مقاله فرآیند طبقه بندی معمول براساس ماشین حامل و الگوریتم بهینه سازی

چکیده
دراین مقاله، ما یک روش الگوریتم بهینه سازی گروهی ذرات به طور معمول را براساس اطلاعات مربوط به تفاوت جمعیت بررسی می کنیم. برای حل مشکل همگرایی الگوریتم بهینه سازی ذرات این مقاله انجام شد. فاکتور تغییر سرعت و فکتور تناوب موقعیت معرفی شده و عملکرد کلی در ظاهر بهبود یافت. APSO برای بهینه سازی پارامترهای مشخص شده در مدل بهینه براساس SVM بکار رفت. SVM یک روش طبقه بندی معروف با کاربردهای متفاوت بسیار زیادی است.

APSO براساس روشی برای ارزیابی پارامتر و انتخاب شکل SVM مورد استفاده قرار گرفت. توضیح مثال مربوطه نشان داد که صحت طبقه بندی APSO + SVM بالاتر از روش های سنتی و معمول طبقه بندی است و استفاده از روش APSO + SVM برای طبقه بندی مؤثر و مفید می باشد.

مقدمه
مشکل طبقه بندی نظیر طبقه بندی معیارها و اطلاعات امروزه از موضوعات مهم در سیستم های مربوطه به برق است. دراین باره فاکتورهای نامطمئنی نتایج مطالعات را تحت تأثیر قرار می داد. روش هایی نظیر درخت تصمیم گیری، شبکه عصبی BP و نیز SVM برای حل مشکل طبقه بندی مورد استفاده قرار می گیرند. SVM برای اولین بار بوسیله واپنیک گسترش یافت که براساس بهینه سازی خطرسازی(SRM) کار می کند. SVM اطلاعات را با برچسب های متفاوتی بوسیله ارزیابی یکسری از حامل های پشتیبان که عضوی از ورودی های دستگاه هستند، ارزیابی می کنند. کاربردهای SVM برخی از مشکلات غالب را مرتفع کرد و انتخاب عملکرد و بازبینی پارامترهای کلیدی را ممکن ساخت.

تعدادی از روش های بهینه برای حل مشکل طراحی شده که می توان به GA+SVM و PSO+SVM اشاره کرد. PSO یک روش براساس الگوریتم بهینه سازی است که اولین بار در سال ۱۹۹۵ بوسیله کندی و آبرهارت معرفی شد. PSO یک تکنیک قابل توجه برای جستجوی راه حل های بهینه است و توانایی مؤثری در طبقه بندی مثال های اطلاعات چندکلاسه دارد. PSO سرعت همگرایی زیادی در انتخاب راه حل های بهینه داشته و این صحت و دقت آن بیشتر از GS (الگوریت ژنتیکی) است.

با معرفی کاهش عملکرد -غیرحساس (-insensetive )، SVM به منظور حل مشکلات رگرسیون غیرخطی گسترش یافت. درهرحال، کاربرد خاص SVM یک مشکل عمده دارد که آن هم چگونگی تنظیم برخی از فاکتورهای کلیدی مؤثر بر عملکرد الگوریتم است که می تواند نتایج بهتری هم داشته باشد. دراین مقاله برای بهبود مشکلات پیش روی سیستم راه کارهایی ارائه شده است. روش APSO+SVM برای تنظیم عدد پارامتر و تأیید نتایج حاصل از آن به کار گرفته شد و درنهایت ماکزیمم صحت و پایداری محاسبات امکان پذیر است.