بهبود کارایی تکنیکهای دادهکاوی برای مقیاس بزرگی از اطلاعات با ابعاد بالا با ترکیب الگوریتمهای BPN+Som

دادهکاوی و کشف دانش توجه اکثر پژوهشگران را در دهههای گذشته به خود جلب کرده است. اندازه و پیچیدگی دادههای واقعی در جهان بهطور چشمگیری در حال افزایش است. اگرچه الگوریتمهای کارآمد جدیدی برای مقابله با چنین دادههایی ارایهشده است؛ اما استخراج اطلاعات با ابعاد بالا هنوز هم یک چالش اساسی به شمار میرود. لذا شبکههای عصبی مصنوعی ابزاری قدرتمند هستند که قادرند یک رابطه عمومی بین اطلاعات حجیم و پیچیده ناشی از آزمایشهای تجربی را به دست آورند که در حل مسایل بدون صرف زمان زیادی مفید خواهند بود. در این پژوهش از ترکیب دو الگوریتم شبکه عصبی متشکل از شبکه پس انتشار خطا و شبکه خودسازمانده و اجرای آنها بر روی چندین مجموعه داده نظیر Iris, Glass, Breast Cancer استفاده شد. این الگوریتمها در حوزههای مختلفی مانند نوار قلب، نوار مغز، اطلاعات تشخیص حرکت، دادههای ضبط حرکت، دادههای صوتی، دادههای تصویری، نسخه های خطی و دست نوشته ها و غیره استفاده میشوند

کلیدواژه ها:

شبکه پس انتشار خطا ، شبکه خودسازمانده ، شبکه عصبی ، دادهکاوی