این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۲، شماره ۲، صفحات ۲۳-۳۹
عنوان فارسی دو روش تبدیل ویژگی مبتنی بر الگوریتم های ژنتیک برای کاهش خطای دسته بندی ماشین بردار پشتیبان
چکیده فارسی مقاله در بازشناسی الگو یکی از روش های افزایش دقت بازشناسی، بهره گیری از روش های متمایز ساز است. این روش ها یا به صورت تبدیل متمایزساز بر ویژگی ها بکار می روند یا از روش های یادگیری متمایزساز برای آموزش دسته بند استفاده می کنند. معمولا معیار تبدیلات متمایز ساز متفاوت با معیار آموزش و یا خطای دسته بندهای متمایز ساز است. در مقاله حاضر، برای هماهنگ کردن معیار تبدیل ویژگی و نیز معیار دسته بندی ماشین بردار پشتیبان روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیک (GA) پیشنهاد می شود که معیار تبدیل آن کمینه کردن خطای دسته بندی ماشین بردار پشتیبان است. علاوه بر این، روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیک دوهدفه، پیشنهاد می شود که معیار این تبدیل بیشینه شدن تمایز بین دسته ای (مطابق با معیار روش های تبدیل ویژگی) و کمینه کردن خطای دسته بندی ماشین بردار پشتیبان به صورت همزمان است. ارزیابی بر روی دادگان UCI نشان می دهد که استفاده از معیارهای همزمان خطای دسته بندی و تمایز بین دسته ای در تبدیل ویژگی سبب بهبود عملکرد تبدیلات ویژگی متمایز ساز متداول در افزایش دقت دسته بندی ماشین بردار پشتیبان می گردد. علاوه بر اینکه استفاده از تبدیل ویژگی با معیار خطای دسته بندی نسبت به دیگر روش های شناخته شده تبدیل ویژگی و نیز روش دو هدفه، دقت دسته بندی ماشین بردار پشتیبان را بیشتر افزایش می دهد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Two Featuer Transformation Methods Based on Genetic Algorithm for Reducing Support Vector Machine Classification Error
چکیده انگلیسی مقاله Discriminative methods are used for increasing pattern recognition and classification accuracy. These methods can be used as discriminant transformations applied to features or they can be used as discriminative learning algorithms for the classifiers. Usually, discriminative transformations criteria are different from the criteria of discriminant classifiers training or their error. In this paper, for relating feature transformation criterion to classification rate, we obtain a feature transformation method using genetic algorithm where we choose fitness function as Support Vectomr Machine(SVM) classification error rate. In addition, we obtain a feature transformation method using multi-objective genetic algorithm in order to consider both between class discrimination (According to feature transformation criterion) and support vector machine classification error rate simultaneously. Experimental results on UCI dataset indicate that using both classification error and between class discrimination in feature transformation improve discriminative feature transformations performance in increasing SVM classification accuracy. Additionally, the use of feature transformation with classification error criterion increases SVM classification more than other conventional feature transformation and proposed two-objective methods.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فاطمه حسین خانی | fatemeh hoseinkhani
fatemh.hoseinkhani@gmail.com
fatemeh_hoseinkhani@yahoo.com

بابک ناصرشریف | babak nasersharif
bnasersharif@eetd.kntu.ac.ir
نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-412-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-233354.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش گفتار
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات