چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008231 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
969 Kb
حجم فایل فارسی :
752 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
PSO هیبرید چند هدفه برای انتخاب ویژگی مبتنی بر فیلتر
عنوان انگليسي
Hybrid Multi-objective PSO for Filter-Based Feature Selection
نویسنده/ناشر/نام مجله
23rd International Conference on Soft Computing
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 11 صفحه انگلیسی به صورت پی دی اف و 19 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
در این مقاله یک الگوریتم بهینه سازی ازدحام ذرات (PSO) چند هدفۀ مبتنی بر فیلتر برای انتخاب ویژگی بر اساس تئوری اطلاعات ارائه می شود. الگوریتم PSO با استفاده از ویژگی های خوشه بندی و ازدحام بهبود می یابد به طوری که این ویژگی ها امکان حفظ مجموعۀ متنوعی از جواب ها در طول فرآیند بهینه سازی را برای این الگوریتم میسر می سازند. دو هدف بر اساس اطلاعات متقابل برای انتخاب ویژگی‌های بهینه به کار برده می شود، اولی سعی در به حداکثر رساندن ارتباط ویژگی ها با برچسب دسته ها دارد در حالی که دومی افزونگی در بین ویژگی های انتخاب شده را به حداقل می رساند. روش پیشنهادی بر روی چهار مجموعه داده مورد آزمایش قرار گرفته است که نتایج امیدوارکننده ای را در مقایسه با PSO چند هدفه و الگوریتم خفاش چند هدفه ارائه می دهد.
1-مقدمه
امروزه بسیاری از پایگاه های دادۀ مورد استفاده در یادگیری ماشینِ تحت نظارت یا بدون نظارت متحمل "مشقت بُعدچندی" [5] می شوند. این بدین معنی است که پایگاه های داده هم از نظر تعداد نمونه های داده و هم از نظر تعداد ویژگی ها در هر نمونه رشد می کنند. این مسئله در کارهایی مانند دسته بندی می تواند مشکل‌ساز شود زیرا حضور ویژگی های بی‌اهمیت یا بسیار همبسته می تواند دقت دسته بندی را کاهش دهد...
انتخاب ویژگی ها تئوری اطلاعات بهینه سازی ازدحام ذرات
:کلمات کلیدی
Abstract
This paper proposes a novel filter-based multi-objective particle swarm optimization (PSO) algorithm for feature selection, based on information theory. The PSO is enhanced with clustering and crowding features, which enable the algorithm to maintain a diverse set of solutions throughout the optimization process. Two objectives based on mutual information are used for selecting the optimal features, where the first aims to maximize relevance of features to the class labels, while the second to minimize the redundancy among the selected features. The pro-posed method is tested on four datasets, giving promising results when compared to multi-objective PSO, and multi-objective Bat algorithm.
Keywords:
Feature selection Information theory Particle swarm optimization
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه الگوریتم PSO