دانلود ترجمه مقاله طرح ویژگی سیستم طبقه بندی مبنی بر xcs در برابر ucs – مجله ACM

• فهرست مطالب:

چکیده
۱٫مقدمه
۲٫تاریخچه
سیستم های دسته کننده ی یادگیری
سیستم های دسته کننده ی یادگیری نظارت شده
کارهای مرتبط
۳٫ روش طبقه بندی
ویژگی های شبهHaar
کدگذاری مشخصات شبه Haar
سیستم طبقه بندی الگوی ویژگی
سیستم طبقه بندی الگوی ویژگی نظارت شده
۴٫ماتریس سردرگمی برای تقسیم
ماتریس سردرگمی برای FPCS
ماتریس سردرگمی UFPCS
۵٫آزمایشات
مجموعه داده
جزئیات اجرا
مقایسه عملکرد FPCS با UFPCS در مجموعه داده MNIST
یادگیری هدایت شده ی ماتریس سردرگمی
روش تقسیم در FPCS
روش تقسیم در UFPCS
مقایسه ی عملکرد UFPCS در مجموعه داده ی NIST
عملکرد FPCS در NIST
۶٫”بررسی”
وضوح قانون
۷٫نتیجه گیری و اهداف آینده

•  بخشی از ترجمه:

۷٫نتیجه گیری و اهداف آینده
در این مقاله یک FPCS مبتنی بر XCS با یک UFPCS مبتنی بر UCS برای طبقه بندی تصویر ، مقایسه شدند . عملکرد در مجموعه داده های MNIST برای تشخیص عددی ( ۱۰ گروه ) در زمان مقایسه با روش های دیگر که از ویژگی های شبه Haar استفاده می کردند ، رقابتی بود . با این حال روش هایی که برای انسان قابل خواندن نیست ، به صحت طبقه بندی بیشتری دست یافتند .به منظور پیشرفت عملکرد صحت طبقه بندی ، مفهوم معیار ابهام (اشتباه ) برای هدایت یک روش تقسیم در هر دو سیستم معرفی شده است . فلسفه ی طرح FPCS منجر به ایجاد یک ماتریس متقارن شده است که LCS فرعی را قادر به حل موقعیت های مبهم تا میزان (۹۱±۱% – ۹۵±۱%) میسازد .توجه داشته باشید که این روش به صحت پایه نیاز دارد تا برای تشکیل ماتریس سردرگمی شناخته شده در دسترس باشد . به طور مهم ، این مقاله نشان می دهد که ماتریس سردرگمی برای UFPCS متقارن است ، بنابراین نمی تواند به آسانی برای هدایت پیشرفت های مشابه روش تقسیم مورد استفاده قرار گیرد . به طور عکس ، UFPCSدر این مجموعه داده ها بهتر عمل می کند ، زیرا برای تشکیل یک طرح نگاری کامل تلاش نمی کند ، تنها قوانین ضروری را به هر گروه اختصاص می دهد . در دامنه هایی با تعداد گروه های کم ، سیستم های مبتنی بر XCS امیدوار کننده به نظر می رسند . زمانی که تعداد گروه ها افزایش می یابد ، اساسا تعداد قوانین مورد نیاز افزایش می یابد و از کاربرد سیستم های مبتنی بر UCS پشتیبانی می کند . تحقیقات آینده با در نظر گرفتن افزایش تعداد گروه ها به ۶۲ و تست کردن عملکرد UFPCS در مجموعه داده های NIST آغاز می شوند . علاوه بر این تلاش ما بر این است که صحت سیستم ها را با جایگزین کردن ویژگی های شبه Haar با ویژگی های پیشرفته تری که مکانیسم های تشخیص الگوی بیولوژیکی را تقلید می کنند ، بهبود بخشیم .

• بخشی از مقاله انگلیسی:

۷٫ CONCLUSIONS AND FUTURE WORK

This work compared an XCS-based FPCS with an UCSbased (UFPCS) for image classification. Performance on the well-known MNIST dataset for numerical recognition (10 classes) was competitive when compared with other approaches that used Haar-like features. However, non-human readable approaches have achieved higher classification accuracies (e.g., [5, 12]). In order to improve the classification accuracy performance the concept of confusion matrices to guide a divide and conquer approach was introduced into both systems. The complete map philosophy of FPCS led to a symmetric matrix, which enabled sub-LCS to resolve confused states to a degree (91±۱% improved to 95±۱%). Note that this approach requires the ground truth to be available to form the known confusion matrix, so is not pure reinforcement learn- 845 ing. Importantly, this work shows that the confusion matrix for UFPCS was asymmetric, so could not easily be used to guide a divide and conquer approach similar improvements (albeit performance did not suffer). The complete map approach did not scale well to the character recognition task, due to the number of classes (26 classes per set) requiring multiple rules for both correct and incorrect action mapping. Analysis of the domain also showed that niches were present within a class further increasing the search space for rules. In contrast UFPCS performed well on these datasets (NIST uppercase and lowercase) as it did not attempt to form a complete mapping, only allocating the necessary rules for each class. In domains with a small number of classes, the XCS-based system appears promising as the complete mapping highlights confusions, so can guided divide and conquer learning. As the number of classes increases, the number of required rules increases substantially, supporting the use of UCS-based systems. Our future work will consider increasing the number of classes to 62 and test the performance of the UFPCS on the NIST dataset. In addition, we attempt to improve the accuracy of the system by replacing Haar-like features with more high-level features (e.g., features that capture curves and lines) that mimic biological pattern recognition mechanisms.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله