بهبود دسته بندی چندبرچسبی به کمک شبکه های عصبی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه یزد - دانشکده برق و کامپیوتر
- نویسنده هادی مقدر
- استاد راهنما محمد رضا زارع میرک آباد ولی درهمی
- سال انتشار 1393
چکیده
امروزه با افزایش حجم داده ها امکان جمع آوری و دسته بندی سریع داده ها توسط انسان غیرممکن شده است و نیاز به دسته بندی و تحلیل دادها به صورت خودکار از جایگاه ویژه ای برخوردار است. دسته بندی داده ها عملیاتی است که ابتدا، طی یک فرایند ، نمونه های آموزشی به همراه برچسب آن ها به یک عامل یادگیر داده می شود تا ارتباط بین نمونه ها و برچسب ها را یاد بگیرد و سپس برچسب داده های آموزشی را پیش بینی کند. از طرفی، داده های چند برچسبی داده هایی هستند که هر نمونه در هرلحظه می تواند بیش از یک برچسب داشته باشد. به عبارت دیگر هر نمونه همراه با یک بردار از برچسب ها نمایش داده می شود. روش های دسته بندی چندبرچسبی برحسب ماهیت عملکردشان به دودسته کلی تقسیم می شوند: روش های تبدیل مسئله، که در ابتدا مسئله را به یک یا چند مسئله با ماهیت تک برچسبی تبدیل می کنند و سپس از روش-های کلاسیک دسته بندی استفاده می کنند، و روش های تطبیقی، که توسعه ای بر روش های کلاسیک دسته-بندی می باشند به طوری که مستقیماً می توانند داده ها چند برچسبی را دسته بندی نمایند. در این پژوهش ضمن معرفی روش ها و رویکرد های دسته بندی چندبرچسبی، یک روش تطبیقی مبتنی بر شبکه نروفازی را برای دسته بندی داده های چندبرچسبی ارائه می دهیم. آزمایش های صورت گرفته بروی سه تا از مهمترین مجموعه داده های چندبرچسبی، حاکی از کارایی بالاتر روش پیشنهادی در دسته بندی داده ها و زمان آموزش کمتر نسبت به سایر روش های مبتنی بر شبکه عصبی می باشد.
منابع مشابه
بهبود عملکرد الگوریتم خوشه‌یابی خودکار تصاویر رنگی به کمک پیش‌پردازش با شبکه عصبی خودسامانده (SOM)
با توجه به کاربرد فراوان مسئله خوشه‌یابی داده‌ها به‌عنوان یکی از مسائل مهم در مبحث بازشناسی الگو، زمینه‌های تحقیقاتی متنوعی از جمله خوشه‌یابی تصاویر به این موضوع اختصاص یافته است. اکثر روشهای مطرح‌شده برای حل مسئله خوشه‌یابی تصاویر، مبتنی بر الگوریتمهای هوش‌جمعی می‌باشد. با توجه به حجم بالای داده ورودی در این الگوریتم‌ها (برابر تعداد پیکسل‌های تصویر)، زمان محاسباتی زیادی صرف حل مسئله می‌شود ب...
متن کاملبهبود دسته بندی اتوماتیک متن به کمک پروفایلینگ: سیسیتم gnp
یکی از رویکردهای مهم در دسته بندی متن، استفاده از پارادیم یادگیری ماشین می باشد. در این رویکرد، نمایش متون و الگوریتم دسته بندی، دو عنصر اساسی برای دسته بندی بهینه متون به شمار می آیند. در طی سه دهه گذشته، روشهای گوناگونی هم در زمینه نمایش متون و هم در زمینه الگوریتمهای دسته بندی معرفی شده است که در بخش اول و دوم این نوشتار به طور اجمالی به بررسی آنها می پردازیم. برخلاف تمامی رویکردهای پیشین دس...
15 صفحه اولتولید خودکار دادگان آزمون به کمک شبکه عصبی
چکیده یکی از مراحل مهم آزمون نرم‌افزار شئ‌گرا، آزمون مستقل اشیا است.آزمون مستقل اشیا با دو مشکل روبه‌رو است: اولاً شئ مورد فراخوانی ممکن استروش‌هایی از اشیا دیگر را فراخوانی کندودر نتیجهبررسیمستقلآن ممکن نباشد. ثانیاً روشهای فراخوانی شده ممکن است زمان‌بر باشند و باعث شوندآزمون شئ مورد نظر طولانی شود. یک راه‌حل برای رفع دو مشکل فوق، استفاده از اشیا جاعل است. اشیا جاعل روش-های مورد فراخوانی را شب...
متن کاملپیشبینی خسارت لرزه‌ای سازه‌های خمشی فولادی به کمک شبکه عصبی
تاکنون روابط مختلفی جهت محاسبه خسارت لرزه‌ای سازه‌ها از جمله شاخص‌های خسارت بر اساس شکل‌پذیری، استهلاک انرژی و ترکیب شکل‌پذیری و استهلاک انرژی ارائه شده است. برای ارزیابی خسارت یک سازه در مقابل زلزله‌ای که تجربه می‌کند، نیاز به انجام تحلیل دینامیکی غیر خطی می‌باشد و چون این روش زمان طولانی برای به دست آوردن پاسخ سازه در مقابل بار لرزه‌ای نیاز دارد، در این مقاله ضمن ارائۀ شاخص جدیدی که شاخص خ...
متن کاملتشخیص خودکار خوشه های میکروکلسیفیکاسیون به کمک تبدیل موجک و شبکه های عصبی
در این مقاله، یک سیستم CAD به منظور شناسایی و تشخیص خوشه های میکروکلسیفیکاسیون در تصاویر ماموگرافی معرفی شده است. الگوریتم معرفی شده مرکب از سه مرحله اساسی است. در مرحله اول، تبدیل موجک روی تصاویر ماموگرافی اعمال شده و دو ضریب موجک به همراه دو ویژگی آماری به عنوان ویژگی های متمایز کننده پیکسل ها از نظر تعلق به یک دانه میکروکلسیفیکاسیون استخراج می گردد. سپس با استفاده از یک شبکه عصبی، دسته بندی ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه یزد - دانشکده برق و کامپیوتر
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023