فایل ورد کامل ارائه پراکنده سلسله مراتبی با فرهنگ لغت عمیق برای طبقه بندی چند حالته

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل ارائه پراکنده سلسله مراتبی با فرهنگ لغت عمیق برای طبقه بندی چند حالته،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۸ صفحه

چکیده

روش های طبقه بندی بر اساس نمایش پراکنده (SRC) موفقیت زیادی در شناسایی الگو ها و یادگیری ماشینی به دست آورده است . در این روش ها، نمونه های تمرینی تمام دسته ها با هم ترکیب شده و یک لغت نامه را ایجاد میکنند که نمونه ی تست را بر اساس محدودیت های پراکندگی نشان میدهد. سپس، هر دسته بندی با کمترین خطای نمایش ، میتواند به عنوان نمونه ی تست در نظر گرفته شود. به صورت عمومی، SRC نسبت به بسیاری دیگر از روش های یادگیری با سرپرست، انعطاف و کارایی بیشتری دارد. اما در بعضی از موارد، این روش نمیتواند به صورت مناسب نمونه ی تست را نشان دهد و موجب کاهش صحت میشود. برای رفع این موضوع، ما یک روش طبقه بندی مبتنی بر نمایش پراکنده ی سلسله مرتبه ای را با بحث در مورد نمایش پراکنده ی تک لایه در نمایش سلسله مرتبه ای با لغت نامه ی عمیق، ارائه میکنیم. به صورت خاص، ویژگی ها از تمام نمونه های تمرینی نخست در گروه های مختلف بر اساس نام های دسته هایشان تقسیم میشوند. سپس ما از دسته بندی های سلسله ای در هر کدام از این گروه ها استفاده کرده و آن ها را با هم ترکیب میکنیم تا لغت نامه های عمیق ایجاد شود به صورتی که لایه ی ریشه ای تنها شامل مقدار مشخصی از نمونه هایی باشد که با بهترین نحو شرایط را نشان میدهند و لایهی بعدی نیز متمرکز بر روی توصیف اطلاعات فردی باقی مانده در گروه های دیگر باشد. علاوه بر این، ما از پس ماند های لایه پس از لایه استفاده میکنیم تا الگو های تغییر بر روی افراد مختلف در مقیاس های مختلف را کد گذاری کنیم. با در نظر داشتن لغت نامه ی عمیق، یک روش طبقه بندی مبتنی بر نمایش پراکنده ی سلسله مرتبه ای در این مطالعه بیان شده است تا نام هر کدام از تست های نمونه ، با نمایش مکرر بخش اولیه با نمونه گیر در گروه های مختلف مشخص شود اما بخش های باقی مانده ی الگو های تغییر در لایه های مختلف کد گذاری میشود. برای بهبود بیشتر صحت و مقاومت این روش طبقه بندی، ما روش خودمان را با استفاده از داده های تکمیل در ویژگی های چند نمایی، بهبود میدهیم. آزمایش ها بر روی داده های چند ویژگی نشان میدهد که نتایج ما، در مقایسه با جدید ترین روش های طبقه بندی، عملکرد امید بخشی را ارائه میکند.

– جمع بندی

در این مقاله، ما پیشنهاد میکنیم که طبقه بندی نمایه ی پراکنده ی متداول را با تقویت لغت نامه ی تک لایه بهبود میدهیم تا لغت نامه ی عمیق را ایجاد کنیم. ازین رو، روش طبقه بندی مبتنی بر سلسله مرتبه ای پیشنهاد شده ی ما میتواند از طریق استفاده از نمایش لایه به لایه به صورت موثر، این مشکلات را رفع کند. آزمایش ها بر روی طبقه بندی اعداد دست نوشته، به خصوص با داده های چند ویژگی ، نشان داد که روش ما میتواند در مقایسه با جدید ترین روش های طبقه بندی، صحت بیشتری را فراهم کند. این آزمایش ها نشان میدهد که روش پیشنهادی HSRC ما میتواند بهره ی بهتری از داده های تکمیلی از روش های مختلف ببرد و بتواند صحت و مقاومت طبقه بندی را بهبود بخشد.

عنوان انگلیسی:Hierarchical sparse representation with deep dictionary for multi-modal classification~~en~~

Abstract

Sparse representation based classification (SRC) methods have achieved many successes in pattern recognition and machine learning. In such methods, the training samples of all categories are mixed and compose a dictionary to represent the test sample via sparsity constraint. Then, the class with the minimum representation error wins for labeling the test sample. In general, SRC is more flexible and effective than many supervised learning methods. However, in some cases it is unlikely to represent the test sample accurately, which tends to undermine the classification accuracy. To alleviate this issue, we propose a hierarchical sparse representation based classification method by augmenting the single-layer sparse representation into the hierarchical representation with a deep dictionary. Specifically, the features from all training samples are first divided into several groups according to their labels. Then we employ hierarchical clustering in each group and combine them to form a deep dictionary such that the root layer includes only a certain amount of the most representative exemplars while the subsequent layers focus on characterizing the remaining individual information across different groups. Furthermore, we use the layer-after-layer residuals to encode the variation patterns across individuals in different scales. Given the deep dictionary, a hierarchical sparse representation based classification method is presented to determine the label for each test sample by iteratively representing its primary part with the exemplars in different groups but the remaining parts by the variation patterns encoded in different layers. To further improve the classification accuracy and robustness, we extend our method by taking advantage of the complementary information in multi-view features. Experiments on Multiple Features Data Set show promising results compared with the state-of-the-art classification methods.

– Conclusion

In this paper, we propose to enhance the conventional sparse representation based classification by augmenting the single-layer dictionary to the deep dictionary. Thus, our proposed hierarchical sparse representation based classification method can overcome some issues through the use of more efficient layer-by-layer representation. Experiments on the classification of handwritten digits, especially with multi-view data, show that our method can achieve more accurate classification results compared with the state-ofthe-art counterpart classification methods. It may reveals that our propose HSRC method can better take advantage of the complementary information from multiple modalities to improve the classification accuracy and robustness.

$$en!!