Signal and Data Processing

fa دو روش تبدیل ویژگی مبتنی بر الگوریتم های ژنتیک برای کاهش خطای دسته بندی ماشین بردار پشتیبان Two Featuer Transformation Methods Based on Genetic Algorithm for Reducing Support Vector Machine Classification Error مقالات پردازش گفتار Paper پژوهشي Research در بازشناسی الگو یکی از روش های افزایش دقت بازشناسی، بهره گیری از روش های متمایز ساز است. این روش ها یا به صورت تبدیل متمایزساز بر ویژگی ها بکار می روند یا از روش های یادگیری متمایزساز برای آموزش دسته بند استفاده می کنند. معمولا معیار تبدیلات متمایز ساز متفاوت با معیار آموزش و یا خطای دسته بندهای متمایز ساز است. در مقاله حاضر، برای هماهنگ کردن معیار تبدیل ویژگی و نیز معیار دسته بندی ماشین بردار پشتیبان روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیک (GA) پیشنهاد می شود که معیار تبدیل آن کمینه کردن خطای دسته بندی ماشین بردار پشتیبان است. علاوه بر این، روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیک دوهدفه، پیشنهاد می شود که معیار این تبدیل بیشینه شدن تمایز بین دسته ای (مطابق با معیار روش های تبدیل ویژگی) و کمینه کردن خطای دسته بندی ماشین بردار پشتیبان به صورت همزمان است. ارزیابی بر روی دادگان UCI نشان می دهد که استفاده از معیارهای همزمان خطای دسته بندی و تمایز بین دسته ای در تبدیل ویژگی سبب بهبود عملکرد تبدیلات ویژگی متمایز ساز متداول در افزایش دقت دسته بندی ماشین بردار پشتیبان می گردد. علاوه بر اینکه استفاده از تبدیل ویژگی با معیار خطای دسته بندی نسبت به دیگر روش های شناخته شده تبدیل ویژگی و نیز روش دو هدفه، دقت دسته بندی ماشین بردار پشتیبان را بیشتر افزایش می دهد. Discriminative methods are used for increasing pattern recognition and classification accuracy. These methods can be used as discriminant transformations applied to features or they can be used as discriminative learning algorithms for the classifiers. Usually, discriminative transformations criteria are different from the criteria of discriminant classifiers training or their error. In this paper, for relating feature transformation criterion to classification rate, we obtain a feature transformation method using genetic algorithm where we choose fitness function as Support Vectomr Machine(SVM) classification error rate. In addition, we obtain a feature transformation method using multi-objective genetic algorithm in order to consider both between class discrimination (According to feature transformation criterion) and support vector machine classification error rate simultaneously. Experimental results on UCI dataset indicate that using both classification error and between class discrimination in feature transformation improve discriminative feature transformations performance in increasing SVM classification accuracy. Additionally, the use of feature transformation with classification error criterion increases SVM classification more than other conventional feature transformation and proposed two-objective methods. تبدیل ویژگی , متمایزسازی , ماشین بردار پشتیبان , الگوریتم ژنتیک , دسته بندی Feature Transformation, Discrimination, Support Vector Machine, Genetic Algorithms, Classification. 23 39 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-412-1&slc_lang=fa&sid=1 fatemeh hoseinkhani فاطمه حسین خانی fatemeh_hoseinkhani@yahoo.com 10031947532846001929 10031947532846001929 Yes Qazvin Islamic Azad University دانشگاه آزاد اسلامی قزوین babak nasersharif بابک ناصرشریف 10031947532846001930 10031947532846001930 No K.N Toosi University of Technology دانشگاه صنعتی خواجه نصیر طوسی