فهرست مطالب محمود پرنده
-
امروزه با افزایش حجم تولید داده، توجه به الگوریتمهای یادگیری ماشین جهت استخراج دانش از دادههای خام افزایش یافته است. داده خام معمولا دارای ویژگیهای اضافی یا تکراری است که بر روی عملکرد الگوریتمهای یادگیری تاثیر میگذارد. جهت افزایش کارایی و کاهش هزینه محاسباتی الگوریتمهای یادگیری ماشین، از الگوریتمهای انتخاب ویژگی استفاده میشود که روشهای متنوعی برای انتخاب ویژگی ارایه شده است. از جمله روشهای انتخاب ویژگی، الگوریتمهای تکاملی هستند که به دلیل قدرت بهینهسازی سراسری خود مورد توجه قرار گرفتهاند. الگوریتمهای تکاملی بسیاری برای حل مسیله انتخاب ویژگی ارایه شده که بیشتر آنها روی فضای هدف تمرکز داشتهاند. فضای مسیله نیز میتواند اطلاعات مهمی برای حل مسیله انتخاب ویژگی ارایه دهد. از آنجایی که الگوریتمهای تکاملی از مشکل عدم خروج از نقطه بهینه محلی رنج میبرند، ارایه یک مکانیزم موثر برای خروج از نقطه بهینه محلی ضروری است. در این مقاله از الگوریتم تکاملی PSO با تابع چندهدفه برای انتخاب ویژگی استفاده شده که در آن یک روش جدید جهش که از امتیاز ویژگیهای ذرات استفاده میکند، به همراه نخبهگرایی برای خروج از نقاط بهینه محلی ارایه گردیده است. الگوریتم ارایهشده بر روی مجموعه دادههای مختلف تست و با الگوریتمهای موجود بررسی شده است. نتایج شبیهسازیها نشان میدهند که روش پیشنهادی در مقایسه با روش جدید RFPSOFS بهبود خطای 20%، 11%، 85% و 7% به ترتیب در دیتاستهای Isolet، Musk، Madelon و Arrhythmia دارد.
کلید واژگان: انتخاب ویژگی, بهینه سازی چندهدفه, الگوریتم PSO, مجموع وزن دار تطبیق پذیر, جهش هوشمند, نخبه گرایی}Today, with the increase in data production volume, attention to machine learning algorithms to extract knowledge from raw data has increased. Raw data usually has redundant or irrelevant features that affect the performance of learning algorithms. Feature selection algorithms are used to improve efficiency and reduce the computational cost of machine learning algorithms. A variety of methods for selecting features are provided. Among the feature selection methods are evolutionary algorithms that have been considered because of their global optimization power. Many evolutionary algorithms have been proposed to solve the feature selection problem, most of which have focused on the target space. The problem space can also provide vital information for solving the feature selection problem. Since evolutionary algorithms suffer from the pain of not leaving the local optimal point, it is necessary to provide an effective mechanism for leaving the local optimal point. This paper uses the PSO evolutionary algorithm with a multi-objective function. In the proposed algorithm, a new mutation method that uses the particle feature score is proposed along with elitism to exit the local optimal points. The proposed algorithm is tested on different datasets and examined with existing algorithms. The simulation results show that the proposed method has an error reduction of 20%, 11%, 85%, and 7% in the Isolet, Musk, Madelon, and Arrhythmia datasets, respectively, compared to the new RFPSOFS method.
Keywords: Feature selection, multi-objective optimization, PSO algorithm, adaptive weight sum method, intelligent mutation, elitism} -
در سال های اخیر، شبکه های حسگر بصری (VSNs) متشکل از گره های دوربین دار، به عنوان کلاس جدیدی از شبکه های بی سیم به وجود آمده اند. گره های دوربین دار علی رغم محدودیت منابع، با همکاری همدیگر قابلیت ثبت و ارسال داده های تصویری را دارند. شبکه های حسگر بصری کاربردهای بسیاری را با تکیه بر اطلاعات به دست آمده از گره های دوربین دار و ارسال داده های مهم به سمت مقصد مشخص (چاهک) تحقق می بخشند. بررسی ها نشان می دهد که تاکنون پروتکل های مسیریابی مبتنی بر موقعیت زیادی برای شبکه های حسگر بصری ارائه شده است که نیازمندی های برنامه های کاربردی و ویژگی های گره های دوربین دار را در نظر گرفته اند. در بسیاری از این پروتکل ها، ذخیره کردن اطلاعات همسایه ها از طریق ارسال پیام های کنترلی، باعث افزایش انرژی مصرفی در گره ها شده است. تعداد اندکی از پروتکل ها وجود دارند که از پیام های کنترلی برای مسیریابی استفاده نمی کنند، اما آن ها نیز از تزریق داده افزونه به شبکه رنج می برند. در این مقاله، پروتکل ارسال داده انرژی-کارا (EEF) برای شبکه های حسگر بصری ارائه می شود. این پروتکل که مبتنی بر موقعیت گره های دوربین دار است، از روش انتخاب ارسال کننده حریصانه برای ارسال اطلاعات بدون نیاز به تبادل پیام کنترلی و با تکیه بر مکانیسم زمان انتظار استفاده می کند. نتایج شبیه سازی نشان می دهد که پروتکل EEF تعداد داده های تزریقی افزونه به شبکه را به حداقل رسانده و باعث ایجاد تعادل در مصرف انرژی گره ها در مقایسه با جدیدترین پروتکل ها در این زمینه می شود.کلید واژگان: شبکه های حسگر بصری, پروتکل مسیریابی مبتنی بر موقعیت, کاهش داده افزونه, بهبود مصرف انرژی, افزایش طول عمر شبکه}Recently, Visual Sensor Networks (VSNs) consisting of camera nodes have emerged as a new class of wireless networks. Low-capability camera nodes have the ability to capture and transmit visual data cooperatively. VSNs realize many applications by relying on the achieved information from camera nodes and transmitting important data to a specific destination (Sink). Based on literature, many position-based routing protocols have been proposed for VSNs which consider application requirements and camera nodes characteristics. In most of these protocols, maintaining neighborhood information by sending periodic control messages increases energy consumption in camera nodes. There are a few protocols without using periodic control messages. However, they suffer from injection of redundant data to the network. In this paper, Energy-Efficient data Forwarding protocol (EEF) in VSNs is proposed. This protocol which is based on camera nodes positions, uses greedy forwarder selection method to forward data without exchanging periodic control messages and utilizes waiting time mechanism. Simulation results show that the EEF decreases injected redundant data to the network and has better balancing in energy consumption of camera nodes in comparison with the state-of-the-art protocols.Keywords: Visual sensor networks, position, based routing protocol, minimum redundant data, energy efficiency, prolonging network lifetime}
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.