طبقه بند تك كلاسه گرانش گراي مبتني بر ماشين بردار پشتيبان

در اين مقاله يک طبقه بند تک کلاسه مبتني بر مرز با الهام از طبقه بند توصيف گر داده مبتني بر بردار پشتيبان (SVDD)ارائه شده است. در طبقه بند SVDD حتي زماني که نمونه هاي پرت به بيرون از مرز رانده مي شوند، باز هم اين نمونه ها بر مرز طبقه بند اثر مي گذارند و اين مساله باعث افزايش خطاي طبقه بند مي شود. در طبقه بند پيشنهادي به گرانش نمونه هاي آموزش اهميت داده مي شود و همچنين همه نمونه ها در تعيين مرز طبقه بند دخالت دارند. بر اين مبنا دو طبقه بند که در يکي دانش در مورد نمونه هاي پرت نيز در نظر گرفته مي شود، پيشنهاد شده است. مساله بهينه سازي مطرح در طبقه بند پيشنهادي علاوه بر اين که تحدب را حفظ مي کند، در حوزه کرنل نيز به سهولت قابل استفاده است. پس از معرفي طبقه بند پيشنهادي و حل مساله بهينه سازي آن، چگونگي تغييرات مرز طبقه بند پيشنهادي در مقابل تغييرات پارامترهاي مدل بررسي مي شود. نتايج آزمايش ها در مقايسه با دو طبقه بند SVDD وDensity Induced SVDD نشان مي دهد که روش پيشنهادي در کاهش اثر نمونه هاي پرت موفق بوده است.

[gview file=”http://www.sid.ir/fa/VEWSSID/J_pdf/7001313910203.pdf” save=”1″]