مروری بر تکنیک های کاهش ابعاد برای محاسبه کارآمد
سال انتشار: 1400
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 357
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
SMARTCITYC02_072
تاریخ نمایه سازی: 19 آذر 1400
چکیده مقاله:
کاهش ابعاد DR مرحله پیش پردازش برای حذف ویژگی های زائد ، داده های پر سر و صدا و بی ربط به منظور بهبود دقت ویژگی یادگیری و کاهش زمان آموزش است. تکنیک های کاهش ابعاد با استفاده از روش انتخاب و استخراج ویژگی ارائه و پیاده سازی شده اند. تجزیه و تحلیل مولفه های اصلی PCA یکی از تکنیک های کاهش ابعاد است که باعث کاهش زمان محاسبه برای فرایند یادگیری می شود. در این مقاله بیشترین تکنیک های استخراج ویژگی مانند PCA ،EMD روش های انتخاب ویژگی مانند همبستگی LDA، انتخاب رو به جلو بر اساس عملکرد و دقت بالا مورد تجزیه و تحلیل قرار گرفته است. این تکنیک ها در شبکه عصبی عمیق برای تشخیص تصویر پزشکی بسیار کاربرد دارند و برای بهبود دقت طبقه بندی استفاده می شوند
کلیدواژه ها:
نویسندگان
زهرا اکرام زاده
دانشجوی ارشد رشته هوش مصنوعی و رباتیکز، موسسه آموزش عالی آپادانا-شیراز
هاله همایونی
استاد یار، موسسه آموزش عالی آپادانا-شیراز