روش جدید طبقه بندی خودفراگیر نیمه نظارتی بر مبنای تئوری مجموعه فازی ناهموار
محل انتشار: همایش مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدلسازی و امنیت سیستم ها
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,972
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CESD01_202
تاریخ نمایه سازی: 25 اسفند 1392
چکیده مقاله:
اکثر کارهای انجام گرفته با رویکرد فازی - ناهموار در زمینه یادگیری نظارتی بوده است در حالی که تعداد کمی از آنها برای یادگیری نیمه نظارتی و یا بدون نظارت انجام گرفته اند در بسیاری از موارد، اغلب به دست آوردن برچسب برای تمام نمونه ها، کاری دشوار، پرهزینه و زمان بر است. از آنجایی که یادگیری نیمه نظارتی با وجود تعداد محدود داده برچسب دار دو استفاده از تعداد زیادی از داده های بدون برچسب، دسته بندی بهتری ایجاد می کند، از اینرو در این مقاله به معرفی الگوریتم جدید طبقه بندی خود فراگیر با خود آموز نیمه نظارتی بر مبنای تئوری فازی - ناهموار، در جهت تخصیص برچسب به داده های بدون برچسب می پردازیم. روش پیشنهادی برخلاف بسیاری از روش های موجود نیاز به هیچ حد آستانه قابل تنظیمی توسط کاربر ندارد و نتایج تجربی به دست آمده نشان دهنده کارایی بالاتر این روش نسبت به سایر روش های مقایسه شده است.
کلیدواژه ها:
نویسندگان
فاطمه عارفیان
دانشجوی هوش مصنوعی، دانشگاه شهید باهنر، کرمان
مهدی افتخاری
دکتری هوشی مصنوعی، عضو هیئت علمی دانشگاه شهید باهنر کرمان
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 :