ترجمه فارسی مقاله ماشین بردار پشتیبان تقریبی مقادیر ویژه تعمیم‌یافته فازی شهودی

چکیده

Generalized eigenvalue proximal support vector machine (GEPSVM) has attracted widespread attention due to its simple architecture, rapid execution, and commendable performance. GEPSVM gives equal significance to all samples, thereby diminishing its robustness and efficacy when confronted with real-world datasets containing noise and outliers. In order to reduce the impact of noises and outliers, we propose a novel intuitionistic fuzzy generalized eigenvalue proximal support vector machine (IF-GEPSVM). The proposed IF-GEPSVM assigns the intuitionistic fuzzy score to each training sample based on its location and surroundings in the high-dimensional feature space by using a kernel function. The solution of the IF-GEPSVM optimization problem is obtained by solving a generalized eigenvalue problem. Further, we propose an intuitionistic fuzzy improved GEPSVM (IF-IGEPSVM) by solving the standard eigenvalue decomposition resulting in simpler optimization problems with less computation cost which leads to an efficient intuitionistic fuzzy-based model. We conduct a comprehensive evaluation of the proposed IF-GEPSVM and IF-IGEPSVM models on UCI and KEEL datasets. Moreover, to evaluate the robustness of the proposed IF-GEPSVM and IF-IGEPSVM models, label noise is introduced into some UCI and KEEL datasets. The experimental findings showcase the superior generalization performance of the proposed models when compared to the existing baseline models, both with and without label noise. Our experimental results, supported by rigorous statistical analyses, confirm the superior generalization abilities of the proposed IF-GEPSVM and IF-IGEPSVM models over the baseline models. Furthermore, we implement the proposed IF-GEPSVM and IF-IGEPSVM models on the USPS recognition dataset, yielding promising results that underscore the models’ effectiveness in practical and real-world applications.

چکیده به فارسی (ترجمه ماشینی)

دستگاه وکتور پشتیبانی مجاورت eigenvalue عمومی (GEPSVM) به دلیل معماری ساده ، اجرای سریع و عملکرد قابل ستایش ، توجه گسترده ای را به خود جلب کرده است.GEPSVM برای همه نمونه ها اهمیت مساوی می دهد ، از این طریق در هنگام مواجهه با مجموعه داده های دنیای واقعی حاوی سر و صدا و فضای باز ، استحکام و کارآیی آن را کاهش می دهد.به منظور کاهش تأثیر سر و صداها و دور از دسترس ، ما یک دستگاه بردار پشتیبانی از مجاورت مجاورت مجاورت فازی جدید فازی را پیشنهاد می کنیم (IF-GEPSVM).IF-GEPSVM پیشنهادی نمره فازی شهودی را به هر نمونه تمرینی بر اساس موقعیت مکانی و محیط اطراف آن در فضای ویژگی های با ابعاد بالا با استفاده از یک عملکرد هسته اختصاص می دهد.راه حل مشکل بهینه سازی IF-GEPSVM با حل یک مشکل ویژه مقادیر خاص به دست می آید.علاوه بر این ، ما با حل تجزیه و تحلیل استاندارد ویژه مقادیر خاص و در نتیجه مشکلات بهینه سازی ساده تر با هزینه محاسبه کمتری که منجر به یک مدل مبتنی بر فازی بصری کارآمد می شود ، یک GEPSVM بهبود یافته فازی (IF-IGEPSVM) را پیشنهاد می کنیم.ما یک ارزیابی جامع از مدل های پیشنهادی IF-GEPSVM و IF-IGEPSVM در مجموعه داده های UCI و KEEL انجام می دهیم.علاوه بر این ، برای ارزیابی استحکام مدل های پیشنهادی IF-GEPSVM و IF-IGEPSVM ، سر و صدای برچسب به برخی از مجموعه داده های UCI و Keel معرفی می شود.یافته های آزمایشی عملکرد کلی سازی برتر مدل های پیشنهادی را در مقایسه با مدل های پایه موجود ، چه با و بدون سر و صدای برچسب نشان می دهد.نتایج تجربی ما ، با پشتیبانی از تجزیه و تحلیل آماری دقیق ، توانایی های تعمیم برتر مدل های پیشنهادی IF-GEPSVM و IF-IGEPSVM را بر روی مدلهای پایه تأیید می کند.علاوه بر این ، ما مدلهای پیشنهادی IF-GEPSVM و IF-IGEPSVM را در مجموعه داده تشخیص USPS ارائه می دهیم ، و نتایج امیدوارکننده ای را به دست می آوریم که اثربخشی مدل ها را در برنامه های عملی و واقعی نشان می دهد.