یک روش جدید برای بهبود کارایی دسته بندی بازنمایی خلوت

چکیده مقاله

در سالهای اخیر طبقه بندی مبتنی بر نمایندگی تنک به عنوان یک تکنیک ، به طور گستردهای در تشخیص چهره استفاده می شود طبقه بندی نمایندگی تنک ابتدا یک نمونه آزمایشی را به عنوان یک ترکیب پراکنده از همه نمونه های آموزشی کد می کند و سپس با ارزیابی اینکه کدام کلاس منجر به حداقل خطای نمایش می شود، نمونه آزمایشی را طبقه بندی می کند باوجوداینکه طبقه بندی نمایندگی تنک از دقت بالایی در طبقه بندی برخوردار است ؛ اما به دلیل استفاده از نرم مرتبه اول از وجود مشکلاتی از جمله کند بودن زمان طبقه بندی رنج می برد بااین حال، ما در این مقاله یکی از دلایل کند بودن این الگوریتم را طبقه بندی تنبل می دانیم ، به همین جهت روشی را معرفی کردیم که با استفاده از درنظرگرفتن شباهت بین نمونه های آموزشی ، دسته بندی را در دوفاز آموزش و آزمایش انجام می دهد در فاز آموزش با استفاده از خوشه بندی نمونه های آموزشی ، مشارکت کلاسها را برای طبقه بندی در هر خوشه به دست آوردیم سپس در فاز آزمایش ، با تعیین خوشه مربوط به نمونه آزمایشی ، صرفا از کلاسهای مرتبط با آن خوشه برای طبقه بندی استفاده می کنیم نتایج نشان می دهد که روش مذکور قدرت رقابتی بسیاری با الگوریتم طبقه بندی نمایندگی تنک و دیگر الگوریتم های مشتق شده هم از نظر صحت طبقه بندی کاربرد هم سرعت کارایی را دارد

کلیدواژه‌ها

نویسندگان

محسن بهرام آبادی

دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز، دانشگاه شیراز

محمد طاهری

استادیار، دانشکده مهندسی و علوم کامپیوتر و فناوری اطلاعات دانشگاه شیراز

اقبال منصوری

دانشیار، دانشکده مهندسی و علوم کامپیوتر و فناوری اطلاعات دانشگاه شیراز

�هرام آبادی، محسن و طاهری، محمد و منصوری، اقبال،1402،یک روش جدید برای بهبود کارایی دسته بندی بازنمایی خلوت،پنجمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع،اسفراین

ارائه‌شده در

مجموعه مقالات پنجمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع23 آبان 1402 · اسفراین