مقایسه کارایی الگوریتم های مختلف یادگیری ماشین در درجه بندی میوه عناب

هدف از این مطالعه بررسی امکان استفاده از پردازش صدای برخورد در حوزه زمان - فرکانس و مقایسه الگوریتم های مختلف انتخاب ویژگی و یادگیری ماشین در درجه بندی میوه های عناب در گروه های ریز، متوسط، درشت و خیلی درشت است. بدین منظور صدای برخورد میوه ها که از ارتفاع ۲۵ سانتی متری بر روی یک صفحه فلزی به ضخامت ۱۰ میلی متر افتادند اخذ شد. سپس برای انجام آنالیز زمان - فرکانس از تبدیل فوریه زمان کوتاه استفاده شد. ویژگی های زمان - فرکانس استخراج شده شامل فرکانس لحظه ای و آنتروپی طیفی می باشند. بدلیل تعداد زیاد ویژگی های استخراج شده از هر سیگنال، سه الگوریتم انتخاب ویژگی ReliefF ، MRMR و Chi۲ بررسی شدند. ویژگی های استخراج شده توسط هر الگوریتم انتخاب ویژگی به عنوان ورودی مدل های مختلف یادگیری ماشین مورد استفاده قرار گرفتند. در این پژوهش مدل های درخت تصمیم، تجزیه و تحلیل تفکیک خطی، بیزین ساده، ماشین بردار پشتیبان، k- نزدیک ترین فاصله، الگوریتم تقویت تطابقی و شبکه عصبی مورد ارزیابی قرار گرفتند. نتایج ارزیابی مدل های یادگیری ماشین در مرحله آزمایش نشان داد مدل های KNN,SVM آموزش دیده با ویژگی های استخراج شده توسط الگوریتم های MRMR,Chi۲ دارای دقت مشابه یکدیگر در تمامی معیارهای مورد بررسی بجز معیار MCC می باشند. مقدار معیار MCC مدل های KNN,SVM به ترتیب برابر با ۰/۹۷۸ و ۰/۹۷۷ در مرحله آزمایش بدست آمده است. براین اساس می توان گفت دقت مدل SVM بااختلاف بسیار اندک از دقت مدل KNN در درجه بندی میوه عناب بیشتر بوده است.

کلیدواژه ها:

عناب ، یادگیری ماشین ، پردازش سیگنال دیجیتال