14- بررسی ماشین بردار پشتیبان SVM و عملکرد آن¬ها در مسائل مربوط به دسته بندی - 36 صفحه فایل ورد (Word)

اختصاصی از حامی فایل 14- بررسی ماشین بردار پشتیبان SVM و عملکرد آن¬ها در مسائل مربوط به دسته بندی - 36 صفحه فایل ورد (Word) دانلود با لینک مستقیم و پر سرعت .

فهرست مطالب

1 مقدمه4

2 حد بالا برای تعمیم‌پذیری کارایی یک ماشین یادگیر در شناسایی الگو5

3 بعد VC6

3 – 1 نقاط خردشونده با صفحات در فضای Rn7

3-2 بعد VC و تعداد پارامترها9

4 ماشین‌های بردار پشتیانی خطی، مورد جدایی‌پذیر11

4-1 Karush-Kuhn-Tucker18

4-2 تست20

4-3 شرایط جدایی ناپذیر21

5 بردارهای پشتیبان غیرخطی24

5-1 شرایط Mercer27

6 راه حل‌های فراگیر و یکتایی30

7 روش‌های حل31

8 بعد VC ماشینهای بردار پشتیبان32

8-1 بعد VC مربوط به کرنلهای RBF (Radial Basis Function)34

9 مراجع36

در این گزارش به بررسی بردارهای پشتیبان خطی و عملکرد آن­ها در مسائل مربوط به دسته بندی می­پردازیم. استفاده از بردارهای پشتیبان خطی (SVM's) در مسائل دسته بندی، رویکرد جدیدی است که در چند ساله اخیر مورد توجه بسیاری قرار گرفته است و از آن در طیف وسیعی از کاربردها از جمله OCR، تشخیص دستخط، تشخیص علائم راهنمایی و ... استفاده کرده­اند. رویکرد SVM به این صورت است که در فاز آموزش، سعی می­شود که مرز تصمیم گیری (Decision Boundry) به گونه­ای انتخاب گردد که حداقل فاصله آن با هر یک از دسته­های مورد نظر ماکزیمم گردد. این نوع انتخاب باعث می­شود که تصمیم گیری ما در عمل، شرایط نویزی را به خوبی تحمل کند و پاسخ دهی خوبی داشته باشد. این نحوه انتخاب مرز بر اساس نقاطی به نام بردارهای پشتیبان انجام می­شود. در این گزارش ما ابتدا مفاهیمی چون تعمیم پذیری یک ماشین شناسایی الگو و بعد VC را که کاربرد زیادی در مفاهیم ماشین­های دسته بندی دارند بررسی می­کنیم و سپس به توضیح بردارهای پشتیبان خطی، غیر خطی و توابع کرنل می­پردازیم. در نهایت نیز بعد VC را برای برخی از این توابع مورد مطالعه قرار می­دهیم

دسته بندی حیوانات وحشی بر اساس الگوریتم SVM و توضیحات محلی

اختصاصی از حامی فایل دسته بندی حیوانات وحشی بر اساس الگوریتم SVM و توضیحات محلی دانلود با لینک مستقیم و پر سرعت .

موضوع فارسی: دسته بندی حیوانات وحشی بر اساس الگوریتم SVM و توضیحات محلی

موضوع انگلیسی:Classification of Wild Animals based on SVM and Local Descriptors

تعدا صفحه: 6

فرمت فایل: PDF

سال انتشار: 2014

زبان مقاله:‌ انگلیسی

چکیده: در این مقاله، یک روش جدید برای به رسمیت شناختن شی بر اساس توصیف ترکیبی محلی ارائه شده است. این روش با بهره گیری از ترکیبی از چند روش (غربال کردن - قابلیت مقیاس ثابت تبدیل، گشت و گذار - شتاب ویژگی های قوی) و شامل قسمت دوم. کاربرد روش های ترکیبی ارائه شده در چند تصاویر از مجموعه داده را نشان داد. کلاس های مجموعه داده نشان دهنده حیوانات بزرگ واقع در کشور اسلواکی، یعنی گرگ، روباه، خرس قهوه ای، گوزن و گراز وحشی. روش ارائه شده ممکن است همچنین در مناطق دیگر از طبقه بندی تصویر و استخراج ویژگی استفاده می شود. نتایج تجربی نشان می دهد، که ترکیبی از توصیف محلی دارای اثر مثبت برای به رسمیت شناختن شی.

دانلود کد متلب HOG و LBP. با استفاده از SVM جهت طبقه بندی

اختصاصی از حامی فایل دانلود کد متلب HOG و LBP. با استفاده از SVM جهت طبقه بندی دانلود با لینک مستقیم و پر سرعت .

در این برنامه متلب روش های HOG و LBP ادغام شده اند. از SVM هم جهت طبقه بندی استفاده شده است 

دانلود کد متلب کلاس بندی داده های چند کلاسه با svm ماشین بردار پشتیبانی (Support vector machines)

اختصاصی از حامی فایل دانلود کد متلب کلاس بندی داده های چند کلاسه با svm ماشین بردار پشتیبانی (Support vector machines) دانلود با لینک مستقیم و پر سرعت .

دانلود کد متلب کلاس بندی داده های چند کلاسه با svm ماشین بردار پشتیبانی (Support vector machines)