فایل ورد مقاله بهينه سازي پارامترهاي دسته بندي کنندهSVM به وسيله الگوريتم ازدحام ذرات شتاب يافته آشوبي و دسته بندي بر روي دادگان ژنتيکي

لینک دانلود

 فایل ورد مقاله بهينه سازي پارامترهاي دسته بندي کنندهSVM به وسيله الگوريتم ازدحام ذرات شتاب يافته آشوبي و دسته بندي بر روي دادگان ژنتيکي دارای 8 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد مقاله بهينه سازي پارامترهاي دسته بندي کنندهSVM به وسيله الگوريتم ازدحام ذرات شتاب يافته آشوبي و دسته بندي بر روي دادگان ژنتيکي  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل ورد مي باشد و در فايل اصلي فایل ورد مقاله بهينه سازي پارامترهاي دسته بندي کنندهSVM به وسيله الگوريتم ازدحام ذرات شتاب يافته آشوبي و دسته بندي بر روي دادگان ژنتيکي،به هيچ وجه بهم ريختگي وجود ندارد


بخشی از متن فایل ورد مقاله بهينه سازي پارامترهاي دسته بندي کنندهSVM به وسيله الگوريتم ازدحام ذرات شتاب يافته آشوبي و دسته بندي بر روي دادگان ژنتيکي :


محل انتشار: دوازدهمین کنفرانس ملی سیستمهای هوشمند
تعداد صفحات:8
نویسنده(ها):
مریم یاسی – دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، گروه هوشمصنوعی، بوشهر، ایران
محمدحسین معطر – دانشگاه آزاد اسلامی، واحد مشهد، گروه نرم افزار، مشهد، ایران
مهدی یعقوبی – دانشگاه آزاد اسلامی، واحد مشهد، گروه هوش مصنوعی، مشهد، ایران

چکیده:
ماشین بردار پشتیبانSupport Vector Machineدر سیستم های یادگیری بسیار محبوب و قدرتمند هستند . هدف این الگوریتم تشخیص و تمایز کردن الگو های پیچیده در داده ها است و به عنوان یکی از ابزار های قدرتمند و شناخته شده در طبقه بندی داده ها مورد استفاده قرار می گیرد. به طور کلیSVMکاربردهای زیادی در بحث شناسایی الگو و برازش غیر خطی دارد. توابع هسته نقش مهمی در توانایی کلاس بندیSVM بازی می کنند. تنظیم مناسب پارامتر های هسته می تواند در دقت کلاس بندی نقش خیلی مهمی داشته باشد.در عین حال انتخاب مناسب ویژگی های ورودی یکی از مسائل مهم در یک فرآیند دسته بندی است. در این مقاله ابتدا انتخاب ویژگی های مناسب و کاراآمد از نظر قدرت دسته بندی نسبت به سایر ویژگی های دیگر، که از رتبه بالاتری برخوردار هستند بر اساس متد رتبه بندی نرخ فیشر انجام می گردد. پس از آن توازن میان اعضای کلاس های متفاوت براساس حذف نمونه ایی از کلاس اکثریت که از مرز تصمیم گیری دور هستند صورت خواهد گرفت. بهینه سازی پارامتر های دسته بندی کنندهSVMکه شامل ضریب جریمه C,پارمترY کرنل گوسی است به وسیله الگوریتم بهینه سازی ازدحام ذرات شتاب یافته آشوبی صورت می گیرد. نتایج شبیه سازی بر روی مجموعه دادگان ژنتیکی انجام شده است . با افزایش تعداد ویژگی های منتخب شده دقت دسته بندی روش پیشنهادی بر روی مجموعه دادگان ژنتیکی بیش از 90 درصد می باشد

توضیحات بیشتر