ترجمه فارسی مقاله ماشین بردار پشتیبان دوقلوی فازی مبتنی بر توپ‌های گرانولی برای طبقه‌بندی

چکیده

The twin support vector machine (TWSVM) classifier has attracted increasing attention because of its low computational complexity. However, its performance tends to degrade when samples are affected by noise. The granular-ball fuzzy support vector machine (GBFSVM) classifier partly alleviates the adverse effects of noise, but it relies solely on the distance between the granular-ball’s center and the class center to design the granular-ball membership function. In this paper, we first introduce the granular-ball twin support vector machine (GBTWSVM) classifier, which integrates granular-ball computing (GBC) with the twin support vector machine (TWSVM) classifier. By replacing traditional point inputs with granular-balls, we demonstrate how to derive a pair of non-parallel hyperplanes for the GBTWSVM classifier by solving a quadratic programming problem. Subsequently, we design the membership and non-membership functions of granular-balls using Pythagorean fuzzy sets to differentiate the contributions of granular-balls in various regions. Additionally, we develop the granular-ball fuzzy twin support vector machine (GBFTSVM) classifier by incorporating GBC with the fuzzy twin support vector machine (FTSVM) classifier. We demonstrate how to derive a pair of non-parallel hyperplanes for the GBFTSVM classifier by solving a quadratic programming problem. We also design algorithms for the GBTSVM classifier and the GBFTSVM classifier. Finally, the superior classification performance of the GBTWSVM classifier and the GBFTSVM classifier on 20 benchmark datasets underscores their scalability, efficiency, and robustness in tackling classification tasks.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی کننده دستگاه بردار پشتیبانی دوقلوی (TWSVM) به دلیل پیچیدگی محاسباتی کم ، توجه فزاینده ای را به خود جلب کرده است.با این حال ، هنگامی که نمونه ها تحت تأثیر نویز قرار می گیرند ، عملکرد آن کاهش می یابد.طبقه بندی کننده دستگاه وکتور پشتیبانی فازی دانه ای (GBFSVM) تا حدودی اثرات جانبی نویز را کاهش می دهد ، اما فقط به فاصله بین مرکز توپ دانه ای و مرکز کلاس متکی است تا عملکرد عضویت توپ را طراحی کند.در این مقاله ، ما ابتدا طبقه بندی کننده دستگاه وکتور پشتیبانی دوقلوی (GBTWSVM) را که با هم طبقه بندی کننده توپ (GBC) با طبقه بندی کننده دستگاه وکتور پشتیبانی دوقلوی (TWSVM) ادغام می شود ، طبقه بندی کننده دستگاه بردار پشتیبانی دوقلوی دانه ای (GBTWSVM) معرفی می کنیم.با جایگزین کردن ورودی های نقطه سنتی با توپ های دانه ای ، ما نشان می دهیم که چگونه می توان یک جفت هیپرپل های غیر موازی را برای طبقه بندی کننده GBTWSVM با حل یک مشکل برنامه نویسی درجه دوم استخراج کرد.پس از آن ، ما توابع عضویت و غیر عضویت توپ های دانه ای را با استفاده از مجموعه های فازی فیثاغورین برای تمایز سهم توپ های دانه ای در مناطق مختلف طراحی می کنیم.علاوه بر این ، ما با ترکیب GBC با طبقه بندی کننده دستگاه بردار پشتیبانی دوقلوی فازی (FTSVM) ، طبقه بندی کننده دستگاه وکتور پشتیبانی دوقلوی (GBFTSVM) را توسعه می دهیم.ما نشان می دهیم که چگونه می توان با حل یک مشکل برنامه نویسی درجه دوم ، یک جفت هیپرپلرهای غیر موازی برای طبقه بندی کننده GBFTSVM را به دست آورد.ما همچنین الگوریتم هایی را برای طبقه بندی کننده GBTSVM و طبقه بندی GBFTSVM طراحی می کنیم.سرانجام ، عملکرد طبقه بندی برتر طبقه بندی کننده GBTWSVM و طبقه بندی GBFTSVM در 20 مجموعه داده معیار ، مقیاس پذیری ، بهره وری و استحکام آنها را در مقابله با کارهای طبقه بندی تأکید می کند.