پاورپوینت گزینش ویژگی با استفاده از شبکه های عصبی (ppt) 39 اسلاید
فرمت فایل دانلودی: .zipفرمت فایل اصلی: ppt
تعداد صفحات: 39
حجم فایل: 1730
قیمت: 64000 تومان
بخشی از متن:
پاورپوینت گزینش ویژگی با استفاده از شبکه های عصبی (ppt) 39 اسلاید
دسته بندی : پاورپوینت
نوع فایل : PowerPoint (..pptx) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید: 39 اسلاید
قسمتی از متن PowerPoint (..pptx) :
گزینش ویژگی با استفاده از شبکه های عصبی مشخصات مقاله مورد بحث40/ 2رئوس مطالبمقدمهشبکه عصبی استفاده شدهتکنیکهای انتخاب ویژگی روش پیشنهادیآزمایشات تجربیگزینش ویژگی با استفاده از شبکه عصبی40/ 31. مقدمهمساله تشخیص الگو به طور سنتی به مراحل استخراج ویژگی و طبقه بندی تقسیم می شود. استخراج ویژگی قصد پیدا کردن یک نگاشت را دارد که ابعاد الگوهایی که باید طبقه بندی شود را کاهش دهد.با جمع آوری ویژگی های مرتبط و حذف ویژگیهای غیر مرتبط هزینه جمع آوری داده های بعدی، ممکن است کاهش یابد. گزینش ویژگی با استفاده از شبکه عصبی40/ 41. مقدمه – ادامه با رشد تعداد ویژگی های استفاده شده تعداد مثالهای آموزشی نیاز به رشد نمایی دارند در بسیاری از کاربردهای عملی نیاز به کاهش ابعاد داده داریم(Dimensionality Reduction).تحلیل مولفه اصلی (PCA) و تحلیل تفکیک کننده خطی دو تکنیک عمومی استخراج ویژگی هستند. این تکنیک ها سعی دارند ابعاد داده را با ایجاد ویژگی های جدیدی که ترکیب خطی از ویژگی های اولیه هستند را کاهش دهند.گزینش ویژگی با استفاده از شبکه عصبی40/ 51. مقدمه – ادامه به طور کلی انتخاب ویژگی یک مساله سخت است. در حالت کلی فقط یک جستجوی جامع می تواند یک راه حل بهینه را تضمین کند.تعداد کمی تکنیک انتخاب ویژگی برپایه تئوری مجموعه فازی پیشنهاد شده است.شبکه های عصبی خودشان ثابت کرده اند که ابزار قوی در سطح متنوعی از کاربردهای تشخیص الگو هستند.(اگر تعداد ویژگیها کم باشد)شبکه های عصبی توانایی ترکیب فرایندهای یادگیری استخراج ویژگی انتخاب ویژگی و طبقه بندی را در طول یادگیری دارندگزینش ویژگی با استفاده از شبکه عصبی40/ 6«روش های انتخاب ویژگی»1- تقسیم و غلبه2- انتخاب ترتیبی پیش رونده و عقب گرد3- انتخاب ترتیبی پیش رونده شناور4- انتخاب ویژگی بر پایه تئوری مجموعه فازی1. مقدمه-ادامهانتخاب ویژگی با شبکه های عصبی می تواند به یک حالت خاص از هرس معماری تصور شود.فرایند انتخاب ویژگی معمولا مبتنی بر انتخاب برجسته (Saliency) است که منجر به حذف ویژگیهای غیرمرتبط می شود. از آنجا که بیشتر فرایندها، برجستگی ویژگی ها را در طول فرایند یادگیری محاسبه می کنند این ویژگیها شدیدا وابسته به الگوریتم های یادگیری به کاربرده شده دارند.گزینش ویژگی با استفاده از شبکه عصبی40/ 7سیگنال خروجی نرون j ام در لایه خروجی (L ام) :خروجی در لایه q :سطح فعال سازی نرون :گزینش ویژگی با استفاده از شبکه عصبی40/ 8سیگنال خروجی J امین نرون در لایه qوزن اتصالی از نرون i ام در لایه (q-1) به نرون j ام در لایه q2.شبکه عصبی استفاده شده 3. تکنیک های رقابتی انتخاب ویژگیمعیار معرفی شده در این مقاله با 5 معیار دیگر مقایسه شده است.این 5 معیار عبارتند از:انتخاب ویژگی شبکه عصبی (NNFS) :بر اساس حذف وزنهای لایه ورودی معیار برجستگی ویژگی وزن-مبنا(تکنیکی بر اساس نسبت سیگنال به نویز (SNR))معیار برجستگی ویژگی بر اساس حساسیت خروجی شبکه عصبی آنتروپی فازیتحلیل تفکیک کننده (معیاری که در روش ارائه شده در این مقاله نیز استفاده شده است).در ادامه هر کدام را بیشتر توضیح می دهیمگزینش ویژگی با استفاده از شبکه عصبی40/ 93.1 انتخاب کننده ویژگی شبکه عصبی(NNFS) باید ویژگیهای مرتبط نسبت به ویژگیهای غیر مرتبط یا بلااستفاده تفاوت وزنی زیادی داشته باشندانتخاب ویژگی بر مبنای واکنش خطای طبقه بندی مجموعه داده ارزیابی – بینابینی (Cross-Validation) به حذف ویژگی های تکی انجام می گیردعبارت دوم از R1(w) دقیقا بخش تنزل وزن است، فقط وزنهای ورودی به لایه مخفی را در نظر می گیرد. وزنهای متصل به ویژگیهای بی اهمیت باید در طول یادگیری به سمت مقدار نزدیک صفر میل کنند. اولین بخش از تابع R1(w)می تواند به عنوان معیاری از شمارش کل وزنهای غیر صفر در شبکه باشد. گزینش ویژگی با استفاده از شبکه عصبی40/ 10پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.