دانلود شبیه سازی مقاله طبقه بندی کننده تحلیل تفکیک خطی در برابر درجه دوم

عنوان فارسی

طبقه بندی کننده تحلیل تفکیک خطی در برابر درجه دوم: آموزش

عنوان انگلیسی

Linear vs. quadratic discriminant analysis classifier: a tutorial

کلمات کلیدی

طبقه بندی کننده تفکیک خطی (LDC)؛ طبقه بندی کننده تفکیک درجه دوم (QDC)؛ طبقه بندی؛ مساله تکینگی؛ تابع تفکیک؛ مرزهای تصمیم گیری؛ روش زیرفضا؛ تحلیل تفکیک خطی منظم (RLDA)

درسهای مرتبط

پردازش تصویر

تعداد صفحات انگلیسی : 36 نشریه : Inderscience Publishers
سال انتشار : 2016 تعداد رفرنس مقاله : 30
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
Inderscience Publishers
قیمت دانلود مقاله
34,000تومان
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 : International Journal of Applied Pattern Recognition (مجله بین المللی تشخیص الگوی کاربردی)
ترجمه: ندارد گزارشکار : ندارد شبیه سازی : دارد (فایل های شبیه سازی در نرم افزار متلب با فرمت .m)

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

پروژه متلب تفکیک خطی و درجه دوم

بررسی های صورت گرفته حاکی از آن است که یادگیری نظارت شده برای ساخت مدل خود جهت پیش بینی یا برآورد مقدار برای نمونه جدید یا برآورد پاسخ آتی، از نمونه های برچسب دار یا کلاس های مشخص استفاده می کند. همچنین در مدل نظارت شده، بین ویژگی ها یا ویژگی های استخراج شده و برچسب های هر نمونه ارتباط برقرار می شود. در واقع، دو تکنیک اصلی یادگیری نظارت شده یعنی رگرسیون و طبقه بندی وجود دارد. در تکنیک رگرسیون، داده‌ های برچسب ‌گذاری ‌شده، اعداد واقعی هستند که برای ساخت مدلی جهت برآورد مقدار نمونه جدید مورد استفاده قرار می گیرند، اما در تکنیک طبقه ‌بندی، داده ‌های برچسب ‌گذاری ‌شده با مجموعه ‌ای از مقادیر یا کلاس ‌های مشخص نشان داده می شوند و برای ساخت یک مدل طبقه بندی مورد استفاده قرار می گیرند. سپس، این مدل طبقه بندی برای تخصیص یک برچسب کلاس به یک نمونه نامشخص مورد استفاده قرار می گیرد. بسیاری از مدل ‌های طبقه‌ بندی و رگرسیون نظیر شبکه ‌های عصبی (NN)، رگرسیون خطی، رگرسیون غیر خطی، درختان طبقه بندی و رگرسیون، و طبقه بندی کننده تحلیل افتراقی (DA) در مقالات ارائه شده است. همچنین، محققی به نام آر. فیشر، اصطلاح طبقه بندی کننده DA را مطرح نمود که در بسیاری از مسائل طبقه بندی مورد استفاده قرار گرفت. لازم به ذکر است که طبقه بندی کننده DA یکی از طبقه بندی کننده های پایه و ساده محسوب می شود. دو نوع طبقه ‌بندی‌کننده DA تحت ‌عنوان طبقه‌ بندی‌کننده تحلیل افتراقی خطی (LDA) و طبقه ‌بندی‌کننده تحلیل افتراقی درجه دوم (QDA) وجود دارد. در طبقه بندی LDA، سطح تصمیم، خطی است، در حالی که مرز تصمیم در QDA غیرخطی است.

هدف از این پروژه، جمع‌آوری اطلاعات اولیه ضروری برای درک طبقه ‌بندی ‌کننده تحلیل افتراقی (DA) در یک مکان است تا خوانندگان در تمامی سطوح بتواند درک بهتری از DA را بدست آورده و دریابند که چطور بایستی از این طبقه ‌بندی کننده در کاربردهای مختلف استفاده کنند. همچنین، این مقاله با تعاریف پایه ریاضی در زمینه مراحل DA و توضیحات بصری این مراحل آغاز می شود. علاوه بر این، در یک رویکرد مرحله به مرحله، تعدادی مثال عددی برای بیان نحوه محاسبه توابع افتراقی و مرزهای تصمیم زمانیکه ماتریس‌ های کوواریانس تمام کلاس‌ ها مشترک هستند/ نیستند ارائه شده است. همچنین در این مقاله، تکینگی DA تشریح شده و برخی از راه حل های پیشرفته در خصوص این مسئله با ذکر تصاویر عددی ارائه شده است. علاوه بر این، برای مقایسه بین طبقه ‌بندی‌کننده ‌های خطی و درجه دوم و بیان نحوه حل مسئله تکینگی زمانی که از مجموعه داده ‌هایی با ابعاد بالا استفاده می‌شود، آزمایشاتی صورت گرفته است.

این مقاله مربوط به سال 2016 بوده و شبیه سازی آن نیز در محیط نرم افزار متلب (MATLAB) انجام شده است.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود شبیه سازی مقاله طبقه بندی کننده تحلیل تفکیک خطی در برابر درجه دوم”

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

9 − چهار =

آموزش برنامه نویسی

پشتیبانی

ارتباط با ما

  • شماره تماس : 09360147484
  • ایمیل : info@sigmaland.ir

نماد اعتماد الکترونیکی

لوگو طلایی

logo-samandehi
تمامی حقوق مادی و معنوی برای سایت سیگمالند محفوظ است.