ارائه یک روش به منظور انتخاب ویژگی با استفاده از الگوریتمMOPSO و شبکه عصبی مصنوعی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 529

متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICCSR01_056

تاریخ نمایه سازی: 5 بهمن 1395

چکیده مقاله:

انتخاب ویژگی، یکی از مسائل پیچیده بهشمار می رود زیرا انتخاب زیرمجموعه ویژگیها نیاز به بررسی زیادی دارد. روشهای متعددی براساس تولید زیرمجموعه ویژگیها ارائه شدهاند. اما این روشها به زمان زیادی جهت همگرا شدن نیاز دارند. اخیرا روش هایی که براساس الگوریتمهای بهینهسازی ارائه شدهاند که دارای سرعت و دقت مناسبی در انتخاب ویژگی هستند. در این مقاله از الگوریتم بهینهسازی ازدحام ذرات چند هدفه (MOPSO (جهت تولید زیر -مجموعههای بهینه از ویژگیها استفاده شده است. دو تابع هدف که در این الگوریتم بکار گرفته شده است، کمینه سازی خطای شبکه عصبی و کمینهسازی تعداد ویژگیها میباشد. الگوریتم پیشنهادی بر روی سه مجموعه داده از مجموعه دادههای استاندارد مخزن UCIپیادهسازی گردید. براساس نتایج بدست آمده، الگوریتم MOPSOاز نظر دقت دستهبندی دارای دقت مناسبی نسبت به روش های بهینهسازی تک هدفه میباشد.

نویسندگان

علیرضا تاجیک

گروه کامپیوتر، دانشگاه آزاد اسلامی واحد سمنان، دانشکده فنی مهندسی، سمنان، ایران

محمدکریم سهرابی

گروه کامپیوتر، دانشگاه آزاد اسلامی واحد سمنان، دانشکده فنی مهندسی، سمنان، ایران

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 :
  • Guyon I, Elisseeff A. An introduction o variable and feature ...
  • Chandrashekt G, Sahin F. A survey on feature Electrical ...
  • Engineering 2012; 20(1): 11-21. ...
  • WANG Y, LI J, et al. Fe ature-selection ability of ...
  • Chakraborty B. Genetic algorithm with fuzzy fitness function for feature ...
  • Zhang P, Verma B, Kumar K. Neural vs. statistical classifier ...
  • features .Computational Intelligence in Security and Defense Applications 2001 : ...
  • Reunanen J. Overfiting in making comparisons between variable selection methods. ...
  • Yusta S.C. Different metaheuristic strategies to solve the feature selection ...
  • Xue B, Zhang M, Browne WN Particle Swarm Optimization for ...
  • Zhou LH, Liu YH, Chen GL. A Feature Selection Algorithm ...
  • Huang B, Buckley B, Kechadi TM. Multi-objective feature selection by ...
  • Coello C.A, PulidoG.T, LechugaM.S. Handling withParticle ...
  • Optimization. IEEE Trans. Evol. Comput 2002; I(2): 211 -212. ...
  • Haykin S. Neural networks: a comprehensive foundation. Prentice Hall Englewood ...
  • نمایش کامل مراجع