دوره 20، شماره 1 - ( مجله مهندسی برق و الکترونیک ایران - جلد 20 شماره 1 1402 )
جلد 20 شماره 1 صفحات 87-79 |
برگشت به فهرست نسخه ها
گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی
چکیده: (871 مشاهده)
همواره یکی از مهم‌ترین دغدغه‌های داده‌کاوان در اختیار داشتن داده‌هایی صحیح و عاری از خطاست. داده‌هایی که اشتباهات انسانی در آن وجود نداشته باشد و رکوردهای آن تماماً پُر و حاوی داده‌هایی صحیح باشند. در این مقاله یک مدل یادگیری جدید مبتنی بر شبکه عصبی ماشین یادگیر مفرط برای تشخیص داده پرت پیشنهاد می‌شود. عملکرد شبکه‌های عصبی وابسته به پارامترهای مختلفی از قبیل ساختار آن، وزن‌های اولیه، تعداد نورون‌های لایه پنهان و نرخ یادگیری است. محاسبات کوانتومی یک روش جدید پردازش اطلاعات بر مبنای مکانیک کوانتومی است که امروزه مفاهیم آن در کاربردهای هوش‌مصنوعی نیز مورد استفاده قرار می‌گیرد. در روش پیشنهادی، شبکه عصبی ماشین یادگیری مفرط با استفاده از مفهوم خوشه‌بندی فازی c-Means کوانتومی، بهبود می‌یابد. این خوشه‌بندی به پیدا کردن وزن بهینه اتصالات لایه ورودی به لایه پنهان شبکه عصبی کمک می‌کند. همچنین باعث می‌شود، معماری شبکه در لایه پنهان به شکل سازنده‌ای شکل بگیرد و یادگیری بهبود یابد. عملکرد روش پیشنهادی از لحاظ صحت، نرخ صحیح مثبت و نرخ صحیح منفی نشان‌دهنده برتری روش پیشنهادی در تشخیص داده پرت نسبت به روشهای دیگر است.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |