سال انتشار: ۱۳۸۶

محل انتشار: اولین کنگره مشترک سیستم های فازی و سیستم های هوشمند

تعداد صفحات: ۶

نویسنده(ها):

احمد رضا خیرخواه – گروه هوش مصنوعی دانشکده مهندسی دانشگاه آزاد مشهد
اسماعیل رحمانیان – گروه هوش مصنوعی دانشکده مهندسی دانشگاه آزاد مشهد

چکیده:

در مسایل یادگیریِ واقعی، بدست آوردن نمونه های برچسب دار برای آموزش بسیار پرهزینه می باشد. در این مقاله روشی برای دسته بندی حروف پیشنهاد شده است که در آن ابتدا یک کمیته شامل یک شبکه عصبی ساده چند لایه، یک دسته بند بیزین ساده و یک دسته بند Rocchio با تعداد کمی نمونه برچس بدار ساخته م یشوند. سپس با استفاده از یادگیری فعال و با بکارگیری روش نمونه برداری براساس عدم اطمینان و اختلاف نظر بین اعضای کمیته و عدم مشابهت، نمونه های مفید را برای برچسب گذاری به کاربر می دهد تا در آموزش مجدد دسته بندها استفاده کند. در نهایت در مرحله تست از ترکیب آرای اعضای کمیته برای تعیین کلاس داده ورودی استفاده می شود. همچنین مقایسه ای بین نتایج دسته بندی حاصل از روش های معمولی آموزش، روش های فعال آموزش با استفاده از یک دسته بند و روش پیشنهادی صورت گرفته است. این مقاله همچنین از روش قاب بندی برای استخراج ویژگی ها استفاده می کند. این روش وابسته به قلم و اندازه حرف ورودی نیست و با یک تغییر کوچک در مرحله پیش پردازش برای هر زبانی با هر قلمی و هر اندازه ای می تواند کارا باشد. نمونه های استفاده شده بصورت دستی جمع آوری و پردازش شده اند.