ویژگی ۱۴: مینیموم جمع جزئیات و تقریب انرژی.

 

ویژگی ۵: انرژی سطح سه جزئیات

 

ویژگی ۱۶ : RMS مقدار سیگنال اصلی

 

 

 

شکل (۴-۸): سطوح تجزیه مختلف

 

۴-۱-۳- مراحل انتخاب ویژگی:

 

در این تحقیق، چندین روش برای انتخاب ویژگی‌های مفیدتر و حذف ویژگی‌های غیر ضروری از میان ۱۶ ویژگی، آزمایش شده است. روش های انتخاب ویژگی اطلاعات مفیدی را درباره برتری ویژگی‌های انتخاب شده، برتری استراتژی ویژگی‌های انتخاب شده و ارتباط بین ویژگی‌های مفید و اندازه دامنه بردار ویژگی‌ها به ما می­دهد. قبل از شروع روش های انتخاب ویژگی را بررسی می­کنیم.

 

۴-۱-۳-۱- روش ترتیبی رو به جلو:

 

این روش اولین بار در مرجع [۸] به کار گرفته شده است و توضیح آن در فصل قبل آمده، در ابتدا هیچ ویژگی نداریم و در هر مرحله، ویژگی که بالاترین دقت را دارد به جریان اضافه می‌گردد. این روند ادامه پیدا کرده تا تعداد ویژگی‌ها به حد مجاز که ۶ ویژگی است برسیم در جدول (۴-۲) دقت هر مرحله و ویژگی‌های اضافه شده آمده است.

 

جدول(۴-۲): روش ترتیبی پیشرو با طبقه بندی کننده شبکه عصبی احتمالی

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Dimension Selected Features Classification

 

Accuracy (%)

۱ ۱۶ ۷۱٫۸۹ ۲ ۱۳,۱۶ ۹۵٫۵۶ ۳ ۱,۱۳,۱۶ ۹۷٫۲۲ ۴ ۱,۱۳, ۱۵, ۱۶ ۹۸٫۵۶ ۵ ۱, ۳,۱۳, ۱۵, ۱۶ ۹۸٫۸۹ ۶ ۱, ۳, ۷, ۱۳, ۱۵, ۱۶ ۹۹ ۷ ۱, ۳, ۵, ۷, ۱۳, ۱۵, ۱۶ ۹۹ ۸ ۱, ۳, ۵, ۷, ۸, ۱۳, ۱۵, ۱۶ ۹۹ ۹ ۱, ۲, ۳, ۵, ۷, ۸, ۱۳, ۱۵, ۱۶ ۹۹ ۱۰ ۱, ۲, ۳, ۴, ۵, ۷, ۸, ۱۳, ۱۵, ۱۶ ۹۸٫۸۹ ۱۱ ۱, ۲, ۳, ۴, ۵, ۷, ۸, ۹, ۱۳, ۱۵, ۱۶ ۹۸٫۷۸ ۱۲ ۱, ۲, ۳, ۴, ۵, ۷, ۸, ۹, ۱۳, ۱۴, ۱۵, ۱۶ ۹۸٫۸۷ ۱۳ ۱, ۲, ۳, ۴, ۵, ۷, ۸, ۹, ۱۰, ۱۳, ۱۴, ۱۵, ۱۶ ۹۸٫۴۴ ۱۴ ۱, ۲, ۳, ۴, ۵, ۶, ۷, ۸, ۹, ۱۰, ۱۳, ۱۴, ۱۵, ۱۶ ۹۷٫۶۷ ۱۵ ۱, ۲, ۳, ۴, ۵, ۶, ۷, ۸, ۹, ۱۰, ۱۱, ۱۳, ۱۴, ۱۵, ۱۶ ۹۵٫۷۸ ۱۶ ۱, ۲, ۳, ۴, ۵, ۶, ۷, ۸, ۹, ۱۰, ۱۱, ۱۲, ۱۳, ۱۴, ۱۵, ۱۶ ۹۴٫۳۳

۴-۱-۳-۲- روش ترتیبی رو به عقب:

 

در این روش نیز که توضیح آن در فصل قبل آمده در ابتدا ۱۶ ویژگی را داریم و در هر مرحله یک ویژگی که دقت پائینی دارد حذف می‌کنیم. این روند ادامه پیدا کرده تا تعداد ویژگی‌ها به حد مجاز که ۶ ویژگی است برسیم در جدول (۴-۳) دقت هر مرحله و ویژگی‌های اضافه شده آمده است.

 

جدول(۴-۳): روش ترتیبی پسرو با طبقه بندی کننده شبکه عصبی احتمالی

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Dimension Selected Features Classification

 

Accuracy (%)

۱۶ ۱, ۲, ۳, ۴, ۵, ۶, ۷, ۸, ۹, ۱۰, ۱۱, ۱۲, ۱۳, ۱۴, ۱۵, ۱۶ ۹۴٫۳۳ ۱۵ ۱, ۲, ۳, ۴, ۵, ۶, ۷, ۸, ۹, ۱۰, ۱۱, ۱۳, ۱۴, ۱۵, ۱۶ ۹۵٫۷۸ ۱۴ ۱, ۲, ۳, ۴, ۵, ۶, ۷, ۸, ۹, ۱۰, ۱۳, ۱۴, ۱۵, ۱۶ ۹۷٫۶۷ ۱۳ ۱, ۲, ۳, ۴, ۵, ۷, ۸, ۹, ۱۰, ۱۳, ۱۴, ۱۵, ۱۶ ۹۸٫۴۴ ۱۲ ۱, ۲, ۳, ۴, ۵, ۷, ۸, ۹, ۱۳, ۱۴, ۱۵, ۱۶ ۹۸٫۷۸ ۱۱ ۱, ۲, ۳, ۵, ۷, ۸, ۹, ۱۳, ۱۴, ۱۵, ۱۶ ۹۸٫۸۹ ۱۰ ۱, ۲, ۳, ۵, ۷, ۸, ۹, ۱۳, ۱۴, ۱۵ ۹۸٫۸۹ ۹ ۱, ۲, ۳, ۵, ۷, ۸, ۹, ۱۳, ۱۴ ۹۹٫۰۰ ۸ ۱, ۲, ۳, ۵, ۷, ۸, ۱۳, ۱۴ ۹۹٫۰۰ ۷ ۱, ۳, ۵, ۷, ۸, ۱۳, ۱۴ ۹۹٫۱۱ ۶ ۱, ۳, ۵, ۷, ۸, ۱۳ ۹۹٫۲۲ ۵ ۱, ۳, ۵, ۷, ۱۳ ۹۹٫۰۰ ۴ ۱, ۳, ۷, ۱۳ ۹۸٫۴۴ ۳ ۱, ۷, ۱۳ ۹۷٫۰۰ ۲ ۱, ۱۳ ۸۵٫۴۴ ۱ ۱۳ ۶۲٫۸۹

۴-۱-۳-۳- روش الگوریتم ژنتیک:

 

این روش یک روش تکامل تدریجی بوده که با الهام از الگوریتم تکامل تدریجی طبیعت نظیر جهش، انتخاب و کراس اوور^[۴۷]، بهترین حالت را برای مسئله فراهم می­ کند. روند حل مسئله عموما با یک جمعیت اولیه آغاز شده و به طور تصادفی انتخاب می‌گردد. عملکرد مجموعه انتخاب شده ارزیابی می‌گردد و سپس با بهره گرفتن از پروسه جهش و جابجایی بعضی از اعضای مجموعه عوض شده و جمعیت جدید را پدید می­ آورند. جمعیت جدید دوباره وارد همین پروسه می‌گردد. [۳۷]، [۲۴] در این مجموعه سایز کروموزوم را برابر با دامنه جمعیت مورد نظر که ۶ است در نظر می­گیریم. کروموزوم­ها با ۰ و ۱ باینری کد گذاری می‌گردند که صفر به منزله عدم حضور ویژگی و یک به منزله حضور ویژگی ‌می‌باشد. به عنوان مثال، یک کروموزوم به صورت زیر تعیین شده است.

 

 

{۱ ۰ ۱ ۰ ۱ ۱ ۰ ۰ ۰ ۱} (۱۰)

 

که نشان می­دهد کروموزوم شامل ویژگی­های ۱، ۳، ۵، ۶ و ۱۰ بوده و بقیه ویژگی­ها را شامل نمی شود. تعداد مطابق با یک کروموزوم معمولا با دقت طبقه بندی به دست آمده از ویژگی‌های انتخاب شده به دست می ­آید. در جدول (۴-۴) دقت طبقه بندی، شماره ویژگی‌ها و تعداد تکرار برنامه آمده است.

 

جدول (۴-۴): روش الگوریتم ژنتیک

 

 

 

 

 

 

 

 

 

 

 

 

Dimension Accuracy (%) Selected

 

features

Number of

 

repetition

Population size ۶ ۹۹٫۲۲ ۱, ۳, ۵, ۷, ۸, ۱۳ ۱۳۴ ۱۰۰

۴-۲- نتایج عددی:

 

اگر اندازه دامنه یا تعداد ویژگی­های اولیه زیاد باشد، تحقیق به نتیجه مطلوبی نخواهد رسید. به علت ملاحظات زمانی در این مورد الگوریتم‌های انتخاب ویژگی باید به کار گرفته شوند. ‌بنابرین‏ هیچ کدام از الگوریتم‌های ذکر شده در بالا نمی ­توانند این اطمینان را به ما بدهند که بهترین ویژگی‌ها انتخاب شده اند. در این مطالعه تکنیک‌های انتخاب ویژگی، با بهره گرفتن از مقایسه دقت طبقه ­بندی و مشابهت ویژگی­ها با هم مقایسه می­گردد. بدین ترتیب روش های انتخاب ویژگی برای رسیدن به بهترین نتیجه تست می‌گردند.

 

روش های انتخاب ویژگی در بخش قبلی، به طور مجزا برای ۱۶ ویژگی به کار گرفته شده است. نتیجه در جداول برای فراهم کردن مجموعه کاملی از مشاهدات به صورت ردیفی آورده شده است. جداول مختلفی به وسیله روش­های انتخاب ویژگی که به اختصار در بالا شرح داده شده، استخراج شده است.در هر روش از دو طبقه بندی­کننده قوی شامل شبکه عصبی و ماشین بردار پشتیبان جهت طبقه ­بندی استفاده شده است. به منظور نشان دادن اثر ویژگی‌های مانده یا حذف شده دقت طبقه بندی­ها در جداول آمده که همان‌ طور که مشخص است بالاترین دقت طبقه ­بندی مربوط به کمترین بعد ویژگی است و در جدول (۴-۳) به صورت تیره نشان داده شده است. در جدول (۴-۴) نتیجه به دست آمده از روش الگوریتم ژنتیک نیز نشان داده شده است.