نویسندگان
دانشکده فنی و مهندسی، دانشگاه پیام نور،ﺗﻬﺮان، اﻳﺮان
چکیده
SVM یک الگوریتم یادگیری مرتبط به تجزیه و تحلیل دادهها و تشخیص الگوها مورد استفاده میباشد. اما مسئله مهمی که وجود دارد دادههای تکراری و همچنین زمان پردازش واقعی آن بدرستی مورد محاسبه واقع نشده است. به همین دلیل در این مقاله ما یک روش +DCSVM که برای کاهش طبقهبندی دادهها با استفاده از تکنیک وزندهی در+ SVMاست را ارائه دادهایم. روش پیشنهادی که با در نظر گرفتن پارامترها نسبت به+ SVM زمان پاسخگویی بهینه دارد. با مشاهده پارامتر حجم دادهها و چگالی آنها توانستیم اندازه بازه را بهصورت موردی قسمتبندی نماییم که این طبقهبندی نسبت به مطالعه موردی بررسی شده زمان اجرای الگوریتم +SVM را کاهش میدهد. همچنین با ارائه تابع هدف روش پیشنهادی، توانستیم با ادغام نمودن پارامترها و قسمتبندی دادهها، دادههای تکراری را نسبت به +SVM کاهش داده و درنهایت حدآستانهای برای روش +DCSVM ارائه نمودیم تا با توجه به تابع صلاحیت، زمان پردازش را کاهش داده و همچنین سرعت پردازش دادهها را افزایش دهیم. در نهایت الگوریتم پیشنهادی با تکنیک وزندهی تابع نسبت به +SVM از لحاظ کارآمدی بهینه شده است.
کلیدواژهها