تشخيص داده پرت با استفاده از ماشين يادگيري مفرط مبتني بر فازي c-Means كوانتومي

همواره يكي از مهم‌ترين دغدغه‌هاي داده‌كاوان در اختيار داشتن داده‌هايي صحيح و عاري از خطاست. داده‌هايي كه اشتباهات انساني در آن وجود نداشته باشد و ركوردهاي آن تماماً پُر و حاوي داده‌هايي صحيح باشند. در اين مقاله يك مدل يادگيري جديد مبتني بر شبكه‌ عصبي ماشين يادگير مفرط براي تشخيص داده پرت پيشنهاد مي‌شود. عملكرد شبكه‌هاي عصبي وابسته به پارامترهاي مختلفي از قبيل ساختار آن، وزن‌هاي اوليه، تعداد نورون‌هاي لايه پنهان و نرخ يادگيري است. محاسبات كوانتومي يك روش جديد پردازش اطلاعات بر مبناي مكانيك كوانتومي است كه امروزه مفاهيم آن در كاربردهاي هوش‌مصنوعي نيز مورد استفاده قرار مي‌گيرد. در روش پيشنهادي، شبكه عصبي ماشين يادگيري مفرط با استفاده از مفهوم خوشه‌بندي فازي c-Means كوانتومي، بهبود مي‌يابد. اين خوشه‌بندي به پيدا كردن وزن بهينه اتصالات لايه ورودي به لايه پنهان شبكه عصبي كمك مي‌كند. همچنين باعث مي‌شود، معماري شبكه در لايه پنهان به شكل سازنده‌اي شكل بگيرد و يادگيري بهبود يابد. عملكرد روش پيشنهادي از لحاظ صحت، نرخ صحيح مثبت و نرخ صحيح منفي نشان‌دهنده برتري روش پيشنهادي در تشخيص داده پرت نسبت به روش هاي ديگر است.