ماشینهای بردار پشتیبان کمترین مربعات تنک کارآمد برای دستهبندی الگو
پایان نامه
- دانشگاه مهندسی فناوری های نوین قوچان - دانشکده ریاضی و کامپیوتر
- نویسنده حمید مرادی گلشیخ
- استاد راهنما مجتبی بایمانی طیبه آموزگار
- سال انتشار 1393
چکیده
در این پایان نامه، یک ماشین بردار پشتیبان کمترین مربعات جدید، برای دسته بندی معرفی می کنیم، که آن را ∋-ماشین بردار پشتیبان کمترین مربعات می نامیم. با معرفی یک تابع زیان جدید به جای تابع زیان مرتبه دوم در ماشین بردار پشتیبان کمترین مربعات، ∋-ماشین بردار پشتیبان کمترین مربعات، نتایج بهتری نسبت به ∋ دارد؛ (1) تنک است و این خاصیت آن را می توان با پارامتر ∋ کنترل کرد. (2) با وزن دهی متفاوت به ∋ برای هر کلاس، مسأله ی نامتعادل می تواند با موفقیت حل شود، علاوه بر آن، یک انتخاب کاربردی از پارامتر ∋ پیشنهاد می کنیم. همچنین الگوریتمی با نام الگوریتم برش پیشنهاد می کنیم که مسأله ی دسته بندی را به مسأله های کوچکتر می شکند و محاسبات آن را کاهش می دهد.
منابع مشابه
رویکرد حداقل مربعات ماشین بردار پشتیبان مبتنی بر الگوریتم ژنتیک جهت تخمین رتبه اعتباری مشتریان بانکها
یکی از مهم¬ترین مسائلی که همواره بانک¬ها و مؤسسات مالی با آن مواجه هستند، مسئله ریسک اعتباری یا احتمال عدم ایفای تعهدات از سوی متقاضیان دریافت کننده تسهیلات اعتباری می¬باشد. رقم قابل توجه مطالبات معوق بانکها در سراسر جهان نشان دهنده اهمیت این موضوع و لزوم توجه به آن می¬باشد. از این رو تاکنون تلاشهای بسیاری به منظور ارائه مدلی کارا جهت ارزیابی و طبقه بندی هرچه دقیق¬تر متقاضیان تسهیلات اعتباری ...
متن کاملارزیابی مدل حداقل مربعات ماشین بردار پشتیبان در برآورد تبخیر و مقایسه با مدلهای تجربی
در این تحقیق با استفاده از پارامترهای هواشناسی در دشت بیرجند در استان خراسان جنوبی در دوره 16 ساله به ارزیابی عملکرد آزمون گاما و مقایسه دقت مدلهای حداقل مربعات ماشینبردار و روشهای تجربی بهمنظور تخمین میزان تبخیر پرداخته شد. با استفاده از روش آزمون گاما از میان پارامترهای تأثیرگذار بر تبخیر، پارامترهای بهینه ورودی جهت مدلسازی تخمین تبخیر از میان 90 ترکیب معین، تعیین گردید. تعداد 7 ترکیب ب...
متن کاملپیشبینی رواناب روزانه با مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM)
مدلهای داده محور از جمله ابزارهایی هستند که به منظور شبیهسازی در علوم مختلف استفاده میشوند. روش ماشین بردار پشتیبان به عنوان یکی از جدیدترین این نوع ابزارها اخیراً در علوم مرتبط با آب مورد توجه قرار گرفته است. در هیدرولوژی و منابع آب، این مدلها با شبیهسازی فرآیند بارش-رواناب، مقدار رواناب را در حوزههای آبخیز بدون ایستگاه اندازهگیری و با حداقل زمان ممکن و کمترین هزینه برآورد میکنند. هدف ا...
متن کاملپیش بینی رواناب روزانه با مدل حداقل مربعات ماشین بردار پشتیبان (ls-svm)
مدل های داده محور از جمله ابزارهایی هستند که به منظور شبیه سازی در علوم مختلف استفاده می شوند. روش ماشین بردار پشتیبان به عنوان یکی از جدیدترین این نوع ابزارها اخیراً در علوم مرتبط با آب مورد توجه قرار گرفته است. در هیدرولوژی و منابع آب، این مدل ها با شبیه سازی فرآیند بارش-رواناب، مقدار رواناب را در حوزه های آبخیز بدون ایستگاه اندازه گیری و با حداقل زمان ممکن و کمترین هزینه برآورد می کنند. هدف ا...
متن کاملروش تک داده ای تکراری سریع برای آموزش حداقل مربعات ماشین های بردار پشتیبان نامقید
بدون شک نیاز عصر امروز بشر، با توجه به غوطه ور شدن در حجم وسیعی از داده های پیرامونش، استفاده از ابزارهایی برای تحلیل این داده ها و دستیابی به دانش نهفته ی درون آن هاست. طبقه بندی داده ها یکی از ابزارهای مهم دراستخراج دانش از داده هاست. یکی از مشکلاتی که در هر روش طبقه بندی پیش روی داریم، به دست آوردن بهترین مدل است. از بهترین روش های طبقه بندی داده ها، ماشین بردار پشتیبان (svm) است. فرض کنید l...
بهسازی گفتار با تخمین گر کمترین میانگین مربعات خطا برپایه توزیع مخلوط لاپلاس برای گفتار
In this paper an estimator of speech spectrum for speech enhancement based on Laplacian Mixture Model has been proposed. We present an analytical solution for estimating the complex DFT coefficients with the MMSE estimator when the clean speech DFT coefficients are mixture of Laplacians distributed. The distribution of the DFT coefficients of noise are assumed zero-mean Gaussian.The drived MMSE...
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
دانشگاه مهندسی فناوری های نوین قوچان - دانشکده ریاضی و کامپیوتر
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023