فاطمه حسین خانی - دانشجوی کارشناسی ارشد هوش مصنوعی ، دانشگاه آزاد اسلامی قزوین ، واحد قزوین ، دانشکده برق ، رایانه و فناوری اطلاعات ، قزوین ، ایران
بابک ناصرشریف - دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه نصیر طوسی ، تهران ، ایران

در بازشناسی الگو یکی از روش های افزایش دقت بازشناسی، بهرهگیری از روش های متمایز ساز است. این روش ها یا به صورت تبدیل متمایزساز بر ویژگی ها بکار می روند یا از روش های یادگیر متمایزساز برای آموزش دسته بند استفاده می کنن د. درمقاله حاضر پیشنهاد می شود که یک روش ازخانواده تبدیلهای متمایز ساز خطی نخست برای تبدیل ویژگی ها بکار رود و سپس ماشین بردار پشتیبان برای ویژگی های تبدیل یافته آموزش ببیند تا به این ترتیب دو معیار تمایز میان کلاسی و ماکزیمم حاشیه برای متمایز سازی بکار رود و ضمن آموزش بهتر ماشین بردار پشتیبان، درصد بازشناسی آن نیز بهبود یابد. همچنین، برای هماهنگ کردنمعیار تبدیل ویژگی و نیز معیار دسته بندی ماشین بردار پشتیبان روشی برای تبدیل ویژگی با استفاده از الگوریتم بهینه سازی ازدحام ذراتPSO) پیشنهاد می شود که معیار تبدیل آن کمینه کردن خطای دسته بندی ماشین بردار پشتیبان است. ارزیابی بر روی دادگان UCI نشان میدهد که استفاده از تبدیل های متمایزساز به همراه ماشین بردار پشتیبان در اکثر موارد منجر به بهبود دقت بازشناسی ماشین بردار پشتیبان می شود . علاوه بر آن، استفاده از تبدیل ویژگی پیشنهادی مبتنی بر الگوریتم بهینه سازی ازدحام ذرات ، دقت دسته بندی بهتری نسبت به روش های مذکور دارد

تبدیل ویژگی، متمایز سازی، الگوریتم بهینه سازی ذرات ، دسته بندی ، ماشین بردار پشتیبان