پایان‌نامه

بهبود سیستم های یادگیری جمعی در یادگیری ماشین برای کاربردهای طبقه بندی

چکیده

تصمیم گیری بر اساس نظر چندین کارشناس یا خبره یک عمل متداول در تمدن بشری می باشد که از یک رفتار ذاتی بشر الهام گرفته است و به عنوان پایه و اساس جامعه ی دموکراتیک در نظر گرفته شده است. در طول چند دهه ی گذشته، محققان هوش محاسباتی و یادگیری ماشین چنین روش تصمیم گیری را به روش های تصمیم گیری موجود اضافه کردند و آن را سیستم یادگیری جمعی نامیدند. سیستم یادگیری جمعی به بهبود کارایی و استحکام مسایل طبقه بندی مشهور می باشد. یک مثال آشکار در این زمینه دوربین های دیجیتال مدرن می باشد که به فناوری تشخیص چهره، مجهز هستند. همان طور که می دانید، تشخیص چهره به وسیله رایانه یکی از مهم ترین چالش ها در این حوزه بوده است. این چالش تا حد زیادی با استفاده از الگوریتم های یادگیری جمعی بهبود یافته است. بنابراین، در این پایان نامه، ما این سیستم ها را باهدف افزایش دقت مسائل طبقه بندی بهبود دادیم. طبق آخرین تحقیقات، انتخاب زیرمجموعه ی از طبقه بندهای آموزش دیده ممکن است بهتر از همه ی طبقه بندهای در دسترس باشد. در این پایان نامه، ابتدا یک رویکرد انتخاب گروه ثابت بر مبنای الگوریتم ژنتیک چندهدفه پیشنهاد دادیم و آن را ses-nsgaii نامیدیم که بهترین طبقه بندها و ترکیب کننده ی آن ها را توسط بهینه سازی همزمان دقت و تنوع انتخاب می کند. سپس، دومین رویکرد پیشنهادی این پایان-نامه بهبود des-p با استفاده از رویکرد پیشنهادی اول می باشد. دومین رویکرد پیشنهادی را des-p بهینه شده (odes-p) نامیدیم. سرانجام، با الهام از انتخاب گروه پویا، نمونه برداری افزایشی تصادفی، چرخ گردان و الگوریتم ژنتیک، ما روش انتخاب گروه پویا را پیشنهاد دادیم که بهترین طبقه بند ها و ترکیب کننده ی آن ها روی همه ی نمونه های آزمایشی با استفاده از الگوریتم ژنتیک انتخاب می کند و این روش des-rwga نامیده شد که بر روی داده های تشخیص خطای نرم افزار مورد بررسی و تحلیل قرار گرفت. به منظور مقایسه ی سه روش پیشنهادی با روش های دیگر، ما همه ی روش ها را روی مجموعه داده های مشهور پیاده-سازی کرده ایم. نتایج تحلیل های آماری نشان داد که روش های پیشنهادی رتبه ی بالاتری نسبت به روش های دیگر دارند و در نتیجه عملکرد آن ها در طبقه بندی بهتر است.

اساتید راهنما و مشاور

مهدی افتخاری، حمید صنعت نما

پایان‌نامه‌های مشابه

  • روش جدید تشخیص و طبقه بندی اغتشاش های کیفیت توان بر پایه ابزار یادگیری ماشین

    پایان‌نامه۲۰۱۲وزارت علوم، تحقیقات و فناوری - دانشگاه سمنان - دانشکده مهندسی برق و کامپیوترمهدی حاجیان

    تشخیص و دسته بندی اغتشاشات کیفیت توان یکی از وظایف مهم در حفاظت و نظارت سیستم های قدرت امروزی است. در حال حاضر، اهمیت اصلی، بهبود روش های تشخیص و طبقه بندی خودکار شکل موج ها، به کمک یک الگوریتم موثر می باشد. در این پژوهش، سیستم های هوشمندی جهت بررسی خودکار سیگنالهای ساده و ترکیبی

  • بهبود دقت طبقه بندی سیگنال های eeg در سیستم های واسط مغز-رایانه

    پایان‌نامه۲۰۱۱وزارت علوم، تحقیقات و فناوری - دانشگاه شهید چمران اهواز - دانشکده مهندسیآرش نصرت

    دانشمندان همواره بدنبال راه هایی بوده اند که بتوانند یک رابطه ی موثر بین انسان و ماشین پدید آورند به طوریکه این رابطه تا حد امکان نزدیک به رابطه ی انسان با انسان باشد زیرا حتی پیچیده ترین ماشین ها نیز بدون دخالت انسان کارایی خاصی ندارند. نتیجه این تحقیقات تولد سیستم هایی است که ب

  • سیستم های تشخیص نفوذ فازی، بهبود عملکرد از طریق طبقه بندی حملات ممانعت از سرویس

    پایان‌نامه۲۰۰۵وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران) - دانشکده مهندسی کامپیوترعلی ورشوی

    ممانعت از سرویس (dos) و ممانعت از سرویس توزیع شده (ddos) تهدیدات اصلی به قابلیت دستیابی سرویس های اینترنتی هستند. امکان جعل آدرس منبع در لایه ip به همراه ساختار وسیع و توزیع شده اینترنت امکان پنهان سازی این حملات را فراهم کرده و تشخیص آنها را مشکل می کنند. یک حمله ddos سیل گونه م

  • شناسایی و طبقه بندی ترافیک شبکه های نظیربه نظیر با استفاده از تکنیک های یادگیری ماشین

    پایان‌نامه۲۰۱۰وزارت علوم، تحقیقات و فناوری - دانشگاه یزدمهدی مرادی

    افزایش روز افزون استفاده از کاربردهای نظیربه نظیر باعث بروز مشکلات فراوانی برای بسیاری از شرکت های تامین کننده خدمات اینترنت، دانشگاه ها و سازمان ها شده است. از مهمترین این مشکلات می توان به مصرف زیاد پهنای باند اینترنت، افت کیفیت سرویس دهی، مشکلات حقوقی و ضعف های امنیتی اشاره کر

  • بهبود کلاس بندی داده های نامتوازن با استفاده از الگوریتم های یادگیری ماشین

    پایان‌نامه۲۰۱۴وزارت علوم، تحقیقات و فناوری - دانشگاه شهید باهنر کرمان - دانشکده فنیعارف طهماسب

    در دنیای امروز مسئله کلاس بندی داده های نا متوازن از اهمیت خاصی برخوردار است . کلاس بندی این داده ها به گونه ای است که ، کلاسی که از نظر دامنه کاربرد اهمیت زیادی دارد (کلاس اقلیت ) شامل تعداد حالات کمتری نسبت به کلاسی است که از اهمیت خاصی برخوردار نیست (کلاس اکثریت). به این مجموع

اسناد مشابه