|
|
|
طبقه بندی سری های زمانی با استفاده از مدل مخلوط گاوسی از فضای فاز بازسازی شدهچکیدهروش های طبقه بندی جدید ارائه شده است که بر مبنای مدل سازی دینامیک سیستم ها می باشد که در مراحل بازسای مورد محاسبه قرار می گیرد. این مدل سازی ها بر مبنای استفاده از مدل ترکیبی کوواریانس گاسیان در ارتباط با حوزه زمانی در مقایسه با فعالیت های کنونی و جاری در طبقه بندی سیگنال ها انجام می گیرد که معمولا تمرکز آن بر روی تجزیه و تحلیل سیستم های خطی با استفاده از محتوای فرکانس و یا مدل های یادگیری ماشینی غیر خطی همانند شبکه های عصبی مصنوعی می باشد. روش های مطرح شده دارای مبناهای نظری قوی می باشند که بر اساس سیستم های دینامیکی و برهان های توپولوژیکی می باشند که منجر به بازسازی سیگنالی می گردند و برای اینکه در ارتباط با این سیستم باشند دارای پارامترهای انتخابی مناسبی می باشند. این الگوریتم ها به طور اتوماتیک این پارامترها را ارزیابی کرده که مراحل بازسازی را به طور مناسبی ایجاد کنند و نیازمند تعدادی از آمیزه ها , سیگنال ها و طبقه بندی ها به عنوان یک طبقه می باشند.سه نوع اطلاعات جداگانه در ارتباط با ارزیابی ها مورد استفاده قرار می گیرند که شامل موتور شبیه ساز , دستگاه ثبت ضربان قلب و امواج گفتار می باشد. نتایج نشان می دهد که روش های مطرح شده در طول این حوزه های مختلف قدرتمند بوده و به طور مهمی شبکه های عصبی بر مبنای وقفه زمانی فعالیت می کنند.شاخص ها- طبقه بندی سیگنال ها , مراحل بازسازی , مدل ترکیبی گاسیان.
:: برچسب‌ها:
مدل ترکیبی گاسیان ,
مراحل بازسازی ,
طبقه بندی سیگنال ها ,
شاخص ها ,
فضای فاز بازسازی شده ,
مدل مخلوط گاوسی ,
طبقه بندی سری های زمانی ,
Series Classification ,
Gaussian Mixture Models ,
Reconstructed Phase Spaces ,
مقاله انگلیسی ریاضی با ترجمه فارسی ,
مقاله انگلیسی ریاضی با ترجمه ,
مقاله انگلیسی ریاضی ,
:: بازدید از این مطلب : 89
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : سه شنبه 27 ارديبهشت 1395 |
نظرات ()
|
|
طبقه بندی سری های زمانی با استفاده از مدل ترکیب گاوس از فضای مراحل بازسازی شدهچکیدهروش جدید از طبقه بندی جدید سیگنال ارائه شده که بر مبنای مدل سازی دینامیک سیستم بوده که در فضای مراحل بازسازی مورد محاسبه قرار می گیرد. این مدل سازی ها با استفاده از مدل ترکیبی کوواریانس گاوس در ارتباط با حوزه زمانی در مقایسه با تحقیقات های حال حاضر و گذشته در طبقه بندی سیگنال ها انجام می گیرد که معمولا تمرکز آن بر روی تحلیل سیستم های خطی با استفاده از مقدار بسامد یا مدل های یادگیری ماشینی غیر خطی ساده همانند شبکه های عصبی مصنوعی می باشد. روش مطرح شده دارای پایه نظری قوی بر مبنای سیستم های دینامیکی و قضایای توپولوژی می باشند که منجر به بازسازی سیگنال شده که با در نظر گرفتن پارامترهای انتخابی مناسب، به طور جانبی نماینده سیستم زیرین می باشد. این الگوریتم ها به طور اتوماتیک این پارامترها را محاسبه کرده تا فضاهای مراحل بازسازی شده را بازسازی را شکل داده وتنها نیازمند تعدادی از آمیزه ها، سیگنال ها و تیکت دسته ها به عنوان توان ورودی می باشد. سه مجموعه داده مجزا برای تایید مورد استفاده قرار می گیرند که شامل شبیه سازی چریان موتوری، دستگاه ثبت ضربان قلب و شکل امواج گفتار می باشد. نتایج نشان می دهد که روش های مطرح شده در حوزه های مختلف اثرگذار بوده و به طور قابل توجهی در مسسیر شبکه های عصبی بر مبنای وقفه زمانی بکار گرفته شده که به عنوان مبنا می باشد.کلیدواژه- طبقه بندی سیگنال ها، مراحل بازسازی، مدل ترکیبی گاوس.
:: برچسب‌ها:
طبقه بندی سیگنال ها ,
مراحل بازسازی ,
مدل ترکیبی گاوس ,
مدل ترکیب گاوس ,
طبقه بندی سری های زمانی ,
Time Series Classification ,
Gaussian Mixture Models ,
Reconstructed Phase Spaces ,
مقاله انگلیسی مهندسی صنایع با ترجمه فارسی ,
مقاله انگلیسی مهندسی صنایع با ترجمه ,
مقاله انگلیسی مهندسی صنایع ,
:: بازدید از این مطلب : 133
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : دو شنبه 10 ارديبهشت 1395 |
نظرات ()
|
|
صفحه قبل 2 3 4 5 ... 6341 صفحه بعد
|
|
|
عضو شوید
عضویت سریع
آمار مطالب
آمار بازدید
