توضیحات
Multi-hypothesis nearest-neighbor classifier based on class-conditional weighted distance metric
طبقه بندی چند فرضیه ای نزدیکترین همسایه بر اساس معیار فاصله وزن دهی
چکیده
عملکرد طبقه بندی نزدیکترین همسایه (NN) بسیار حساس به معیار فاصله است ، به ویژه در مواردی که یک نمونه کمیاب باشد. در این مقاله، یک کلاس مشروط وزن دهی (CCW) برای هر دو برچسب کلاس نمونه های اولیه و الگوهای پرس و جو ارائه شده است.
2. معیار کلاس مشروط وزن دهی
2.1 تعریف اول
(معیار فاصله وزن دهی عمومی) فرضض کنید 
و 
دو الگوی D بعدی با برچسپ های 
و 
باشند. معیار فاصله وزن دهی عمومی بین 
و 
به صورت زیر تعریف می شود.
که در آن 
یک ثابت است که j امین ویژگی در معیار فاصله بین 
و 
است.
تعریف دوم: (معیار فاصله وزن دهی شرطی کلاس) فرض کنید 
مجموعه ای از داده های اولیه باشد. کلاس شرطی وزن دهی شده 
بین الگوی جستجوی y و داده های اولیه 
به صورت زیر تعریف می شود.
که در آن p اندیس کلاس برای داده ی x و q کلاس فرضیه برای الگوی y است.
2.2 استخراج ویژگی های اکتشافی وزن
در بخش قبلی، تعریف معیار فاصله CCW گفته شد و مزایای استفاده از این معیار فاصله پیشنهادی بیان شد. تنها پارامترهای باز در معیار فاصله CCW ویژگی وزنی با قابلیت ارتباط با هر دو کلاس برچسب از نمونه های اولیه و الگوهای پرس و جو هستند.
هدف از این بخش پیدا کردن پارامتر وزنی 
است. واریانس و میانگین کلاس k ام به صورت زیر است.
بین دو کلاس p و q معیار فاصله به صورت زیر محاسبه می شود.
2.3. بهینه سازی ویژگی وزن
فرض کنید مجموعه ای از جفت دیتا از یک کلاس 
به صورت زیر باشد
و مجموعه ای از جفت دیتا از کلاس های مختلف 
و 
به صورت زیر باشد.
برای اندازه گیری 
3. طبقه بندی چند فرضیه نزدیکترین همسایه
طرح کلی روش پیشنهادی طبقه بندی چند فرضیه نزدیکترین همسایه (MHNN) در شکی 2 نشان داده شده است.
که در آن 
طبقه نزدیکترین همسایه بر اساس فاصله CCW تحت فرضیه 
است.
3.2.2. ساخت BBAs در طبقه بندی MHNN
در فرمول DST، میتوان گفت که تنها بخشی از اعتقاد متعلق به ωq است . چون 
به هیچ کلاس دیگری اشاره ندارد سایر اعتقادات باید متعلق به 
(اطلاعات ندانسته) باشد . به طور خلاصه:
زیر طبقه بندی با فرضیه نادرست به CDW-NN کاهش می یابد و به طور متوسط، نرخ خطای طبقه بندی بزرگ تر از طبقه بندی با فرضیه مناسب است معیار فاصله CCW دارد. عوامل باور می تواند به صورت زیر تعیین می شود:
که در آن 
دقت طبقه بندی براساس معیارفاصله CDW و CCW است.
3.2.3. ترکیبی از BBAs در طبقه بندی MHNN
مجموعه I مجموعه ای از فرضیه ها میباشد:
فرض کنید 
شامل ترکیب تمام BBAs ها با I(i) باشد. راه حل ترکیب شواهد به صورت بازگشتی به صورت زیر است:
که در آن 
فاکتور نرمال سازی میباشد. به طوری که 
3.2.4. استراتژی های تصمیم گیری
احتمال هر کلاس ωq به شرح زیر گرفته شده است:
توضیح کد
clc;
clear all;
close all;
در این قسمت از تمام پنجره های باز در نرم افزار مطلب بسته شده و تمام متغیرها پاک شده و نرم افزار برای نوشتن برنامه جدید آماده می شود.
input_data=load(‘Balance.txt’);
%B=>1 , R=>2 , L=3 (Balance dataset)
Class_col=1;
S_col =2;
E_col = 5 ;
دیتاست ورودی خوانده می شود و ستون مربوط به برچسپ کلاس ها و ستون های ویژگی مشخص می شوند.
- دیتاست ورودی فقط باید شامل عدد باشد مثلا در دیتاست Balance حرف B که برچسپ کلاس است به 1 تبدیل شده است.
- S_col و e_col ستون شروع و پایان ویژگی های کلاس و class_col ستون مربوط به برچسپ کلاس ها را نشان می دهد.
قسمتی از کد و گزارش در اینجا نیامده و با خرید دریافت خواهید کرد.
در این بخش با استفاده از فرضیه های مختلف عمل کلاس بندی را انجام می دهد و معادل با بخش (3) در مقاله است.
display(‘======================================================’);
display(‘Left=myresult Right=Trueresult’);
Final_result(:,2) = Test_Target
display(‘======================================================’);
temp = abs(Final_result(:,1) – Final_result(:,2) );
temp = temp>1;
False = sum(temp);
Accuracy=1 – (False / size(Test_Target,1)) ;
display([‘Accuracy=’ num2str(Accuracy)]);
display(‘======================================================’);
در این بخش از برنامه خروجی نمایش داده می شود.
نمونه ای از خروجی برنامه
بعد از اجرای برنامه
======================================================
Left=myresult Right=Trueresult
Final_result =
3 3
3 3
…
1 3
2 1
======================================================
Accuracy=0.92
======================================================
در قسمت finsl_result دو ستون وجود دارد که ستون سمت چپ نتیجه برنامه است و ستون سمت راست مقدار مطلوب است. و در نهایت دقت محاسبه شده است.
کلید واژه : عملکرد طبقه بندی نزدیکترین همسایه (NN),پروژه متلب,شبیه سازی با متلب,matlab project,پروژه matlab,پروژه های آماده متلب,
Pattern classification, Weighted distance metric, Multi-hypothesis nearest-neighbor, Classifier, Dempster–Shafer theory
شبیه سازی مقاله
Multi-hypothesis nearest-neighbor classifier based on class-conditional weighted distance metric
به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.