مقاله با عنوان  Ensemble decision forest of RBF networks via hybrid feature clustering approach for high-dimensional data classification (ترجمه مقاله جنگل تصمیم مجموعه شبکه های RBF از طریق رویکرد خوشه بندی ویژگی ترکیبی برای طبقه بندی داده ها در ابعاد بالا) را از اینجا دانلود کنید.

پشتیبانی: دارد. در صورت هرگونه مشکل با شماره 09367938018 در واتس اپ یا تلگرام و یا جهت سفارش ترجمه مقاله با پشتیبانی به شماره 09191732587 در واتس اپ یا تلگرام تماس حاصل فرمایید.

کیفیت محصول: عالی

قیمت: 15000 تومان

ژورنال: Elsevier

سال مقاله: 2019

چکیده:

طبقه بندی داده های با ابعاد بالا به دلیل بار محاسباتی سنگین و کاهش دقت الگوریتم ها چالش برانگیز است. به منظور کاهش این اثرات ، از روشهای انتخاب ویژگی که می توانند زیرمجموعه ای از ویژگیهای کارآمد را تعیین کنند ، در پردازش استفاده می شود. با این حال ، بیشتر این تکنیک ها فقط به یک زیر مجموعه از ویژگی های غیر زاید از جمله بهترین ها دست می یابند. متناوباً ، از رویکردهای خوشه بندی می توان برای یافتن آموزنده ترین خوشه ویژگی ها به جای تولید فقط یک زیرمجموعه استفاده کرد. به اصطلاح ، روش خوشه بندی ترکیبی (HFC) با حداکثر نگه داشتن مقدار ویژگی های زاید در هر خوشه ، می تواند دقت طبقه بندی را به حداکثر برساند. الگوهای هر خوشه توسط یک درخت عصبی طبقه بندی می شود که برای گره ها از عملکرد پایه شعاعی (RBF) استفاده می کند. در درون هر درخت عصبی ، یک روش سلسله مراتبی برای انتقال دانش وزن سیناپسی از یک گره RBF والدین به هر کودک پیشنهاد شده است. به منظور جمع آوری نتایج ، شبکه ای از دروازه ها در جنگل این درختان عصبی اعمال می شود. با ارزیابی دقت طبقه بندی و پیچیدگی محاسباتی در مجموعه داده های با ابعاد بالا می توان نشان داد که راه حل پیشنهادی از طبقه بندی کننده های هنر بهتر عمل کرده است. علاوه بر این ، پیچیدگی محاسباتی و همگرایی این روش از نظر تئوری اثبات شده و تجزیه و تحلیل قدرت در شرایط پر سر و صدا انجام شده است.

Abstract  

Classification of the high-dimensional data is challenging due to the curse of dimensionality, heavy computational burden and decreasing precision of algorithms. In order to mitigate these effects, feature selection approaches that can determine an efficient subset of features are utilized in the processing. However, most of these techniques attain just one subset of non-redundant features including the best ones. Alternatively, clustering approaches can be used to find the most informative clusters of features instead of generating just a single subset. So called, Hybrid Feature Clustering (HFC) method is capable of maximizing the classification accuracy while keeping the amount of redundant features in each cluster low. The patterns of each cluster are classified by a neural tree that employs Radial Basis Function (RBF) for the nodes. Within each neural tree, a hierarchical approach is proposed to transfer the knowledge of synaptic weights from a parent RBF node to each child. A gating network is applied on the forest of these neural trees in order to aggregate the results. By assessing the classification accuracy and the computational complexity on high-dimensional datasets it can be shown that the proposed solution has outperformed the state of the art classifiers. Furthermore, the computational complexity and the convergence of this method are theoretically proven and the robustness analysis under noisy conditions are conducted.