چکیده مقاله
شبکه های تابع پایه شعاعی RBF به دلیل ساختار ساده و قابلیت تفسیرپذیری، آن ها در مسائل پزشکی مورد استفاده قرار می گیرند با این حال عملکرد این شبکه ها به طور حساسی به پارامتر پهنای هسته σ وابسته است هنگامی که بسیار کوچک انتخاب شود، هر تابع پایه تنها در همسایگی بسیار نزدیک به مرکز فعال می شود و مدل دچار نوسان و بیش برازش می گردد؛ در مقابل، مقادیر بسیار بزرگ باعث می شود توابع پایه تقریبا صاف شوند و توانایی یادگیری روابط غیرخطی را از دست بدهند روش های رایج تنظیم علاوه بر هزینه محاسباتی بالا بر کاهش خطاهای پیوسته تمرکز دارند و لزوما با کاهش تعداد خطاهای طبقه بندی واقعی هم راستا نیستند در این مقاله روشی نوین برای بهینه سازی پویای پارامتر ارائه می شود که مستقیما بر اساس شمارش خطاهای خارج از یک محدوده آستانه ای عمل می کند در این رویکرد تنها زمانی یک نمونه به عنوان خطا در نظر گرفته می شود که اختلاف بین خروجی مدل و برچسب واقعی از آستانه ای ۰ ۸ = فراتر رود ارزیابی روی دو مجموعه داده کم خونی واقعی و داده ی مصنوعی پیچیده نشان می دهد که روش پیشنهادی نسبت به SVM RBF و MLP عملکرد بهتری دارد این روش در داده های کم خونی دقت ۸۹ ۹۷٪ و در داده های پیچیده، به دقت ۹۷ ۰۰٪ رسیده است
کلیدواژهها
نویسندگان
زینب صداقت جوا
گروه ریاضی دانشگاه خلیج فارس بوشهر
امیر حسین فولادی
گروه ریاضی دانشگاه خلیج فارس بوشهر
شیوه ارجاع
�داقت جوا، زینب و فولادی، امیر حسین،1404،بهینه سازی پارامتر هسته در شبکه های RBF مبتنی بر شمارش خطا و کاربرد آن در تشخیص بالینی کم خونی،دومین کنفرانس بین المللی دو سالانه پیشرفت ها در هوش مصنوعی و علوم داده،بوشهر
ارائهشده در
همایش «بسیج، پیشرفت و امنیت پایدار در منطقه جنوب شرق کشور»7 بهمن 1404 · تهران