استفاده از آشوب در تولید طبقه بندی کننده های گروهی

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,345

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:

ACCSI13_097

تاریخ نمایه سازی: 25 آبان 1386

چکیده مقاله:

در سالهای اخیر حجم تحقیقات زیادی بر روی روشهای کاهش فضای ویژگی جهت به دست آوردن طبقه بندی کننده های گروهی صورت پذیرفته است. این روشها مبتنی بر این واقعیتند که با انتخاب ویژگیهایی که بیشترین جداسازی را در فضا انجام می دهند می توان نرخ شناسایی را افزایش داد. در این مقاله به جای استفاده از روش انتخاب زیرفضاهای ویژگی که قبلا به صورت وسیعی مورد استفاده قرار گرفته اند، از گونه ای جدید از روشهای بهینه سازی چند هدفه تکاملی با عملگرهای آشوبگونه، استفاده شده است. استفاده از آَشوب در طبقه بندی های گروهی فرآیندی را سبب شده است که در آن بدون نیاز به تعریف اهداف حفظ پراکندگی، در طی فرآیند تکامل، معیار پراکندگی به صورت خودکار افزایش یافته و در پی آن دقت طبقه بندی نیز افزایش می یابد،همچنین از ایجاد زیر فضاهای مبهم که عمدتا بر اساس کاهش ابعاد فضای ویژگیها به وجود می آید جلوگیری شده است. در مرحله بعد از الگوریتم بهینه سازی چند هدفه دیگری برای ترکیب طبقه بندی کننده ها استفاده شده است. نتایج شبیه سازی مؤید کارآیی روش پیشنهادی است.

کلیدواژه ها:

نظریه آشوب ، طبقه بندی کننده های گروهی ، عیار پراکندگی ، بهینه سازی چند هدفه

نویسندگان

کوشان احمدیان

دانشکده مهندسی کامپیوتر دانشگاه علم و صنعت ایران

عباس گلستانی

دانشکده مهندسی کامپیوتر دانشگاه علم و صنعت ایران

محمدرضا جاهدمطلق

دانشکده مهندسی کامپیوتر دانشگاه علم و صنعت ایران

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 :
  • L. Breiman, 0:Stacked regressions, ^ Machine Learning, 24(1):4964, 1996. ...
  • Y. Freund and R. Schapire, *Experiments with a new boosting ...
  • T. K. Ho, ،.The random subspace method for constructing decision ...
  • L. S. Oliveira, R. Sabourin, F. Bortolozzi, and C. Y. ...
  • G. Zenobi and P. Cunningham, "Using diversity in preparing ensembles ...
  • C. A. Coello and A. D. Christiansen, ،Multi objective optimization ...
  • L.I. Kuncheva and C.J. Whitaker, ،Measures of diversity in classifier ...
  • D. Ruta and B. Gabrys, «Classifier Selection for Majority Voting, ...
  • K. Ahmadian, A. Golestani, M. Analoui, M.R. Jahed, *Creating Ensemble ...
  • K. Deb, S. Agrawal, A. Pratap and T. Meyarivan, ،A ...
  • E. Zitzler, M. Laumanns and L. Thiele, 0SPEA2: Improving the ...
  • Y. Bernstein, X. Li, V. Ciesielski, and A. Song, "Multi- ...
  • نمایش کامل مراجع