مطالعه رفتار طبقهبندها از ديدگاه بررسي خطاهای آنها و ارائه راه حل مناسب براي كاهش خطا و افزايش كارآيي طبقهبندها مورد توجه است. عملكرد ضعيف سيستم شناسايي به دلايل تعداد كم نمونههاي يادگير، نويز در دادهها، استفاده از ويژگيهاي شكننده به دليل عدم آگاهي كامل و تسلط كافي أکثر
مطالعه رفتار طبقهبندها از ديدگاه بررسي خطاهای آنها و ارائه راه حل مناسب براي كاهش خطا و افزايش كارآيي طبقهبندها مورد توجه است. عملكرد ضعيف سيستم شناسايي به دلايل تعداد كم نمونههاي يادگير، نويز در دادهها، استفاده از ويژگيهاي شكننده به دليل عدم آگاهي كامل و تسلط كافي بر نوع الگو و استفاده از عملگرهای نامناسب در تعيين پاسخ سيستم، كاهش نرخ شناسايي در تصميمگيري نهايي را به دنبال دارد. با ارائه مدل مناسب آماري براي رفتار يا پاسخ يك سيستم شناسايي، ميتوان عملكرد سيستم شناسايي را بهبود داد.
در اين مقاله يك كليشه تصميم جديد كه با استفاده از مدل مخفي ماركوف ايجاد ميشود، رفتار نرونهاي يك شبكه عصبی پسانتشار خطا را، مدل ميكند. در روشهاي موجود ارتباط بين نرونها و تأثير متقابل آنها در پاسخ به يك الگو مد نظر قرار نميگيرد. ولي عملاً نرونهاي يك شبكه عصبي يا اجزاي يك طبقهبند، با هم بيانكننده عملكرد آن در قبال يك الگو هستند. بنابراين، با استفاده از يك كليشه تصميم جديد مبتني بر مدل مخفي ماركوف، ارتباط بين نرونهاي شبكه عصبي و نحوه پاسخ آن به نمونههاي يادگير، مدل ميگردد تا از آن در شناسايي الگوهاي جديد استفاده شود. روش جديد در مدلكردن رفتار طبقهبند، در سه كاربرد شناسايي ارقام دستنويس فارسي، تشخيص ترافيك عادي در شبكههاي اطلاعرساني و شناسايي نوع وسيله نقليه آزمون ميشود و افزايش قابل توجهي در نرخ شناسايي طبقهبند به دست ميدهد.
تفاصيل المقالة
رایمگ
يقوم نظام رایمگ بتنفيذ جميع عمليات الاستلام والتقييم والحكم والتحرير وتخطيط الصفحة والنشر الإلكتروني للمجلات العلمية.