انجمن کامپیوتر ایران

در این مقاله روش جدیدی برای استخراج و انتخاب بردار ویژگی در یک سیستم تشخیص ارائه و سپس عملکرد آن مورد آزمایش و ارزیابی قرار گرفته است. هسته‌ی اصلی ایده عبارت است از ایجاد ترکیبی خطی از ویژگی‌های اولیه بنحوی که اولاً بردارهای جدید ایجاد شده متعامد باشند ثانیاً پراکندگی بردار ویژگی نمونه‌های هر کلاس کمتر گردد. بدیهی است وجود این دوخاصیت اولاً باعث کاهش شدت محاسبات و ثانیاً بالا رفتن دقت سیستم تشخیص می‌گردد. عملیات پیشنهادی برای کار روی بردار ویژگی عبارت است از بکارگیری روش آنالیز واریانس روی بردار اولیه ویژگی و استخراج بردارهای متعامد، سپس بر اساس ویژگی های جدید مکانیزم انتخاب صورت می‌گیرد و آنگاه ویژگی‌های انتخاب شده و بردارهای متعامد نهایی استخراج می‌گردد.جهت ارزیابی، موضوع تشخیص نفوذ به شبکه‌های کامپیوتری در نظر گرفته شده است، نتایج بدست آمده با بکارگیری روش نزدیکترین همسایه نشان می‌دهد اولاً دقت سیستم تشخیص بالاتر رفته است و ثانیاً سرعت محاسبات به میزان چشمگیری افزایش یافته است.

از جمله سیستم‌های حافظه انجمنی مبتنی بر پویایی غیر تعادلی، مدل S-GCM است. این مدل نسبت به شبکه هاپفیلد از توانایی بالاتر ذخیره‌سازی و نرخ موفق تشخیص برخوردار است، ولی هنوز، به عنوان یک سیستم حافظه انجمنی دارای نقاط ضعفی است وآن نرخ ذخیره‌سازی و سرعت همگرایی پایین آن می‌باشد. در این مقاله، برای رفع مشکل S-GCM فرایند آموزش این شبکه را مورد توجه قرار داده‌ایم . از این رو بر اساس روش آموزش اسپارس و با در نظر گرفتن نحوه‌ی یادگیری انسان که امکان فراموشی آنچه که تکرار می‌گردد کم میشود، یک روش آموزش جدید در مدل S-GCM ارائه کرده و همگرایی آن را اثبات نموده‌ایم. نشان داده‌ایم که روش ما، جهت سنتز شبکهS-GCM در مقایسه با قانون یادگیری هب از گنجایش بیشتر ذخیره‌سازی اطلاعات و سرعت همگرایی بالاتری برخوردار می‌باشد.