دانلود پایان نامه ارشد: ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

دانلود متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی کامپیوتر

گرایش : هوش مصنوعی

عنوان : ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

دانشگاه شیراز

دانشـکده مهندسـی

پایان‌نامه کارشناسی ارشد در رشته مهندسی کامپیوتر

گرایش هوش مصنوعی

عنوان:

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

استاد راهنما:

دکتر رضا بوستانی

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود(در فایل دانلودی نام نویسنده موجود است)تکه هایی از متن پایان نامه به عنوان نمونه :(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)فهرست مطالب:فصل اول مقدمه 1. مقدمه...................................................................................................................................................1 1-1. مقدمه 1 1-2. یادگیری ماشین 1 1-3. الگوریتمهای یادگیری جمعی 3 1-4. دسته بندی کننده های سریال 4 1-5. ایده اصلی تحقیق 5 1-6. نگاهی کلی به فصول رساله 6 فصل دوم پیشینه تحقیق 2. پیشینه تحقیق ...................................................................................................................................8 2-1. مقدمه 8 2-2. اهمیت مسائل چندکلاسه 8 2-3. روشهای BOOSTING 11 2-3-1. مسائل دوکلاسه 13 2-3-2. مسائل چندکلاسه 14 تکنیک های تجزیه کلاسی 15 یکی-در مقابل-همه(OAA) 15 یکی-در مقابل-یکی(OAO) 16 روش P در مقابل Q 17 روشهای Boosting چندکلاسه 18 روش AdaBoost.M2 18 روش AdaBoost.OC 21 روش AdaBoost.ECC 22 2-4. روشهای جمعی سریال 23 2-4-1. دسته‌بندی‌‌کننده‌ی سریال 24 دسته‌بندی‌کننده‌های سریال همزمان 28 ساختار‌های سریال درختی 30 2-5. خلاصه 31 فصل سوم راهکارهای پیشنهادی 3. راهکارهای پیشنهادی 33 3-1. مقدمه 33 3-2. روش LogitBoost سریال تودرتو 34 کلیات روش 34 جزییات روش 34 3-3. ساختار سریال پایش داد‌ه‌ها به کمک الگوریتم -kنزدیک‌ترینهمسایه 39 3-4. خلاصه 41 فصل چهارم روال آزمایش‌ها 4. روال آزمایش‌‌ها ................................................................................................................................43 4-1. مقدمه 43 4-2. دسته‌بندی‌کننده‌های مورد استفاده برای مقایسه 43 4-2-1. دلایل انتخاب روش‌های رقیب 43 4-2-2. جزییات پیاده‌سازی روش‌های رقیب 44 4-3. معیار‌های ارزیابی 46 4-4. مجموعه داده‌های به‌کار رفته در آزمایش‌ها 48 مجموعه داده‌های مربوط به مسائل چندکلاسه 48 مجموعه داد‌ه‌های مربوط به مسائل دوکلاسه 49 4-5. تست آماری فریدمن 50 4-6. خلاصه 52 فصل پنجم نتایج 5. نتایج.................................................................................................................................................54 5-1. مقدمه 54 5-2. نتایج حاصل از آزمایش هفت ترکیب مختلف از پارامترها برای روش پیشنهادی اول 54 5-2-1. تحلیل نتایج حاصل از آزمایش هفت ترکیب مختلف از پارامترها برای روش پیشنهادی اول 56 5-3. نتایج حاصل از آزمایش روش پیشنهادی اول و روش‌های رقیب 58 5-4. نتایج حاصل از آزمایش روش پیشنهادی دوم 61 5-5. خلاصه 63 فصل ششم نتیجه‌گیری و کارهای آینده 6. نتیجه‌گیری و کارهای آینده 65 6-1. نتیجه‌گیری 65 6-2. کارهای آینده 66 اختصارات.............. 67 واژه نامه فارسی به انگلیسی 68 واژه نامه انگلیسی به فارسی 72 فهرست منابع....... 76 فهرست جداولجدول 2-1.مثال از یک ماتریس کد گذاری به روش ECOC برای یک مساله چهار کلاسه 17 جدول 3-1.ترکیب پارامتری استفاده شده در راستای تحلیل تاثیر پارامترهای موجود در الگوریتم پیشنهادی اول........ 39 جدول 4-1. جزییات مجموعه داده‌‌های چندکلاسه 49 جدول 4-2. جزییات مجموعه داده‌های دوکلاسه 50 جدول 5-1. مشخصات مجموعه داده‌های استفاده شده برای بررسی تاثیر پارامترها در روش پیشنهادی اول....... 55 جدول 5-2.مقادیر آزمایشی ترکیبات مختلف پارامترها برای روش پیشنهادی اول 55 جدول 5-3.نرخ خطا و انحراف معیار به‌دست آمده از ترکیبات مختلف پارامترها برای روش پیشنهادی اول .......................................................................................................55 جدول 5-4.میانگین رتبه بندی برای 7 ترکیب پارامتری مقایسه شده بر 11 مجموعه داده چندکلاسه.......... 58 جدول 5-5.تست فریدمن و تست تعقیبی Bonferroni-Dunn. برای 7 ترکیب پارامتری ، اختلافات معنادار با فونت توپر نمایش داده شده است. 58 جدول 5-6.نتایج حاصل از اعمال روش‌‌ پیشنهادی اول و روش‌های رقیب، در قالب نرخ خطای آزمایش و انحراف معیار 59 جدول 5-7.میانگین رتبه بندی برای 5 روش مقایسه شده بر 11 مجموعه داده چندکلاسه 60 جدول 5-8.نتایج تست فریدمن و تست تعقیبی Bonferroni-Dunn. برای روش پیشنهادی اول، اختلافات معنادار با فونت توپر نمایش داده شده است. 60 جدول 5-9. نتایج اعمال روش پیشنهادی دوم و روشKNN به ازای مقادیر مختلف k، در قالب نرخ خطای آزمایش و انحراف معیار 61 جدول 5-10.میانگین رتبه بندی برای 4 روش بر روی 12 مجموعه داده دوکلاسه 62 جدول 5-11.نتایج تست فریدمن و تست تعقیبی Bonferroni-Dunn. برای روش پیشنهادی دوم، اختلافات معنادار با فونت توپر نمایش داده شده است. 62 فهرست الگوریتم‌ها عنوان صفحه الگوریتم 1. شبه کد مربوط به روش AdaBoost 14 الگوریتم 2. شبه کد مربوط به روش AdaBoost.M2 19 الگوریتم 3. شبه کد مربوط به روش AdaBoost.OC 21 الگوریتم 4. شبه کد مربوط به روش AdaBoost.ECC 23 الگوریتم 5. ساختار سریال Viola-Jones 25 الگوریتم 6. شبه کد مربوط به فاز آموزش ساختار سریال پیشنهادی اول 38 الگوریتم 7. شبهکد مربوط به الگوریتم LogitBoost برای مسائل چندکلاسه 46 فهرست شکل ها شکل 2-1. ساختار سریال Viola-Jones [42] 26 شکل 2-2. ساختار دسته‌بندی‌کننده‌ سریال همزمان 29 شکل 2-3. ساختار درختی ارائه شده توسط لینهارت 31 شکل 3-1. ساختار کلی روش دسته‌بندی‌ سریال پیشنهادی اول 35 شکل 3-2. مکانیزم انتقال داده از یک لایه به لایه بعدی در روش پیشنهادی اول 37 شکل 3-3. ساختار سریال پیشنهادی دوم 40چکیده امروزه ایجاد و آموزش بهینه دسته‌بندی‌کننده های مستحکم و سریع به یکی از مهمترین دغدغه‌های علم هوش مصنوعی و به ویژه حوزه یادگیری ماشین بدل شده است. با رشد روز افزون در حجم و سرعت تولید داده، نیاز به تولید دسته‌بندی‌کننده‌های دقیق و سریع بیش از پیش حس می شود و در واقع یک چالش محسوب می شود. روش‌های یادگیری جمعی طی سالیان اخیر اثبات کرده‌اند که برای رفع مشکلات یاد شده گزینه‌های مناسبی هستند.روش‌های یادگیری جمعی، گروهی از مدل های ضعیف را تولید می‌کنند که با تلفیق مناسب و هوشمندانه خروجی آنها می توان به یک دسته‌بندی‌کننده قوی دست یافت. این روش‌ها زمانی که از الگوریتم‌های تقویتی در ساختار سریال بهره می‌برند، کارایی به مراتب بالاتری از خود نشان می‌دهند.استفاده از شیوه تقسیم-و-تسخیر یا همان separate-and-conquer در زمان آموزش هر لایه از ساختار سریال، دلیل قدرت یادگیر‌های جمعی سریال می‌باشد؛ علاوه بر آن، تعیین مرزهای تصمیم موارد جزیی در دور‌های نخست ساختار سریال انجام می‌شود و در دور‌های آتی این مرز پالایش شده و موارد سخت‌تر را در بر خواهد گرفت. عملکرد مدل کلاسیک ساختار سریال، در مواجهه با مسائل دوکلاسه، به این صورت است که نمونه‌های غیر هدف که در لایه‌های اولیه یاد گرفته می‌شوند از سیستم حذف شده و با نمونه‌های سخت‌تر جایگزین می‌شوند؛ که می‌توان از این استراتژی با نام bootstrapping یاد کرد. با این روند، یادگیری بهینه کلان-به-جزیی یا همان learning coarse-to-fine حاصل می‌شود.در این مطالعه، یک مدل نوین برای آموزش طبقه‌بندی‌کننده‌های سریال ارایه شده است که از روش وارسی اعتبار در ساختار آن استفاده شده است. در روش پیشنهادی، درصدی از داده‌های درست دسته‌بندی‌شده در لایه‌ نخست ساختار به منظور حفظ عمومیت سیستم، برای آموزش به لایه بعدی فرستاده می‌شود و این روند برای لایه‌های بعدی ادامه خواهد یافت. بدین ترتیب، مدل ارائه شده در مقابل داده‌های نویزی بسیار مقاوم بوده و انحراف معیار نرخ خطای آزمایش آن، از روش‌های رقیب کمتر می‌شود. مقدمه امروزه شاهد رشد عظیمی در تولید داده هستیم. فعالیت‌ها و تعامل‌های روزانه انسان‌ها، حجم چشمگیری از داده‌ها و اطلاعات را به وجود می‌آورد؛ به عنوان مثال در ارتباطات از راه دور، تراکنش های‌مالی و بانکی، شبکه‌های اجتماعی، فعالیت‌های اینترنتی عام، امور مربوط به بهداشت و درمان، پایش اطلاعات امنیتی، اطلاعات و داده‌های آماری مانند سرشماری نفوس و بسیاری موارد دیگر [1,2]. با پیشرفت چشمگیر تجهیزات سخت افزاری، هزینه ذخیره داده کم شده است؛ این در حالی است که آنالیز صحیح و استخراج اطلاعات مفید از این حجم از داده به یک دغدغه تبدیل شده است. هوش مصنوعی و به ویژه حوزه یادگیری ماشین ، به دنبال یافتن روش‌ها و ابزار‌های موثر جهت رفع این مشکل می باشد.تعداد صفحه : 99قیمت : 14000تومان

بلافاصله پس از پرداخت ، لینک دانلود پایان نامه به شما نشان داده می شود

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

پشتیبانی سایت :        09309714541 (فقط پیامک)        info@arshadha.ir

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

--  -- --

مطالب مشابه را هم ببینید

فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید