فروشگاه پروژه مارکت
سمینار کارشناسی ارشد کامپیوتر بررسی سازوکارهای سنجش کیفیت نگهداشت‌پذیری (Maintainability) محصولات نرم‌افزاری
۱۷ بهمن ۱۳۹۸
پروژه آماده درایو اینورتر کامل ۳ فاز | پروژه آماده کنترل محرکه
۱۷ بهمن ۱۳۹۸
بازسازی توزیع نمونه برای یادگیری مجموعه داده های کوچک
۹۰,۰۰۰ تومان
پروژه آماده درس داده کاوی
پروژه آماده درس خوشه بندی
—
بر اساس مقاله: Rebuilding Sample Distributions for Small Dataset Learning
محتویات محصول:
- شبیه سازی در متلب
- راهنمای شبیه سازی در متلب به فرمت ورد در ۷ صفحه
جزییات پروژه
در این پروژه هدف تولید داده های شبیه سازی آموزشی و مجازی برای افزایش میزان داده های آموزشی برای آموزش بهتر کلاسیفایر میباشد. کلاسیفایرهای مورد استفاده در این پروژه شبکه عصبی BPN و رگرسیون بردار پشتیبان یا SVR میباشد. در این حالت چهاد دسته داده آموزشی مورد استفاده قرار میگیرد
- داده اولیه با حجم کوچک: داده آموزشی کم حجم نرمالی که از دسته بندی داده بدست میآید
- روش Bagging: افزایش داده براساس روش Bagging یا Bootstrap aggregating که در این روش براساس قسمتی از داده مدل خاصی ساخته شده و داده تصادفی براساس مدل ساخته میشود
- روش SMOTE یا Synthetic Minority Over-sampling Technique که براساس نزدیکترین همسایگان اقدام به افزایش حجم داده میکند
- روش پیشنهادی مقاله: در این روش براساس پیدا کردن تابع های عضویت و تخمین توابع اقدام به تولید داده آموزشی میشود.
پس از افزایش داده آموزشی داده به دو نوع کلاسیفایر BPN و SVR اعمال شده و شبکه آموزش میبیند. پس از آموزش شبکه داده تست به شبکه آموزش داده شده اعمال شده و خطای MAPE محاسبه میشود.
توضیحات:باتوجه به مدل مفهومی ( شکل۲) در پژوهش حاضراز دو الگوریتم یادگیری شبکه عصبی Back Propagation(BPN) و رگرسیون بردار پشتیبان(SVR) برای مدل سازی استفاده می شود و دو روش جمع آوری نمونه ، Baggingو SMOTE برای مقایسه صحت مدل ها مورد استفاده قرار میگیرد. در مرحله آماده سازی، نمونه های n به طور تصادفی از مجموعه داده ها به عنوان مجموعه داده آموزشی ترسیم می شوند و N-n باقی مانده به عنوان مجموعه داده تست در نظر گرفته می شود. در مرحله آموزش، یک آزمایش کنترلی با یک گروه کنترل و سه آزمایش انجام می شود. در گروه کنترل، مجموعه آموزش به عنوان یک مجموعه داده کوچک (SDS) در نظر گرفته شده است. در گروه های آزمایشی ۱، ۲ و ۳، مجموعه آموزشی توسط یک مجموعه آموزش جدید ایجاد شده بوسیله Bagging و SMOTE و روش پیشنهادی (PM) جایگزین می شود، در حالی که مجموعه های آموزشی جدید حاوی n واقعی و موارد مصنوعی M میباشد. در نتیجه، مدل ساخته می شود و در مرحله تست، مجموعه تست مورد استفاده قرار می گیرد. نتایج نشان می دهد که روش پیشنهادی با استفاده از Bagging و SMOTEبا بیشترین میزان پشتیبانی آماری بهترعمل می کند.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.