یادگیری در حضور رانش مفهوم و جریان داده نامتوازن و نویزی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,247

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:

ICIKT07_165

تاریخ نمایه سازی: 22 مهر 1394

چکیده مقاله:

در این پژوهش، چهارچوبی با عنوان یادگیری رانش مفهوم از جریان داده های نامتوازن در حضور نویز، با استفاده از یادگیری جمعی، ارائه شده است. در روش ارائه شده، ابتدا داده ورودی متوازنسازی شده و در مرحله بعد، داده متوازن شده برای طبقه بندی و تشخیص رانش مفهوم، پردازش شود. برای یادگیری در حضور رانش مفهوم، هر طبقه بند که در واقع یک طبقه بند محلی است، پیشنهاد خود را در قالب یک تابع توزیع احتمال روی تمامی تصمیم های ممکن ارائه می دهد. هدف، انتخاب این طبقه بندها به صورت ترکیبی برای مشورت با آنها و در نهایت، اخذ تصمیم نهایی براساس این مشورتها است. نتایج به دست آمده از شبیه سازی این الگوریتم و الگوریتم های مشابه، نشان دهنده برتری این روش در حضور نویز با درصد بالا(بین 8 تا 22 درصد) نسبت به سایر روشهای موجود است.

نویسندگان

محمد شکوری

دانشگاه صنعتی نوشیروانی بابل

حمید جزایری

دانشگاه صنعتی نوشیروانی بابل

مجتبی منصوری

دانشگاه صنعتی نوشیروانی 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 :
  • P. Li, X. Wu, and X. Hu, "Mining Recurring Concept ...
  • G. Ditzler and . Polikar, "Incremental Learning of Concept Drift ...
  • Y. Li, D. Li, S. Wang, and Y. Zhai, "Incremental ...
  • J. Gao, W. Fan, J. Han, and P. S. Yu, ...
  • G. Ditzler and R Polikar, "An ensemble based incremental learming ...
  • C. Sheng and H. Haibo, "SERA: Selectively recursive approach towards ...
  • R. Elwell and R. Polikar, "Incremental Learning of Concept Drift ...
  • N. V. Chawla, K. W. Bowyer, L. O. Hall, and ...
  • R. N. Lichtewalter and N. V. Chawla, "Adaptive methods for ...
  • L. L. Minku and Y Xin, "DDD: A New Ensemble ...
  • Engineering, IEEE Transactions on, vol. 24, pp. 619-633, 2012. ...
  • W. N. Street and Y. Kim, "A streaming ensemble algorithm ...
  • P. M. Gonsalves Jr, S. G. T. de Carvalho Santos, ...
  • M. Last, "Online classification of nonstationary data streams, " Intelligent ...
  • M. Karnick, M. D. Muhlbaier, and R. Polikar, "Incremental learming ...
  • M. Karnick, M. Ahiskali, M. D. Muhlbaier, and R. Polikar, ...
  • R. Elwell and R. Polikar, "Incremental learning in nonstationary enviroments ...
  • R. Polikar, L. Upda, S. S. Upda, and V. Honavar, ...
  • نمایش کامل مراجع