CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

ارائه نسخه جدیدی از الگوریتم RCA با به کارگیری روشی مبتی بر سیستم ایمنی مصنوعی  

اعتبار موردنیاز : ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۹۶۸ | نظرات: ۰
سرفصل ارائه مقاله: سیستمهای هوشمند و محاسبات نرم
سال انتشار: ۱۳۸۸
نوع ارائه: شفاهی
کد COI مقاله: CSICC15_156
زبان مقاله: فارسی
حجم فایل: ۲۴۷.۹۶ کیلوبایت (فایل این مقاله در ۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارائه نسخه جدیدی از الگوریتم RCA با به کارگیری روشی مبتی بر سیستم ایمنی مصنوعی  

  امین زارع - دانشگاه پیام نور دانشکده علوم و مهندسی کامپیوتر
روح الله تقی زاده - دانشجوی کارشناسی ارشد نرم افزار بخش علوم و مهندسی کامپیوتر، دانشگاه ش
  منصور ذوالقدر جهرمی - عضو هیئت علمی، بخش علوم و مهندسی کامپیوتردانشگاه شیراز

چکیده مقاله:

کارایی بسیاری از الگوریتم های طبقه بندی که به نوعی ازمعیار فاصله برای طبقه بندی کردن داده ها تست استفاده می کنند به شدت به نوع معیار فاصله مورد استفاده وابسته اس ت . با استفاده ازروش های یادگیری معیار فاصله می توان کارایی این الگوریتم ها را بهبود بخشید. الگوریتم RCA به عنوان یک روش ساده، موثر و سریع راهی برای تولید یک تبدیل ماهانولوبیس با رتبه کامل ارائه می کند. این تبدیل به کمک جمع وزن دار ماتریس های کواریانس دسته های موجوددر کلاس ها بدست می آید. در این مقاله برای یافتن دسته های موجوددر کلاس ها، الگوریتم سیستم ایمنی مصنوعی (AD-AIRS) Adaptive Distance-AIRS را ارائه می کنیم. این الگوریتم با استفاده از مجموعه داده های آموزشی و با الهام گرفتن ازسیستم ایمنی بدن، سلول های حافظه (یا الگوهای نماینده ) تولیدمی کند. هر یک از این سلول های حافظه محدوده ای از فضای حالت را پوشش می دهند که دسته های مورد استفاده در الگوریتم RCA را نمایش می دهد و در پایان الگوریتم AIS-RCA را ارائه می کنیم. همچنین با استفاده از داده های استاندارد UCI و طبقه بندی کننده ی نزدیکترین همسایه (INN) کارایی الگوریتم جدید را ارزیابی می کنیم.

کلیدواژه‌ها:

سیستم ایمنی مصنوعی (AIS)، RCA(Relevant Component Analysis)، تبدیل ماهانولوبیس، دسته، AIRS(Artificial Immune Recognition System)

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-CSICC15-CSICC15_156.html
کد COI مقاله: CSICC15_156

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
زارع, امین؛ روح الله تقی زاده و منصور ذوالقدر جهرمی، ۱۳۸۸، ارائه نسخه جدیدی از الگوریتم RCA با به کارگیری روشی مبتی بر سیستم ایمنی مصنوعی  ، پانزدهمین کنفرانس بین المللی سالانه انجمن کامپیوتر ایران، تهران، انجمن کامپیوتر، مرکز توسعه فناوری نیرو، https://www.civilica.com/Paper-CSICC15-CSICC15_156.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (زارع, امین؛ روح الله تقی زاده و منصور ذوالقدر جهرمی، ۱۳۸۸)
برای بار دوم به بعد: (زارع؛ تقی زاده و ذوالقدر جهرمی، ۱۳۸۸)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • M.Z. Jahromi, E. Parvinnia, R. John, A method of learning ...
  • weighted similarity function to improve the performance of nearest neighbor, ...
  • J.Wang, P.Neskovic, L.Cooper, Improving nearest neighbor rule with a simple ...
  • R.Paredes, E.Vidal, Learning prototypes and distances (LPD). A prototype reduction ...
  • J.B. Tenenbaum, V. de Silva, and J. C. Langford. A ...
  • D.Wilson, T.R Martinez, Value difference metrics for continuously valued attributes, ...
  • N. Shental, T. Hertz, D. Weinshall, and M. Pavel, Adjustment ...
  • A. Zare, M. Z. Jahromi .Prototype generation by new AD- ...
  • A.Watkins, L. Boggess, A new classifier based On resource limited ...
  • A. Bar-Hillel, T. Hertz, N. Shental, and D. Weinshall, "Learning ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه پیام نور
    تعداد مقالات: ۴۳۹۲۵
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.