|
مقاله : روش هاي پیش پردازش داده ها و تشخیص الگو
فرمت : pdf
تعداد صفحه : 64
قیمت : مبلغ ۶هزار تومان
مقدمه فصل اول :
داده هاي خام معمولا دچار مشکلاتی مانند نویز، بایاس، تغییرات شدید در بازه دینامیکی و نمونه برداري هستند و استفاده از آنها به همین صورت موجب تضعیف طراحی هاي بعدي خواهد شد. پیش پردازش شامل تبدیلات پیچیده تري که براي کاهش ابعاد داده ها مورد استفاده قرار می گیرد نیز می شود. به طور خلاصه می توان گفت پیش پردازش داده ها شامل همه تبدیلاتی است بر روي داده هاي خام صورت می گیرد و آن ها را به صورتی در می آورد که براي پردازش هاي بعدي نظیر استفاده در دسته بندي، ساد هتر و موثرتر می سازد. ابزارها و روش هاي مختلفی براي پیش پردازش وجود دارد مانند بهنجار کرد ن ، که داده ها ر ا به داده هایی جدید با بازه تغییرات و یا توزیع مناسب تبدیل م یکند. سفید کردن ، که در ناهمبسته کردن داده ها استفاده می شود. کاهش ابعاد ، که براي حذف داده هاي تکراري، اضافه و یا نامربوط براي دسته بندي اس تفاده می شود. در ادامه به توضیح روش هاي مختلف در پیش پردازش سیگنال ها می پردازیم. اطلاعات خوبی در این زمینه آورده شده است
مقدمه فصل دوم :
سادگی عمل وقتی که ما یک چهره را تشخیص می دهیم ، کلمات را متوجه می شویم، حروف دست نوشته را می خوانیم، کلید ماشین داخل جیبمان را با لمس کردن شناسایی می کنیم و از روي بوي سیب متوجه می شویم که رسیده است یا نه ، سبب شده است که به پیچیدگ ی عملیاتی که تحت عنوان تشخیص الگو در این فرایندها صورت می پذیرد کمتر توجه کنیم . تشخیص الگو، روشی است علمی که هدف آن دسته بندي اشیا به تعدادي موضوع یا کلاس می باشد. بسته به کاربرد این اشیا م ی توانند عکس، سیگنال، یا هر نوع اندازه گیري باشند که به دسته بندي نیاز دارند . با اینکه تشخیص الگو داراي تاریخچه اي طولانی است ولی تا قبل از سال 1960 بیشتر در حد پژوهش هاي تئوري در علم آمار مطرح بود . همانند بسیاري علوم د یگري، پیشرفت کامپیوتر سبب افزایش نیاز به کاربردهاي عملی تشخیص الگو گردید و در نتیجه موجب گسترش پژوهش ها در این زمینه گردید . اتوماتیک کردن کارها و نقش تشخیص الگو در تحقق آن، شاید یکی از مهمترین دلایلی باشد که موجب شده است تشخیص الگو جایگاه ویژه اي در پژوهش هاي روز داشته باشد.
فهرست موضوعات :
فصل 1: پیش پردازش داده ها
-1-1 مقدمه
-2-1 بهنجار کردن
-3-1 سفید کردن
-4-1 کاهش ابعاد
-1-4-1 انتخاب ویژگی
-2-4-1 انتخاب ویژگی بر پایه همبستگی
-3-4-1 معیار جداپذیري طبقه ها
-4-4-1 استخراج خطی ویژگی
-5-4-1 استخراج ویژگی بر پایه PCA
-6-4-1 استخراج ویژگی با PCA غیرخطی
-7-4-1 استخراج ویژگی با PCA هسته
فصل 2: روش هاي تشخیص الگو
-1-2 مقدمه
-2-2 شبکه هاي عصبی MLP
-1-2-2 مقدمه
-2-2-2 تک نرون به عنوان دسته بندي کننده
-3-2-2 آموزش پرسپترون
-4-2-2 پرسپترون تک لایه
-5-2-2 -پرسپترون چند لایه
-6-2-2 آموزش شبکه هاي عصبی MLP
-7-2-2 الگوریتم پس انتشار خطا براي یک شبکه با تعداد دلخواه لایه و نرون
-3-2 شبکه هاي عصبی RBF
-1-3-2 مقدمه
-1-3-2 الگوریتم هاي آموزش
-4-2 ماشین هاي بردار پشتیبان
-1-4-2 صفحه جداکننده بهینه براي دو طبقه کاملا جداشونده (با مرز خطی)
-2-4-2 صفحه جداکننده بهینه براي دو طبقه با هم پوشانی
-3-4-2 ماشین هاي بردار پشتیبان ( SVM)
-4-4-2 نگاشت فضاي ورودي
-5-4-2 طراحی SVM براي دسته بندي
2 دسته بندي داده ها به روش بیزین
-1-5-2 مقدمه
-2-5-2 قانون تصمیم گیري بیز براي کمترین خطا
-3-5-2 دسته بندي کننده بیزي براي توزیع نرمال
-k 6-2 دسته بندي داده ها به روش نزدیک ترین همسایه
-1-6-2 مقدمه
-2-6-2 روش kNN
-3-6-2 قانون تصمیم گیري kNN
-7-2 دسته بندي به روش پنجره پارزن
-1-7-2 مقدمه
-2-7-2 روش پنجره پارزن
منابع و مراجع
***************************************************************************************
در صورت تمایل
به دریافت فایل فوق در مدت 10 دقیقه ، لطفاً اینجا کلیک
کنید
***************************************************************************************
مشاوره ؛نگارش پایان نامه ؛ مقاله + شبیه سازی
در تمام مقاطع دانشگاهی پذیرفته می شود
در صورت
تمایل می توانید عنوان و جزئیات پروژه خود را در قسمت نظرات این پست
اعلام فرمایید. ضمنا می توانید اطلاعات درخواستی خود را به ایمیل یا تلگرام
نمایید
ایمیل :
com.dr@yahoo.com
|
تاريخ : چهارشنبه 17 اردیبهشت 1404
پایان نامه و پروژه های رشته برق
آمار مطالب
لطفا صبر کنید ...