سعیده عظیمی - کارشناس ارشد، مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم تحقیقات تهران، کرمانشاه، ایران
طیبه صالح نیا - کارشناس ارشد، مهندسی کامپیوتر، دانشگاه رازی، دانشکده برق و کامپیوتر، کرمانشاه، ایران

امروزه با توجه به سخت و پیچیده بودن استخراج و انتخاب ویژگی های مهم و اساسی از داده های اولیه و همچنین طبقه بندی ویژگی های مربوطه، روش های زیادی در این زمینه توسط محققان ارائه شده است که هدف همه آنها تسهیل و دقیق ساختن استخراج و انتخاب ویژگی ها و همچنین افزایش دقت طبقه بندی ویژگی های مربوطه بوده است. لذا در این پژوهش، پس از کاهش ابعاد داده ها، الگوریتم بهینه سازی کپک مخاطی به منظور استخراج ویژگی های اصلی از داده های مربوطه و حذف ویژگی های تکراری و بی ارزش از آنها و همچنین نایل امدن به یک طبقه بندی کارا با انتخاب ویژگی های مناسب تشریح می شود که از طبقه بند ماشین بردار پشتیبان برای اندازه گیری دقت طبقه بندی به عنوان تابع ارزیابی در الگوریتم پیشنهادی استفاده می شود. لذا ویژگی هایی به عنوان ویژگی های مهم و ضروری انتخاب می شوند که یک طبقه بندی کارا با دقت بالا را بدست دهند. طبق نتایج بدست آمده روی داده های مربوطه، الگوریتم کپک مخاطی نسبت به الگوریتم های بهینه سازی نهنگ و ملخ، زیر مجموعه ویژگی مناسب تری ایجاد می کند و دقت بیشتری در طبقه بندی ویژگی های منتخب بدست می دهد

استخراج ویژگی، انتخاب ویژگی، الگوریتم بهینه سازی کپک مخاطی و ماشین بردار پشتیبان