آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,381 |
| تعداد مقالات | 16,906 |
| تعداد مشاهده مقاله | 54,421,866 |
| تعداد دریافت فایل اصل مقاله | 17,098,395 |
ارائه یک روش تکاملی جدید مبتنی بر باکتری برای حل مسئله انتخاب ویژگی | ||
| پردازش سیگنال پیشرفته | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 06 تیر 1402 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jasp.2023.51825.1190 | ||
| نویسندگان | ||
| محمود پرنده؛ مینا زلفی لیقوان* | ||
| دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز | ||
| چکیده | ||
| ابعاد عظیم داده به یکی از چالش برانگیزترین مسائل این روزها تبدیل شده است. ابعاد داده بالا، که به عنوان "نفرین ابعاد" شناخته می‌شود، الگوریتم‌های یادگیری ماشین را نیز به چالش می‌کشد. الگوریتم‌های انتخاب ویژگی زیادی برای غلبه بر این مشکل پیشنهاد شده است. وجود داده‌های نامتوازن در برخی از برنامه‌ها، ضمن کاهش کارایی اکثر الگوریتم‌های انتخاب ویژگی، آن‌ها را به سمت کلاس با داده اکثریت سوق می‌دهد. هدف اصلی این مقاله ارائه یک الگوریتم جدید انتخاب ویژگی تکاملی مبتنی بر باکتری است که کارایی خود را در مواجهه با داده‌های نامتوازن حفظ می‌کند. روش پیشنهادی از عملگرهای جهش و تزریق هوشمند استفاده می‌کند که رفتار باکتری‌ها را شبیه‌سازی می‌کند. در این دو عملگر، باکتری‌های برتر بهترین ویژگی‌های برجسته خود را به باکتری‌های دیگر منتقل می‌کنند و عملگر جهش، آن ویژگی‌ها را با کمترین رتبه جایگزین می‌کند. عملگر نخبه‌گرایی با تزریق بهترین ویژگی‌ها به سایر اعضا سعی در بهبود اعضای آرشیو دارد. در مجموعه داده Isolet، روش پیشنهادی در مقایسه با روش‌های مرسوم، به ترتیب، به کاهش انتخاب ویژگی و افزایش دقت 43 و 7 درصد منجر می‌شود. همچنین، F-measure برای ارزیابی ویژگی‌های انتخاب شده استفاده می‌شود. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی در انتخاب تعداد ویژگی‌ها با توجه به خطای الگوریتم در مقایسه با روش‌های موجود عملکرد بهتری دارد. | ||
| کلیدواژه‌ها | ||
| الگوریتم تکاملی؛ انتخاب ویژگی؛ جهش هوشمند؛ نخبه‌گرایی؛ بهینه‌سازی چندهدفه؛ الگوریتم باکتری | ||
|
آمار تعداد مشاهده مقاله: 254 |
||