چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008510 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
669 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
الگوریتم بهبود یافته ی بهینه سازی ازدحام ذرات و کاربرد آن در انتخاب ویژگی متن
عنوان انگليسي
Improved particle swarm optimization algorithm and its application in text feature selection
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 8 صفحه انگلیسی به صورت پی دی اف و 17 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
انتخاب ویژگی از متن، گام مهمی در طبقه بندی متن محسوب می شود و بهطور مستقیم بر عملکرد طبقه بندی تاثیر میگذارد. روش انتخاب ویژگی کلاسیک عمدتا شامل فرکانس سند (DF)، بهرهی اطلاعاتی (IG)، اطلاعات متقابل (MI)، آزمون chi-square (CHI) می باشد. به لحاظ نظری، این روش ها به دلیل کمبود مدل های ریاضی برای آنها، روش های دشواری هستند. به منظور بهبود بیشتر تاثیر انتخاب ویژگی، پژوهش های بسیاری سعی دارند تا الگوریتم های بهینه سازی هوشمند را به روش انتخاب ویژگی اضافه کنند؛ مانند الگوریتم کلونی مورچه، الگوریتم ژنتیک و غیره. الگوریتم بهینه سازی ازدحام ذرات (PSO) در مقایسه با الگوریتم کلونی مورچه و الگوریتم ژنتیک، پیاده سازی ساده تری دارد و میتواند نقطه بهینه را به سرعت پیدا کند. بنابراین، این مقاله تلاش می کند تا تاثیر انتخاب ویژگی از متن با استفاده از PSO را بهبود بخشد. ما در این مقاله با تحلیل دستاوردهای فعلی الگوریتم بهبود یافته ی PSO و ویژگی های روش های کلاسیک انتخاب ویژگی، اکتشاف های زیادی را انجام داده ایم. مهمتر از همه اینکه، ما مدل معمولی PSO و دو مدل بهبود یافته PSO را به ترتیب براساس وزن اینرسی و عملکرد عامل کنتراست ثابت برای بهینه سازی روش انتخاب ویژگی، انتخاب نمودیم. پس از آن، با توجه به فاكتور انقباض ثابت، فاكتور انقباض عملکردی جديدی ساختيم و آن را به مدل PSO سنتي اضافه نموديم. در نهایت، ما دو مدل بهبود یافته PSO را بر اساس هر دوی فاکتورهای انقباض عملکرد و وزن اینرس، پیشنهاد دادیم. این مدلها به ترتیب مدل PSO بهبود یافته همزمان و مدل PSO بهبود یافته غیر همزمان هستند. در آزمایشات ما، CHI به عنوان روش پایه ی انتخاب ویژگی انتخاب شد. ما CHI را با استفاده از شش مدل PSO ذکر شده در بالا بهبود دادیم. نتایج آزمایشات و آزمون های اهمیت نشان می دهد که مدل PSO بهبود یافته به طور ناخودآگاه در میان همه مدل ها بهترین تاثیر را در طبقه بندی متن و ثبات ابعاد مختلف دارد.
1-مقدمه
الگوریتم بهینه سازی ازدحام ذرات (PSO) یک الگوریتم محاسبات تکاملی است که توسط James Kennedy و Russell Eberhart پیشنهاد شده است [1]. در ابتدا PSO برای شبیه سازی گرافیکی فرایند پیدا کردن غذا توسط پرندگان مورد استفاده قرار گرفت. محققان با مشاهده رفتار گله ای پرندگان، دریافتند که به اشتراک گذاری اطلاعات در گروه ها در طول فرایند تکامل، مزایایی به همراه دارد. این نتیجه براساس PSO به دست آمده بود [2].
تحقیقات علمی انجام شده در زمینه اصلاح PSO عمدتا بر بهبود پارامترهای آن توسط تحلیل نظری، استنتاج ریاضی و تحقیقات تجربی تمرکز دارند. به عنوان مثال، Angeline و همکارانش [4] مکانیزم انتخاب استاندارد را برای PSO معرفی کردند، ذرات بهینه پس از هر تکرار انتخاب میشوند و به نسل بعدی کپی میشوند. این روش به ویژه برای بهینه سازی توابع پیچیده بسیار مفید بود. Lovbjerg و همکارانش [5] به هدف دستیابی به همگرایی سریعتر، مفهوم زیرجمعیت و باروری را در PSO مطرح کردند. Higashi و همکارانش [6] از جهش گاوسی استفاده کردند تا قوانین در حال تغییر ذرات را از لحاظ موقعیت و سرعت، مجددا طراحی نمایند و نتایج بهتری را برای توابع یکپارچه و چندبعدی به دست آورند....
طبقه بندی متن انتخاب ویژگی متن الگوریتم بهینه سازی ازدحام ذرات
:کلمات کلیدی
Abstract
Text feature selection is an importance step in text classification and directly affects the classification performance. Classic feature selection methods mainly include document frequency (DF), information gain (IG), mutual information (MI), chi-square test (CHI). Theoretically, these methods are difficult to get improvement due to the deficiency of their mathematical models. In order to further improve effect of feature selection, many researches try to add intelligent optimization algorithms into feature selection method, such as improved ant colony algorithm and genetic algorithms, etc. Compared to the ant colony algorithm and genetic algorithms, particle swarm optimization algorithm (PSO) is simpler to implement and can find the optimal point quickly. Thus, this paper attempt to improve the effect of text feature selection through PSO. By analyzing current achievements of improved PSO and characteristic of classic feature selection methods, we have done many explorations in this paper. Above all, we selected the common PSO model, the two improved PSO models based respectively on functional inertia weight and constant constriction factor to optimize feature selection methods. Afterwards, according to constant constriction factor, we constructed a new functional constriction factor and added it into traditional PSO model. Finally, we proposed two improved PSO models based on both functional constriction factor and functional inertia weight, they are respectively the synchronously improved PSO model and the asynchronously improved PSO model. In our experiments, CHI was selected as the basic feature selection method. We improved CHI through using the six PSO models mentioned above. The experiment results and significance tests show that the asynchronously improved PSO model is the best one among all models both in the effect of text classification and in the stability of different dimensions.
Keywords:
Text classification Text feature selection Particle swarm optimization algorithm
سایر منابع مهندسی کامپیوتر و IT در زمینه بهینه‌سازی ازدحام ذرات