تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله کاهش تعداد طبقه بندی کننده های فرعی برای ماشین بردار پشتیبانی چند مقوله ای دو به دو – نشریه الزویر

عنوان فارسی: کاهش تعداد طبقه بندی کننده های فرعی برای ماشین های بردار پشتیبانی چند مقوله ای دو به دو
عنوان انگلیسی: Reducing the number of sub-classifiers for pairwise multi-category support vector machines
تعداد صفحات مقاله انگلیسی : 6 تعداد صفحات ترجمه فارسی : 13
سال انتشار : 2007 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 7926 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.63Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: هوش مصنوعی، مهندسی الگوریتم ها و محاسبات
مجله: اسناد های تشخیص الگو - Pattern Recognition Letters
دانشگاه: گروه علوم و مهندسی کامپیوتر، دانشگاه شانگهای JiaoTong، چین
کلمات کلیدی: SVM، طبقه بندی چند طبقه ای، نمونه گیری غیر قابل اطمینان
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

1 – مقدمه

2 – SVM چند دسته ای

3 – نمونه برداری عدم قطعیت

4 – MSVM مبتنی بر نمونه برداری عدم قطعیت

5- نتایج آزمایشی

6- نتیجه گیری ها

نمونه متن انگلیسی

Abstract

Among the SVM-based methods for multi-category classification, ‘‘1-a-r’’, pairwise and DAGSVM are most widely used. The defi- ciency of ‘‘1-a-r’’ is long training time and unclassifiable region; the deficiency of pairwise and DAGSVM is the redundancy of sub-classifiers. We propose an uncertainty sampling-based multi-category SVM in this paper. In the new method, some necessary sub-classifiers instead of all N · (N 1)/2 sub-classifiers are selected to be trained and the uncertainty sampling strategy is used to decide which samples should be selected in each training round. This uncertainty sampling-based method is proved to be accurate and efficient by experimental results on the benchmark data.

نمونه متن ترجمه

درمیان روش های مبتنی بر SVM برای دسته بندی چند مقوله ای ،  رایج ترین موارد عبارتند از ‘‘1-a-r’ ، دو به دو و DAGSVM . عیب ‘‘1-a-r’ در واقع زمان اموزش طولانی و منطقه غیر قابل دسته بندی می باشد ؛ عیب روش دو به دویی و DAGSVM در واقع اضافه بودن دسته کننده های فرعی می باشد . ما SVM چند مقوله ای مبتنی بر نمونه بداری با عدم قطعیت را در این مقاله معرفی می کنیم . تعدادی از دسته کننده های فرعی ضروری بجای کل دسته کننده های فرعی N X (N 1)/2  انتخاب می شوند تا آموزش ببینند و راهیرد نمونه برداری مبهم برای تصمیم گیری استفاده می گردد که نمونه ها بایستی در هر دور آموزش انتخاب گردند . این روش مبتنی بر نمونه برداری مبهم ثابت می گردد که بواسطه نتایج آزمایشی در داده های محک زنی دقیق و کافی می باشد .