تحلیل تمایز میانگین محلی فازی بهبود یافته از طریق بهینه‌سازی تکراری برای تبدیل ویژگی و طبقه‌بندی

نویسندگان

1 گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

2 دانشگاه آزاد اسلامی، واحد مشهد، مشهد، ایران

3 دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، مشهد، ایران

doi
چکیده

تحلیل تمایز میانگین محلی فازی (FLMDA) یک روش کاهش بعد نظارت شده است . روش FLMDA طلاعات محلی را برای ساختن پراکندگی‌های بین‌کلاسی و درون‌کلاسی جمع‌آوری می‌کند. با این حال، پس از تبدیل ویژگی با استفاده از FLMDA ، نقاط داده نزدیک ممکن است متفاوت باشند. این واقعیت می‌تواند عملکرد طبقه‌بندی را کاهش دهد. در روش پیشنهادی، فرآیند استخراج ویژگی بر اساس لیست داده‌های مجاور پس از تبدیل تکرار می‌شود و این فرآیند تا همگرایی ادامه می‌یابد. بنابراین، فرض بر این است که اطلاعات محلی تا حد امکان حفظ شده و تمایز محلی بین نمونه‌های کلاس‌های مختلف افزایش می‌یابد. آزمایش‌های انجام‌شده بر روی مجموعه‌ داده‌های مختلف دانشگاه کالیفرنیا، ایروین (UCI) برتری روش پیشنهادی را در مقایسه با روش‌های مشابه نشان می‌دهد .