@ARTICLE{Houshmand, author = {Adabi, Seyyed Amir and Houshmand, Mahboobeh and Hosseini, Seyyed Abed and }, title = {Outlier Detection Using Extreme Learning Machines Based on Quantum Fuzzy C-Means}, volume = {20}, number = {1}, abstract ={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. }, URL = {http://jiaeee.com/article-1-1382-fa.html}, eprint = {http://jiaeee.com/article-1-1382-fa.pdf}, journal = {Journal of Iranian Association of Electrical and Electronics Engineers}, doi = {10.52547/jiaeee.20.1.79}, year = {2023} }