دانلود شبیه سازی مقاله بهینه سازی پارامتر های SVM با الگوریتم ژنتیک

عنوان فارسی

مدلي مبتني بر الگوريتم ژنتيك براي انتخاب , استخراج ويژگي و بهينه سازي پارامترهاي بردار پشتیبان ماشین

عنوان انگلیسی

Genetic Algorithm Based Model for Feature Selection / Extraction and Optimization of SVM Parameters

کلمات کلیدی

الگوریتم ژنتیک، بردار پشتیبان ماشین، SVM، PCA، بهینه سازی پارامترها، انتخاب پارامتر بهینه

درسهای مرتبط

پردازش سیگنال، پردازش تصویر، مخابرات بی سیم

تعداد صفحات انگلیسی : 6 نشریه : IEEE
سال انتشار : 2007 تعداد رفرنس مقاله : 18
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
قیمت دانلود مقاله
75,200تومان
دانلود رایگان مقاله انگلیسی
آیا این مقاله برای بیس پایان نامه مناسب است؟ : بله آیا این مقاله برای ارائه کلاسی مناسب است؟ : بله
برنامه ای که در آن مقاله شبیه سازی شده است : این مقاله در محیط متلب پیاده سازی شده است نام مجله مقاله : کنفرانس داخلی
ترجمه: ندارد گزارشکار : دارای گزارش فارسی است شبیه سازی : دارد (متلب)

این مقاله در محیط متلب به صورت کامل شبیه سازی شده و در صورت خرید و دانلود مقاله شما به راحتی قادر خواهید بود از برنامه مربوطه استفاده نمایید. در صورت بروز هر گونه مشکل در نحوه ی اجرای برنامه سایت سیگمالند به مدت 24 ساعت بعد از خرید محصول، پشتیبانی آن را تا اجرای کامل برعهده دارد.

توضیحات و مشاهده مقاله انگلیسی

استفاده از الگوريتم ژنتيك براي استخراج و انتخاب ويژگيهای SVM

بردار پشتیبان ماشین در سال 1995توسط پيشنهاد شد. اخيراً اين مدل براي حل مسائل زيادي به كار رفته است. از اين جمله ميتوان به كاربرد آن در بحث شناسايي الگو، برازش غيرخطي، دسته بندي متونو كلاسبندي تصاوير ابر طيفي اشاره كرد. يك SVM براي تعيين ابرصفحه ي جداكننده داده هاي آموزش از مكانيزمي استفاده مي كند كه در آن به كمك يك تابع هسته اي داده ها را در فضا به بعدي انتقال مي دهد كه بتواند اين ابرصفحه را بر داده هاي ورودي برازش دهد.بنابراين انتخاب درست يك تابع هسته اي ميتواند تاثير مستقيم روي كارايي SVM داشته باشد. در زمان استفادهي SVM دو مسئله ي مهم وجود دارد كه بايد مد نظر قرار گرفته شوند. اول اينكه چگونه مجموعه داده ي ورودي را انتخاب كنيم، يا اينكه آيا انتقالي روي داده هاي ورودي قبل از ورود به SVM مي توان ايجاد نمود كه نتايج مناسب تري ايجاد كند يا خير، و دوم اينكه چگونه بهترين پارامترهاي تابع هسته اي را تنظيم كنيم. اين دو مسئله با هم كاملاً در ارتباطند. چراكه مجموعه ي ورودي روي انتخاب پارامترهاي هسته تاثيرگذار است. در مورد انتخاب مجموعه داده ي ورودي بايد به اين نكته اشاره كرد كه در بسياري موارد متعادل نبودن نسبت ويژگي هاي در دست به كل اطلاعات مورد نياز در مورد هر كلاس باعث مي شود كلاس بندهاي معمولي در اين مورد با شكست مواجه شوند. همچنين در بسياري از مجموعه داده ها برخي از ويژگي ها در تصميم گيري نقشي ندارند و به نوعي مي توان آنها را اضافي تلقي نمود. پس انتخاب يك زير مجموعهي مناسب از ورودي ها مي تواند هم در دقت كلاس بندي و هم در سرعت آن مثمر ثمر باشد. از روش هايي كه در بحث كاهش ويژگي ها استفاده مي شود، مي توان به PCA اشاره كرد. اين روش مقادير ويژهي ماتريس كوواريانس داده هاي ورودي را مورد تحليل قرار مي دهد. محبوبيت PCA بدليل سادگي استفاده و نتايج مناسب در برخي كاربردها باعث شده است.

همانطور که گفته شد، بردار پشتیبان ماشین یا SVM نوعي الگوريتم يادگيري آماري هستند كه در سالهاي اخير مورد توجه فراواني قرار گرفته اند. SVMبه طور كلي كاربردهاي زيادي در بحث شناسايي الگو و پردازش غيرخطي دارد. توابع هسته اي نقش مهمي در توانايي كلاسبندي آنها بازي مي كنند. تنظيم مناسب پارامترهاي هسته مي تواند در دقت كلاسبندي آن نقش خيلي مهمي داشته باشد. در عين حال انتخاب مناسب ويژگي هاي ورودي نيز يكي از مسائل مهم در يك فرآيند كلاس بندي مي باشد. در اين مقاله مدلي مبتني بر الگوريتم ژنتيك پيشنهاد شده است كه از مجموعه بردار ويژگي ورودي زير مجموعه هاي را انتخاب يا استخراج با استفاده از PCA ميكند و بطور همزمان پارامترهاي كلاس بندی  SVM را بهينه مي سازد. نتايج شبيه سازي روي برخي مجموعه داده هاي معروف كارايي اين روش را نشان مي دهد.

در ادامه بخشی از نتایج شبیه سازی این مقاله نشان داده شده است.

الگوریتم زنتیک در SVM

الگوریتم ژنتیک در SVM

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود شبیه سازی مقاله بهینه سازی پارامتر های SVM با الگوریتم ژنتیک”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

آموزش برنامه نویسی

تماس با پشتیبانی

ارتباط با ما

  • شماره تماس : 09143817325
  • ایمیل : info@sigmaland.ir
تمامی حقوق مادی و معنوی برای سایت سیگمالند محفوظ است.