این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۵، شماره ۳، صفحات ۱۰۱-۱۱۲
عنوان فارسی روشی جدید برای عضویت‌دهی به داده‌ها و شناسایی نوفه و داده‌های پرت با استفاده از ماشین بردار پشتیبان فازی
چکیده فارسی مقاله در این مقاله روشی جدید را با استفاده از ماشین بردار پشتیبان فازی به منظور عضویت‎دهی داده‌های آموزشی، براساس فاصله از ابر صفحه جداکننده معرفی می‌شود. در این روش، با استفاده از طبقه‌بندی ماشین بردار پشتیبان و نیز عضویت نخستین داده‌های آموزشی، یک تابع عضویت فازی به‌کمک اعداد فازی مثلثی متقارن برای تمام فضا معرفی می‌شود. مبتنی بر این روش، مقدار تابع عضویت فازی هر داده جدیدی که می‌خواهد طبقه‌بندی شود، به­گونه‌ای انتخاب می‌شود که کمترین میزان اختلاف را با عضویت اولیه داده‌های آموزشی و بیشترین میزان فازی­سازی داشته باشد. نخست این مسأله به‌صورت یک مسأله بهینه‌سازی غیرخطی تعریف، سپس به‌کمک روش نقاط بحرانی، الگوریتمی کارا معرفی می‌شود و تابع عضویت نهایی داده‌های آموزشی به‌دست می­آید؛ همچنین، در ادامه با مقایسه مقدار عضویت‌های اولیه داده‌های آموزشی با توزیع عضویت نهایی به‌دست‌آمده از روش پیشنهادی، میزان نوفه‌ای‌بودن داده آموزشی بررسی می‌شود. در انتهای این مقاله نیز جهت فهم بهتر و نشان‌دادن کارایی الگوریتم، آزمایش‌هایی انجام و چگونگی رفتار الگوریتم پیشنهادی بر روی نمودار پیاده‌سازی و با یک روش پایه مقایسه می‌شود.  
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A New Method to Determine Data Membership and Find Noise and Outlier Data Using Fuzzy Support Vector Machine
چکیده انگلیسی مقاله Support Vector Machine (SVM) is one of the important classification techniques, has been recently attracted by many of the researchers. However, there are some limitations for this approach. Determining the hyperplane that distinguishes classes with the maximum margin and calculating the position of each point (train data) in SVM linear classifier can be interpreted as computing a data membership with certainty. A question may be raised here: how much the level of the certainty of this classification, based on hyperplane, can be trusted. In the standard SVM classification, the significance of error for different train data is considered equal and every datum is assumed to belong to just one class. However, in many cases some of train data, including outlier and vague data with no defined model, cannot be strictly considered as a member of a certain class. That means, a train datum may does not exactly belong to one class and its features may show 90 percent membership of one class and 10 percent of another. In such cases, by using fuzzy SVM based on fuzzy logic, we can determine the significance of data in the train phase and finally determine relative class membership of data. The method proposed by Lin and Wang is a basic method that introduces a membership function for fuzzy support vector machine. Their membership function is based on the distance between a point and the center of its corresponding class. In this paper, we introduce a new method for giving membership to train data based on their distance from distinctive hyperplane. In this method, SVM classification together with primary train data membership are used to introduce a fuzzy membership function for the whole space using symmetrical triangular fuzzy numbers. Based on this method, fuzzy membership function value of new data is selected with minimum difference from primary membership of train data and with the maximum level of fuzzification. In the first step, we define the problem as a nonlinear optimization problem. Then we introduce an efficient algorithm using critical points and obtain final membership function of train data. According to the proposed algorithm, the more distant data from the hyperplane will have a higher membership degree. If a datum exists on the hyperplane, it belongs to both classes with the same membership degree. Moreover, by comparing the primary membership degree of train data and calculated final distribution, we compute the level of noise for train data. Finally, we give a numerical example for illustration the efficiency of the proposed method and comparing its results with the results of the Lin and Wang approach.  
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله منا خداقلی | Mona Khodagholi
گروه ریاضی، دانشکده علوم پایه، دانشگاه شاهد

اردشیر دولتی | Ardeshir Dolati
گروه ریاضی، دانشکده علوم پایه، دانشگاه شاهد

علی حسین زاده | Ali Hosseinzadeh
گروه ریاضی، دانشکده علوم پایه، دانشگاه شاهد

خشایار شمس الکتابی | khashayar Shamsolketabi
دانشگاه تربیت مدرس

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-797-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-1128501.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات