دانلود و نمایش مقالات مرتبط با ماشین بردار پشتیبانی::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی
نتیجه جستجو - ماشین بردار پشتیبانی

تعداد مقالات یافته شده: 10
ردیف عنوان نوع
1 ارزیابی کارایی تکنیک های طبقه بندی داده کاوی برای پیش بینی بیماری قلبی
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 12
بیماری قلبی ممکن است یکی از دلایل اصلی مرگ باشد. به علت فقدان دانش و تجربیات متخصصان درمورد علائم نارسایی قلب برای پیش بینی اولیه این بیماری، کار آسان برای تشخیص بیماری نیست. در نتیجه، پیش بینی مبتنی بر رایانه؛ مبتلایان به بیماری قلبی می تواند نقش مهمی را در تشخیص پیش از مرحله برای انجام اقدامات مناسب با توجه به بهبودی بیماران بازی کند. با این حال، انتخاب روش طبقه بندی مناسب داده کاوی می تواند به طور موثر پیش بینی مرحله اولیه بیماری را برای بازگشت از آن به همراه داشته باشد. در این مقاله، سه تکنیک طبقه بندی استفاده شده غالب از قبیل ماشین بردار پشتیبانی (SVM)، نزدیکترین همسایۀ k (KNN) و شبکه عصبی مصنوعی (ANN) را مورد بررسی قرار می دهیم، با توجه به ارزیابی آنها برای پیش بینی بیماری های قلبی با استفاده از مجموعه داده های بیماری کلیوی استاندارد مورد مطالعه قرار گرفته است.. نتایج تجربی نشان می دهد که دقت طبقه بندی با استفاده از SVM (85.1852٪) بهتر از استفاده از KNN (82663٪) و ANN (73.3333٪) است.
لغات کلیدی: داده کاوی | ماشین بردار پشتیبانی | نزدیکترین همسایۀ k | شبکه عصبی مصنوعی | پیش بینی بیماری قلبی | تکنیک های طبقه بندی
مقاله ترجمه شده
2 Analysis of real-time crash risk for expressway ramps using traffic, geometric, trip generation, and socio-demographic predictors
تجزیه و تحلیل ریسک تصادف در زمان واقعی برای رمپ های اکسپرس با استفاده از ترافیک، هندسی، نسل سفر و پیش بینی های اجتماعی-دموگرافیک-2017
There have been numerous studies on real-time crash prediction seeking to link real-time crash likelihood with traffic and environmental predictors. Nevertheless, none has explored the impact of socio-demographic and trip generation parameters on real-time crash risk. This study analyzed the real-time crash risk for expressway ramps using traffic, geometric, socio-demographic, and trip generation predictors. Two Bayesian logistic regression models were utilized to identify crash precursors and their impact on ramp crash risk. Meanwhile, four Support Vector Machines (SVM) were applied to predict crash occurrence. Bayesian logistic regression models and SVMs commonly showed that the models with the socio-demographic and trip generation variables outperform their counterparts without those parameters. It indicates that the socio-demographic and trip generation parameters have significant impact on the real-time crash risk. The Bayesian logistic regression model results showed that the logarithm of vehicle count, speed, and percentage of home-based-work production had positive impact on crash risk. Meanwhile, off-ramps or non-diamond-ramps experienced higher crash potential than on-ramps or diamond-ramps, respectively. Though the SVMs provided good model performance, the SVM model with all variables (i.e., all traffic, geometric, socio-demographic, and trip generation variables) had an overfitting pro blem. Therefore, it is recommended to build SVM models based on significant variables identified by other models, such as logistic regression.
Keyword: Real-time crash prediction | Expressway ramps | Socio-demographic predictors | Trip generation predictors | Support vector machine
مقاله انگلیسی
3 DiP-SVM : Distribution Preserving Kernel Support Vector Machine for Big Data
DiP-SVM: توزیع ذخیره سازی ماشین بردار پشتیبانی از هسته برای داده های بزرگ-2017
In literature, the task of learning a support vector machine for large datasets has been performed by splitting the dataset into manageable sized “partitions” and training a sequential support vector machine on each of these partitions separately to obtain local support vectors. However, this process invariably leads to the loss in classification accuracy as global support vectors may not have been chosen as local support vectors in their respective partitions. We hypothesize that retaining the original distribution of the dataset in each of the partitions can help solve this issue. Hence, we present DiP-SVM, a distribution preserving kernel support vector machine where the first and second order statistics of the entire dataset are retained in each of the partitions. This helps in obtaining local decision boundaries which are in agreement with the global decision boundary, thereby reducing the chance of missing important global support vectors. We show that DiP-SVM achieves a minimal loss in classification accuracy among other distributed support vector machine techniques on several benchmark datasets. We further demonstrate that our approach reduces communication overhead between partitions leading to faster execution on large datasets and making it suitable for implementation in cloud environments.
Index Terms: Distributed SVM | Big Data | Distribution Preserving Partitioning | Distributed Computing | Clustering
مقاله انگلیسی
4 One class proximal support vector machines
یک ماشین بردار پشتیبانی از یک کلاس پروکسیمال-2016
Recently in Dufrenois [1], a new Fisher type contrast measure has been proposed to extract a target population in a dataset contaminated by outliers. Although mathematically sound, this work presents some further shortcomings in both the formalism and the field of use. First, we propose to re-express this problem from the formalism of proximal support vector machines as introduced in Mangasarian and Wild [2]. This change is far from harmless since it introduces a suited writing for solving the problem. Another limiting factor of the method is that its performance relies on the assumption that the density between the target and outliers are different. This consideration can easily prove to be over-optimistic for real world datasets making the method unreliable, at least directly. The computation of the decision boundary is a time consuming part of the algorithm since it is based on solving a generalized eigenvalue problem (GEP). This method is therefore limited to medium sized data sets. In this paper, we propose appropriate strategies to unlock all these shortcomings and fully benefit from the interest of the approach. Firstly, we show under some conditions that generating appropriate artificial outliers allows to stay within the constraints of the method and thus enlarges the conditions of use. Secondly, we show that the GEP can be advantageously replaced by a conjugate gradient solution (CG) significantly decreasing the computational cost. Lastly, the proposed algorithm is compared with recent novelty detectors on synthetic and real datasets.
Keywords:Outlier detection|Proximal support vector machines|Linear programming problem|Contrast measure
مقاله انگلیسی
5 Multiple partial discharge source discrimination with multiclass support vector machines
تبعیض منبع تخلیه جزئی چنگانه با پشتیبانی ماشین بردار چند کلاسی-2016
The costs of decommissioning high-voltage equipment due to insulation breakdown are associated to the substitution of the asset and to the interruption of service. They can reach millions of dollars in new equipment purchases, fines and civil lawsuits, aggravated by the negative perception of the grid utility. Thus, condition based maintenance techniques are widely applied to have information about the status of the machine or power cable readily available. Partial discharge (PD) measurements are an important tool in the diagnosis of power systems equipment. The presence of PD can accelerate the local degradation of insulation systems and generate premature failures. Conventionally, PD classification is carried out using the phase resolved partial discharge (PRPD) pattern of pulses. The PRPD is a two dimensional representation of pulses that enables visual inspection but lacks discriminative power in common scenarios found in industrial environments, such as many simultaneous PD sources and low magnitude events that can be hidden below noise. The literature shows several works that complement PRPD with machine learning detectors (neural networks and support vector machines) and with more sophisticated signal representations, like statistics captured in several modalities, wavelets and other transforms, etc. These methods improve the classification accuracy but obscure the interpretation of the results. In this paper, the use of a support vector machine (SVM) operating on the power spectrum density of signals is proposed to identify different pulses what could be used in an online tool in the maintenance decision-making of the utility. Particularly, the approach is based on an SVM endowed with a special kernel that operates in the frequency domain. The SVM is previously trained with pulses of different PD types (internal, surface and corona) and noise that are obtained with several test objects in the laboratory. The experimental results demonstrate that this technique is highly effective in identifying PD for cases where several sources are active or when the noise level is high. Thus, the early identification of critical events with this approach during normal operation of the equipment will help in the decision of decommissioning the asset with reduced costs and low impact to the grid reliability.
Keywords: Support vector machine | Partial discharges | Electric maintenance | Machine learning | Condition monitoring | Risk assessment
مقاله انگلیسی
6 A carbon risk prediction model for Chinese heavy-polluting industrial enterprises based on support vector machine
مدل پیش بینی خطر ابتلا به کربن برای شرکت های صنعتی سنگین آلوده چینی بر اساس ماشین بردار پشتیبانی-2016
Chinese heavy-polluting industrial enterprises, especially petrochemical or chemical industry, labeled low carbon efficiency and high emission load, are facing the tremendous pressure of emission reduction under the background of global shortage of energy supply and constrain of carbon emission. However, due to the limited amount of theoretic and practical research in this field, problems like lacking prediction indicators or models, and the quantified standard of carbon risk remain unsolved. In this paper, the connotation of carbon risk and an assessment index system for Chinese heavy-polluting industrial enterprises (eg. coal enterprise, petrochemical enterprises, chemical enterprises et al.) based on support vector machine are presented. By using several heavy-polluting industrial enterprises’ related data, SVM model is trained to predict the carbon risk level of a specific enterprise, which allows the enterprise to identify and manage its carbon risks. The result shows that this method can predict enterprise’s carbon risk level in an efficient, accurate way with high practical application and generalization value.
Keywords: Heavy-polluting Industrial Enterprises | Carbon Risk Prediction | SVM Model Carbon Risk Assessment | Indicators
مقاله انگلیسی
7 Forecasting stock returns based on information transmission across global markets using support vector machines
پیش بینی بازده سهام بر اساس انتقال اطلاعات در سراسر بازارهای جهانی با استفاده از ماشین آلات بردار پشتیبانی-2015
This paper provides evidence that forecasts based on global stock returns transmission yield better returns in day trading, for both developed and emerging stock markets. The study investigates the performance of global stock market price transmission information in forecasting stock prices using support vector regression for six global markets—USA (Dow Jones, S&P500), UK (FTSE-100), India (NSE), Singapore (SGX), Hong Kong (Hang Seng) and China (Shanghai Stock Exchange) over the period 1999–2011. The empirical analysis shows that models with other global market price information outperform forecast models based merely on auto-regressive past lags and technical indicators. Shanghai stock index movement was predicted best by Hang Seng Index opening price (57.69), Hang Seng Index by previous day’s S&P500 closing price (54.34), FTSE by previous day’s S&P500 closing price (57.94), Straits Times Index by previous day’s Dow Jones closing price (54.44), Nifty by HSI opening price (60), S&P500 by STI closing price (55.31) and DJIA by HSI opening price (55.22), and Nifty was found to be the most predictable stock index. Trading using global cues-based forecast model generates greater returns than other models in all the markets. The study provides evidence that stock markets across the globe are integrated and the information on price transmission across markets, including emerging markets, can induce better returns in day trading. Keywords : Forecasting | Support vector machine | Stock returns | Information transmission | Global markets
مقاله انگلیسی
8 Feature selection based on closed frequent itemset mining: A case study on SAGE data classification
انتخاب ویژگی بر اساس کاوش مجموعه اقلام مکرر مسدود: مطالعه موردی در طبقه بندی داده های SAGE-2015
Cancer is curable if it can be detected early. One way to detect cancer is by analyzing the change in expression of genes in the suspected tissue. Serial analysis of gene expression (SAGE) is a sequencing technique used for measuring the expression levels of genes. Cancer detection problem can be posed as binary classification problem like whether a tissue is cancerous or normal. SAGE libraries contain expression levels of thousands of genes which are the features. It is impossible to consider all these features for classification and also the general feature selection algorithms are not efficient with this data. In this paper, closed frequent itemset mining is proposed as a feature selection technique for identifying a small set of features which can distinguish the two classes efficiently. The performance of the proposed technique is evaluated on SAGE data related to breast tissue and a group of 26 genes are selected as best features. Two well known classifiers, extreme learning machine (ELM) and support vector machine (SVM), are used to evaluate the effectiveness of the selected features in classification and found that the proposed method works well with these classifiers.& 2014 Elsevier B.V. All rights reserved.
Keywords: Closed frequent itemset mining | Feature selection | Serial analysis of gene expression | Extreme learning machine | Support vector machine | Classification
مقاله انگلیسی
9 سیستم تشخیص نفوذ با استفاده از خوشه‌بندی K میانگین، C4:5، FNN، دسته‌بند SVM
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 4 - تعداد صفحات فایل doc فارسی: 16
امنیت اطلاعات یکی از پایه‌های جامعه اطلاعاتی محسوب می‌شود. با افزایش حملات شبکه‌ای در چند سال گذشته، سیستم تشخیص نفوذ (IDS) نیز با سرعت فزآینده‌ای در حال تبدیل شدن به یک مؤلفه تعیین‌کننده در حفاظت شبکه قرار دارد . در سال‌های اخیر، بسیاری از محققان از تکنیک‌های داده‌کاوی برای ساخت سیستم‌های تشخیص نفوذ بهره‌ می‌گیرند. تشخیص نابهنجاری‌های مشکوک در الگو‌های ترافیک شبکه ناشی از حملات عدم پذیرش سرویس‌دهی توزیعی (DDoS) یا حرکت حلزونی، یکی از چالش‌های اصلی در مدیریت امنیت شبکه‌های گسترده پرسرعت می‌باشد. روش‌های تشخیص نفوذ در چند سال اخیر شروع به ظهور کرده است. در این مقاله، یکی از روش‌های تشخیص نفوذ را با استفاده از خوشه‌بندی K میانگین، مدل‌های نورو- فازی، ماشین بردار پشتیبانی (SVM) و الگوریتم C4.5 معرفی می‌کنیم. علاوه بر این، نوعی ساختار چهار سطحی برای تشخیص نفوذ ارائه می‌دهیم که اولین پروسه آن به ساخت زیرمجموعه‌های آموزشی متفاوت به کمک خوشه‌بندی K میانگین مربوط می‌شود. دومین پروسه بر پایه زیرمجموعه‌های آموزشی قرار گرفته است که در آن مدل‌های نورو – فازی مختلفی آموزش داده می‌شود. سومین پروسه، برداری جهت دسته‌بندی ماشین بردار پشتیبانی است که در آن دسته‌بندی شعاعی ماشین بردار پشتیبانی انجام می‌شود. در پایان، درخت تصمیم را با بکارگیری از الگوریتم درخت تصمیم C4.5 درست می‌کنیم.
واژه‌های کلیدی: شبکه عصبی فازی | سیستم تشخیص نفوذ | سیستم تشخیص نفوذ شبکه | SVM و غیره.
مقاله ترجمه شده
10 سیستم های تشخیص نفوذ با استفاده ازتکنیک های داده کاوی: ماشین بردار پشتیبانی
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 17
هنگامی که نفوذ غیر مجاز اتفاق می افتد, امنیت و حریم یک سیستمم با این اقدام سازگار می شود. سیستم تشخیص نفوذ(IDS) نقش مهمی در امنیت شبکه ایفا می کند. بنابراین در اینجا ما سیستم تشخیص نفوذ با استفاده از شیوه استخراج داده را مطرح می کنیم. SVM( ماشین بردار پشتیبان) در اینجا طبقه بندی با استفاده از SVM انجام می شود. و بررسی مربوط به سودمندی سیستم مفروض با انجام برخی از آزمایشات با استفاده از مجموعه NSL KDD CUP99 انجام می شود که نسخه پیشرفته ای از مجموعه داده KDD CUP99 می باشد.SVM یکی از برجسته ترین الگوریتم های طبقه بندی در حوزه استخراج داده ( داده کاوی) است اما عیب آن زمان آموزش زیاد می باشد. در این سیستم مفروض ما با استفاده از مجموعه داده NSL-KDD CUP99 برخی از آزمایشات را انجام دادیم. نتایج آزمایشی نشان دادند که ما می توانیم زمان زیاد لازم برای ایجاد مدل SVM را با استفاده از پیش پردازش صحیح مجموعه داده کاهش دهیم. همچنین, هنگامی که انتخاب درست تابع کرنل SVM از جمله تابع بنیادی شعاعی گاوسی را درست انجام دهیم, سرعت کشف حمله SVM افزایش می یابد و سرعت مثبت نادرست (FPR) کاهش می یابد.
کلمات کلیدی: طبقه بندی | سیستم تشخیص نفوذ(IDS) | تابع کرنل | NSL_KDD | پیش پردازش | ماشین برداری پشتیبان(SVM).
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی