دانلود مقالات ISI درباره ماشین بردار پشتیبانی + ترجمه فارسی

ماشین بردار پشتیبانی (Support vector machines) یا به طور اختصار SVM الگوریتم طبقه بندی یا classifier بوده و به عنوان یکی از بهترین تکنیک های دسته بندی و پیش بینی و تشخیص outlier شناخته می شود و برخلاف الگوریتم های خوشه بندی در دسته یادگیری با نظارت محسوب می شود و دو فاز آموزش و تست دارد. این روش از جملهٔ روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی از جمله شبکه‌های عصبی پرسپترون نشان داده است. مبنای کاری دسته‌بندی کنندۀ SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد. حل معادله پیدا کردن خط بهینه برای داده‌ها به وسیله روش‌های QP که روش‌های شناخته شده‌ای در حل مسائل محدودیت‌دار هستند صورت می‌گیرد. قبل از تقسیمِ خطی برای اینکه ماشین بتواند داده‌های با پیچیدگی بالا را دسته‌بندی کند داده‌ها را به وسیلهٔ تابعِ phi به فضای با ابعاد خیلی بالاتر می‌بریم. برای اینکه بتوانیم مسئله ابعاد خیلی بالا را با استفاده از این روش‌ها حل کنیم از قضیه دوگانی لاگرانژ برای تبدیلِ مسئلهٔ مینیمم‌سازی مورد نظر به فرم دوگانی آن که در آن به جای تابع پیچیدهٔ phi که ما را به فضایی با ابعاد بالا می‌برد، تابعِ ساده‌تری به نامِ تابع هسته که ضرب برداری تابع phi است ظاهر می‌شود استفاده می‌کنیم. از توابع هسته مختلفی از جمله هسته‌های نمایی، چندجمله‌ای و سیگموید می‌توان استفاده نمود. در واقع SVM برای اینکه داده های غیر خطی را از هم تفکیک کند باید از کرنل های مختلف استفاده کند. برای این کار دیگر در فضای دو بعدی کار نمی کند بلکه داده ها به فضایی با ابعاد بیشتر نگاشت داده می شوند تا بتوان آنها را در این فضای جدید بصورت خطی تفکیک نمود. در واقع ایده اصلی ماشین بردار پشتیبان این است که ابر صفحه هایی در فضا ترسیم کند که عمل تمایر نمونه های مختلف داده را بطور بهینه انجام دهند. ابرصفحه ای را که بیشترین حاشیه جداسازی را دارد پیدا می کند و نزدیک ترین داده های آموزشی به ابر صفحه جداکننده بردارهای پشتیبان نامیده می شوند. در مواقعی که داده ها جدایی پذیر خطی نیستند متغیرهای کمبود یا اسلک تعریف می شوند که نشان دهنده تعداد نمونه هایی هستند که غلط ارزیابی شده اند. زمانی که فضای ویژگی را به ابعاد بالاتر می بریم تا بتوانیم داده ها را جدایی پذیر خطی کنیم انجام محاسبات در این ابعاد می تواند بسیار پیچیده و پر هزینه باشد برای غلبه بر این مشکل از kernel استفاده میکنیم. ماشین بردار پشتیبان نسبت به شبکه های عصبی تئوری قوی تری داشته و به دلیل ساختار برنامه ای quadratic به global optimum میرسد. در مقایسه با شبکه های عصبی نسبت به ovarfitting مقاوم تر است. برای ذخیره مدل پیش بینی فضای کمتری نیاز دارد و به نتایج خوانا تر و یک تفسیر هندسی دست پیدا می کند. الگوریتم SVM، جزو الگوریتم های تشخیص الگو دسته بندی می شود. از الگوریتم SVM، در هر جایی که نیاز به تشخیص الگو یا دسته بندی اشیا در کلاس های خاص باشد می توان استفاده کرد. بعضی از کاربردهای آن عبارتست از: سیستم راهنمایی اتوماتیک اتومبیل، سیستمهای بازرسی کیفیت، پیش بینی بازتاب محصولات شیمیایی، پیش بینی هوا، پیش بینی محصول، سیستمهای تشخیص ترمز کامیون، زمانبندی وسیله نقلیه، سیستمهای مسیریابی و. . . .