مقاله ترکیب طبقه بندی کننده های چندگانه با تقسیم فضای ویژگی بر اساس معیار همبستگی طیفی حداکثر و حداقل

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله ترکیب طبقه بندی کننده های چندگانه با تقسیم فضای ویژگی بر اساس معیار همبستگی طیفی حداکثر و حداقل دارای ۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله ترکیب طبقه بندی کننده های چندگانه با تقسیم فضای ویژگی بر اساس معیار همبستگی طیفی حداکثر و حداقل  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله ترکیب طبقه بندی کننده های چندگانه با تقسیم فضای ویژگی بر اساس معیار همبستگی طیفی حداکثر و حداقل،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله ترکیب طبقه بندی کننده های چندگانه با تقسیم فضای ویژگی بر اساس معیار همبستگی طیفی حداکثر و حداقل :

تعداد صفحات:۶
چکیده:
خطا و عدم قطعیت در داده های سنجش از دوری به روشهای مختلف و توسط منابع متنوعی ایجاد می شود. این عدم قطعیت بطور همزمان در مرحله تولید و جمع آوری داده ها بوجود آمده و در مراحل بعدی استفاده از داده ها، انتشار یافته و رشد می کند و در نهایت نتایج و محصولات بدست آمده را تحت تأثیر قرار می دهد. یک راه حل برای کاهش عدم قطعیت و خطا و بهبود نتایج طبقه بندی، ترکیب طبقه بندی کننده های چند گانه می باشد. تحقیقات انجام شده نشان می دهد ترکیب طبقه کننده ها وقتی مؤثر است که خطای طبقه بندی کننده ها مستقل از هم باشند. در این مقاله مدلی یشنهاد شده است که انعطاف پذیری برای انتخاب طبقه بندی کننده ها را افزایش داده و شرط مستقل بودن خطای طبقه بندی کننده ها، بعنوان اجزای ترکیب را برآورده می سازد. در ابتدا باندهای طیفی بر مبنای معیار همبستگی طیفی حداکثر و حداقل به چندین باند کوچکتر دسته بندی می شوند. اطلاعات هر گروه به عنوان یک منبع جدید استفاده می شود. این منابع مجزا با طبقه بندی کننده هایی چون حداکثر احتمال و شبکه های عصبی طبقه بندی می شوند و نتایج آنها با هم ترکیب می شوند و در نهایت خروجی طبقه بندی کننده های مجزا با استفاده از قاعده رای گیری حداکثر با هم ترکیب می شوند. نتایج آزمایش بر روی داده های واقعی سنجیده AVRIS نشان می دهد با روش پیشنهادی صحت طبقه بندی کننده ها بهبود یافته و مشکل محدودیت در نمونه های آموزشی تا حدودی جبران شده است.