بخشی از پاورپوینت

--- پاورپوینت شامل تصاویر میباشد ----

اسلاید 1 :

مقدمه
شبکه عصبی استفاده شده
تکنیکهای انتخاب ویژگی
روش پیشنهادی
آزمایشات تجربی

اسلاید 2 :

مساله تشخیص الگو به طور سنتی به مراحل استخراج ویژگی و طبقه بندی تقسیم می شود.

استخراج ویژگی قصد پیدا کردن یک نگاشت را دارد که ابعاد الگوهایی که باید طبقه بندی شود را کاهش دهد.

با جمع آوری ویژگی های مرتبط و حذف ویژگیهای غیر مرتبط هزینه جمع آوری داده های بعدی، ممکن است کاهش یابد.

اسلاید 3 :

با رشد تعداد ویژگی های استفاده شده تعداد مثالهای آموزشی نیاز به رشد نمایی دارند

در بسیاری از کاربردهای عملی نیاز به کاهش ابعاد داده داریم(Dimensionality Reduction).

تحلیل مولفه اصلی (PCA) و تحلیل تفکیک کننده خطی دو تکنیک عمومی استخراج ویژگی هستند.

این تکنیک ها سعی دارند ابعاد داده را با ایجاد ویژگی های جدیدی که ترکیب خطی از ویژگی های اولیه هستند را کاهش دهند.

اسلاید 4 :

به طور کلی انتخاب ویژگی یک مساله سخت است.

در حالت کلی فقط یک جستجوی جامع می تواند یک راه حل بهینه را تضمین کند.

تعداد کمی تکنیک انتخاب ویژگی برپایه تئوری مجموعه فازی پیشنهاد شده است.

شبکه های عصبی خودشان ثابت کرده اند که ابزار قوی در سطح متنوعی از کاربردهای تشخیص الگو هستند.(اگر تعداد ویژگیها کم باشد)

شبکه های عصبی توانایی ترکیب فرایندهای یادگیری, استخراج ویژگی, انتخاب ویژگی و طبقه بندی را در طول یادگیری دارند

اسلاید 5 :

انتخاب ویژگی با شبکه های عصبی می تواند به یک حالت خاص از هرس معماری تصور شود.

فرایند انتخاب ویژگی معمولا مبتنی بر انتخاب برجسته (Saliency) است که منجر به حذف ویژگیهای غیرمرتبط می شود.

از آنجا که بیشتر فرایندها، برجستگی ویژگی ها را در طول فرایند یادگیری محاسبه می کنند این ویژگیها شدیدا وابسته به الگوریتم های یادگیری به کاربرده شده دارند.

اسلاید 6 :

معیار معرفی شده در این مقاله با 5 معیار دیگر مقایسه شده است.
این 5 معیار عبارتند از:
انتخاب ویژگی شبکه عصبی (NNFS)‌ :بر اساس حذف وزنهای لایه ورودی

معیار برجستگی ویژگی وزن-مبنا(تکنیکی بر اساس نسبت سیگنال به نویز (SNR))

معیار برجستگی ویژگی بر اساس حساسیت خروجی شبکه عصبی

آنتروپی فازی

تحلیل تفکیک کننده (معیاری که در روش ارائه شده در این مقاله نیز استفاده شده است).
در ادامه هر کدام را بیشتر توضیح می دهیم

اسلاید 7 :

باید ویژگیهای مرتبط نسبت به ویژگیهای غیر مرتبط یا بلااستفاده تفاوت وزنی زیادی داشته باشند


انتخاب ویژگی بر مبنای واکنش خطای طبقه بندی مجموعه داده ارزیابی – بینابینی (Cross-Validation) به حذف ویژگی های تکی انجام می گیرد

عبارت دوم از R1(w) دقیقا بخش تنزل وزن است، فقط وزنهای ورودی به لایه مخفی را در نظر می گیرد. وزنهای متصل به ویژگیهای بی اهمیت باید در طول یادگیری به سمت مقدار نزدیک صفر میل کنند.

اولین بخش از تابع R1(w)می تواند به عنوان معیاری از شمارش کل وزنهای غیر صفر در شبکه باشد.

اسلاید 8 :

یک الگوریتم تنزل وزن ساده سعی در به دست آوردن وزنهای کوچکتر دارد.
وزنهای کوچکتر منجر به ورودی کوچکتر به نرون ها و اشتقاقهای سیگموید بزرگتر می شود بنابرابن خروجی به افزایش ورودی حساس است.

در حالتی که همه ویژگیها حضور دارند ما تفاوت زیادی بین دقت طبقه بندی به دست آمده برای مجموعه های آموزشی و تست مشاهده می کنیم.

کمتر شدن دقت برای مجموعه تست به دست آمده به این نکته تاکید دارد که حساسیت خروجی به تغییرات ورودی بالا است.

به منظور طبقه بندی ما نیاز به کم بودن حساسیت خروجی نسبت به تغییرات ورودی داریم. از این رو به جای محدودیت وزنهای لایه ورودی از محدودیت اشتقاقهای تابعهای انتقال نرونها استفاده کنیم. با این محدودیت اشتقاقها می توانیم نرونونها را مجبور کنیم که با ناحیه های اشباع کار کنند.

بنابراین حساسیت کم خروجی نسبت به ورودی با مقادیر نسبتا بزرگ وزنها حاصل می شود.

اسلاید 9 :

معیارهای برجستگی ویژگی در انتخاب ویژگی بر مبنای شبکه عصبی

مبتنی بر وزن یا حساسیت خروجی شبکه عصبی

وزنهای متصل به ویژگیهای مهم مقادیر قدر مطلق بزرگ، در حالی که وزن های متصل به ویژگی های بی اهمیت مقادیر خیلی کوچک و احتمالا نزدیک صفر را به دست آوردند.

SNR مبتنی برمقایسه وزن(برجستگی)ویژگی کاندیدا و ویژگی نویز

اسلاید 10 :

SNR در پاسخ به محدودیتهای زیر ایجاد شده است:

یک معیار برجستگی به تنهایی نمی تواند تعداد ویژگی های کاندید مورد استفاده را نشان دهد

تعداد ویژگیهایی که باید انتخاب شوند نشان داد که در هنگام حذف یک ویژگی کاهش قابل ملاحظه ی در دقت طبقه بندی مجموعه داده تست مواجه می شود.

در متن اصلی پاورپوینت به هم ریختگی وجود ندارد. برای مطالعه بیشتر پاورپوینت آن را خریداری کنید