مشخصات مقاله:
عنوان فارسی مقاله:
مروری بر تشخیص رویدادهای بدیع – بخش اول: رویکردهای آماری
عنوان انگلیسی مقاله:
Novelty detection: a review—part 1: statistical approaches
کلمات کلیدی مقاله:
بررسی تشخیص جدید، رویکردهای آماری، مدل مخلوط گاوسی، مدل مخفی مارکوف، KNN، تخمین چگالی پارسن، تطبیق رشته، خوشه بندی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی و مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. رویکردهای آماری
2.1. رویکردهای پارامتری
2.1.1. رویکردهای احتمالاتی / GMM
2.1.2. مدل‌های مخفی مارکوف (HMM)
2.1.3. آزمون فرضیه
2.2. رویکردهای غیر پارامتری
2.2.1. رویکردهای مبتنی بر kNN
2.2.2. برآورد چگالی Parzen
2.2.3. رویکردهای تطبیق رشته‌ای
2.2.4. رویکردهای خوشه بندی
3. نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
Detecting novel events is an important abilityof anysignal classi-cation scheme. Given the fact that we can never train a machine learning system on all possible object classes whose data the system is likely to encounter, it becomes important that it is able to di?erentiate between known and unknown object information during testing. It has been realised in practice byseveral studies that the noveltydetection is an extremelychallenging task. It is for this reason that there exist several models of noveltydetection that have been shown to perform well on di?erent data. It is clearlyevident that there is no single best model for noveltydetection and the success depends not onlyon the type of method used but also statistical properties of data handled.
1. مقدمه
تشخیص رویدادهای بدیع قابلیت مهمی در هر طرح طبقه‌بندی سیگنال محسوب می‌شود. با توجه به این واقعیت که ما هرگز نمی‌توانیم یک سیستم یادگیری ماشینی را در تمام کلاس‌های محتمل شی آموزش دهیم که داده‌های سیستم احتمالاً با آن مواجه می‌شوند، حائز اهمیت خواهد بود که این امر قادر به افتراق بین اطلاعات شی شناخته شده و ناشناخته در خلال آزمایش باشد. این مساله در عمل توسط مطالعات متعددی محقق گردیده که تشخیص رویدادهای بدیع، امری بسیار چالش برانگیز میباشد. به همین دلیل است که مدل‌های متعددی برای تشخیص رویدادهای بدیع وجود دارند که مشخص گردیده به خوبی در داده‌های مختلف اجرا گردیده‌اند. این مساله به وضوح آشکار است که هیچ مدل واحد برتری برای تشخیص رویدادهای بدیع وجود ندارد و موفقیت نه تنها به نوع روش مورد استفاده بلکه به خصوصیات آماری داده‌های مربوطه نیز بستگی دارد.