كاربرد رمزگذار خودكار در تشخيص داده‌هاي پرت

اصفهان : دانشگاه صنعتي اصفهان

رياضي كاربردي

كارشناسي ارشد

رمزگذار خودكار نوعي معماري يادگيري عميق است كه از شبكه‌هاي عصبي مصنوعي براي يادگيري بازنمايي فشرده و كدگذاري‌شده از داده‌ها استفاده مي‌كند. هدف اصلي اين معماري، كاهش ابعاد و فشرده‌سازي داده‌ها، بدون از دست دادن اطلاعات حياتي آن‌ها است. رمزگذار خودكار گرافي، نوعي خاص از رمزگذارهاي خودكار است كه داده‌هاي ساختارمند را به گراف تبديل مي‌كند و سپس مجموعه داده، همراه با گراف مربوط به آن وارد رمزگذار خودكار براي آموزش مي‌شود. تشخيص داده پرت به ويژه در اطراف خوشه‌هاي چگال، يكي از چالش‌هاي اصلي در بسياري از كاربردها است. در اين پايان‌نامه براي رفع اين چالش، روشي نوين مبتني بر رمزگذار خودكار گرافي پيشنهاد شده است. اين روش در ابتدا، با استفاده از سه روش كارآمد خوشه‌بندي شامل $DBSCAN$، $OPTICS$ و $HDBSCAN$ داده‌ها به خوشه‌هاي معنادار تقسيم مي‌شوند. سپس با بهره‌گيري از دو استراتژي مختلف مبتني بر فاصله و چگالي، داده‌هاي پرت احتمالي شناسايي و حذف مي‌شوند. داده‌هاي پاكسازي شده همراه با ماتريس مجاورت آن‌ها به شبكه رمزگذار خودكار گرافي ارائه مي‌شود تا اين شبكه بتواند با استفاده از داده‌هاي تقريباً پاكسازي شده آموزش ببيند و ويژگي‌ها و الگوهاي اصلي داده‌ها را استخراج كند. براي تعيين بعد لايه گلوگاه، از دو روش مختلف استفاده مي‌شود كه به بهينه‌سازي عملكرد شبكه كمك مي‌كند. پس از اتمام آموزش، كل داده‌ها به شبكه وارد شده و با محاسبه خطاي بازسازي يا دريافت داده‌هاي كدگذاري شده، داده‌هاي پرت تشخيص داده مي‌شوند. نتايج اين تحقيق نشان‌دهنده كارايي بالاي روش‌هاي پيشنهادي در شناسايي و حذف داده‌هاي پرت و همچنين ويژگي‌هاي كليدي از مجموعه داده‌ها مي‌باشد. اين رويكرد مي‌تواند به عنوان ابزاري كارآمد در تشخيص داده‌هاي پرت و پاكسازي داده‌ها مورد استفاده قرار گيرد.

233368

علوم داده

رياضي

دانشگاه صنعتي اصفهان