6021

6021

ارائه الگوريتمي جديد براي تركيب رده بندها

كارشناسي ارشد

كامپيوتر - هوش مصنوعي و رباتيك

شهريور 1387

شهريور 1387

مينايي بيد گلي

امروزه، استفاده از س يستم هاي بازشناسي و تشخيص، كاربردهاي زيادي در همه زمينه ها پيدا كرده اند. افزايش دقت و كارايي اين رده بندها، موضوعي است كه كارهاي زيادي در اين زمينه شده است. ما در اين تحقيق اثر خوشه بندي را بر روي رده بندي به منظور افزايش كارايي رده بندي بررسي كردهايم. همچنين در بخش دوم از الگوريتم ژنتيك براي ساخت مجمعي تقريبا بهينه از رده بندها استفاده كرده ايم. در اين مقاله، يك روش جد يد بر اي بهبود كارا يي س يستم تركيب رده بندها، پي شنهاد شده است . ايده اصل ي در ا ي ن روش آموزش مجدد آگاهانه شبكه هاي عصبي است . در طراحي سيستم هاي تركيب رده بندها، هر چه نتايج رده بندهاي موجود در تركيب پراكنده تر باشند، يعني آن رده بندها از زواياي مختلفي به مسئله نگاه كنند، نتيجه حاصل از تركيب، بهتر خواهد شد . در اين پاياننامه يك روش جديد براي ايجاد اين نوع پراكندگي پيشنهاد شده است . در روش پ ي شنهادي مجموعه داده به سه بخش آموزش ي، ارز يابي و آزما يشي تقس يم م ي شود. ابتدا يك ردهبند ساده اجرا مي شود. سپس با توجه به خطاهاي موجود در اين رده بند اوليه، به صورت آگاهانه، ردهبندهاي ديگري را آموزش مي دهيم. هر كدام از اين ردهبندها از يك منظر خاصي كه متفاوت از بقي ه است، به داده ها نگاه مي كنند. چون تمركز اصلي روي داده هاي مستعد خطاست، بنابراين رده بندهاي گوناگوني بنا بر ميزان تمركز روي آن داده ها، آموزش داده مي شوند. دقت اين رده بندها تقريبا نزديك به هم مي باشند، ولي به خاطر ميزان تمركز آنها روي داده هاي پرخطا، خروجي آنها همبستگي بسيار پاييني خواهند داشت. اين موضوع يكي از اهداف طراحي سيستم تركيبي رده بندهاست. نتايج آزمايشات نيز حاكي از افزايش چشمگير دقت روي تعدادي مجموعه داده هاي استاندارد و مصنوعي ميباشد مي باشد. كلمات كليدي: آميزش ردهبندها، الگوريتم ژنتيك، تركيب ردهبندها، تنوع.