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

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 ژنتیک در SVM