دانلود و نمایش مقالات مرتبط با انتخاب مدل::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

با سلام خدمت کاربران عزیز، به اطلاع می رساند ترجمه مقالاتی که سال انتشار آن ها زیر 2008 می باشد رایگان بوده و میتوانید با وارد شدن در صفحه جزییات مقاله به رایگان ترجمه را دانلود نمایید.

نتیجه جستجو - انتخاب مدل

تعداد مقالات یافته شده: 7
ردیف عنوان نوع
1 A grid-quadtree model selection method for support vector machines
روش انتخاب مدل شبکه چهارگوش برای ماشینهای بردار پشتیبانی-2020
In this paper, a new model selection approach for Support Vector Machine (SVM), which integrates the quadtree technique with the grid search, denominated grid-quadtree (GQ) is proposed. The developed method is the first in the literature to apply the quadtree for the SVM parameters optimization. The SVM is a machine-learning technique for pattern recognition whose performance relies on its parameters determination. Thus, the model selection problem for SVM is an important field of study and requires expert and intelligent systems to solve it. Real classification data sets involve a huge number of instances and features, and the greater is the training data set dimension, the larger is the cost of a recognition system. The grid search (GS) is the most popular and the simplest method to select parameters for SVM. However, it is time-consuming, which limits its application for big-sized problems. With this in mind, the main idea of this research is to apply the quadtree technique to the GS to make it faster. Hence, this may lower computational time cost for solving problems such as bio-identification, bank credit risk and cancer detection. Based on the asymptotic behaviors of the SVM, it was noticeably observed that the quadtree is able to avoid the GS full search space evaluation. As a consequence, the GQ carries out fewer parameters analysis, solving the same problem with much more efficiency. To assess the GQ performance, ten classification benchmark data set were used. The obtained results were compared with the ones of the traditional GS. The outcomes showed that the GQ is able to find parameters that are as good as the GS ones, executing 78.8124% to 85.8415% fewer operations. This research points out that the adoption of quadtree expressively reduces the computational time of the original GS, making it much more efficient to deal with high dimensional and large data sets.
Keywords: Support vector machine | Parameter determination | Quadtree | Grid search
مقاله انگلیسی
2 The performance of ELM based ridge regression via the regularization parameters
کارایی رگرسیون ریج بر پایه ELM از طریق پارامترهای تنظیم-2019
The extreme learning machine (ELM) which is a single layer feedforward neural network provides ex- tremely fast training speed and good generalization performance. The ELM however, has its respective drawback: it is known to be sensitive to the ill-conditioned data. To overcome the ill-conditioning prob- lem in ELM, ELM based on ridge regression (RR-ELM) was proposed. Since RR-ELM is a biased method, ELM based on almost unbiased ridge regression (AUR-ELM) was accordingly proposed to reduce the bias in a certain extent. RR-ELM and AUR-ELM introduced in the existence of multicollinearity, depend on the regularization parameter. The regularization parameter affects the performance of both RR-ELM and AUR- ELM. There is no consensus on the selection of the regularization parameter. Although there are various methods in linear regression to select the regularization parameter, only one method based on the selec- tion minimizing the mean squared error was used in RR-ELM. In this study, AIC, BIC and CV criteria in the context of RR-ELM and AUR-ELM were proposed as alternative methods for the selection of the regular- ization parameter. An experimental study was conducted on eight data sets which are widely known and used in machine learning studies. The analyzes are considered as purposive for regression studies which are the most important fields of expert systems and machine learning. The results obtained demonstrate that the selection method of the regularization parameter is significantly effective on both the general- ization and particularly stability performance of RR-ELM and AUR-ELM when compared to ELM
Keywords: Extreme learning machine | Ridge regression | Almost unbiased ridge regression | Regularized extreme learning machine | Model selection
مقاله انگلیسی
3 A new hybrid approach for feature selection and support vector machine model selection based on self-adaptive cohort intelligence
یک دیدگاه ترکیبی جدید برای انتخاب ویژگی و انتخاب مدل ماشینی برداری پشتیبانی برمبنای هوش هم گروه خود - منطبق-2017
This research proposes a new hybrid approach for feature selection and Support Vector Machine (SVM) model selection based on a new variation of Cohort Intelligence (CI) algorithm. Feature selection can improve the accuracy of classification algorithms and reduce their computation complexity by removing the irrelevant and redundant features. SVM is a classification algorithm that has been used in many ar eas, such as bioinformatics and pattern recognition. However, the classification accuracy of SVM depends mainly on tuning its hyperparameters (i.e., SVM model selection). This paper presents a framework that is comprised of the following two major components. First, Self-Adaptive Cohort Intelligence (SACI) algo rithm is proposed, which is a new variation of the emerging metaheuristic algorithm, Cohort Intelligence (CI). Second, SACI is integrated with SVM resulting in a new hybrid approach referred to as SVM–SACI for simultaneous feature selection and SVM model selection. SACI differs from CI by employing tournament based mutation and self-adaptive scheme for sampling interval and mutation rate. Furthermore, SACI is both real-coded and binary-coded, which makes it directly applicable to both binary and continuous do mains. The performance of SACI for feature selection and SVM model selection was examined using ten benchmark datasets from the literature and compared with those of CI and five well-known metaheuris tics, namely, Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Differential Evolution (DE) and Artificial Bee Colony (ABC). The comparative results demonstrate that SACI outperformed CI and compa rable to or better than the other compared metaheuristics in terms of the SVM classification accuracy and dimensionality reduction. In addition, SACI requires less tuning efforts as the number of its control parameters is less than those of the other compared metaheuristics due to adopting the self-adaptive scheme in SACI. Finally, this research suggests employing more efficient methods for high-dimensional or large datasets due to the relatively high training time required by search strategies based on metaheuris tics when applied to such datasets.
Keywords: Feature selection | SVM | Classification | Cohort intelligence | Metaheuristic
مقاله انگلیسی
4 مطالعه تئوری تابع چگالی DFT بر روی نانولوله کربنی تک دیواره زیگزاکی (0:n) : جابجایی شیمیایی کربن 13 روزونانس مغناطیسی هسته NMR
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 17
جابجایی شیمیایی NMR کربن 13با انتخاب مدل سایز مناسب از نانولوله کربنی تک دیواره زیگزاکی اولیه همراه قطر 0.4-0.8 نانومتر و طول 2.2 نانومتر به صورت تئوری مورد بررسی قرار گرفته است. نتایجی برای SWCNT مناسب شامل 1.4 تا 10 فاصله با اتم های همسایه همراه داده های بدست امده برای لوله های نامحدود برای تخمین توانایی نوع مناسب نانولوله برای پیش بینی خواص مغناطیسی نانولوله ها با اندازه مناسب و بیان وابستگی خواص با اندازه نانولوله مقایسه شده است. بهینه سازی SWCNT با کمک (DFT-UB3LYP/6-31G*). انجام شده است. در یک مدل کوتاه با کمک نانولوله کربنی تک دیواره زیگزاکی انتها باز با یک قطر مناسب برای محاسبات در نظر گرفته شده است. محاسبات GIAO NMR در SWCNT و مدل های سیکلیک با استفاده از تابع چگالی BHANDH با کمک تابع پایه STO-3G انجام می شود، محاسبات برای بیان خواص مغناطیسی با کمک Leszczy´nski و همکارانش گسترش پیدا کرد. بار منظم از جابجایی شیمیایی کربن در کربن 13 با افزایش قطر نانولوله برای محاسبات حلقه های زیگزاکی n=0.n=5-10 باه همراه داده های برای این مدل بدست امده است. نتایج برای 4 واحد طولی از این نوع نانولوله ها دارای سازگاری مناسبی با هم همراه با افزایش قطر 8-15 است. تئوری اثرا ت هیدروژن های کناری در جابجایی کربن 13 برای ساختار های حلقه ای به صورت تقریبی با کمک پارامترهای NMR کربن 13 در SWCNT با اندازه واقعی تخمین زده می شود. پیش بینی خواص NMR برای 10 واحد طول اتمی در SWCNT با داده های حاصل از نانولوله اولیه تخمین زده می شود. بنابر این می توان از پیش بینی صحیح از جابجایی شیمیایی گزارش شده ازمایشگاهی برای نانولوله کربنی تک دیواره صندلی (6.5) ارائه کرد.
کليدواژگان: فاقد چرخه | Zigzag SWCNT | مدل سازی نظری | DFT | NMR
مقاله ترجمه شده
5 Comparison of combining methods using Extreme Learning Machines under small sample scenario
مقایسه روش های ترکیبی با استفاده از ماشین یادگیری نهایی تحت سناریوی نمونه های کوچک-2016
Making accurate predictions is a difficult task that is encountered throughout many research domains. In certain cases, the number of available samples is so scarce that providing reliable estimates is a challenging problem. In this paper, we are interested in giving as accurate predictions as possible based on the Extreme Learning Machine type of a neural network in small sample data scenarios. Most of the Extreme Learning Machine literature is focused on choosing a particular model from a pool of candidates, but such approach usually ignores model selection uncertainty and has inferior performance compared to combining methods. We empirically examine several model selection criteria coupled with new model combining approaches that were recently proposed. The results obtained indicate that a careful choice among the combinations must be performed in order to have the most accurate and stable predictions.& 2015 Elsevier B.V. All rights reserved.
Keywords: Extreme Learning Machine | Small sample data | Model selection | Model combining | Mallows Model Averaging | Jackknife Model Averaging
مقاله انگلیسی
6 مدل های حیوانی در آسیب های جراحتی نخاعی
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 20 - تعداد صفحات فایل doc فارسی: 29
آسیب جراحتی طناب نخاعی(SCI) باعث میزان بالای مرگ و میر، ناتوانی شدید، هزینه های بالای درمان، توانبخشی گسترده و بار زیاد اقتصادی می شود. هیچ درمان قطعی برای SCI وجود ندارد، اما مطالعات متعددی از جمله مدلسازی تجربی در حال انجام هستند تا به حل این مشکل اساسی کمک کنند. اولین مدل گزارش شده ی SCI توسط آلن در سال 1911 گزارش شد که در آن جرمی در نظر گرفته شده بود تا ارتفاع از پیش تعیین شده بر سطح پشتی dura سگ بررسی شود. پس از آن، مدلهای حیوانی SCI از مارماهی ساده تا پستانداران غیرانسان برای توسعه ی دانش پاتوفیزیولوژیک در آسیب سلول و روند بازسازی طناب نخاعی مورداستفاده و کاربرد قرار گرفتند.
در حال حاضر برای انتخاب مدل حیوانی، برخی فاکتورها را بسته به هدف پیشنهادی این مطالعه در نظر میگیریم. قطع و کوفتگی طناب نخاعی، روش های معمول برای مدلسازی حیوانی SCI هستند. در حالیکه مدل های قطع یک روند ایده آل برای مطالعه ی بازسازی ستون فقرات درضایعه ی کاملی را ارائه می کنند اما طناب نخاعی قطع شده به ندرت در SCI انسانی رخ می دهد. به عبارت دیگر، اکثر طناب های نخاعی آسیب دیده، پیوستگی بافت را در سراسر ناحیه ی آسیب دیده حفظ می کنند. اما مدل های کوفتگی و فشرده بیشتر مربوط به مباحث بالینی هستند. این مدل ها می توانند آسیب های درجه بندی شده ایجاد کنند و با نکروز هموراژیک، ایسکمی، التهاب و کاویتاسیون مرکزی مشخص می شوند. علاوه بر این، مدل های فشرده به شبیه سازی انسداد مجرای نخاعی کمک می کنند که در SCI های انسانی بسیار شایع می باشد.
توسعه ی مداوم مدل های حیوانی SCI نیاز بررسی تمام انواع روش های سنجش در مورد مزایا و یا معایب آن را منعکس می کند. هدف این فصل بررسی مدل های حیوانی در SCI از مطالعات نمایه شده در مدلاین است.
مقاله ترجمه شده
7 بررسی مدلهای منحنی مشخصه رطوبتی (SWRC) بین اشباع و خشک شده
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 18
منحنی مشخصه رطوبتی از ویژگیهای کلیدی مورد استفاده در آبیاری مزرعه، هیدرولوژی ، مهندسی زمین شناسی و علم خاک در کل است. پس از ورود و خروج نقشه های دیجیتال خاک و ارزیابی الگوهای خاک، صعود ناگهانی در سطح مدلهای استنتاجی خاک و نیاز به افزایش دقت نقشه های کاربردی تولیدی است.تمام خاک ها به اندازه ای با آب اشباع شدند و همچنین توسط آون خشک شدند. بنابراین مدلهای ساختمانی خاک بطور مطلوب رفتار ف خاک را بیان میکند . این مقاله مدلهای رایج SWRC را استفاده میکند. به عبارتی برای پتانسیل محوری مشخص ، مدلها در سه دسته با توجه به پارامترهای ثابت برازشی نامگذاری شدند از جمله مدلهای پنج پارامتری، چهار پارامتری و سه پارامتری. برای انتخاب مدلی که بهترین عملکرد را در هر دسته ارائه داده است از پارامترهای اماری همبستگی و باقیمانده خطا استفاده گردید. نتایج بعنوان یک راهنما برای انتخاب مدلی با بهترین برازش است و البته محدودیت هایی در سطح پتانسیل در داده های اندازه گیری وجود دارد.
واژه های کلیدی: نگهداشت اب | پارامترهای هیدرولیکی | مدلها
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi