وجود دادههاي زايد در پاسخ حسگرهای بيني الكترونيكي اثر چشمگیری در دستهبندی بو دارد. برای بهبود صحت دستهبندی، میتوان از سیستم دستهبندی چندگانه بر اساس انتخاب چند زیرمجموعه از ویژگیها (بهجای استفاده از تمام ابعاد بردار ویژگی) استفاده کرد. در این رویکرد که "شورای ا چکیده کامل
وجود دادههاي زايد در پاسخ حسگرهای بيني الكترونيكي اثر چشمگیری در دستهبندی بو دارد. برای بهبود صحت دستهبندی، میتوان از سیستم دستهبندی چندگانه بر اساس انتخاب چند زیرمجموعه از ویژگیها (بهجای استفاده از تمام ابعاد بردار ویژگی) استفاده کرد. در این رویکرد که "شورای انتخاب ویژگی" نامیده میشود، فرض بر آن است که مجموعه اولیه ویژگیها دارای دادههایی زايد بوده و میتوان با انتخاب زیرمجموعههای ویژگی مختلف و سپس ترکیب دستهبندهای ایجادشده با این زیرمجموعهها به نتایج دستهبندی بهتری رسید. در این مقاله پس از پیشپردازش سیگنال اولیه حسگرها و حذف نویز سیگنال با استفاده از تحلیل موجک، سیستم دستهبند چندگانه با زیرمجموعههای ویژگی مختلف طراحی شده است: ویژگیهای استخراجشده از سیگنال گذرای حسگر با روش خوشهبندی سلسلهمراتبی طبقهبندی شده و زیرمجموعههای مختلف با انتخاب یک ویژگی از هر خوشه ایجاد شدهاند. این موضوع موجب بهبود تنوع دستهبندهای پایه و افزایش کارایی و سرعت دستهبندی میشود. روش پیشنهادی ابتدا در چند مجموعه داده تراز از مخزن داده UCI آزمون شده و پس از اثبات توانایی آن، در مجموعه داده بویایی حاصل از رایحه سه نوع شیرینبیان به کار برده شده است. نتایج حاصل نشاندهنده کارایی روش جدید در شناسایی الگوهای بویایی است.
پرونده مقاله
در این مقاله یک روش هوشمند انتخاب ویژگی برای بازشناسی ارقام دستنویس فارسی ارائه شده است. در این روش تابع برازندگی مرتبط با خطای سیستم بازشناسی ارقام دستنویس فارسی با استفاده از الگوریتم جستجوی گرانشی باینری و با انتخاب ویژگیهای مناسب کمینه میشود. نتایج پیادهسازی نش چکیده کامل
در این مقاله یک روش هوشمند انتخاب ویژگی برای بازشناسی ارقام دستنویس فارسی ارائه شده است. در این روش تابع برازندگی مرتبط با خطای سیستم بازشناسی ارقام دستنویس فارسی با استفاده از الگوریتم جستجوی گرانشی باینری و با انتخاب ویژگیهای مناسب کمینه میشود. نتایج پیادهسازی نشان میدهند که استفاده از روشهای هوشمند برای انتخاب ویژگی بهخوبی قادر است که موثرترین ویژگیها برای سیستم بازشناسی را انتخاب کند. همچنین مقایسه نتایج روش پیشنهادی با سایر روشهای مشابه مبتنی بر استفاده از الگوریتم ژنتیک و روش بهینهسازی گروه ذرات باینری نشان دهندهی کارایی خوب این روش است.
پرونده مقاله
تشخیص و دستهبندی اغتشاشات کیفیت توان یکی از وظایف مهم در حفاظت و نظارت سیستمهای قدرت امروزی است. در حال حاضر اهمیت اصلی، بهبود روشهای تشخيص و طبقهبندي خودکار شكل موجها به کمک يك الگوريتم مؤثر ميباشد. در این مقاله روشی مؤثر برای استخراج ویژگی بر اساس ترکیب تبدیل S چکیده کامل
تشخیص و دستهبندی اغتشاشات کیفیت توان یکی از وظایف مهم در حفاظت و نظارت سیستمهای قدرت امروزی است. در حال حاضر اهمیت اصلی، بهبود روشهای تشخيص و طبقهبندي خودکار شكل موجها به کمک يك الگوريتم مؤثر ميباشد. در این مقاله روشی مؤثر برای استخراج ویژگی بر اساس ترکیب تبدیل S هذلولی و موجک ارائه شده است. انتخاب و كاهش ويژگي، موجب كاهش زمان آموزش ميگردد و در بیشتر موارد افزايش ميزان دقت در طبقهبندي دادهها را به همراه دارد. در این مقاله، روشی جديد به نام گرام- اشمیت براي انتخاب ويژگي به کار گرفته شده و همچنین از ساختار طبقهبندی کننده مشهور ماشین بردار پشتیبان چندکلاسه استفاده شده است. همچنین پارامترهای متغیر این طبقهبندی کننده با استفاده از الگوریتم ابتکاری بهينهسازي گروهي ذرات، بهینه شده است. 6 اغتشاش منفرد و 2 اغتشاش ترکیبی و همچنین حالت نرمال برای طبقهبندی در نظر گرفته شدهاند. حساسیت روش پیشنهادی تحت شرایط مختلف نویزی با سطوح مختلف سیگنال همراه با نویز بررسی شده است. همچنین با مقایسه نتایج این مقاله با نتایج مقالات دیگر، کارامدی روش پیشنهادی مورد بررسی قرار گرفته است.
پرونده مقاله
پنهانشکنی دانش کشف حضور داده پنهان در یک رسانه پوششی است. هدف پنهانشکنی جلوگیری از رسیدن روشهای پنهاننگاری به اهداف خود میباشد. یکی از معروفترین روشهای پنهانشکنی روش CDF است که در این پژوهش استفاده شده است.
یکی از چالشهای عمده در مسئله پنهانشکنی تصاویر تعداد چکیده کامل
پنهانشکنی دانش کشف حضور داده پنهان در یک رسانه پوششی است. هدف پنهانشکنی جلوگیری از رسیدن روشهای پنهاننگاری به اهداف خود میباشد. یکی از معروفترین روشهای پنهانشکنی روش CDF است که در این پژوهش استفاده شده است.
یکی از چالشهای عمده در مسئله پنهانشکنی تصاویر تعداد زیاد ویژگیهای استخراجشده برای این کار است. مجموعههای دادهای با ابعاد بالا از دو جهت باعث کاهش عملکرد پنهانشکنی میشود. از یک طرف با افزایش ابعاد دادهها، حجم محاسبات افزایش پیدا میکند و از طرف دیگر مدلی که بر اساس دادههای با ابعاد بالا ساخته میشود دارای قابلیت تعمیم پایینی است و احتمال بیشبرازش افزایش مییابد. در نتیجه، کاهش ابعاد مسئله میتواند هم پیچیدگی محاسباتی را کاهش داده و هم باعث بهبود عملکرد پنهانشکنی شود. در این مقاله تلاش شده با ترکیب مفهوم زیرگراف کامل بیشینه وزندار و معیار مرکزیت یال و در نظر گرفتن مناسببودن هر ویژگی، ویژگیهای تأثیرگذار و دارای حداقل افزونگی بهعنوان ویژگیهای نهایی انتخاب شوند. نتایج شبیهسازی بر روی مجموعه دادههای SPAM و CC-PEV نشان داد روش پیشنهادی دارای عملکرد مناسبی است و به دقت حدود 96% در تشخیص جاسازی داده در تصاویر دست پیدا کرده و همچنین این روش در مقایسه با روشهای شناختهشده قبلی دارای دقت بالاتری است.
پرونده مقاله
افزایش حجم پایگاه دادهها، مسئله کاهش ویژگی را ایجاد و پراهمیت میسازد. از این رو در علم دادهکاوی، یکی از زیربخشهای مهم، مسئله کاهش ابعاد (انتخاب ویژگی) میباشد که در آن زیرمجموعهای از ویژگیهایی که بیشترین تأثیر را بر روی الگوهای پنهان داده اصلی دارند انتخاب میشوند چکیده کامل
افزایش حجم پایگاه دادهها، مسئله کاهش ویژگی را ایجاد و پراهمیت میسازد. از این رو در علم دادهکاوی، یکی از زیربخشهای مهم، مسئله کاهش ابعاد (انتخاب ویژگی) میباشد که در آن زیرمجموعهای از ویژگیهایی که بیشترین تأثیر را بر روی الگوهای پنهان داده اصلی دارند انتخاب میشوند. در سالهای اخیر، تئوری مجموعه راف به عنوان یکی از ابزارهای موثر و کارآمد در کاهش ویژگی مورد توجه محققان قرار گرفته است. در این مقاله الگوریتم رقابت لیگ فوتبال برای اولین بار به منظور حل این مسئله مورد استفاده قرار گرفته شده است. توانایی فرار از بهینهای موضعی، امکان بهرهگیری از اطلاعات بازیکنان توزیعشده در فضای جستجو، همگرایی سریع به جوابهای بهین و پارامترهای کم این الگوریتم، انگیزه این انتخاب بود. علاوه بر این نوآوری، ارائه تغییراتی همچون بهرهگیری از مجموع توان بازیکنان ثابت و ذخیره در محاسبه توان هر تیم، در نظر گرفتن ترکیب ساختارهای پیوسته و گسسته برای هر بازیکن، ارائه یک مکانیزم ابتکاری گسستهسازی جدید، ارائه تحلیل هیدرولیک متناسب با مسئله تحقیق برای فرایند برازش هر بازیکن، ارائه اصلاح در عملگرهای تقلید و تهییج بر اساس چالشهای نسخه اصلی را میتوان به عنوان ایدههای پیشنهادی به منظور اصلاح و سازگاری این الگوریتم برای مسئله کاهش ویژگی برشمرد. ایدههای پیشنهادشده بر روی سه سطح داده در ابعاد کوچک، متوسط و بزرگ به همراه چهار الگوریتم فراابتکاری مشهور ژنتیک و بهینهسازی ازدحام ذارت، سیستم ایمنی مصنوعی و لیگ قهرمانان پیادهسازی گردیده و مقایسه نتایج به دست آمده نشان از مزیتهای رقابتی قابل توجه الگوریتم رقابت لیگ فوتبال با سایر الگوریتمها دارد.
پرونده مقاله
روشهایی که امروزه برای بررسی ارتباطات مغز به منظور تشخیص بیماریهای مرتبط با عملکرد مغز استفاده میشود، روش تصويرنگاري عملكردي تشديد مغناطيسي در حالت استراحت میباشد. در این مقاله، یک روش جدید با استفاده از الگوریتم تکاملی با طول متغیر برای انتخاب ویژگیهای مناسب جهت ب چکیده کامل
روشهایی که امروزه برای بررسی ارتباطات مغز به منظور تشخیص بیماریهای مرتبط با عملکرد مغز استفاده میشود، روش تصويرنگاري عملكردي تشديد مغناطيسي در حالت استراحت میباشد. در این مقاله، یک روش جدید با استفاده از الگوریتم تکاملی با طول متغیر برای انتخاب ویژگیهای مناسب جهت بهبود دقت تشخيص افراد سالم و بيمار به اختلال كمتوجهي- بيشفعالي از يكديگر مبتني بر تحليل تصاوير rs-fMRI ارائه شده است. ویژگیهای مورد بررسی مقادیر همبستگی میان سیگنالهای سری زمانی مناطق مختلف مغز میباشند. انتخاب ویژگی با طول متغیر بر اساس الگوریتم زنبور عسل جهت غلبه بر مشکل انتخاب ویژگی در الگوریتمهای با طول بردار ویژگی ثابت صورت گرفت. فاصله ماهالانوبیس به عنوان تابع ارزیابی الگوریتم رنبور عسل استفاده شده است. کارایی الگوریتم از لحاظ مقدار تابع ارزیابی در درجه اول و زمان پردازش در درجه دوم مورد بررسی قرار گرفته شد. نتایج بهدستآمده از کارایی به مراتب بالاتر الگوریتم زنبور عسل با طول متغیر نسبت به سایر روشهای انتخاب ویژگی حکایت دارد. در حالی که بهترین نتیجه صحت طبقهبندی کلی در میان سایر روشها با 26 ویژگی منتخب از الگوریتم اجتماع ذرات، 61/76% میباشد، روش پیشنهادی توانسته به مقدار صحت طبقهبندی کلی 32/85% با انتخاب 25 ویژگی دست یابد. طبیعت داده به صورتی است که افزایش تعداد ویژگیها منجر به بهبود بیشتر صحت طبقهبندی میشود به گونهای که با افزایش طول بردار ویژگی به 35 و 45 صحت طبقهبندی بهترتیب به 66/91% و 57/95% رسیده است.
پرونده مقاله
امروزه در بسیاری از مسایل دنیای واقعی همچون شبکههای اجتماعی، با جریان داده مواجه هستیم که در هر لحظه داده جدیدی به مجموعه دادههای موجود اضافه میشود. از آنجا که کارایی بیشتر الگوریتمهای دادهکاوی با افزایش ابعاد دادهها کاهش مییابد، تحلیل این جریان دادهها در سالها چکیده کامل
امروزه در بسیاری از مسایل دنیای واقعی همچون شبکههای اجتماعی، با جریان داده مواجه هستیم که در هر لحظه داده جدیدی به مجموعه دادههای موجود اضافه میشود. از آنجا که کارایی بیشتر الگوریتمهای دادهکاوی با افزایش ابعاد دادهها کاهش مییابد، تحلیل این جریان دادهها در سالهای اخیر به یکی از مسایل مهم در دادهکاوی تبدیل شده است. روشهای انتخاب ویژگی در جریان دادههای برخط، روشهای کارآمدی هستند که با حذف ویژگیهای افزونه و نامربوط باعث کاهش ابعاد کلان دادهها و در نتیجه بهبود کارایی الگوریتمها میشوند. از چالشهای اساسی در رابطه با الگوریتمهای انتخاب ویژگی برخط، در دسترس نبودن همه دادهها قبل از شروع الگوریتم، مقیاسپذیری، دقت ویژگیهای انتخابشده و اندازه زیرمجموعه انتخابی را میتوان نام برد. تا کنون الگوریتمهای انتخاب ویژگی موجود تنها توانستهاند بخش محدودی از این چالشها را به صورت همزمان مرتفع کنند. به همین منظور در این مقاله یک راهکار انتخاب ویژگی برخط به نام MMIOSFS با استفاده از اطلاعات متقابل ارائه دادهایم که حد واسط بهتری را میان چالشهای ذکرشده به دست میآورد. در روش پیشنهادی در ابتدا مجموعه ویژگیها با استفاده از تکنیک متغیرهای تصادفی توأم به یک ویژگی نگاشت و سپس اطلاعات متقابل ویژگی جدید با برچسب به عنوان میزان ارتباط مجموعه ویژگیهای اولیه در نظر گرفته میشود. کارایی روش پیشنهادی با چند الگوریتم انتخاب ویژگی برخط با استفاده از دستهبندهای مختلف مورد ارزیابی قرار گرفته و نتایج به دست آمده نشان میدهد الگوریتم پیشنهادی معمولاً حد واسط بهتری میان چالشها به دست میآورد.
پرونده مقاله
دادههاي ریزآرایه نقش مؤثری در طبقهبندی و تشخیص انواع بافتهای سرطانی ایفا میکنند. با این حال در پژوهشهای مرتبط با سرطان، تعداد نسبتاً کم نمونهها در مقایسه با تعداد بسیار زیاد ژنها، باعث ایجاد مشکلاتی از قبیل کاهش کارایی طبقهبندها، افزایش هزینههای محاسباتی و پیچ چکیده کامل
دادههاي ریزآرایه نقش مؤثری در طبقهبندی و تشخیص انواع بافتهای سرطانی ایفا میکنند. با این حال در پژوهشهای مرتبط با سرطان، تعداد نسبتاً کم نمونهها در مقایسه با تعداد بسیار زیاد ژنها، باعث ایجاد مشکلاتی از قبیل کاهش کارایی طبقهبندها، افزایش هزینههای محاسباتی و پیچیدگی در طبقهبندی سلولهای سرطانی خواهد شد. یک راهکار مناسب جهت افزایش کارایی طبقهبندها، حذف ژنهای نامربوط و انتخاب نمونههای مناسب برای آموزش طبقهبندها است. در این مقاله یک مدل ترکیبی بر پایه الگوریتم بهینهسازی جستجوی فاخته چندهدفه و خوشهبندی فازی برای طبقهبندی دادههای ریزآرایه پیشنهاد شده است. در اين مطالعه از نسخه دودویی الگوريتم جستجوی فاخته چندهدفه به منظور انتخاب ويژگيهاي مرتبط با بیماری و از نسخه پیوسته آن برای انتخاب تعداد نمونههای مناسب برای آموزش طبقهبندها استفاده شده است. به منظور تسریع در فرایند بهینهسازی و جلوگیری از گیرافتادن الگوریتم در بهینههای محلی، راهکارهای ابتکاری جدیدی نیز به الگوریتم اضافه شدهاند. برای بررسی عملکرد مدل پیشنهادی، شبیهسازیهای متعددی بر روی شش مجموعه داده سرطانی انجام گرفته و نتایج آن با دیگر مقالات مقایسه شده است. نتایج به دست آمده نشان میدهند در بسیاری از موارد مدل پیشنهادی قادر است در مقایسه با سایر روشها، با انتخاب مجموعه کوچکتری از ژنهای متمایز، منجر به افزایش کارایی طبقهبندها شود.
پرونده مقاله
کارایی سیستمهای بازشناسی کنشهای انسانی به استخراج بازنمایی مناسب از دادههای ویدئویی وابسته است. در سالهای اخیر روشهای یادگیری عمیق به منظور استخراج بازنمایی فضایی- زمانی کارا از دادههای ویدئویی ارائه شده است، در حالی که روشهای یادگیری عمیق در توسعه بعد زمان، پیچ چکیده کامل
کارایی سیستمهای بازشناسی کنشهای انسانی به استخراج بازنمایی مناسب از دادههای ویدئویی وابسته است. در سالهای اخیر روشهای یادگیری عمیق به منظور استخراج بازنمایی فضایی- زمانی کارا از دادههای ویدئویی ارائه شده است، در حالی که روشهای یادگیری عمیق در توسعه بعد زمان، پیچیدگی محاسباتی بالایی دارند. همچنین پراکندگی و محدودبودن دادههای تمایزی و عوامل نویزی زیاد، مشکلات محاسباتی بازنمایی کنشها را شدیدتر ساخته و قدرت تمایز را محدود مینماید. در این مقاله، شبکههای یادگیری عمیق فضایی و زمانی با افزودن سازوکارهای انتخاب ویژگی مناسب جهت مقابله با عوامل نویزی و کوچکسازی فضای جستجو، ارتقا یافتهاند. در این راستا، سازوکارهای انتخاب ویژگی غیر برخط و برخط، برای بازشناسی کنشهای انسانی با پیچیدگی محاسباتی کمتر و قدرت تمایز بالاتر مورد بررسی قرار گرفته است. نتایج نشان داد که سازوکار انتخاب ویژگی غیر برخط، منجر به کاهش پیچیدگی محاسباتی قابل ملاحظه میگردد و سازوکار انتخاب ویژگی برخط، ضمن کنترل پیچیدگی محاسباتی، منجر به افزایش قدرت تمایز میشود.
پرونده مقاله
امروزه با افزایش حجم تولید داده، توجه به الگوریتمهای یادگیری ماشین جهت استخراج دانش از دادههای خام افزایش یافته است. داده خام معمولاً دارای ویژگیهای اضافی یا تکراری است که بر روی عملکرد الگوریتمهای یادگیری تأثیر میگذارد. جهت افزایش کارایی و کاهش هزینه محاسباتی الگو چکیده کامل
امروزه با افزایش حجم تولید داده، توجه به الگوریتمهای یادگیری ماشین جهت استخراج دانش از دادههای خام افزایش یافته است. داده خام معمولاً دارای ویژگیهای اضافی یا تکراری است که بر روی عملکرد الگوریتمهای یادگیری تأثیر میگذارد. جهت افزایش کارایی و کاهش هزینه محاسباتی الگوریتمهای یادگیری ماشین، از الگوریتمهای انتخاب ویژگی استفاده میشود که روشهای متنوعی برای انتخاب ویژگی ارائه شده است. از جمله روشهای انتخاب ویژگی، الگوریتمهای تکاملی هستند که به دلیل قدرت بهینهسازی سراسری خود مورد توجه قرار گرفتهاند. الگوریتمهای تکاملی بسیاری برای حل مسئله انتخاب ویژگی ارائه شده که بیشتر آنها روی فضای هدف تمرکز داشتهاند. فضای مسئله نیز میتواند اطلاعات مهمی برای حل مسئله انتخاب ویژگی ارائه دهد. از آنجایی که الگوریتمهای تکاملی از مشکل عدم خروج از نقطه بهینه محلی رنج میبرند، ارائه یک مکانیزم مؤثر برای خروج از نقطه بهینه محلی ضروری است. در این مقاله از الگوریتم تکاملی PSO با تابع چندهدفه برای انتخاب ویژگی استفاده شده که در آن یک روش جدید جهش که از امتیاز ویژگیهای ذرات استفاده میکند، به همراه نخبهگرایی برای خروج از نقاط بهینه محلی ارائه گردیده است. الگوریتم ارائهشده بر روی مجموعه دادههای مختلف تست و با الگوریتمهای موجود بررسی شده است. نتایج شبیهسازیها نشان میدهند که روش پیشنهادی در مقایسه با روش جدید RFPSOFS بهبود خطای 20%، 11%، 85% و 7% به ترتیب در دیتاستهای Isolet، Musk، Madelon و Arrhythmia دارد.
پرونده مقاله
پیچیدهشدن کاربردهای دنیای واقعی خصوصاً در حوزههای اینترنت اشیا، ریسکهای امنیتی متنوعی را برای این حوزه به همراه داشته است. باتنتهای این حوزه به عنوان گونهای از حملات امنیتی پیچیده شناخته میشوند که میتوان از ابزارهای یادگیری ماشین، به منظور شناسایی و کشف آنها است چکیده کامل
پیچیدهشدن کاربردهای دنیای واقعی خصوصاً در حوزههای اینترنت اشیا، ریسکهای امنیتی متنوعی را برای این حوزه به همراه داشته است. باتنتهای این حوزه به عنوان گونهای از حملات امنیتی پیچیده شناخته میشوند که میتوان از ابزارهای یادگیری ماشین، به منظور شناسایی و کشف آنها استفاده نمود. شناسایی حملات مذکور از یک سو نیازمند کشف الگوی رفتاری باتنتها از طریق پردازشهای دستهای و با دقت بالا بوده و از سویی دیگر میبایست همانند پردازشهای جریانی، به لحاظ عملیاتی بلادرنگ عمل نموده و وفقپذیر باشند. این مسئله، اهمیت بهرهگیری از تکنیکهای پردازش ترکیبی دستهای و جریانی را با هدف تشخیص باتنتها، بیش از پیش آشکار میسازد. از چالشهای مهم این پردازشها میتوان به انتخاب ویژگیهای مناسب و متنوع جهت ساخت مدلهای پایه و نیز انتخاب هوشمندانه مدلهای پایه جهت ترکیب و ارائه نتیجه نهایی اشاره نمود. در این مقاله به ارائه راهکاری مبتنی بر ترکیب روشهای یادگیری جریانی و دستهای با هدف تشخیص ناهنجاری باتنتها میپردازیم. این راهکار از یک روش انتخاب ویژگی پویا که مبتنی بر الگوریتم ژنتیک بوده و به طور کامل با ماهیت پردازشهای ترکیبی سازگار است، بهره میگیرد و ویژگیهای مؤثر در فرایند پردازش را در طول زمان و وابسته به جریان ورودی دادهها به صورت پویا تغییر میدهد. نتایج آزمایشها در مجموعه دادهای مشتمل بر دو نوع باتنت شناختهشده، بیانگر آن است که رویکرد پیشنهادی از یک سو با کاهش تعداد ویژگیها و حذف ویژگیهای نامناسب موجب افزایش سرعت پردازشهای ترکیبی و کاهش زمان تشخیص باتنت میگردد و از سویی دیگر با انتخاب مدلهای مناسب جهت تجمیع نتایج، دقت پردازش را افزایش میدهد.
پرونده مقاله
طبقهبندی چندبرچسبی یکی از مسائل مهم در یادگیری ماشین است که کارایی الگوریتمهای این طبقهبندی با افزایش ابعاد مسأله به شدت کاهش مییابد. انتخاب ویژگی، یکی از راهکارهای اصلی برای کاهش ابعاد در مسائل چندبرچسبی است. انتخاب ویژگی چندبرچسبی یک راهکار NP Hard است و
تا کنون چکیده کامل
طبقهبندی چندبرچسبی یکی از مسائل مهم در یادگیری ماشین است که کارایی الگوریتمهای این طبقهبندی با افزایش ابعاد مسأله به شدت کاهش مییابد. انتخاب ویژگی، یکی از راهکارهای اصلی برای کاهش ابعاد در مسائل چندبرچسبی است. انتخاب ویژگی چندبرچسبی یک راهکار NP Hard است و
تا کنون تعدادی راهکار مبتنی بر هوش جمعی و الگوریتمهای تکاملی برای آن ارائه شده است. افزایش ابعاد مسأله منجر به افزایش فضای جستجو و به تبع، کاهش کارایی و همچنین کاهش سرعت همگرایی این الگوریتمها میشود. در این مقاله یک راهکار هوش جمعی ترکیبی مبتنی الگوریتم دودویی بهینهسازی ازدحام ذرات و استراتژی جستجوی محلی برای انتخاب ویژگی چندبرچسبی ارائه شده است. برای افزایش سرعت همگرایی، در استراتژی جستجوی محلی، ویژگیها بر اساس میزان افزونهبودن و میزان ارتباط با خروجی مسأله به دو دسته تقسیمبندی میشوند. دسته اول را ویژگیهایی تشکیل میدهند که شباهت زیادی به کلاس مسأله و شباهت کمتری به سایر ویژگیها دارند و دسته دوم
هم ویژگیهای افزونه و کمتر مرتبط است. بر این اساس، یک اپراتور محلی
به الگوریتم بهینهسازی ازدحام ذرات اضافه شده که منجر به کاهش ویژگیهای غیر مرتبط و افزونه هر جواب میشود. اعمال این اپراتور منجر به افزایش سرعت همگرایی الگوریتم پیشنهادی در مقایسه با سایر الگوریتمهای ارائهشده در این زمینه میشود. عملکرد روش پیشنهادی با شناختهشدهترین روشهای انتخاب ویژگی، بر روی مجموعه دادههای مختلف مقایسه گردیده است. نتایج آزمایشها نشان دادند که روش پیشنهادی از نظر دقت، دارای عملکردی مناسب است.
پرونده مقاله