دانلود ترجمه مقاله SVM چندخطی چند مرتبه ای برای دسته بندی ماتریس داده – مجله الزویر

فهرست مطالب:

چکیده

۱ مقدمه

۲ علامتگذاریها و کارهای وابسته

۱ ۲ فهرست علامات
۲ ۲ ۲DLDA
۳ ۲ SVM خطی
۴ ۲ STM

۳ SVM چند خطی چند مرتبه ای

۱ ۳ رابطه بین SVM و STM
۲ ۳ محدودیت های چند خطی چند مرتبه ای
۳ ۳ فرمول بندی (فرمولاسیون)
۴ ۳ راه حل

۴ تحلیل عملکرد

۱ ۴ تحلیل همگرایی
۲ ۴ مقدار دهی اولیه
۳ ۴ پیچیدگی محاسباتی
۴ ۴ تعیین پارامتر

۵ آزمایشات

۱ ۵ شرح داده ها
۲ ۵ رفتار همگرایی
۳ ۵ نتایج دسته بندی
۴ ۵ مقدار دهی های اولیه مختلف
۵ ۵ پیچیدگی محاسباتی

۶ نتیجه گیری

بخشی از ترجمه:

مقدمه

ماتریس ها یا در حالت عمومی ، آرایه های چند راهه (تانسور ها) اشکال معمول داده های مشاهده شده در رنج وسیعی از کاربردهای حقیقی می باشند. به طور مثال، کلیه تصاویر رستراساساً قرائت های دیجیتالی از گرید یا شبکه حسگرها بوده و در پردازش تصویر مثلاً تصاویر فوتورئالیستیک از چهره ها و کف دست و تصاویر پزشکی از تحلیل ماتریس در سطح گسترده استفاده شده است. در جستجوی وب، به راحتی می توان حجم بزرگی از تصاویر نمایش داده شده به شکل ماتریس را بدست آورد. به علاوه، در داده کاوی ویدیویی، داده ها در هر چارچوب زمانی نیز یک ماتریس محسوب می شوند. بنابراین ، تحلیل داده های ماتریس، به ویژه دسته بندی، به یکی از مهمترین عناوین برای تشخیص الگو و دید و بینایی کامپیوتری تبدیل شده است.

 ۶٫ نتیجه گیری
در این مقاله، یک SVM چند خطی چند مرتبه ای کارآمد به نام MRMLSVM   برای دسته بندی داده های ماتریس پیشنهاد کرده ایم. متفاوت با SVM خطی که داده های ماتریس را در بردار مجدداً فرمول بندی کرده و STM که فقط از یک بردار مصور چپ و راست استفاده کرد، از چندین بردار مصور چپ و تعداد یکسانی بردار مصور راست برای فرمول بندی تابع هدف و ساخت محدودیت ها استفاده کرده ایم. رفتار همگرایی، استراتژی مقدار دهی اولیه، پیچیدگی محاسباتی و مسائل مربوط به تعیین پارامتر نیز مورد تجزیه وتحلیل قرار گرفتند. برای تشریح مسئله، نتایج آزمایشی زیادی پیشنهاد شده است. تحقیق بیشتر شامل توسعه  MRMLSVM به موارد غیر خطی می شود. در اینجا بر مسئله تسریع الگوریتم نیز تاکید خواهیم نمود.  

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه