MATLAB متلب

در راستای مقایسه بازدهی الگوریتم پیشنهادی با دیگر الگوریتم های مشهور، تست های آماری مانند paired t-test، Wilcoxon و Friedman بکار گرفته شده اند. تست های آماری t-test و Wilcoxon برای مقایسه

برای شناسایی علایم توسط SVM باید در ابتدا به آن آموزش داد، برای اینکار ویژگیهای تصاویر با استفاده از SIFT[1]  بدست آورد. مشکلات ناشی از مقیاس[2]،چرخش[3]،اعوجاج معین[4]،تغییر دید سه بعدی، نویز وتغییرات

شبکه های عصبی از عناصر عملیاتی ساده ای تشکیل شده است که بصورت موازی با هم در ارتباطند. این عناصر از سیستم عصبی بیولوژیکی الهام گرفته اند. وظیفه این شبکه ها در

کلاس بندی فرآيند پيدا کردن يک مدل توصيف کننده و تميز دهنده برای کلاس های داده ها است. اين مدل بايد به شکلی باشد که بتوان از آن برای پيش بينی کلاس

2-5-1 مفهوم داده‌کاوی در طول دهه گذشته با پیشرفت روزافزون کاربرد پایگاه داده ها، حجم داده های ثبت شده به طور متوسط هر 5 سال 2 ‏برابر می شود. در این میان

مقدمه  مسائل بهينه سازی محدب مقيد، به مسائلی اطلاق می گردد که در آنها يک تابع هدف مشخص را که تابعی محدب (مقعر) از متغيرهای مورد نظر می باشد بر روی يک

خوشه بندی، سازمان دهی مجموعه ای از الگوها[1] بر اساس شباهت در خوشه ها است. به نحوی که الگوهای داخل یک خوشه شبیه به هم بوده و دارای بیشترین تفاوت با الگوهای

پس از استخراج ويژگي، بحث چگونگي ارتباط ميان ويژگي‏ها و نحوه تعيين ميزان خستگي و عدم تمرکز حواس راننده بر اساس اين ويژگي‏ها مطرح مي‏شود. تعيين وضعيت راننده يک مسئله طبقه‏بندي[1] (دسته‏بندي)

در سيستم‏هاي نظارت چهره راننده، ويژگي‏هاي مفيد براي تشخيص خستگي و عدم تمرکز حواس به سه دسته کلي قابل تقسيم است: ويژگي‏هاي ناحيه چشم ويژگي‏هاي ناحيه دهان ويژگي‏هاي ناحيه چهره و سر

3-1- مقدمه بسیاری از تصمیم گیرندگان با محیط هایی سرشار از استرس، به شدت رقابتی، با گام سریع و انبوه از اطلاعات مواجه هستند. ترکیب اینترنت که دسترسی سریع به منابع را

در راستای مقایسه بازدهی الگوریتم پیشنهادی با دیگر الگوریتم های مشهور، تست های آماری مانند paired t-test، Wilcoxon و Friedman بکار گرفته شده اند. تست های آماری t-test و Wilcoxon برای مقایسه

الگوریتم AdaBoost، یک روش یادگیری جمعی است و معروف‌ترین الگوریتم از خانواده الگوریتم­های Boosting است که توسطFreund  و Schapire [24] ارائه شده است. در الگوریتم های یادگیری جمعی، یک نمونه توسط چندین

کلاسه­بند C4.5 [22]، نوعی درخت تصمیم بوده که توسط Ross Quinlan در سال 1993 ارائه شده است. این الگوریتم نوع ارتقا یافته الگوریتم قبلی Quinlan یعنی ID3 بوده که برای کلاسه­بندی مفید

الگوریتم ژنتیک روشی است برای بهینه سازی مسائل محدود و نامحدود و بر اساس فلسفه انتخاب اصلح در طبیعت بنا شده است. الگوریتم ژنتیک به صورت تکراری جمعیتی از راه حل ها

ارزیابی دقت الگوریتم‌های چندکلاسه، به علت تعداد زیاد مجموعه‌ داده‌های مورد آزمایش و تعداد متنوع روش‌های اعمال شده و همچنین خصوصیات مجموعه داد‌ه‌ها که هم شامل داده‌های متوازن و هم داده‌های نامتوازن

در بسیاری از مواقع، یک دسته‌بندی‌کننده سريال تنها نمی تواند همه تغییر‌پذیری‌های[1] ممکن درون‌کلاسی[2] را برای کلاس هدف مدیریت کند [49]. در نتیجه، عمومیت[3] دسته‌بندی‌کننده سريال در مواجهه با مجموعه داده‌های پیچیده، به

الگوریتم AdaBoost.ECC، از بسیاری جهات شبیه AdaBoost.OC است. تفاوت اصلی این دو الگوریتم این است که، AdaBoost.ECC ارزش  را بر اساس شبه خطا در هر دور از اجرای الگوریتم، محاسبه نمی‌کند؛ بلکه

الگوریتم‌های AdaBoost.OC و AdaBoost.ECC، قوانین روش ECOC را با یادگیری جمعی تقویتی ادغام کرده و به کمک این استراتژی، توانسته‌اند بر معایت روش AdaBoost.M2 فائق آیند. روش‌های یادگیری تقویتی مبتنی بر ECOC،

رایج‌ترین تکنیک‌های تجزیه کلاسی، روش‌های یکی-در مقابل-یکی[1] (OAO) و یکی-در مقابل-همه[2] (OAA) است [27,28]. [1] One-against-one [2] One-against-all یکی-در مقابل-همه(OAA) روش یکی-در مقابل-همه، k دسته بندی کننده را برای یک مساله k–کلاسه