• ورود کاربران دانشگاهی

  • ثبت نام(مطالعه آنلاین پایان نامه ها)

  • سپندا

    کاربر مهمان
    پنجشنبه 2 آذر 1396| 54.146.50.80 :Your IP
    سامانه پایان نامه های دانشگاه اصفهان (سپندا)



    عنوان :
    ارائه راهکار‌‌های انتخاب ویژگی مبتنی بر الگوریتم های نظریه گراف با در نظرگرفتن روابط میان ویژگیها
    انتشارات : دانشگاه اصفهان
    سال :1394
    زبان : Persian
    شماره سند : 13532
    موضوع :مهندسی کامپیوتر گرایش هوش مصنوعی
    پژوهشگر : سعید آزادی فر
    توصیفگر لاتین : Feature Selection ? Filter Method ? Social Network Technique ? Maximum Weighted Clique ? Edge-Centrality
    توصیفگر فارسی : انتخاب ویژگی ◄ راهکار فیلتر ◄ تکنیک های شبکه اجتماعی ◄ کلیک بیشینه وزن دار ◄ مرکزیت یال
    دانشکده : دانشکده کامپیوتر، گروه هوش مصنوعی
    مقطع : کارشناسی ارشد

    استاد راهنما : سید امیرحسن منجمی
    استاد مشاور :
    سال دفاع : 1394
    شماره رکورد : 13532
    شماره راهنما : COM2 358
    فهرست : فهرست مطالب
    عنوان صفحه
    فصل اول: کلیات پژوهش
    1-1- مقدمه 1
    1-2- چالش‌های تحقیق 5
    1-3- اهداف پایان‌نامه 6
    1-4- دستاوردهای پایان¬نامه 7
    1-5- دورنمای پایان¬نامه 7
    فصل دوم: پیشینه تحقیق
    2-1- مقدمه 9
    2-2- دسته‌بندی روش‌های انتخاب ویژگی 10
    2-2-1- راهکار فیلتر 11
    2-2-2- راهکار پوششی 18
    2-2-3- راهکار ترکیبی 23
    2-2-4- راهکار تعبیه‌شده 23
    2-3- مقدمه‌ای بر خوشه‌بندی 25
    2-3-1- مروری بر روش‌های انتخاب ویژگی مبتنی بر خوشه‌بندی ویژگی‌ها 26
    فصل سوم: مفاهیم اولیه تکنیک‌‌های شبکه اجتماعی و تئوری گراف
    3-1- شبکه‌‌های اجتماعی 29
    3-2- مرکزیت در شبکه‌‌های اجتماعی 30
    3-2-1- شاخص‌‌های مرکزیت 30
    3-2-1-1- مرکزیت درجه 30
    3-2-1-2- مرکزیت نزدیکی 31
    3-2-2- مرکزیت در شبکه‌‌های وزن¬دار 33
    3-2-3- شاخص مرکزیت یال 33
    3-3- تشخیص جامعه 34
    عنوان صفحه
    3-3-1- انواع روش‌های تشخیص جامعه 34
    3-3-1-1- روش سلسله مراتبی 34
    3-3-1-2- روش تقسیم‌بندی 35
    3-3-1-3- روش‌های احتمالی و شبکه‌‌های بیزین 35
    3-3-1-4- روش‌های مبتنی بر حذف یال‌ها 36
    3-3-1-5- روش‌های طیفی 36
    3-3-1-6- روش‌های مبتنی بر حداکثر سازی پیمانه شبکه 37
    3-3-1-7- روش‌های مبتنی بر تراکم 37
    3-3-1-8- روش‌های مبتنی بر مدل 37
    3-4- کلیک بیشینه وزن¬دار 38
    فصل چهارم: روش‌ پیشنهادی اول
    4-1- مقدمه 41
    4-2- شرح روش پیشنهادی اول 41
    4-2-1- بازنمایی گرافی مسئله 42
    4-2-2- خوشه‌بندی ویژگی‌ها 43
    4-2-3- انتخاب زیرمجموعه ویژگی بهینه با استفاده از مفهوم مرکزیت گره 44
    4-3- تحلیل کارایی روش پیشنهادی اول 48
    4-4- تحلیل پیچیدگی محاسباتی روش پیشنهادی اول 50
    4-5- ارزیابی روش پیشنهادی اول 51
    4-5-1- مجموعه‌های داده‌ای 51
    4-5-2- دسته‌بند‌ها 53
    4-5-3- تنظیم پارامتر‌های روش پیشنهادی اول 54
    4-5-4- نتایج عملی 55
    4-6- جمع‌بندی 60

    عنوان صفحه
    فصل پنجم: روش‌ پیشنهادی دوم
    5-1- مقدمه 62
    5-2- شرح روش پیشنهادی دوم 63
    5-3- تحلیل کارایی روش پیشنهادی دوم 65
    5-4- تحلیل پیچیدگی محاسباتی روش پیشنهادی دوم 68
    5-5- ارزیابی روش پیشنهادی دوم 69
    5-5-1- مجموعه‌های داده‌ای 69
    5-5-2- دسته‌بندی کننده‌ها 70
    5-5-3- تنظیم پارامتر‌های روش پیشنهادی دوم 71
    5-5-4- نتایج عملی 72
    5-6- تحلیل آماری روش پیشنهادی دوم 78
    5-7- مقایسه عملکرد روش‌های پیشنهادی 80
    5-8- جمع‌بندی 83
    فصل ششم: جمع‌بندی و کارهای آینده
    6-1- جمع‌بندی 85
    6-2- خلاصه نوآوری‌‌های موجود در پایان‌نامه 87
    6-3- کارهای آینده 87
    منابع 89





    چکیده :
    چکیده با پیشرفت روزافزون تکنولوژی در زمینه داده¬کاوی در حوزه¬های علمی مختلف، مجموعه داده¬های با ابعاد بسیار بالا در حال افزایش است که منجر به کاهش کارایی الگوریتم‌های دسته¬بندی می-شود. بسیاری از مسائل یادگیری دارای مجموعه¬های داده¬ای با تعداد ویژگی¬های زیاد و تعداد الگوهای کم هستند. بنابر¬این به تکنیک¬هایی جهت کاهش تعداد ویژگی¬ها برای بهبود دقت دسته¬بندی نیاز است. در انتخاب ویژگی یک زیرمجموعه مناسب از ویژگی‌های اولیه انتخاب می‌شود. انتخاب ویژگی به‌عنوان یک تکنیک مهم، یک مرحله در طراحی سیستم¬های تشخیص الگو و یادگیری ماشین محسوب می‌شود و فرایندی است که مناسب‌ترین ویژگی¬ها را از یک مجموعه اولیه انتخاب می‌کند. در این پایان‌نامه با استفاده از تکنیک¬های شبکه¬های اجتماعی و مفهوم کلیک بیشینه دو روش جدید انتخاب ویژگی ارائه شده است. ازآنجا که در فرایند انتخاب زیر¬مجموعه بهینه از ویژگی¬ها از الگوریتم یادگیری استفاده نشده است هر دو روش مبتنی بر راهکار فیلتر هستند و در هر دو حالت بدون ناظر و باناظر قادر به انتخاب زیرمجموعه بهینه می¬باشند. در روش پیشنهادی اول، استفاده از معیار مرکزیت گره و مرکزیت یال و ترکیب آن با خوشه‌بندی ویژگی‌ها سبب ارائه یک روش انتخاب ویژگی کارا شد. در این روش پیشنهادی، پس از خوشه‌بندی ویژگی‌ها، با استفاده از معیار مرکزیت گره و در نظر گرفتن مناسب بودن هر ویژگی و همچنین با استفاده از معیار مرکزیت یال به-منظور ارزیابی شدت ارتباط میان ویژگی‌ها، ویژگی¬های انتخابی دارای حد¬اکثر تاثیر و حداقل افزونگی هستند. در روش پیشنهادی دوم استفاده از مفهوم مسئله کلیک بیشینه وزن¬دار و ترکیب آن با معیار مرکزیت یال سبب ارائه یک روش انتخاب ویژگی کارا شد. در این روش پیشنهادی، پس از یافتن کلیک بیشینه وزن¬دار در یک فرایند تکراری، با استفاده از معیار مرکزیت یال و در نظر گرفتن مناسب بودن هر ویژگی، ویژگی‌های تأثیرگذار و دارای حداقل افزونگی از هر کلیک بیشینه شناسایی شده و به‌عنوان ویژگی‌های نهایی انتخاب می‌شوند. ارزیابی روش‌های پیشنهادی در هر دو حالت بدون ناظر و باناظر و مقایسه کارایی آن¬ها با سایر روش‌های مبتنی بر راهکار فیلتر نشان داد که روش‌های پیشنهادی هم از نظر کارایی و هم از نظر سودمندی دارای کارایی مناسبی هستند و در بسیاری از مجموعه‌های داده‌ای، در بین تمام روش‌های انتخاب ویژگی مورد مقایسه، دارای بهترین کارایی بودند. کلیدواژه‌ها: انتخاب ویژگی، راهکار فیلتر، تکنیک¬های شبکه اجتماعی، کلیک بیشینه وزن¬دار، مرکزیت یال

    چکیده انگلیسی :
    Abstract By the increasing development of technology in the field of data mining in different scientific fields, high-dimensional data sets is increasing, leading to a decrease in the efficiency of classifier. Many of learning problems have data collection with a large number of features and the number of their patterns are low. Therefore, techniques to reduce the number of features to improve classification accuracy are required. In the feature selection, a proper subset of original features is selected. Feature selection, as an important technique, a step in the design of pattern recognition and machine learning systems is considered and is a process that most appropriate features, from an initial set is selected. In this thesis by using the social network techniques and concept of maximum click of two new feature selection method has been presented. Since in both methods, the process of selecting the optimal subset of features has been not used from learning algorithm both methods are filter based. In the first proposed method, using the criterion of node centrality and the edge centrality and combining it with clustering of features therby providing an efficient method that was able to search for optimal subset in both unsupervised and supervised modes. In this proposed method, after the clustering of features, by using criterion of the node centrality and consider the suitability of each feature and also by using criterion of edge centrality In order to measure the intensity of relationship between features, optional features has the maximum effect and minimum redundancy. In the second proposed method uses the concept of maximum click weighted and combining it with criterion of centrality edge causes providing an efficient feature selection method that was able to select the optimal subset in both unsupervised and supervised modes. In this proposed method, after the finding maximum click weighted in an iterative process, by using criterion of centrality edge and considers the suitability of each feature impressive features and has the minimum redundancy from the each maximum click identified and as final features are selected. Evaluation of suggested methods in both modes, unsupervised and supervised and compare their performance with other methods based on filtering solution showed that the proposed methods are useful both in terms of efficiency and in terms of performance and in many data sets, among all feature selection methods under the compared, had the best performance. Keywords: Feature Selection, Filter Method, Social Network Technique, Maximum Weighted Clique, Edge-Centrality.


    کلید واژه ها :
    انتخاب ویژگی ◄ راهکار فیلتر ◄ تکنیک های شبکه اجتماعی ◄ کلیک بیشینه وزن دار ◄ مرکزیت یال,Feature Selection ◄ Filter Method ◄ Social Network Technique ◄ Maximum Weighted Clique ◄ Edge-Centrality

    مهر ماه 1394
    0

    صفحه اول : University of Isfahan Faculty of Computer Engineering Department of Artificial Inteligence Engineering M.Sc. Thesis Graph Theory Based Approachs for Feature Selection Considering Features Relevance Supervisor: Dr. Seyed Amirhasan Monadjemi By: Saeid Azadifar October 2015
    فصل اول : 1-8
    فصل دوم : 9-28
    فصل سوم : 29-40
    فصل چهارم : 41-61
    فصل پنجم : 62-84
    فصل ششم : 85-96