تشخیص داده پرت با استفاده از ماشین یادگیری مفرط مبتنی بر فازی c-Means کوانتومی
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 128
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIAE-20-1_010
تاریخ نمایه سازی: 15 دی 1401
چکیده مقاله:
همواره یکی از مهم ترین دغدغه های داده کاوان در اختیار داشتن داده هایی صحیح و عاری از خطاست. داده هایی که اشتباهات انسانی در آن وجود نداشته باشد و رکوردهای آن تماما پر و حاوی داده هایی صحیح باشند. در این مقاله یک مدل یادگیری جدید مبتنی بر شبکه عصبی ماشین یادگیر مفرط برای تشخیص داده پرت پیشنهاد می شود. عملکرد شبکه های عصبی وابسته به پارامترهای مختلفی از قبیل ساختار آن، وزن های اولیه، تعداد نورون های لایه پنهان و نرخ یادگیری است. محاسبات کوانتومی یک روش جدید پردازش اطلاعات بر مبنای مکانیک کوانتومی است که امروزه مفاهیم آن در کاربردهای هوش مصنوعی نیز مورد استفاده قرار می گیرد. در روش پیشنهادی، شبکه عصبی ماشین یادگیری مفرط با استفاده از مفهوم خوشه بندی فازی c-Means کوانتومی، بهبود می یابد. این خوشه بندی به پیدا کردن وزن بهینه اتصالات لایه ورودی به لایه پنهان شبکه عصبی کمک می کند. همچنین باعث می شود، معماری شبکه در لایه پنهان به شکل سازنده ای شکل بگیرد و یادگیری بهبود یابد. عملکرد روش پیشنهادی از لحاظ صحت، نرخ صحیح مثبت و نرخ صحیح منفی نشان دهنده برتری روش پیشنهادی در تشخیص داده پرت نسبت به روشهای دیگر است.
کلیدواژه ها:
نویسندگان
سیدامیر ادبی
Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad
محبوبه هوشمند
Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad
سیدعابد حسینی
Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :