سال انتشار: ۱۳۸۳

محل انتشار: دوازدهیمن کنفرانس مهندسی برق ایران

تعداد صفحات: ۶

نویسنده(ها):

جهانشاه کبودیان – آزمایشگاه پردازش هوشمند سیگنالهای صوتی و گفتاری، دانشکده مهندسی کام
محمدحسن مرادی – دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران)، تهرا

چکیده:

یکی از روشهای نسبتًا جدید در شناسایی و دسته بندی الگوها، ماشین بردار پشتیبان یا SVM است . در این مقاله یک SVM فازی جدید پیشنهاد شده است که فازی سازی را در دو مرحله دخالت می دهد . در مرحله آموزش SVM ، اهمیت نسبی هر نمونه در میان نمونه های یک کلاس را با استفاده از یک تابع عضویت فازی که نسبت به داده های پرت (Outlier) غیر حساس است، دخالت داده، و در مرحله بازشناسی و تصمیم گیری نیز، بر اساس منطق فازی، یک تصمیم گیری نرم و ملایم را انجام می دهد . SVM فازیِ پیشنهاد شده ، بر روی پایگاه داده MNIST از ارقام دستنویس آزمایش گردیده و به ازای کرنل های چندجمله ای و RBF دارای راندمانی بالاتر از SVM استاندارد برای شناسایی ارقام دستنویس می باشد.