ترجمه مقاله الگوی ویژگی سیستم طبقه بندی مبتنی بر XCS در مقابل UCS - نشریه ACM

قیمت خرید این محصول

۱۶۴,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

الگوی ویژگی سیستم طبقه بندی مبتنی بر XCS در مقابل سیستم طبقه بندی مبتنی بر UCS

عنوان انگلیسی

XCS-based versus UCS-based Feature Pattern Classification System

صفحات مقاله فارسی

20

صفحات مقاله انگلیسی

8

سال انتشار

2012

نشریه

ACM

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

5139

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه نشده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

مهندسی کامپیوتر و فناوری اطلاعات IT

گرایش های مرتبط با این مقاله

مهندسی الگوریتم ها و محاسبات، برنامه نویسی کامپیوتر، معماری سیستم های کامپیوتری و مدیریت سیستم های اطلاعات

مجله

چهاردهمین کنفرانس سالانه محاسبات ژنتیکی و تکاملی

دانشگاه

دانشگاه ویکتوریا در ولینگتون، نیوزیلند

کلمات کلیدی

سیستم های طبقه بندی یادگیری، الگو شناسی

۰.۰ (هنوز امتیازی ثبت نشده است)

فهرست مطالب

چکیده
1.مقدمه
2.تاریخچه
سیستم های دسته کننده ی یادگیری
سیستم های دسته کننده ی یادگیری نظارت شده
کارهای مرتبط
3. روش طبقه بندی
ویژگی های شبهHaar
کدگذاری مشخصات شبه Haar
سیستم طبقه بندی الگوی ویژگی
سیستم طبقه بندی الگوی ویژگی نظارت شده
4.ماتریس سردرگمی برای تقسیم
ماتریس سردرگمی برای FPCS
ماتریس سردرگمی UFPCS
5.آزمایشات
مجموعه داده
جزئیات اجرا
مقایسه ی عملکرد FPCS با UFPCS در مجموعه داده ی MNIST
یادگیری هدایت شده ی ماتریس سردرگمی
روش تقسیم در FPCS
روش تقسیم در UFPCS
مقایسه ی عملکرد UFPCS در مجموعه داده ی NIST
عملکرد FPCS در NIST
6."بررسی"
وضوح قانون
7.نتیجه گیری و اهداف آینده

نمونه چکیده متن اصلی انگلیسی

ABSTRACT Extracting features from images is an important task in order to identify (classify) the patterns contained. The Evolutionary Computation and Reinforcement Learning technique of Learning Classifier Systems (LCSs) has been successfully applied to classification tasks, but rarely to image pattern classification due to the large search space associated with pixel data. Recently, a Feature Pattern Classification System (FPCS), utilising Haar-like features has been introduced with promising results in the image recognition domain. This system used a confusion-matrix to direct learning to hard to classify classes, but due to its reinforcement learning nature was required to estimate the ground truth. The novel work presented here adopts a supervised learning (UCS-based) approach into the FPCS framework. This work is compared with the original XCS-based system, updated to include the known ground-truth of the confusion matrix to aid comparison, albeit no longer reinforcement learning. Results on the 10 class MNIST numerical digits recognition task show that the XCS-based FPCS produces better classi- fication due to its complete mapping guiding learning. However, results on the 26 class NIST character recognition task show that the UCS-based scales better as it does not require the complete mapping. The human readable rules produced by each system, coupled with the competitive classification performance compared with similar techniques, supports future work on both the XCS and UCS-based FPCS.

نمونه چکیده ترجمه متن فارسی

چکیده
استخراج ویژگی ها از تصاویر به منظور شناسایی الگوهای موجود یک عملکرد مهم می باشد . روش یادگیری تقویتی و محاسبات تکاملی سیستم های طبقه بندی یادگیری (LCS ها) با موفقیت در عملکردهای طبقه بندی اعمال شده اند ، اما این روش ها با توجه فضای جست و جوی بزرگ مربوط به داد ه های پیکسل ، به ندرت در طبقه بندی الگوی تصویر اعمال می شوند . اخیرا یک سیستم طبقه بندی الگوی ویژگی (FPSC)، با استفاده از خصوصیات شبه Haarبا نتایج امیدوار کننده در دامنه ی تشخیص تصویر معرفی شده است . این سیستم از ماتریس سردرگمی برای یادگیری مستقیم طبقه بندی گروه ها استفاده می کند ، اما به علت ماهیت تقویتی این یادگیری برآورد صحت پایه مورد نیاز است . تحقیق جدید ارائه شده در این مقاله یک روش یادگیری نظارت شده ( مبتنی بر UCS) را در چارچوب FPSC اعمال می کند . این کار با سیستم مبتنی بر XCS اصلی مقایسه می شود و به منظور در بر گرفتن صحت پایه ی شناخته شده ی ماتریس سردرگمی برای کمک به مقایسه به روز رسانی می شود ، اگرچه هیچ یادگیری تقویتی دیگری وجود نخواهد داشت . نتایج مربوط به تشخیص عددی 10 گروه MNIST نشان می دهد که FPSC های مبتنی بر XCS با توجه به یادگیری هدایتی طرح نگاری کامل آن ، طبقه بندی بهتری را ناشی می شوند . با این حال نتایج تشخیص ویژگی 26 گروه NIST نشان می دهد که موارد مبتنی بر UCS مقیاس بهتری را ناشی می شوند زیرا به طرح نگاری کامل نیازی ندارند . قوانین تولید شده توسط هر سیستم که برای انسان قابل خواندن هستند ، با طبقه بندی رقابتی همراه هستند ، با تکنیک های مشابه مقایسه می شوند و از تحقیقات آینده در زمینه ی FPCS های مبتنی بر XCS و UCS پشتیبانی می کنند .