سال انتشار: ۱۳۸۶

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

تعداد صفحات: ۶

نویسنده(ها):

احسان عادلی مسبب – دانشگاه علم و صنعت ایران، دانشکدهی مهندسی کامپیوتر، آزمایشگاه پرداز
محمود فتحی – دانشگاه علم و صنعت ایران، دانشکدهی مهندسی کامپیوتر، آزمایشگاه پرداز

چکیده:

ماشینهای بردار حامی(SVM) . نوعی الگوریتم یادگیری آماری هستند که در سالهای اخیر مورد توجه فراوانی قرار گرفته اند . SVMبه طور کلی کاربردهای زیادی در بحث شناسایی الگو و برازش غیرخطی دارد. توابع هسته ای نقش مهمی در توانایی کلاس بندی آنها بازی میکنند. تنظیم مناسب پارامترهای هسته میتواند در دقت کلاس بندی آن نقش خیلی مهمی داشته باشد. در عین حال انتخاب مناسب ویژگیهای ورودی نیز یکی از مسائل مهم در یک فرآیند کلا س بندی میباشد. در این مقاله مدلی مبتنی بر الگوریتم ژنتیک پیشنهاد شده است که از مجموعه بردار ویژگی ورودی زیر مجموعه ای را انتخاب یا استخراج (با استفاده از PCA ) میکند و بطور همزمان پارامترهای کلاس بند SVM را بهینه میسازد. نتایج شبیه سازی روی برخی مجموعه داده های معروف کارایی این روش را نشان میدهد .