این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۴، شماره ۱، صفحات ۴۳-۵۶
عنوان فارسی طراحی طبقه بندی کننده‌های چند هدفه با استفاده از روش CFO
چکیده فارسی مقاله در طراحی طبقه‌بندی کننده‌ها و تخمین توابع تصمیم، غالبا هدف اصلی دسترسی به «نرخ تشخیص صحیح» بالا در فاز آموزش است. این در حالی است که اهداف دیگری نظیر میزان «قابلیت اطمینانِ» تصمیمات اتخاذ شده و «تعداد بهینه توابع تصمیم» نیز شاخص‌های بسیار مهمی هستند که در هنگام طراحی طبقه‌بندی کننده‌ها، هرگز نباید فراموش شوند. در این مقاله، ابتدا الگوریتم «بهینه سازی نیروی مرکزی» (CFO) برای بهینه سازی مسایل چند هدفه ارتقا یافته و سپس با به کارگیری روش ارائه شده طبقه‌بندی کننده‌هایی معرفی شده‌اند که به طور همزمان اهداف فوق‌الذکر؛ یعنی «نرخ تشخیص صحیح»، «قابلیت اطمینان»، و «تعداد ابر صفحه‌های لازم» را بهینه سازی می‌نماید. با توجه به انتخاب مقدار بهینه تعداد ابرصفحه‌ها در روش پیشنهادی، مسایل مهم «فوق- برازش» و «فوق-آموزش» نیز برطرف شده است. توانایی دستیابی همزمان به شاخص‌های مذکور در سایر طبقه‌بندی کننده‌های مبتنی بر روش‌های هوش جمعی وجود ندارد. نتایج عملی به دست آمده بر روی داده‌های آزمایشی نشان می‌دهند که طبقه‌بندی کننده چند منظوره پیشنهادی با تخمین «جبهه پّرِتو» مجموعه‌ای از انتخاب‌های متنوع و بهینه از ابرصفحه‌های جدا کننده کلاس‌های مختلف را برای برپایی شرایط دلخواه کاربر در خصوص انتخاب شاخص‌های فوق‌الذکر، فراهم می‌آورد.
کلیدواژه‌های فارسی مقاله تشخیص الگو، روش هوشمند CFO، طبقه بندی کننده های چند هدفه،
عنوان انگلیسی Using CFO method to design a novel multi-objective classifier
چکیده انگلیسی مقاله In designing a classifier and estimating the optimum decision hyperplanes, the main goal is often high “recognition score” in the training phase. While other objectives such as "reliability" of decisions and "the number of optimum decision functions" are also very important factors during designing classifiers, which should never be forgotten. In this paper, at first, the central force optimization (CFO) algorithm developed for multi-objective optimization problems (namely, MOCFO), and then a novel multi-objective classifier is constructed based on using the proposed MOCFO and called MOCFO-classifier. In fact, MOCFO-classifier optimizes the above objectives simultaneously. Due to selecting the number of optimal hyperplane in the proposed method, the important issues "overfitting" and "overtraining" have also been removed. The experimental results on difficult test data show that the proposed multi-objective classifier provides a set of various and optimum options of the hyperplane that separate different classes for making user ideal conditions in regards to selecting mentioned aspects.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سعیده شیخ پور |
دانشگاه بیرجند
سازمان اصلی تایید شده: دانشگاه بیرجند (Birjand university)

سید حمید ظهیری | seyed hamid
دانشگاه بیرجند
سازمان اصلی تایید شده: دانشگاه بیرجند (Birjand university)

سید حمید ظهیری | seyed hamid
دانشگاه بیرجند
سازمان اصلی تایید شده: دانشگاه بیرجند (Birjand university)

نشانی اینترنتی http://isee.ui.ac.ir/article_15354_03a6b7aadf5e5aa31c10c9a11db175dc.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-343804.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات