چگونه چربی گوشت و داده های قلب ثابت می کند هوش مصنوعی با تقویت مناسب هوشمندتر می شود

نویسندگان:

(1) سرگئی کوچریاوسکی، گروه شیمی و علوم زیستی، دانشگاه آلبورگ و نویسنده مسئول ([email protected])

(2) سرگئی ژیلین، CSort، LLC.، خیابان ژرمانا تیتووا. 7, Barnaul, 656023, روسیه و نویسندگان مشارکت کننده0 ([email protected]).

یادداشت ویرایشگر: این قسمت 3 از 4 مطالعه ای است که روش جدیدی را برای افزایش مجموعه داده های عددی و مختلط توضیح می دهد. بقیه را در ادامه بخوانید.

  • چکیده و 1 مقدمه
  • 2 روش
    • 2.1 تولید مجموعه های PV بر اساس تجزیه ارزش منفرد
    • 2.2 تولید مجموعه های PV بر اساس تجزیه PLS
  • 3 نتیجه
    • 3.1 مجموعه داده ها
    • 3.2 رگرسیون ANN داده های Tecator
    • 3.3 طبقه بندی ANN داده های قلبی
  • 4 بحث
    • 5 نتیجه گیری و مراجع

3.1 مجموعه داده ها

دو مجموعه داده برای نشان دادن قابلیت‌های مجموعه‌های PV برای افزایش داده‌ها انتخاب شدند. از آنجایی که هر دو تجزیه SVD و PLS ساختار واریانس-کوواریانس X را مدل می‌کنند، رویکرد تقویت پیشنهادی برای مجموعه‌های داده با درجه خطی متوسط ​​تا بالا، که برای انتخاب مجموعه داده‌ها در نظر گرفته شد، بهترین کار خواهد کرد.

لازم به ذکر است که بهینه سازی معماری ANN خارج از محدوده این کار بود. در هر دو نمونه از یک معماری بسیار ساده با چندین لایه استفاده شده است.

شکل 1 طیف Tecator با محتوای چربی در نمونه ها رنگ شده است (افسانه رنگبار رنگ طیف ها را به محتوای چربی در %w/w نگاشت می کند).شکل 1 طیف Tecator با محتوای چربی در نمونه ها رنگ شده است (افسانه رنگبار رنگ طیف ها را به محتوای چربی در %w/w ترسیم می کند).

تمام محاسبات …

Source link