ارائه یک روش جدید انتخاب ورودی بر اساس دسته بندی نیمه نظارتی برای تخمین سری های زمانی

در این تحقیق 12 رویکرد در ایجاد یک طبقه بندی کننده بهینه مبتنی بر ماشین بردار پشتیبان (SVM) و شبکه های عصبی (MLP و RBF) بر مبنای الگوریتم ژنتیک (GA)، فاخته (Cuckoo) و ازدحام ذرات (PSO) ارایه گردید. در این راستا سعی شده سیستمی طراحی شود که منجر به کاهش هزینه در جمع آوری داده ها شود. به این منظور در تحقیق حاضر از سه مجموعه داده با قابلیت سری زمانی از دادهای استاندارد UCI، استفاده گردید. نتایج حاصل از رویکردهای استفاده شده در این تحقیق بیانگر عملکرد خوب تمامی الگوریتم های استفاده شده دارد. با این حال، توانایی و عملکرد هر کدام از رویکردها با توجه به نوع و ماهیت داده ها متفاوت می باشد. همین امر باعث شده است که گاها رویکرد شبکه عصبی MLP و الگوریتم GA یا Cuckoo نتایج بهتری داشته باشد و در برخی موارد نیز رویکرد ماشین بردار پشتیبان با الگوریتم PSO نتایج بهتری داشته است. با توجه به نتایج حاصل می توان گفت که استفاده از انتخاب ویژگی بر اساس دسته-بندی نیمه نظارتی باعث کاهش خطای سیستم، افزایش دقت و افزایش سرعت تخمین سری های زمانی می گردد. از این رو با استفاده از طبقه بندی کننده ی کارا و قدرتمند شبکه عصبی MLP و ماشین بردار پشتیبان در کنار الگوریتم بهینه سازی و فرا ابتکاری، می توان یک سیستم طبقه بندی ترکیبی بهینه برای تخمین سری های زمانی طراحی نمود.