ترکیب طبقه بندها بر پایه کدهای خروجی تصحیح کننده خطا برای شناسایی ارقام دستنویس

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,659

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ACCSI13_216

تاریخ نمایه سازی: 25 آبان 1386

چکیده مقاله:

کدهای خروجی تصحیح کننده خطا یکی از روشهای مهم در ترکیب طبقه بندها می باشد که در سالهای اخیر مورد توجه محققان قرار گرفته است. در این روش با استفاده از ماتریس باینری که "ماتریس کد" نامیده می شود و مستقل از مساله تولید می شود، یک مساله چند کلاسه پیچیده، به چند زیرمساله دودویی ساده تجزیه می شوند و پس از حل این زیر مسائل با طبقه بندهای ساده، و ترکیب نتایج آنها، مساله اصلی حل می شود. از آنجا که ساختار "ماتریس کد" بر کارا یی تجزی ه مساله تاثیر می گذارد، ما سعی در طراحی ماتریس کد سازگار، با در نظر گرفتن ساختار و ماهیت مساله را داریم. در این مقاله، برای طراحی ماتریس کد سازگار با مساله، یک روش جدید با در نظر گرفتن فضا ی کلاسها چنان تعریف شده است که ماتریس حاصل باعث تجزیه مناسب مساله اصلی شده و تعداد طبقه بندهای پایه مورد نیاز نیز حداقل شود . نتایج بدست آمده درشناسایی ارقام دستنویس برای دادههایPen Digitsاز پایگاه داده UCI Repository کارامدی روش پیشنهادی را نسبت به روشهای قبلی نشان می دهد.

کلیدواژه ها:

شناسایی الگو ، ترکیب طبقه بندها ، شناسایی ارقام دستنویس ، کدهای خروجی تصحیح کننده خطا(ECOC)

نویسندگان

نیما حاتمی

دانشکده فنی و مهندسی دانشگاه شاهد، تهران

رضا ابراهیم پور

مرکز تحقیقات ریاضیات و فیزیک نظری، پژوهشکده علوم شناختی و گروه الکترو

رضا قادری

دانشکده فنی و مهندسی دانشگاه مازندران، بابل

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • J. Kitter, M. Hatef, R. Duin, J. Matas, On combining ...
  • S. Haykin, Neural Networks: A C omprehensive Foundation, Prentice Hall ...
  • T. G. Dietterich and G. Bakiri, Solving multiclass learning problems ...
  • Y. Freund and R. Schapire. A dec ision-theoretic generalization of ...
  • L. Breiman. Bagging predictors. Machine Learning, 26, 2, pp. 123-140, ...
  • N. Hatami and R. Ebrahimpour, Combining Multiple Classifiers: Diversify with ...
  • J. D. M. Rennie, Improving Multi-class Text Classification with Naive ...
  • F. Masulli and G. Valentini. Comparing dec omposition methods for ...
  • F. Masulli and G. Valentini. E fectivene SS of error- ...
  • E.L Allwein, R.E Shapire and Y. Singer, Reducing Multiclass to ...
  • S. Escalera, O. Pujol, P. Radeva, ECOC-ONE: A novel coding ...
  • J. Ko, E. Kim, "On ECOC as Binary Ensemble Classifiers", ...
  • E. Alpaydin, F. Alimoglu. UCI repository of machine learning databases. ...
  • Pujol, O., Radeva, P., Vitria , J., 2006. Discriminant ecoc: ...
  • نمایش کامل مراجع