزرسانی بهترین تجربه ی شخصی و بهترین تجربه ی گروه در بهینه سازی ازدحام ذرات برای انتخاب ویژگی ارائه داده اند و به نتایج خوبی دست یافته اند. ما در این مقاله بر اساس پژوهش ذکرشده و به روزرسانی فازی پیشنهادی خود برای یکی از دو مورد بهترین تجربه ی شخصی یا بهترین تجربه ی گروه، روشی برای انتخاب ویژگی ارائه داده ایم. k نزدیک ترین همسایه به عنوان رده بند استفاده شده است. آزمایش ها بر روی چندین مجموعه داده انجام گرفته است. با توجه به شبیه سازی های انجام شده، روش پیشنهادی نتایج مطلوبی از لحاظ دقت و تعداد ویژگی در مقایسه با مقاله ی مرجع به دست آورده است.

کلیدواژه ها:

انتخاب ویژگی ، بهینه سازی ازدحام ذرات ، فازی

نویسندگان

سمیرا حیدری مقدم بجستانی

دانشکده مهندسی - گروه مهندسی کامپیوتر - دانشگاه بین المللی امام رضا (ع)

سعید شعرباف تبریزی

دانشکده مهندسی - گروه مهندسی برق - دانشگاه بین المللی امام رضا (ع)

عادل قاضی خانی

دانشکده مهندسی - گروه مهندسی کامپیوتر - دانشگاه بین المللی امام رضا (ع)

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • B. Xue, Particle Swarm Optimisation for Feature Selection in Classification, ...
  • R. Kohavi and D. Sommerfield, “Feature subset selection using the ...
  • M. Dash and H. Liu, “Feature selection for classification,“ Intelligent ...
  • G. Chandrashekar and F. Sahin, “A survey on feature selection ...
  • C. S. Yang, L. Y. Chuang, C. H. Ke and ...
  • J. Kennedy and R. Eberhart, “Particle swarm optimization,“ Neural Networks, ...
  • Y. Shi and R. Eberhart, “A modified particle swarm optimizer,“ ...
  • X. Wang, J. Yang, X. Teng, W. Xia and R. ...
  • C. L. Huang and J. F. Dun, “A distributed PSO–SVM ...
  • L. Y. Chuang, H. W. Chang, C. J. Tu and ...
  • M. A. Esseghir, G. Goncalves and Y. Slimani, “Adaptive particle ...
  • L. Y. Chuang, S. W. Tsai and C. H. Yang, ...
  • A. Unler, A. Murat and R. B. Chinnam, “mr۲PSO: A ...
  • S. M. Vieira, L. F. Mendonça, G. J. Farinha and ...
  • P. Ghamisi and J. A. Benediktsson, “Feature selection based on ...
  • S. Gunasundari and S. Janakiraman, “A hybrid PSO-SFS-SBS algorithm in ...
  • B. Xue, M. Zhang and W. N. Browne, “Particle swarm ...
  • M. Lichman, UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University ...
  • A. Statnikov, C. F. Aliferis and I. Tsamardinos, GEMS: Gene ...
  • نمایش کامل مراجع