ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

بهبود حل مسئله تک کلاسه با استفاده از توصیف داده بردار پشتیبان

سال انتشار: 1394
کد COI مقاله: ICEEE07_641
زبان مقاله: فارسیمشاهده این مقاله: 452
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 7 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بهبود حل مسئله تک کلاسه با استفاده از توصیف داده بردار پشتیبان

هومن کاشانیان - دانشگاه آزاد اسلامی فردوس، ایران
فاطمه شبیری - دانشگاه آزاد اسلامی فردوس، ایران
محسن پرهیزگار - دانشگاه آزاد اسلامی فردوس، ایران
الهام دهقان نیری - دانشگاه آزاد اسلامی فردوس، ایران

چکیده مقاله:

امروزه مسئله کلاس بندی تک کلاسه کاربرد بسیار وسیعی در تفکیک یک نوع خاص داده با کل داده های پیرامونش پیدا نموده است.یکی از روش های مهم در این زمینه توصیف داده بردار پشتیبانی (SVDD) است. SVDD فقط از نمونه های مثبت استفاده میکند تا به دستگاه محاسب و پیشبینی کننده بیاموزد که آیا یک نمونه مثبت است یا منفی. زمانی که کسری از نمونه های منفی موجود باشد، انتظار می رود که عملکرد SVDD بهبود یابد. SVDD-neg در بعضی موارد یعنی زمانی که نمونه های منفی وجود دارند، از SVDD بدتر می شود. SVM معمولی، معمولا از تعداد زیادی بردار پشتیبان ناشی می شود، چرا که تمام نمونه های آموزش در طرف اشتباه از حاشیه خود به بردار پشتیبان تبدیل می شوند و متغیرها لغزان آن نمونه ها را بر روی مرزهایشان می کشند. با این حال، روش پیشنهادی بطور قابل توجهی تعداد بردارهای پشتیبان را کاهش میدهد چرا که تنها تعداد کمی از نمونه های آموزشی در طرف اشتباه از حاشیه شان را بر روی مرزها برای تبدیل به بردار پشتیبان میکشند. در این مقاله، یک الگوریتم جدید "SVM-SVDD" ارائه شده است که در آن هم ماشین بردار پشتیبان بهبود یافته و SVDD برای حل مسئلهتوصیف داده با نمونههای منفی استفاده شده است. نتایج آزمایشی نشان میدهد که SVM-SVDD از SVDD-neg هم از جهت زمان آموزش و هم از نظر صحت و دقت بهتر میباشد

کلیدواژه ها:

ماشین بردار پشتیبان ، توصیف داده بردار پشتیبان ، مسئله تک کلاسه

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا ICEEE07_641 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/459625/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
کاشانیان، هومن و شبیری، فاطمه و پرهیزگار، محسن و دهقان نیری، الهام،1394،بهبود حل مسئله تک کلاسه با استفاده از توصیف داده بردار پشتیبان،هفتمین کنفرانس ملی مهندسی برق و الکترونیک ایران،گناباد،https://civilica.com/doc/459625

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1394، کاشانیان، هومن؛ فاطمه شبیری و محسن پرهیزگار و الهام دهقان نیری)
برای بار دوم به بعد: (1394، کاشانیان؛ شبیری و پرهیزگار و دهقان نیری)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • _ v. Vapik, Statistical Learning Theory, Wiley, New York, NY, ...
  • Y. Freund, R. Schapire, A desici on-theoretic generalization of on-line ...
  • M. Moya, M. Koch, L. Hostetler, One-Class Classifier Networks for ...
  • I. Steinwart, TD. Hush, C. Scovel, A classification framework for ...
  • _ _ _ _ Conference on Artificial Neural Networks, 1995, ...
  • L. Parra, G. Deco, S. Miesbach, Statistical independence and novelty ...
  • D. Tax, R. Duin, Support vector data description, Mach. Learn. ...
  • C. S anch ez-Hermandez, D. Boyd, G. Foody, One-class classification ...
  • Target error (percentage) 29, 22/32, 19 22, 34/31.58 24.91/27, 8 ...
  • Training time (s) 1، 8/22, 144 0.12/1399 1 , 85/2, ...
  • W. Sakla, A. Chan, J. Ji, A. Sakla, An SVDD-based ...
  • H. Luo, J. Cui, Y. Wang, A SVDD approach of ...
  • T. Onoda, H. Murata, S. Yamada, Non-relevance feedback document retrieval ...
  • _ _ _ _ _ _ _ regulatory network, IEEE ...
  • X. Hu, J. Wang, An improved dual neural network for ...
  • K. Veropoulos, C. Campbell, N. Cristianini, Controlling the sensitivity of ...
  • (http :/www. c sie.ntu.du.tw/Scj lin/libsvm/. ...
  • (http :/ict. ewi , tudelft. _ davidt/dd_tools .html. ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: 600
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مقالات پیشنهادی مرتبط

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی