روش جدید طبقه بندی خودفراگیر نیمه نظارتی بر مبنای تئوری مجموعه فازی ناهموار

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

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

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:

یادگیری نیمه نظارتی ، طبقه بندی خود فراگیر ، تئوری فازی ، تئوری مجموعه های ناهموار ،

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 :
  • Y. Wang , X. Xu , H.Zhoa, and Z.Hua , ...
  • _ _ Gabrys, L.Petrakieva, "Combining labeled and unlabeled data in ...
  • C.H Lee, "Improving classification performance using unlabeled data:na Bayesian case", ...
  • R.Jensen, and Q.Shen, _ Computational Intelligence and Feature Selection :Rough ...
  • R.Jensen, and Q.Shen, "New Approaches to Fuzzy-Rough Feature Selection", IEEE ...
  • _ and _ _ Set based Semi-Supervised Learning" _ Proceedings ...
  • R.Jensen, and C.Conelis, "fuzzy-rough nearest neighbour classification and prediction" , ...
  • R.Mihalcea, "Co-training and self-training for word Sence _ sambiguation' , ...
  • X.Zhu, _ _ S emi-supervised learning literature survey", Technical Report1 ...
  • J.M.Keller, M.R.Gray, and J.R.Givens, _ A Fuzzy k-nearest neighbor algorithm", ...
  • F.Wang, and C.Zhang, "Robust self-tuning semi -supervised learning, Neu ro ...
  • Y.Li, C .Guan, H.Li, and Z.Chin, _ self-training semi -supervised ...
  • X. Zhu, B. Goldberg , "introduction to semi-supervi sed learning", ...
  • نمایش کامل مراجع