دوره 18، شماره 2 - ( 7-1400 )                   جلد 18 شماره 2 صفحات 29-44 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ghaffari H R, Jalali Mojahed A. Feature extraction based on the more resolution of the classes using auxiliary classifiers. JSDP. 2021; 18 (2) :29-44
URL: http://jsdp.rcisp.ac.ir/article-1-986-fa.html
غفاری حمیدرضا، جلالی مجاهد آتنا. استخراج ویژگی مبتنی بر تفکیک پذیری بیشتر طبقه ها با استفاده از طبقه بندهای کمکی. پردازش علائم و داده‌ها. 1400; 18 (2) :29-44

URL: http://jsdp.rcisp.ac.ir/article-1-986-fa.html


دانشگاه آزاد اسلامی فردوس
چکیده:   (63 مشاهده)
طبقه­ بندی یک روش یادگیری ماشین است که برای پیش­گویی برچسب یک نمونه خاص با کمترین خطا استفاده می ­شود. در این مقاله، از توانایی پیش­ گویی برچسب به کمک طبقه ­بند برای ایجاد ویژگی جدید استفاده شده­ است. امروزه روش­ های استخراج ویژگی زیادی مانند PCA و ICA وجود دارند که در زمینه­ های مختلف بطور وسیع استفاده می ­شوند و از هزینه بالای انتقال به فضای دیگر رنج می­ برند. در روش پیشنهادی، هدف این است که به کمک ویژگی جدید،  قدرت تفکیک ­پذیری بیشتری بین کلاس­ های مختلف ایجاد شود و داده‌های درون کلاس­ ها به یکدیگر نزدیک­تر و تمایز بیشتری بین داده‌های کلاس­ های مختلف بوجود آید تا کارایی طبقه­ بندها افزایش یابد. ابتدا به کمک یک یا چند طبقه­ بند، برچسب پیشنهادی برای مجموعه­ داده­ اولیه تعیین و بعنوان ویژگی جدید به مجموعه داده اولیه اضافه می­ شود. ایجاد مدل به کمک مجموعه­ داده جدید انجام می­ شود. ویژگی جدید برای مجموعه داده آموزش و تست بصورت جداگانه بدست آورده می شود. آزمایش­ ها بر روی 20 مجموعه­ داده استاندارد انجام شده و نتایج روش پیشنهادی با نتایج دو روش بیان شده در کارهای مرتبط نیز مقایسه شده است. نتایج حاصل نشان می­ دهد که روش پیشنهادی به طورقابل توجهی باعث بهبود دقت طبقه­ بندی شده است. در بخش دوم آزمایشات، برای بررسی میزان موثر بودن روش پیشنهادی، قدرت تفکیک ­پذیری ویژگی جدید بر اساس دو معیار بهره اطلاعاتی و شاخص جینی بررسی شده ­است. نتایج نشان می­ دهد که ویژگی به دست آمده در روش پیشنهادی در بیشتر موارد دارای بهره اطلاعاتی بیشتر و شاخص جینی کمتری است، زیرا بی­ نظمی کمتری دارد. در ادامه، جهت جلوگیری از افزایش ابعاد داده، ویژگی استخراج شده با بیشترین بار اطلاعاتی، جایگزین ویژگی با کمترین بار اطلاعاتی شده­ است. نتایج این مرحله نیز بیانگر افزایش میزان کارایی می ­باشد.
متن کامل [PDF 969 kb]   (76 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: 1397/12/23 | پذیرش: 1399/5/28 | انتشار: 1400/7/16 | انتشار الکترونیک: 1400/7/16

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.