کنفرانس مهندسی برق ایران , 2014-05-20

عنوان : ( طبقه بندی مبتنی بر بیان تنک داده های یادگیری در حوزه کرنل )

نویسندگان: سیدعلیرضا صفاری , عباس ابراهیمی مقدم , هادی صدوقی یزدی ,
فایل: Full Text

استناددهی: BibTeX | EndNote

چکیده

در چند سال اخیر بیان تنک سیگنال ها، توجه بسیاری از محققین را در زمینه های گوناگون به خود معطوف کرده است FSNC جدیدترین الگوریتم طبقه بندی مبتنی بر بیان تنک است که به عنوان نسخه توسعه یافته ی FKNNC مطرح شده است. با این وجود FSNC دارای سه مشکل عمده است: اول اینکه الگوریتم FSNC قادر به طبقه بندی داده های جداناپذیر خطی نمی باشد. دومین مشکل FSNC آنست که این الگوریتم قادر به طبقه بندی داده های با توزیع جهتی یکسان نیست. به عبارت دیگر هنگامی که نمونه های کلاس مختلف در جهت برداری یکسانی قرار دارند، دقت طبقه بندی FSNC بسیار پایین خواهد بود حتی اگر داده ها به طور خطی جداپذیر باشند. سومین مشکل FSNC سرعت بسیارپایین آن در طبقه بندی داده های با تعداد ویژگی زیاد مانند تصاویر است. در این مقاله با ترکیب FSNC با رهیافت کرنل، نسخه ی توسعه یافته ی غیر خطی از FSNC با نام KFSNC ارائه می شود. KFSNC نرخ طبقه بندی بهتری نسبت به FSNC دارد اما همچنان یک الگوریتم کند است. بدین منظور در این مقاله الگوریتم جدید دیگری با نام Fast-KFSNC برای طبقه بندی داده های با ویژگی بالا مانند تصاویر ارائه می گردد. نتایج آزمایش بر روی دیتا ست های Wine و Iris از UCI و چند دیتابیس تصویر، نشان می دهد که KFSNC و Fast-KFSNC نرخ طبقه بندی بالاتری نسبت به FSNC دارند.

کلمات کلیدی

, کدینگ تنک, بیان تنک, حسگری فشرده, طبقه بندی, تئوری
برای دانلود از شناسه و رمز عبور پرتال پویا استفاده کنید.

@inproceedings{paperid:1045999,
author = {صفاری, سیدعلیرضا and ابراهیمی مقدم, عباس and صدوقی یزدی, هادی},
title = {طبقه بندی مبتنی بر بیان تنک داده های یادگیری در حوزه کرنل},
booktitle = {کنفرانس مهندسی برق ایران},
year = {2014},
location = {تهران, ايران},
keywords = {کدینگ تنک، بیان تنک، حسگری فشرده، طبقه بندی، تئوری فازی},
}

[Download]

%0 Conference Proceedings
%T طبقه بندی مبتنی بر بیان تنک داده های یادگیری در حوزه کرنل
%A صفاری, سیدعلیرضا
%A ابراهیمی مقدم, عباس
%A صدوقی یزدی, هادی
%J کنفرانس مهندسی برق ایران
%D 2014

[Download]