دوره 15، شماره 3 - ( 9-1397 )
جلد 15 شماره 3 صفحات 112-101 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Khodagholi M, Dolati A, Hosseinzadeh A, Shamsolketabi K. A New Method to Determine Data Membership and Find Noise and Outlier Data Using Fuzzy Support
Vector Machine. JSDP 2018; 15 (3) :101-112
URL: http://jsdp.rcisp.ac.ir/article-1-394-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-394-fa.html
خداقلی منا، دولتی اردشیر، حسین زاده علی، شمس الکتابی خشایار. روشی جدید برای عضویت‌دهی به داده‌ها و شناسایی نوفه و داده‌های پرت با استفاده از ماشین بردار پشتیبان فازی. پردازش علائم و داده‌ها. 1397; 15 (3) :101-112
گروه ریاضی، دانشکده علوم پایه، دانشگاه شاهد
چکیده: (4233 مشاهده)
در این مقاله روشی جدید را با استفاده از ماشین بردار پشتیبان فازی به منظور عضویت‌دهی داده‌های آموزشی، براساس فاصله از ابر صفحه جداکننده معرفی می‌شود. در این روش، با استفاده از طبقه‌بندی ماشین بردار پشتیبان و نیز عضویت نخستین داده‌های آموزشی، یک تابع عضویت فازی به‌کمک اعداد فازی مثلثی متقارن برای تمام فضا معرفی می‌شود. مبتنی بر این روش، مقدار تابع عضویت فازی هر داده جدیدی که می‌خواهد طبقه‌بندی شود، بهگونه‌ای انتخاب می‌شود که کمترین میزان اختلاف را با عضویت اولیه داده‌های آموزشی و بیشترین میزان فازیسازی داشته باشد. نخست این مسأله به‌صورت یک مسأله بهینه‌سازی غیرخطی تعریف، سپس به‌کمک روش نقاط بحرانی، الگوریتمی کارا معرفی می‌شود و تابع عضویت نهایی داده‌های آموزشی به‌دست میآید؛ همچنین، در ادامه با مقایسه مقدار عضویت‌های اولیه داده‌های آموزشی با توزیع عضویت نهایی به‌دست‌آمده از روش پیشنهادی، میزان نوفه‌ای‌بودن داده آموزشی بررسی می‌شود. در انتهای این مقاله نیز جهت فهم بهتر و نشان‌دادن کارایی الگوریتم، آزمایش‌هایی انجام و چگونگی رفتار الگوریتم پیشنهادی بر روی نمودار پیاده‌سازی و با یک روش پایه مقایسه می‌شود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1396/8/28 | پذیرش: 1397/5/27 | انتشار: 1397/9/28 | انتشار الکترونیک: 1397/9/28
دریافت: 1396/8/28 | پذیرش: 1397/5/27 | انتشار: 1397/9/28 | انتشار الکترونیک: 1397/9/28
فهرست منابع
1. [1] محمدامین، فولادی کاظم. بازشناسی برخط حروف مجزای دست‌نویس فارسی بر اساس تشخیص گروه بدنه اصلی با استفاده از ماشین بردار پشتیبان. پردازش علائم و داده‌ها. 1391; 9 (1) :59-68
2. [1] Mehralian M A, kazem fouladi K. the recognition of online handwritten persian characters based on their main bodies using svm. JSDP. 2012; 9 (1) :59-68
3. [2] منتظر غلامعلی، شایسته‌فر محمد. شناسایی پلاک خودروهای ایرانی با الگوریتم ماشین بردار پشتیبانی فازی. پردازش علائم و داده‌ها. ۱۳۹۴; ۱۲ (۱) :۴۷-۵۶.
4. [2] Montazer G A, shayestehfar M. iranian license plate identification with fuzzy support vector ma-chine . JSDP. 2015; 12 (1) :47-56
5. [3] Abe S. Pattern Classification: Neuro-Fuzzy M-ethods And Their Comparison. springer-verlag, London, UK, 2001.
6. [4] Alpayden E. Introduction To Machine Learning. The MIT Press, 2010.
7. [5] Bezdek J. C. Fuzzy Mathematics In Pattern Classi-fication. Phd Dissertation, Cornell University, Ith-aca, NY, 1973.
8. [6] Bishop CM. Pattern Recognition And Machine Learning. springer; 2006.
9. [7] Burges J. C. a tutorial on support vector machine-es for pattern recognition. Data Mining and Know-ledge Discovery 1998; 2(2): 121-167. [DOI:10.1023/A:1009715923555]
10. [[8] Cortes C., Vapnik V. support-vector networks. Machine Learning 1995; 20(3): 273-297.
https://doi.org/10.1007/BF00994018 [DOI:10.1023/A:1022627411411]
11. [9] Fisher RA. the use of multiple measurements in taxonomic problems. Annals of eugenics. 1936 Sep;7(2):179-88. [DOI:10.1111/j.1469-1809.1936.tb02137.x]
12. [10] Huang H. P., Liu Y. H. fuzzy support vector machine for pattern recognition and data mining. Int J Fuzzy Syst 2002; 4(3): 826–835.
13. [11] Inoue T., Abe S. fuzzy support vector machines for pattern classification. In Proceeding of IJCNN 2001; 2: 1449–1454. [DOI:10.1109/IJCNN.2001.939575]
14. [12] Jiang X. F., Yi, Z., Lv J. C. fuzzy svm with a new fuzzy membership function. Neural Compute 2006; 15(3-4): 268–276. [DOI:10.1007/s00521-006-0028-z]
15. [13] Lee, G.H., Taur, J. S., Tao, C.W. a robust fuzzy support vector machine for two-class pattern classification. International Journal of Fuzzy Systems 2006; 8(2): 76-87.
16. [14] Li M. Q., Chen F. Z., Kou J. S. candidate vectors selection for training support vector machines. IEEE Computer Society, Third International Conference on Natural Computation (ICNC) 2007; 1: 538-542. [DOI:10.1109/ICNC.2007.292]
17. [15] Lin C. F., Wang S.D. fuzzy support vector ma-chines. IEEE Trans. on Neural Networks 2002; 13(2): 464-471. [DOI:10.1109/72.991432] [PMID]
18. [16] Mitchell T. Machine Learning. McGraw Hill, ISBN 0-07-042807-7, 1997.
19. [17] Nilsson N. J. Introduction To Machine Learning. Robotics Laboratory Department of Computer Science Stanford University Stanford, CA 94305, 2005.
20. [18] Pontil M., Verri A. properties of support vector machines. Neural Computation 1998; 10(4): 955-974. [DOI:10.1162/089976698300017575]
21. [19] Schölkopf B., Burges J. C., Smola A. Advances In Kernel Methods: Support Vector Learning. Cambridge. MA: MIT Press, 1999. [PMID]
22. [20] Shiry S., Sadatpoor S. S. Using Machine Learning Techniques In Homeopathy. Amir Kabir Uni-versity Press, 2010.
23. [21] Tang M. E. fuzzy svm with a new fuzzy membership function to solve the two-class pro-blems. Neural Processing Letters 2011; 34(3): 209-219. [DOI:10.1007/s11063-011-9192-y]
24. [22] Trung L. e., Tran D., Wanli M. A., Sharma D. a new fuzzy membership computation method for fuzzy support vector machines, Communications and Electronics (ICCE), Third International Conference on 2010; 153 – 157.
25. [23] Vapnik V. N. Statistical Learning Theory. New York: Wiley, 1998.
26. [24] Vapnik V. N. The Nature Of Statistical Learning Theory. New York: Springer-Verlag, 1995. [DOI:10.1007/978-1-4757-2440-0] [PMID]
27. [25] Zadeh L. A. Fuzzy Set A Basis For A Thory Of Possibility. In Fuzzy Set and System 1987; 1: 3-28. [DOI:10.1016/0165-0114(78)90029-5]
28. [26] Zadeh L. A. fuzzy sets. information and control, 1965; 8(3): 338-353. [DOI:10.1016/S0019-9958(65)90241-X]
29. [27] Zhang X.G. using class-center vectors to build support vector machines. In: Proceeding of the IEEE signal processing society workshop 1999; 3–11.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
