ارائه یکمدلآماری-یادگیری جدید برایطبقهبندی دادهها با ورودیغیرقطعی
محل انتشار: همایش مشترک مهندسی کامپیوتر و مکانیک
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 690
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JCCEM01_053
تاریخ نمایه سازی: 25 اسفند 1392
چکیده مقاله:
عدم قطعیت در دادهها، توسط فاکتورهای مختلفی از جمله، عدمدقت در اندازهگیری، نرخخطا در نمونهگیری، تاخیردر شبکه یا عوامل دیگر ایجاد میگردد. فرآیندهای بحرانی هوشمند، مثل دادهکاوی یا انتقالاطلاعات در شبکه های حسگر، نیازمند فرآیند دقیقتری در کار با دادههای دارای ابهام هستند. در این پژوهش به ارائه یک مدلاحتمالاتی-آماری، با توزیع نرمال یا گاوسی بر روی الگوی ورودی به صورت گسسته، پرداختهایم. مدل پیشنهادی، به دلیل کشف روابط وابستگی به صورت نرمال، از پیچیدگی زمانی بسیار کمی برخوردار است. با استفادهاز نظریه راس و تئوری تجمیع چگالی احتمالی، مدل ارائه شده را به لحاظ بهینگی، ثابت کردهایم. مدلهایکنونی در غلبه بر مشکل عدم قطعیت، از مشکل نفوذخطا به دادههای آموزشی و یا، تست و افزونگی ابهام دادهای رنج میبرند. نتایج ساختار ریاضی بسیار دقیق ما نشان میدهد، روش ارائه شده، علاوه بر حل مشکل کنونی روشهایسنتی، برای اولین بار، روشی را برای تحلیلپیچیدگی عدم قطعیت در طبقهبندی ارائه نموده است. بررسیهای دقیقریاضی و شبیهسازیهای کنونی بر روی شبکه گرید داخلی در چگالی ترکیبی، نشان میدهد، مدل کنونی، طبقهبندی بسیار بادقتی را برای انواع کاربردها بر روی دادههای غیرقطعی ارائه کرده است
کلیدواژه ها:
نویسندگان
سعید طوسی زاده
عضو هیات علمی گروه کنترل، دانشکده مهندسی برق، دانشگاه فردوسی مشهد
سیدمحمدرضا فرشچی
آزمایشگاه هوشمند شبکه اجتماعی، دانشکده ریاضی، گروه کنترل و بهینه سازی، دانشگاه فردوسی مشهد
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 :