کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4970096 1450026 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Pattern classification using smallest normalized difference associative memory
ترجمه فارسی عنوان
طبقه بندی الگو با استفاده از کوچکترین حافظه متداول
کلمات کلیدی
ترجمه چکیده
در این مقاله یک الگوریتم طبقه بندی جدید سازمانی ارائه شده است. الگوریتم پیشنهادی محدودیت های حافظه اصلی آلفا بتا را در بر دارد، در حالی که حفظ ظرفیت یادآوری پایه مجموعه. این الگوریتم دارای دو مرحله است. فاز اول بر اساس یک حافظه اتوماتیک آلفا بتا است که بر خلاف حافظه های وابسته به آلفای بتا نسبی است که در حقیقت از اعداد حقیقی استفاده می شود. در مرحله دوم، تفاوت نرمال شده بین نتایج فاز اول و هر الگوی مجموعه اساسی محاسبه می شود. به منظور نشان دادن رفتار و دقت الگوریتم، چندین مجموعه داده شناخته شده و الگوریتم های طبقه بندی مورد استفاده قرار گرفته است. نتایج تجربی نشان داده اند که پیشنهاد ما به بهترین وجه در سه مسئله طبقه بندی 8 طبقه بندی در زمینه پزشکی با استفاده از اعتبارسنجی متقاطع 10 طبقه تقسیم شده است. پیشنهاد ما بهترین دقت طبقه بندی را به طور متوسط ​​بر روی تمام مجموعه داده های مورد توجه در کار حاضر به دست آورد. نتایج تجربی و آزمونهای آماری معنی داری، به ما اجازه می دهد تا تأیید کنیم که مدل پیشنهادی یک جایگزین کارآمد برای انجام وظایف طبقه بندی الگو است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
طبقه بندی الگو با استفاده از کوچکترین حافظه متداول
چکیده انگلیسی
In this paper a new associative classification algorithm is presented. The proposed algorithm overcomes the limitations of the original Alpha-Beta associative memory, while maintaining the fundamental set recalling capacity. This algorithm has two phases. The first phase is based on an Alpha-Beta auto-associative memory, which works in the domain of real numbers, unlike the traditional Alpha-Beta associative memories. In the second phase, normalized difference between the results of first phase and every pattern of the fundamental set is calculated. In order to demonstrate the behaviour and accuracy of the algorithm, multiple well known datasets and classification algorithms have been used. Experimental results have shown that our proposal achieved the best performance in three of the eight pattern classification problems in the medical field, using Stratified 10 Fold cross-validation. Our proposal achieved the best classification accuracy averaged over the all datasets addressed in the present work. Experimental results and statistical significance tests, allow us to affirm that the proposed model is an efficient alternative to perform pattern classification tasks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 93, 1 July 2017, Pages 104-112
نویسندگان
, , , , ,