ارائه یک روش آماری مستقل از نوع طبقه بندی کننده، برای انتخاب بهینه ویژگی ها در مسائل تشخیص الگو با استفاده از الگوریتم ژنتیک

مساله انتخاب ویژگی، یکی از مسائلی است که در مبحث یادگیری ماشین و همچنین شناسائی آماری الگو مطرح است. این مساله در بسیاری از کاربردها مانند طبقه بندی اهمیت به سزائی دارد، زیرا در اکثر این کاربردها تعداد زیادی ویژگی وجود دارد، که بسیاری از آنها یا بلااستفاده هستند و یا اینکه بار اطلاعاتی چندانی ندارند. روشهای متفاوتی برای انتخاب بهینه بردار ویژگی در مسائل تشخیص الگو پیشنهاد شده اند که اغلب علاوه بر پیچیدگی محاسباتی، وابسته به نوع طبقه بندی کننده نیز می باشند، اما در این مقاله روش آماری جدیدی برای انتخاب بهینه بردار ویژگی ها بر مبنای الگوریتم ژنتیک پیشنهاد شده که در عین سادگی محاسبه، می تواند برای هر طبقه بندی کننده هوشمند یا غیر هوشمند، با تعداد ویژگی های بالا مورد استفاده قرار گیرد. نتایج شبیه سازی های صورت گرفته برای داده های یک مساله جداسازی مدولاسیون های مخابراتی، عملکرد قابل توجه ایده معرفی شده را اثبات کرده و بهبود قابل توجه درصد تشخیص عملیات را در سیگنال به نویز های مختلف کانال نشان می دهد.

کلیدواژه ها:

انتخاب ویژگی ، طبقه بندی کننده ، الگوریتم ژنتیک ، شبکه عصبی پرسپترون چند لایه ، تشخیص الگو