دانلود شبیه سازی مقاله حالت های چهره وفقی در یادگیری فعال با متلب

حالت های تطبیقی دسته ای روش یادگیری فعال

تکنیک های یادگیری فعال برای کاهش تلاش های انسانی در الحاق داده های داده شده برای ایجاد یک طبقه بندی در سیستم، به محبوبیت قابل توجهی دست یافتند. هنگامی که با مقادیر زیادی از داده های بدون برچسب مواجه می شود، چنین الگوریتمی ها به طور خودکار موارد نمونه و نماینده را برای حاشیه نویسی دستی انتخاب می کند. به تازگی، تلاش هایی در جهت شکل گیری دسته ای از یادگیری فعال انجام شده است، که در آن یک دسته از نقاط داده به طور همزمان از یک مجموعه بدون برچسب label انتخاب می شوند. برنامه های کاربردی دنیای واقعی نیاز به رویکرد انطباقی برای انتخاب دسته بسته، به پیچیدگی جریان داده مورد نظر در یادگیری فعال دارند.

با این حال، کار موجود در این زمینه عمدتا بر انتخاب اندازه دسته ای استاتیک یا اکتشافی تمرکز دارد. در این مقاله، دو چارچوب مبتنی بر بهینه سازی مبتنی بر بهینه سازی برای یادگیری فعال در حالت بسته بندی پذیر (BMAL) پیشنهاد شده است، که در آن اندازه دسته و همچنین معیارهای انتخاب با یک فرمول ترکیبی ترکیب می شوند. همچنین از استراتژی بهینه سازی مبتنی بر شیب-فرود و همچنین خواص توابع زیرمودولار برای الگوریتم های سازگار BMAL استفاده شده است. روش های راه حل همانند روش های قدیمی BMAL استاتیک، یکسان است. نتایج تجربی  در مورد داده های گسترده VidTIMIT و مجموعه داده های بیومتریک تلفن همراه (MOBIO) نشان دهنده کارایی چارچوب پیشنهاد شده است و همچنین پتانسیل این روش ها را برای استفاده در برنامه های کاربردی به رسمیت شناختن بیومتریک واقعی در نظر می گیرند.

این مقاله یکی از مقالات بسیار معتبر و مستند برای پردازش های وفقی و پردازش تصویر در کنار یادگیری فعال است که در یکی از معتبرترین مجلات IEEE به چاپ رسیده و به همت متخصصین و همکاران گرامی شبیه سازی کامل شده است.

شبیه سازی های این مقاله در نرم افزار متلب صورت گرفته است و در ادامه بخشی از نتایج شبیه سازی ها نشان داده شده است.

روش وفقی در یادگیری فعال