آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,989,645 |
| تعداد دریافت فایل اصل مقاله | 4,033,170 |
ارائه یک الگوریتم انتخاب مشخصه بهینه بدون نظارت | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 2، دوره 3، شماره 3، آذر 1394، صفحه 1-7 اصل مقاله (824.28 K) | ||
| نویسندگان | ||
| حمیدرضا کاکایی1؛ مهدی ملازاده* 1؛ بابک تیمورپور2 | ||
| 1مربی، دانشگاه جامع امام حسین(ع)، تهران، ایران | ||
| 2استادیار، دانشگاه تربیت مدرس، تهران، ایران | ||
| تاریخ دریافت: 09 مرداد 1392، تاریخ بازنگری: 31 خرداد 1402، تاریخ پذیرش: 28 شهریور 1397 | ||
| چکیده | ||
| انتخاب بردار مشخصه مناسب برای حداکثر نمودن موفقیت یک ماشین دسته بندی کننده بسیار موثر است. در این مقاله با استفاده از ترکیب روش‌های مختلف محاسبه تابع هسته، یک الگوریتم انتخاب مشخصه بهینه بدون نظارت پیشنهاد گردیده است. بردار مشخصه بدست آمده از الگوریتم پیشنهادی، صحت خروجی دسته‌بندی کننده شبکة عصبی پس‌انتشارخطا را حداکثر می‌گرداند. در این مقاله برای مطالعه موردی از دسته بندی استاندارد تصاویر فشرده‌شدة مبتنی بر کدگذاری تبدیلی و تصاویر فشرده‌نشده با استفاده از رشته‌بیت آن‌ها استفاده می‌گردد. استانداردهای مورد نظر برای دسته بندی، استانداردهای JPEG و JPEG2000 و تصاویر فشرده‌نشده با فرمت TIFF می‌باشند. با استفاده از بردار مشخصه بدست آمده از الگوریتم پیشنهادی، صحت دسته بندی کننده در حدود 98% می‌گردد. | ||
| کلیدواژه‌ها | ||
| داده کاوی؛ بردار مشخصه؛ انتخاب بردارهای مشخصه؛ شبکة عصبی؛ دسته‌بندی؛ استاندارد فشرده‌سازی تصویر | ||
| عنوان مقاله [English] | ||
| An Optimized Unsupervised Feature Selection Algorithm | ||
| نویسندگان [English] | ||
| Hamid Reza Kakaei1؛ Mahdi Mollazadeh1؛ Babak Teymour Pour2 | ||
| 1Instructor, Imam Hossein University, Tehran, Iran | ||
| 2Assistant Professor, Tarbiat Modares University, Tehran, Iran | ||
| چکیده [English] | ||
| Choosing a feature vector for maximizing the success of a classifier machine is very effective. In thispaper, using a combination of different methods to calculate the core function, an unsupervised feature selection algorithm improvement has been proposed. Feature vector obtained by the proposed algorithm, will maximizes output accuracy of backpropagation neural network classifier. In this paper we used case study of standard encoding of images compressed by alternate method and uncompressed images classifying based on their relative bit stream. Standards for classifications are JPEG and JPEG2000 and for uncompressed images is TIFF format. Using this feature vector obtained by the proposed algorithm, classifier accuracy will be about 98%. | ||
| کلیدواژه‌ها [English] | ||
| Feature Vector, Feature Vector Selection, Neural Network, Classification, Image Compressing Standard | ||
| مراجع | ||
|
[1] P. Suresh, R. M. D. Sundaram, and A. Arumugam, “Feature Extraction in Compressed Domain for Content Based Image Retrieval,” International Conference on Advanced Computer Theory and Engineering, Phuket, 2008. [2] N. Verma, S. S. Khan, and S. Kant, “Statistical Feature Extraction to Discriminate Various Languages: Plain and Crypt,” Scientific Analysis Group, 2003. [3] W. H. Vellerling, W. T. Teukolsky, and S. A. Flannery, “Numerical Recipes in C,” Second Edition, 1995. [4] G. Zhang, “Neural networks for classification: a survey,” IEEE Transactions on Systems, Man and Cybernetics, Part C: Applications and Reviews, vol. 30, no 4, pp. 451-462, 2000. [5] I. H. Witten and E. Frank, “Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations,” Morgan Kaufmann Publishers, 2000. [6] H. Liu and Z. Zhao, “Spectral Feature Selection for Supervised and Unsupervised Learning,” Proceedings of the 24th International Conference on Machine Learning, 2007. | ||
|
آمار تعداد مشاهده مقاله: 545 تعداد دریافت فایل اصل مقاله: 130 |
||