| تاریخ ارسال: 1400/11/23 |
دانشجو: آقای عبدالرضا عسکری
استاد راهنما: دکتر یونس جاوید
استاد راهنما: دکتر ارد احمدی
زمان: پنجشنبه ۲۸ بهمن ماه ۱۴۰۰ ساعت: ۲۰:۰۰
لینک ورود به جلسه
استاد راهنما: دکتر یونس جاوید
استاد راهنما: دکتر ارد احمدی
زمان: پنجشنبه ۲۸ بهمن ماه ۱۴۰۰ ساعت: ۲۰:۰۰
لینک ورود به جلسه
چکیده
امروزه با پیشرفت تکنولوژی و پیچیده شدن فرآیندها، توسعه تجهیزات اندازه گیری و ذخیره سازی داده های چند متغیره ای که ابعاد بالا و همبستگی زیادی دارند، تولید می شوند. واضح است که تجزیه و تحلیل این داده این داده ها با روشهای معمولی بسیار مشکل است. کاهش بعد یکی از راه حل هایی است که می‌توان در مواجهه با اینگونه داده ها از آن استفاده کرد. کاهش بعد با کاهش ابعاد متغیرها باعث می شود تا داده ها راحت تر تجزیه و تحلیل شوند. یکی از روش های معروفی که بر مبنای کاهش بعد عمل می‌کند، روش PCA است. PCA با تصویر کردن داده ها در یک زیر فضای جدید و شناسایی مولفه های اصلی، با داده های با ابعاد بالا مقابله می‌کند. اما با این وجود PCA قادر نیست ساختار های غیر خطی بین داده ها را به خوبی تشخیص دهد و به همین دلیل در مواجهه با داده های با ساختار غیر خطی ضعیف عمل می کند. برای رفع این مشکل روش های متعددی توسعه داده شده اند. KPCA یکی از روشهایی است که می‌تواند به خوبی با داده های غیر خطی روبرو شود. KPCA با نگاشت داده ها از فضای ورودی به فضای ویژگی با ابعاد بالا و اجرای PCA در فضای ویژگی، با داده های غیر خطی مقابله می کند. با این وجود KPCA نیز همانند PCA در برابر داده های پرت عملکرد ضعیفی دارد و محاسبات آن تحت تاثیر وجود این داده ها قرار می گیرد. از این رو نیاز به روشی است که در برابر داده های پرت حساس نباشد. بدین منظور در این مطالعه یک روش استوار بر مبنای KPCA برای رویارویی با داده های پرت پیشنهاد می شود. مطالعات شبیه سازی به منظور ارزیابی عملکرد روش پیشنهادی در مقابله با داده های تحت سناریوهای مختلف انجام شد. نتایج نشان دهنده ی عملکرد مطلوب روش پیشنهادی در برابر وجود داده های پرت بود.
کلمات کلیدی: کاهش ابعاد، تجزیه و تحلیل مولفه های اصلی، تجزیه و تحلیل مولفه های اصلی هسته، استواری، نمودار کنترل چند متغیره
امروزه با پیشرفت تکنولوژی و پیچیده شدن فرآیندها، توسعه تجهیزات اندازه گیری و ذخیره سازی داده های چند متغیره ای که ابعاد بالا و همبستگی زیادی دارند، تولید می شوند. واضح است که تجزیه و تحلیل این داده این داده ها با روشهای معمولی بسیار مشکل است. کاهش بعد یکی از راه حل هایی است که می‌توان در مواجهه با اینگونه داده ها از آن استفاده کرد. کاهش بعد با کاهش ابعاد متغیرها باعث می شود تا داده ها راحت تر تجزیه و تحلیل شوند. یکی از روش های معروفی که بر مبنای کاهش بعد عمل می‌کند، روش PCA است. PCA با تصویر کردن داده ها در یک زیر فضای جدید و شناسایی مولفه های اصلی، با داده های با ابعاد بالا مقابله می‌کند. اما با این وجود PCA قادر نیست ساختار های غیر خطی بین داده ها را به خوبی تشخیص دهد و به همین دلیل در مواجهه با داده های با ساختار غیر خطی ضعیف عمل می کند. برای رفع این مشکل روش های متعددی توسعه داده شده اند. KPCA یکی از روشهایی است که می‌تواند به خوبی با داده های غیر خطی روبرو شود. KPCA با نگاشت داده ها از فضای ورودی به فضای ویژگی با ابعاد بالا و اجرای PCA در فضای ویژگی، با داده های غیر خطی مقابله می کند. با این وجود KPCA نیز همانند PCA در برابر داده های پرت عملکرد ضعیفی دارد و محاسبات آن تحت تاثیر وجود این داده ها قرار می گیرد. از این رو نیاز به روشی است که در برابر داده های پرت حساس نباشد. بدین منظور در این مطالعه یک روش استوار بر مبنای KPCA برای رویارویی با داده های پرت پیشنهاد می شود. مطالعات شبیه سازی به منظور ارزیابی عملکرد روش پیشنهادی در مقابله با داده های تحت سناریوهای مختلف انجام شد. نتایج نشان دهنده ی عملکرد مطلوب روش پیشنهادی در برابر وجود داده های پرت بود.
کلمات کلیدی: کاهش ابعاد، تجزیه و تحلیل مولفه های اصلی، تجزیه و تحلیل مولفه های اصلی هسته، استواری، نمودار کنترل چند متغیره
مطالب مشابه
دفعات مشاهده: 667 بار |
دفعات چاپ: 128 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر