دانلود مقاله ترجمه شده چارچوب یادگیری همزمان بر مبنای بهینه سازی ازدحام ذرات به منظور کلاسترینگ (خوشه بندی) و دسته بندی

در این مقاله قصد داریم چارچوب یادگیری همزمان بر مبنای بهینه سازی ازدحام ذرات را به منظور کلاسترینگ و دسته بندی (PSOSLCC) ارائه دهیم. در ابتدا، بهینه سازی ازدحام ذرات به منظور بخش بندی نمونه های یادگیری استفاده شده و تعداد کلاستر ها(خوشه ها)  نیز باید از قبل مشخص باشد و اینکه الگوریتم کلاسترینگ یا همان خوشه بندی خودکاری را باید بجای روش آزمون و خطا استفاده کرد تا بتوانیم تعداد مناسبی از خوشه ها را پیدا کنیم و همچنین مجموعه ای از مراکز خوشه بندی را باید از مکانیسم دسته بندی بدست آوریم. دوم اینکه به منظور بهره برداری بهتر از اطلاعات محلی و بدست آوردن نتایج بهینه سازی بهتر، یک فاکتور جهانی به منظور استراتژی بهینه سازی ذرات در pso بکار گرفته میشود. PSOSLCC در مقیاس زیادی  با دسته بند رابطه ای فازی(FRC)، کمی سازی بردار و کمی سازی بردار یادگیری  و شبکه ی عصبی تابع مبنای ریشه ای (RBFNN) که یک چارچوب یادگیری همزمان برای خوشه بندی و دسته بندی چندین مجموعه داده ای می­باشد مورد مقایسه قرار گرفته است. نتایج تجربی حاکی از این است که الگوریتم پیشنهادی نه تنها در مقیاس زیادی پیچیدگی زمانی را کاهش می­دهد، بلکه میزان صحت دسته بندی بهتری را برای بسیاری از مجموعه های داده ای استفاده شده در این مقاله ارائه می­دهد. علاوه بر این، PSOSLCC نیز در اپلیکیشن های دنیای واقعی کاربرد دارد، مانند بخش بندی بافت های تصویر که این نشان می­دهد الگوریتم پیشنهادی این قابلیت را داشته تا مسائل را در مقیاس بزرگ دسته بندی کند.

دسته بندی های نظارت شده(نشده) را میتوان هدف اصلی تشخیص الگو دانست[1,2]. چارچوب تشخیص الگو بدین صورت در نظر گرفته شده است: تعریف کلاس های الگو، حس کردن محیط، نمایش الگو، استخراج و انتخاب ویژگی، طراحی و یادگیری دسته بند، انتخاب نمونه های یادگیری و تست و ارزیابی کارائی. بدون شک تشخیص الگو سطح بالایی از نگرانی ها را مطرح ساخته است ، چرا که اهمیت آن در یک سری حوزه ی علمی و مهندسی اعم از پزشکی، علوم کامپیوتر و هوش مصنوعی بدیهی است. در دسته بندی نظارت شده، دسته بند با استفاده از نمونه هایی با برچسب های کلاس طراحی شده است و در ادامه داده هایی با برچسب کلاس نامشخص را دسته بندی می­کند. تا به امروز، تکنیک های زیادی برای چنین دسته بندی هایی توسعه یافته است، مانند رگرسیون خطی و لوجیستیک، درخت تصمیم و دسته بند های  K امین همسایه ی نزدیک[4]، شبکه های عصبی[5] و ماشین های بردار پشتیبانی[6]. این تکنیک ها اثبات کرده اند که می­توانند به سطح خوبی از کارائی دست پیدا کنند. در دسته بندی نظارت نشده(مانند خوشه بندی)، هدف اصلی گروه بندی یک مجموعه از الگوهای فاقد برچسب در کلاستر های معنادار می­باشد که این کار به منظور بازگشایی توزیع کل داده ها، و یا همان نمایش ساختار پنهان داده ها صورت می­گیرد. جدایی از روش های ارائه شده در منابع [1,2]، نوع دیگری از دسته بند ها به وسیله ی بکار گیری اطلاعات ساختاری در داخل شِمای دسته بندی پیشنهاد شده است[7-10].در ابتدا، تحلیل خوشه بندی به منظور کشف ساختار طبیعی داده ها بکار گرفته می­شود. در ادامه، یک دسته بند که بر مبنای اطلاعات ساختار بدست آمده است طراحی می­شود. نتایج نشان میدهد که استفاده از این روش نه تنها توزیع داده ها را نشان میدهد بلکه یادگیری دسته بندی را نیز تا حدی افزایش میدهد. در شبکه ی عصبی تابع مبنای ریشه ای (RBFNN)، نمونه های یادگیری دسته بندی شده تا پارامتر های لایه ی مخفی را با استفاده از C-mean فازی تعیین کنند. از آنجایی که در دسته بند رابطه ای فازی(RFC)، فاز یادگیری شامل دو فاز می­باشد. در ابتدا، خوشه بندی بر روی نمونه های آموزشی اجرا شده و سپس ماتریس رابطه ای بین خوشه ها و سپس برچسب های کلاس ها ایجاد میشود. این ماتریس بجای تابع بهینه سازی، به وسیله ی یک سری عملگر ایجاد می­شود....