دانلود ترجمه مقاله ارائه پراکنده سلسله مراتبی با فرهنگ لغت عمیق (ساینس دایرکت – الزویر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۵ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۱۴ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

ارائه پراکنده سلسله مراتبی با فرهنگ لغت عمیق برای طبقه بندی چند حالته

عنوان انگلیسی مقاله:

Hierarchical sparse representation with deep dictionary for multi-modal classification

 

 

مشخصات مقاله انگلیسی
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش 
سال انتشار ۲۰۱۷
تعداد صفحات مقاله انگلیسی ۵ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article) 
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله مهندسی الگوریتم ها و محاسبات، هوش مصنوعی
چاپ شده در مجله (ژورنال) محاسبات عصبی – Neurocomputing
کلمات کلیدی نمایش پراکنده سلسله مرتبه ای، لغت نامه عمیق، ویژگی های چند نمایی
کلمات کلیدی انگلیسی Hierarchical sparse representation – Deep dictionary – Multi-view feature
ارائه شده از دانشگاه گروه مهندسی و علوم اطلاعات، دانشگاه چونگ کینگ جیاوتونگ، چین
نمایه (index) Scopus – Master journals – JCR
نویسندگان Zhengxia Wang، Shenghua Teng، Guodong Liu، Zengshun Zhao، Hongli Wu
شناسه شاپا یا ISSN ISSN ۰۹۲۵-۲۳۱۲
شناسه دیجیتال – doi https://doi.org/10.1016/j.neucom.2016.11.079
ایمپکت فاکتور(IF) مجله ۵٫۱۸۸ در سال ۲۰۱۹
شاخص H_index مجله ۱۱۰ در سال ۲۰۲۰
شاخص SJR مجله ۰٫۹۹۶ در سال ۲۰۱۹
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۱۹
بیس نیست 
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۰۲۸۶
لینک مقاله در سایت مرجع لینک این مقاله در نشریه Elsevier
نشریه الزویر

 

مشخصات و وضعیت ترجمه فارسی این مقاله
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۴ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است  
ترجمه متون داخل تصاویر ترجمه نشده است 
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
منابع انتهای متن به صورت انگلیسی درج شده است  

 

فهرست مطالب

چکیده

مقدمه

روش

طبقه بندی مبتنی بر نمایش پراکنده (SRC)

ساختار لغت نامه ی عمیق

طبقه بندی مبتنی بر نمایش پراکنده ی سلسله مرتبه ای (HSRC)

الگوریتم ۱

الگوریتم حل مسئله ی ۶ با استفاده از ALM

HRC در روش های مختلف

آزمایش ها

توصیف ویژگی های مختلف

تنظیمات آزمایشی و معیار ارزیابی

نتایج آزمایشی بر روی مجموعه داده ی دست نوشته ی MF

مباحث

جمع بندی

 

بخشی از ترجمه

چکیده

روش های طبقه بندی بر اساس نمایش پراکنده (SRC) موفقیت زیادی در شناسایی الگو ها و یادگیری ماشینی به دست آورده است . در این روش ها، نمونه های تمرینی تمام دسته ها با هم ترکیب شده و یک لغت نامه را ایجاد میکنند که نمونه ی تست را بر اساس محدودیت های پراکندگی نشان میدهد. سپس، هر دسته بندی با کمترین خطای نمایش ، میتواند به عنوان نمونه ی تست در نظر گرفته شود. به صورت عمومی، SRC نسبت به بسیاری دیگر از روش های یادگیری با سرپرست، انعطاف و کارایی بیشتری دارد. اما در بعضی از موارد، این روش نمیتواند به صورت مناسب نمونه ی تست را نشان دهد و موجب کاهش صحت میشود. برای رفع این موضوع، ما یک روش طبقه بندی مبتنی بر نمایش پراکنده ی سلسله مرتبه ای را با بحث در مورد نمایش پراکنده ی تک لایه در نمایش سلسله مرتبه ای با لغت نامه ی عمیق، ارائه میکنیم. به صورت خاص، ویژگی ها از تمام نمونه های تمرینی نخست در گروه های مختلف بر اساس نام های دسته هایشان تقسیم میشوند. سپس ما از دسته بندی های سلسله ای در هر کدام از این گروه ها استفاده کرده و آن ها را با هم ترکیب میکنیم تا لغت نامه های عمیق ایجاد شود به صورتی که لایه ی ریشه ای تنها شامل مقدار مشخصی از نمونه هایی باشد که با بهترین نحو شرایط را نشان میدهند و لایهی بعدی نیز متمرکز بر روی توصیف اطلاعات فردی باقی مانده در گروه های دیگر باشد. علاوه بر این، ما از پس ماند های لایه پس از لایه استفاده میکنیم تا الگو های تغییر بر روی افراد مختلف در مقیاس های مختلف را کد گذاری کنیم. با در نظر داشتن لغت نامه ی عمیق، یک روش طبقه بندی مبتنی بر نمایش پراکنده ی سلسله مرتبه ای در این مطالعه بیان شده است تا نام هر کدام از تست های نمونه ، با نمایش مکرر بخش اولیه با نمونه گیر در گروه های مختلف مشخص شود اما بخش های باقی مانده ی الگو های تغییر در لایه های مختلف کد گذاری میشود. برای بهبود بیشتر صحت و مقاومت این روش طبقه بندی، ما روش خودمان را با استفاده از داده های تکمیل در ویژگی های چند نمایی، بهبود میدهیم. آزمایش ها بر روی داده های چند ویژگی نشان میدهد که نتایج ما، در مقایسه با جدید ترین روش های طبقه بندی، عملکرد امید بخشی را ارائه میکند.

 

۴- جمع بندی

در این مقاله، ما پیشنهاد میکنیم که طبقه بندی نمایه ی پراکنده ی متداول را با تقویت لغت نامه ی تک لایه بهبود میدهیم تا لغت نامه ی عمیق را ایجاد کنیم. ازین رو، روش طبقه بندی مبتنی بر سلسله مرتبه ای پیشنهاد شده ی ما میتواند از طریق استفاده از نمایش لایه به لایه به صورت موثر، این مشکلات را رفع کند. آزمایش ها بر روی طبقه بندی اعداد دست نوشته، به خصوص با داده های چند ویژگی ، نشان داد که روش ما میتواند در مقایسه با جدید ترین روش های طبقه بندی، صحت بیشتری را فراهم کند. این آزمایش ها نشان میدهد که روش پیشنهادی HSRC ما میتواند بهره ی بهتری از داده های تکمیلی از روش های مختلف ببرد و بتواند صحت و مقاومت طبقه بندی را بهبود بخشد.

 

بخشی از مقاله انگلیسی

Abstract

Sparse representation based classification (SRC) methods have achieved many successes in pattern recognition and machine learning. In such methods, the training samples of all categories are mixed and compose a dictionary to represent the test sample via sparsity constraint. Then, the class with the minimum representation error wins for labeling the test sample. In general, SRC is more flexible and effective than many supervised learning methods. However, in some cases it is unlikely to represent the test sample accurately, which tends to undermine the classification accuracy. To alleviate this issue, we propose a hierarchical sparse representation based classification method by augmenting the single-layer sparse representation into the hierarchical representation with a deep dictionary. Specifically, the features from all training samples are first divided into several groups according to their labels. Then we employ hierarchical clustering in each group and combine them to form a deep dictionary such that the root layer includes only a certain amount of the most representative exemplars while the subsequent layers focus on characterizing the remaining individual information across different groups. Furthermore, we use the layer-after-layer residuals to encode the variation patterns across individuals in different scales. Given the deep dictionary, a hierarchical sparse representation based classification method is presented to determine the label for each test sample by iteratively representing its primary part with the exemplars in different groups but the remaining parts by the variation patterns encoded in different layers. To further improve the classification accuracy and robustness, we extend our method by taking advantage of the complementary information in multi-view features. Experiments on Multiple Features Data Set show promising results compared with the state-of-the-art classification methods.

 

۴- Conclusion

In this paper, we propose to enhance the conventional sparse representation based classification by augmenting the single-layer dictionary to the deep dictionary. Thus, our proposed hierarchical sparse representation based classification method can overcome some issues through the use of more efficient layer-by-layer representation. Experiments on the classification of handwritten digits, especially with multi-view data, show that our method can achieve more accurate classification results compared with the state-ofthe-art counterpart classification methods. It may reveals that our propose HSRC method can better take advantage of the complementary information from multiple modalities to improve the classification accuracy and robustness.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

ارائه پراکنده سلسله مراتبی با فرهنگ لغت عمیق برای طبقه بندی چند حالته

عنوان انگلیسی مقاله:

Hierarchical sparse representation with deep dictionary for multi-modal classification

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *