ارايه يك الگوريتم انتخاب مشخصه بهينه بدون نظارت

An Optimized Unsupervised Feature Selection Algorithm

انتخاب بردار مشخصه مناسب براي حداكثر نمودن موفقيت يك ماشين دسته بندي كننده بسيار موثر است. در اين مقاله با استفاده از تركيب روش هاي مختلف محاسبه تابع هسته، يك الگوريتم انتخاب مشخصه بهينه بدون نظارت پيشنهاد گرديده است. بردار مشخصه به دست آمده از الگوريتم پيشنهادي، صحت خروجي دسته‌بندي كننده شبكه عصبي پس‌انتشارخطا را حداكثر مي گرداند. در اين مقاله براي مطالعه موردي از دسته بندي استاندارد تصاوير فشرده‌شده مبتني بر كدگذاري تبديلي و تصاوير فشرده‌نشده با استفاده از رشته‌بيت آن‌ها استفاده مي‌گردد. استانداردهاي مورد نظر براي دسته بندي، استانداردهاي JPEG و JPEG2000 و تصاوير فشرده‌نشده با فرمت TIFF مي‌باشند. با استفاده از بردار مشخصه به دست آمده از الگوريتم پيشنهادي، صحت دسته بندي كننده در حدود 98% مي‌گردد.

Choosing a feature vector for maximizing the success of a classifier machine is very effective. In thispaper, using a combination of different methods to calculate the core function, an unsupervised feature selection algorithm improvement has been proposed. Feature vector obtained by the proposed algorithm, will maximizes output accuracy of backpropagation neural network classifier. In this paper we used case study of standard encoding of images compressed by alternate method and uncompressed images classifying based on their relative bit stream. Standards for classifications are JPEG and JPEG2000 and for uncompressed images is TIFF format. Using this feature vector obtained by the proposed algorithm, classifier accuracy will be about 98%.