سال انتشار: ۱۳۹۱

محل انتشار: کنفرانس بین المللی مدل سازی غیر خطی و بهینه سازی

تعداد صفحات: ۱۰

نویسنده(ها):

مرضیه حیرانی – دانشجوی فوق لیسانس علوم کامپیوتر

چکیده:

این مقاله به یادگیری اطلاعات تئوریک و متریک که Correntropy نامیده میشود می پردازد و یادگیری و تطبیق طبقه بندی معماری نروفازی را بررسی می کند همچنین برخی از ویژگیهای مربوط به Correntropy و کاربرد آن درcost function و الگوریتم های ماشین یادگیری که هدف MCC است می پردازد ما دراین مقاله کاربرد استفاده از پارا مترهای بهینه سازی درزمینه طبقه بندی نروفازی را بررسی می کنیم ازمتدهایی درزمینه پزشکی به منظور طبقه بندی وضعیت خواب بیماران استفاده می کنیم نتایج بررسی شده دراین موارد نشان میدهد زمانی که از معیار MCC استفاده می کنیم پارامتر بهتر و دست یافتنی تر درمقایسه با تابع هزینه هدف MSE بدست م یآید.