دسته بندی داده های بزرگ با استفاده از دسته بندی کننده های SVM
ترجمه شده

دسته بندی داده های بزرگ با استفاده از دسته بندی کننده های SVM

عنوان فارسی مقاله: دسته بندی داده های بزرگ با استفاده از دسته بندی کننده های SVM به وسیله الگوریتم اصلاح شده بهینه سازی ازدحام ذرات و مجموعه های SVM
عنوان انگلیسی مقاله: Big Data Classification Using the SVM Classifiers with the Modified Particle Swarm Optimization and the SVM Ensembles
مجله/کنفرانس: مجله بین المللی علوم پیشرفته رایانه و کاربردهای آن - International Journal of Advanced Computer Science and Applications
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: مهندسی الگوریتم ها و محاسبات، رایانش ابری
کلمات کلیدی فارسی: داده‌های بزرگ، دسته‌بندی، مجموعه، دسته‌بندی‌کننده SVM، نوع تابع هسته، پارامترهای تابع هسته، الگوریتم بهینه‌سازی ازدحام ذرات، پارامتر تنظیم‌، بردارهای پشتیبان
کلمات کلیدی انگلیسی: Big Data - classification - ensemble - SVM classifier - kernel function type - kernel function parameters - particle swarm optimization algorithm - regularization parameter - support vector
نمایه: scopus - master journals
شناسه دیجیتال (DOI): https://doi.org/10.14569/IJACSA.2016.070541
دانشگاه: موسسه فن آوری مسکو، مهندسی رادیویی ایالت ریازان، دانشگاه مسکو ، روسیه
ناشر: Thesai
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2016
شاخص H_index: 3 در سال 2019
شاخص SJR: 0.000 در سال 2018
شناسه ISSN: 2158-107X
صفحات مقاله انگلیسی: 19
صفحات ترجمه فارسی: 45 (1 صفحه رفرنس انگلیسی)
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: بله
کد محصول: 10218
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
ترجمه فارسی فهرست مطالب

چکیده


1.مقدمه


2. دسته‌بندی‌کننده ماشین بردار پشتیبان 


3. الگوریتم اصلاح شده بهینه‌سازی ازدحام ذرات


4. مجموعه ماشین بردار پشتیبان


5. دسته‌بندی‌کننده دوسطحی ماشین بردار پشتیبان


6. مطالعات آزمایشی

فهرست انگلیسی مطالب

Abstract


I. INTRODUCTION


II. THE SUPPORT VECTOR MACHINE CLASSIFIER


III. THE MODIFIED PARTICLE SWARM OPTIMIZATION ALGORITHM


IV. THE SUPPORT VECTOR MACHINE ENSEMBLE


V. V. TWO-LEVEL SVM CLASSIFIER


VI. EXPERIMENTAL STUDIES


VII. CONCLUSION

نمونه ترجمه فارسی مقاله

چکیده:


مسئله طراحی دسته‌بندی‌کننده‌های ماشین بردار پشتیبان (SVM) با استفاده از الگوریتم اصلاح‌شده بهینه‌سازی ازدحام ذرات (PSO) و مجموعه‌های آن‌ها در این مطالعه مورد بررسی قرار گرفته است. حل این مسئله امکان اجرای دسته‌بندی داده‌ها با دقت بالا به خصوص دسته‌بندی داده‌های بزرگ (Big Data) را با صرف زمان قابل‌قبول فراهم می‌سازد. الگوریتم اصلاح‌شده PSO به جستجوی همزمان نوع توابع هسته، پارامترهای تابع هسته و ارزش پارامتر تنظیم‌ در دسته‌بندی‌کننده SVM می‌پردازد. طرح بازتولید ذرات به عنوان مبنای الگوریتم اصلاح‌شده PSO عمل نموده است. در پیاده‌سازی این الگوریتم، برخی ذرات، نوع تابع هسته خود را به تابعی که با ببشترین دقت دسته‌بندی با ذره مطابقت می‌کند، تغییر می‌دهند. الگوریتم ارائه‌شده PSO امکان کاهش مدت زمان صرف‌شده برای دسته‌بندی‌کننده‌های طراحی‌شده SVM که برای مسئله دسته‌بندی داده‌های بزرگ بسیار مهم است، فراهم می‌سازد. در اکثر موارد، این‌گونه دسته‌بندی‌کننده SVM کیفیت بالایی از دسته‌بندی‌ داده‌ها را ارائه می‌دهد. در موارد استثنایی می‌توان از مجموعه‌های SVM مبتنی بر الگوریتم بیشینه‌سازی غیرهمبستگی برای راهبردهای مختلف تصمیم‌گیری در مورد دسته‌بندی داده‌ها و قاعده رأی اکثریت استفاده کرد. علاوه بر این، دسته‌بندی‌کننده دوسطحی SVM نیز ارائه شده است. این‌نوع دسته‌بندی‌کننده به عنوان گروه دسته‌بندی‌‌کننده‌های SVM در سطح اول و به عنوان دسته‌بندی‌کننده SVM بر مبنای الگوریتم اصلاح‌شده PSO در سطح دوم عمل می‌کند. نتایج مطالعات آزمایشگاهی بر اثربخشی روش‌های ارائه‌شده جهت دسته‌بندی داده‌های بزرگ مهر تأیید می‌زند. 


1.مقدمه


داده‌های بزرگ، اصطلاحی برای مجموعه داده‌هایی است که به قدری بزرگ و یا پیچیده هستند که فن‌آوری‌های قدیمی پردازش داده‌ها کفایت نمی‌کنند. آن‌ها نیازمند فن‌آوری‌هایی برای ذخیره‌سازی و پردازش مجموعه‌ داده‌های فزآینده تصاعدی هستند که داده‌های ساختاری، نیمه‌ساختاری و بدون ساختار را شامل می‌شوند. حجم، تنوع و سرعت سه ویژگی تعیین‌کننده داده‌های بزرگ هستند. حجم به مقدار عظیم داده‌ها، تنوع به تعداد گونه‌های داده‌ها و سرعت نیز به سرعت پردازش داده‌ها اشاره دارند. داده‌های بزرگ نه تنها شامل تعداد و رشته‌ها می‌شود بلکه داد‌های جغرافیایی، داده‌های اینترنتی، صوتی، ویدئویی، فایل‌های اجتماعی و . .. که از منابع گوناگون نظیر حسگرها، تلفن‌های موبایل، دوربین‌ها و مواردی از این دست بدست می‌آید، را نیز در بر می‌گیرد. 

نمونه متن انگلیسی مقاله

Abstract


The problem with development of the support vector machine (SVM) classifiers using modified particle swarm optimization (PSO) algorithm and their ensembles has been considered. Solving this problem would allow fulfilling the highprecision data classification, especially Big Data classification, with the acceptable time expenditures. The modified PSO algorithm conducts a simultaneous search of the type of kernel functions, the parameters of the kernel function and the value of the regularization parameter for the SVM classifier. The idea of particles' «regeneration» served as the basis for the modified PSO algorithm. In the implementation of this algorithm, some particles change the type of their kernel function to the one which corresponds to the particle with the best value of the classification accuracy. The offered PSO algorithm allows reducing the time expenditures for the developed SVM classifiers, which is very important for Big Data classification problem. In most cases such SVM classifier provides the high quality of data classification. In exceptional cases the SVM ensembles based on the decorrelation maximization algorithm for the different strategies of the decision-making on the data classification and the majority vote rule can be used. Also, the two-level SVM classifier has been offered. This classifier works as the group of the SVM classifiers at the first level and as the SVM classifier on the base of the modified PSO algorithm at the second level. The results of experimental studies confirm the efficiency of the offered approaches for Big Data classification.


I. INTRODUCTION


Big Data is a term for data sets that are so large and/or complex that traditional data processing technologies are inadequate. They require technologies that can be used to store and process the exponentially increasing data sets which contain structured, semi structured and unstructured data. Volume, variety and velocity are three defining characteristics of Big Data. Volume refers to the huge amount of data, variety refers to the number of data types and velocity refers to the speed of data processing. The problems of the Big Data management result from the expansion of all three characteristics. The Big Data does not consist of only numbers and strings but also geospatial data, audio, video, web data, social files, etc. obtained from various sources such as sensors, mobile phones, cameras and so on.

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۲۶,۸۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

دسته بندی داده های بزرگ با استفاده از دسته بندی کننده های SVM
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها