کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک- قسمت ۲۱

ماشین بردار پشتیبان چند کلاسی^[۳۹]: SVM اساساً یک جداکننده دودویی است. برای مسائل چند کلاسی، رهیافت کلی کاهش مسئله چند کلاسی به چندین مسئله دودویی است. هر یک از مسائل با یک جداکننده دودویی حل می‌شود. سپس خروجی جداکننده‌های دودویی SVM باهم ترکیب‌شده و به‌این‌ترتیب مسئله چند کلاس حل می‌شود.
مراحل استفاده از SVM به‌صورت زیر میباشد:
ماتریس الگو آماده میشود.
تابع کرنلی برای استفاده انتخاب میشود.
پارامتر تابع کرنل و مقدار C انتخاب میشود.
برای محاسبه مقادیر، الگوریتم آمورشی با بهره گرفتن از حل‌کننده‌های QP، اجرا میشود.
داده های جدید با بهره گرفتن از مقادیر و بردارهای پشتیبان می‌توانند دستهبندی شوند.
مزایا و معایب SVM:
آموزش نسبتاً ساده است و برخلاف شبکه های عصبی در ماکزیممهای محلی گیر نمیافتد.
برای داده های با ابعاد بالا تقریباً خوب جواب میدهد.
مصالحه بین پیچیدگی دسته‌بندی کننده و میزان خطا به‌طور واضح کنترل می‌شود.
به یک تابع کرنل خوب و انتخاب پارامتر C نیاز دارد.
ارزیابی روش‌های کلاسه‌بندی
ارزیابی روش‌های کلاسه‌بندی با معیارهای زیر انجام می‌پذیرد]۱۲[
میزان دقت^[۴۰] در پیشگویی، ازجمله معیارهای ارزیابی روش‌های مذکور در کلاسه‌بندی می‌باشد که میزان قابلیت و توانایی یک مدل را در پیشگویی صحیح برچسب یک کلاس، مشخص می‌کند.
سرعت^[۴۱] و توسعه‌پذیری، از نظر زمانی که برای ایجاد یک مدل و زمان استفاده از آن مدل لازم می‌باشد، از معیارهای دیگر ارزیابی روش در کلاسه‌بندی می‌باشد.
قوی بودن^[۴۲] معیار مهمی است که میزان توانایی یک مدل را در برخورد با نویز و مقادیر حذف شده تعیین می‌کند.
توسعه‌پذیری^[۴۳] معیار دیگری است که ازنقطه‌نظر میزان کارایی در بانک‌های اطلاعاتی بزرگ و نه داده‌های مقیم در حافظه مورد بررسی قرار می‌گیرد.
قابل تفسیر بودن^[۴۴]، یعنی میزان و سطح درک ایجادشده توسط مدل از دیگر مواردی است که می‌بایست در بررسی روش‌های کلاسه‌بندی در نظر گرفت.
از میان روش‌های مختلف ارزیابی کارایی الگوریتم‌های کلاسه‌بندی، در این تحقیق از روش ۱۰ Folds Cross Validation استفاده شده است.
شبیه‌سازی
فصل چهارم
شبیهسازی
مقدمه
در این بخش کلاسه بندهای پرکاربرد مطرح شده در فصل قبل ازنظر دقت جداسازی و کارایی آن‌ ها باهم مقایسه می‌شوند.
لازم به ذکر این مطلب است که این شبیه‌سازی در محیط نرم‌افزار Weka انجام گرفته است و همان‌طور که ذکر شد برای ارزیابی آن از روش ۱۰ Fold Cross Validation استفاده شده است و معیار Precision در مورد هر سطر از جداول آورده شده است.
انتخاب ویژگی‌ها
در ابتدا با بهره گرفتن از تبدیلات PCA سعی می‌شود ویژگی‌های مفید از فضای ویژگی‌های موجود، تشخیص داده شود که برای این منظور مجموعه داده جمع‌ آوری‌شده به نرم‌افزار Weka