تحقیق آماده با موضوع ماشین بردار پشتیبان (SVM) - شامل 22 صفحه فایل ورد

1 مقدمه. 1

2 حد بالا برای تعمیم‌پذیری کارایی یک ماشین یادگیر در شناسایی الگو. 4

3 بعد VC.. 4

3 – 1 نقاط خردشونده با صفحات در فضای Rn 5

3-2 بعد VC و تعداد پارامترها 6

4 ماشین‌های بردار پشتیانی خطی، مورد جدایی‌پذیر. 7

4-1 Karush-Kuhn-Tucker 11

4-2 تست.. 12

4-3 شرایط جدایی ناپذیر. 12

5 بردارهای پشتیبان غیرخطی.. 15

5-1 شرایط Mercer 16

6 راه حل‌های فراگیر و یکتایی.. 18

7 روش‌های حل. 18

8 بعد VC ماشینهای بردار پشتیبان. 19

8-1 بعد VC مربوط به کرنلهای RBF (Radial Basis Function) 20

9 مراجع. 21

در این گزارش به بررسی بردارهای پشتیبان خطی و عملکرد آن­ها در مسائل مربوط به دسته بندی می­پردازیم. استفاده از بردارهای پشتیبان خطی (SVM's) در مسائل دسته بندی، رویکرد جدیدی است که در چند ساله اخیر مورد توجه بسیاری قرار گرفته است و از آن در طیف وسیعی از کاربردها از جمله OCR، تشخیص دستخط، تشخیص علائم راهنمایی و ... استفاده کرده­اند. رویکرد SVM به این صورت است که در فاز آموزش، سعی می­شود که مرز تصمیم گیری (Decision Boundry) به گونه­ای انتخاب گردد که حداقل فاصله آن با هر یک از دسته­های مورد نظر ماکزیمم گردد. این نوع انتخاب باعث می­شود که تصمیم گیری ما در عمل، شرایط نویزی را به خوبی تحمل کند و پاسخ دهی خوبی داشته باشد. این نحوه انتخاب مرز بر اساس نقاطی به نام بردارهای پشتیبان انجام می­شود. در این گزارش ما ابتدا مفاهیمی چون تعمیم پذیری یک ماشین شناسایی الگو و بعد VC را که کاربرد زیادی در مفاهیم ماشین­های دسته بندی دارند بررسی می­کنیم و سپس به توضیح بردارهای پشتیبان خطی، غیر خطی و توابع کرنل می­پردازیم. در نهایت نیز بعد VC را برای برخی از این توابع مورد مطالعه قرار می­دهیم.

دانلود مقاله ISI طبقه بندی تصویر سونوگرافی بر اساس ماشین بردار پشتیبانی با دو ویژگی مولفه های مستقل

موضوع فارسی :طبقه بندی تصویر سونوگرافی بر اساس ماشین بردار پشتیبانی با دو ویژگی مولفه های مستقل

موضوع انگلیسی :<!--StartFragment -->

Ultrasonic image classification based on support vector machine with two independent component features

تعداد صفحه :8

فرمت فایل :PDF

سال انتشار :2011

زبان مقاله : انگلیسی

عدم تعادل نسبت جنسیتی در هنگام تولد به یک پدیده جدی در چین بوده است. برای حل این مشکل، یک طرح برای طبقه بندی تصویر مافوق صوت است که برای جلوگیری از بررسی جنسیت جنین با اهداف غیر پزشکی ارائه شده است. دهها هزار نفر از تصاویر مافوق صوت با و بدون اندام های جنسی جمع آوری می شوند برای ایجاد یک پایگاه داده حرفه ای است. این تصاویر ابتدا با برداشت، حذف نویز و فشرده سازی پیش پردازش. و پس از آن، تجزیه و تحلیل مولفه های مستقل (ICA) برای استخراج ویژگی تحت دو معماری، که به اطلاعات محلی و جهانی به ترتیب اعمال می شود. معماری برای اولین بار از رفتار تصاویر به عنوان متغیرهای تصادفی و پیکسل به عنوان نتایج، در حالی که رفتار دوم پیکسل به عنوان متغیرهای تصادفی و تصاویر را به عنوان نتایج. پس از آموزش از نمونه انتخاب شده، یک ماشین بردار پشتیبان (SVM) طبقه بندی که ترکیب این دو نمایندگی ICA است برای به رسمیت شناختن تاسیس و عملکرد خوب برای داده های تست داده می شود. در نهایت، برخی تکنیک جدید برای بهبود الگوریتم در آینده پیشنهاد شده است.
© 2011 الزویر همه حقوق محفوظ است.