مقاله انگلیسی رایگان در مورد دسته‌بندی داده‌های بزرگ با استفاده از دسته‌بندی‌کننده‌ها – Thesai 2016

samplepic2

 

مشخصات مقاله
ترجمه عنوان مقاله دسته‌بندی داده‌های بزرگ با استفاده از دسته‌بندی‌کننده‌های SVM بوسیله الگوریتم اصلاح‌شده بهینه‌سازی ازدحام ذرات و مجموعه‌های SVM
عنوان انگلیسی مقاله Big Data Classification Using the SVM Classifiers with the Modified Particle Swarm Optimization and the SVM Ensembles
انتشار مقاله سال ۲۰۱۶
تعداد صفحات مقاله انگلیسی  ۱۹ صفحه
هزینه  دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده  نشریه Thesai
نوع نگارش مقاله مقاله پژوهشی (Research article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) scopus – master journals
نوع مقاله
ISI
فرمت مقاله انگلیسی  PDF
شناسه ISSN  ۲۱۵۶-۵۵۷۰
رشته های مرتبط  مهندسی فناوری اطلاعات – مهندسی کامپیوتر
گرایش های مرتبط  مهندسی نرم افزار – الگوریتم و محاسبات – معماری سیستمهای کامپیوتری
نوع ارائه مقاله
ژورنال
مجله / کنفرانس  International Journal Of Advanced Computer Science And Applications
دانشگاه Moscow Technological Institute Ryazan State Radio Engineering University Moscow, Russia
کلمات کلیدی داده‌های بزرگ، دسته‌بندی، مجموعه، دسته‌بندی‌کننده SVM، نوع تابع هسته، پارامترهای تابع هسته، الگوریتم بهینه‌سازی ازدحام ذرات، پارامتر تنظیم‌، بردارهای پشتیبان
کلمات کلیدی انگلیسی  Big Data, classification, ensemble, SVM classifier, kernel function type, kernel function parameters, particle swarm optimization algorithm, regularization parameter, support vectors
شناسه دیجیتال – doi https://doi.org/10.14569/IJACSA.2016.070541
کد محصول E11837
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

بخشی از متن مقاله:

Abstract

The problem with development of the support vector machine (SVM) classifiers using modified particle swarm optimization (PSO) algorithm and their ensembles has been considered. Solving this problem would allow fulfilling the high-precision data classification, especially Big Data classification, with the acceptable time expenditures. The modified PSO algorithm conducts a simultaneous search of the type of kernel functions, the parameters of the kernel function and the value of the regularization parameter for the SVM classifier. The idea of particles’ «regeneration» served as the basis for the modified PSO algorithm. In the implementation of this algorithm, some particles change the type of their kernel function to the one which corresponds to the particle with the best value of the classification accuracy. The offered PSO algorithm allows reducing the time expenditures for the developed SVM classifiers, which is very important for Big Data classification problem. In most cases such SVM classifier provides the high quality of data classification. In exceptional cases the SVM ensembles based on the decorrelation maximization algorithm for the different strategies of the decision-making on the data classification and the majority vote rule can be used. Also, the two-level SVM classifier has been offered. This classifier works as the group of the SVM classifiers at the first level and as the SVM classifier on the base of the modified PSO algorithm at the second level. The results of experimental studies confirm the efficiency of the offered approaches for Big Data classification.

Introduction

Big Data is a term for data sets that are so large and/or complex that traditional data processing technologies are inadequate. They require technologies that can be used to store and process the exponentially increasing data sets which contain structured, semi structured and unstructured data. Volume, variety and velocity are three defining characteristics of Big Data. Volume refers to the huge amount of data, variety refers to the number of data types and velocity refers to the speed of data processing. The problems of the Big Data management result from the expansion of all three characteristics. The Big Data does not consist of only numbers and strings but also geospatial data, audio, video, web data, social files, etc. obtained from various sources such as sensors, mobile phones, cameras and so on

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *