www.eprace.edu.pl » sztuczna-inteligencja » Klasyfikator BARBARA » Przykładowa realizacja klasyfikacji algorytmem BARBARA

Przykładowa realizacja klasyfikacji algorytmem BARBARA

Przykład przeprowadzono na ustandaryzowanych danych, pobranych z [1] - kwiat Irysa. Wylosowano 40 wektorów z macierzy danych (tabela 5.1 ), które następnie przekazano na wejściu klasyfikatora.

Parametry:

1. ε = 98%,
2. liczba uśrednianych wektorów N = 20.

Tablica 5.1: Macierz wejściowa - Irys

L.p.	P. 1	P. 2	P. 3	P. 4
1	1,0	0,250000000	0,750000000	0,0
2	1,0	0,135135135	0,810810811	0,0
3	1,0	0,659090909	0,295454545	0,0
4	1,0	0,625000000	0,208333333	0,0
5	1,0	0,625000000	0,291666667	0,0
6	1,0	0,285714285	0,642857143	0,0
7	1,0	0,177777777	0,755555556	0,0
8	1,0	0,244444444	0,844444444	0,0
9	1,0	0,409090909	0,659090909	0,0
10	1,0	0,325581395	0,674418605	0,0
11	1,0	0,162790697	0,744186047	0,0
12	1,0	0,163636363	0,818181818	0,0
13	1,0	0,340425531	0,680851064	0,0
14	1,0	0,395348837	0,651162791	0,0
15	1,0	0,270833333	0,750000000	0,0
16	1,0	0,282608695	0,804347826	0,0
17	1,0	0,700000000	0,260000000	0,0
18	1,0	0,173913043	0,608695652	0,0
19	1,0	0,055555555	0,851851852	0,0
20	1,0	0,311111111	0,666666667	0,0
21	1,0	0,690476190	0,238095238	0,0
22	1,0	0,208333333	0,687500000	0,0
23	1,0	0,708333333	0,250000000	0,0
24	1,0	0,608695652	0,260869565	0,0
25	1,0	0,714285714	0,261904762	0,0
26	1,0	0,129629629	0,703703704	0,0
27	1,0	0,729166666	0,250000000	0,0
28	1,0	0,142857142	0,809523810	0,0
29	1,0	0,700000000	0,180000000	0,0
30	1,0	0,702127659	0,234042553	0,0
31	1,0	0,255319148	0,787234043	0,0
32	1,0	0,256410256	0,820512821	0,0
33	1,0	0,720930232	0,255813953	0,0
34	1,0	0,617021276	0,276595745	0,0
35	1,0	0,304347826	0,608695652	0,0
36	1,0	0,148936170	0,638297872	0,0
37	1,0	0,155555555	0,777777778	0,0
38	1,0	0,250000000	0,625000000	0,0
39	1,0	0,238095238	0,642857143	0,0
40	1,0	0,163636363	0,763636364	0,0

Źródło: Dane pobrane z [1], próba 40 losowych wektorów.

Wywołanie funkcji BARBARA w środowisku Matlab.

[M] = BARBARA(uczaca,ε,N);

W funkcji BARBARA następuje pobranie pierwszego wektora z macierzy uczącej, jako parametru dla którego będziemy obliczać dopasowania korelacyjne z każdym wektorem macierzy uczącej. Wektor ten zapisywany jest do zmiennej Ag.
for i = 1 : length(uczaca)
x = [x; korelacja(Ag, uczaca(i,:)) ];
end;


Po obliczeniu relacji korelacyjnej wektora Ag, z każdym wektorem macierzy uczącej, następuje przefiltrowanie tylko tych wektorów których korelacja ł ε.

index = find(x <= epsilon);

Po tej operacji następuje posortowanie najlepiej skorelowanych wektorów ze zmienną Ag, w kolejności malejącej.

[blad,index2] = sort(blad);

Tabela 5.2 ukazuje wynik posortowania wektorów pod względem najlepszego dopasowania korelacyjnego.

Tablica 5.2: Współczynnik korelacji oraz numer wektora w macierzy wejściowej

L.p.	index2	blad
1	1	1,000000000
2	10	0,999682377
3	16	0,998977631
4	11	0,996893254
5	4	0,996525329
6	17	0,996518268
7	13	0,995476121
8	23	0,995121271
9	7	0,994805787
10	5	0,994170735
11	20	0,994091844
12	8	0,993174299
13	12	0,992345816
14	6	0,991818022
15	15	0,991499925
16	22	0,990862973
17	9	0,990629249
18	2	0,990495372
19	3	0,990495372
20	14	0,988079532
21	21	0,987762965
22	18	0,982492797
23	19	0,982188091

Źródło: Badania własne

Następnym punktem algorytmu, jest wybranie N, najlepiej dopasowanych wektorów.
if (length(index) > n || n == -1)
Memmory = M1(index(index2(1:n)), :);
else
Memmory = M1(index(index2), :);
end;


Macierz wyjściowa, która będzie poddana uśrednianiu, przedstawiona jest w tabeli 5.3 .

Tablica 5.3: Macierz N najbardziej dopasowanych danych

L.p.	Parametr 1	Parametr 2	Parametr 3	Parametr 4
1	1,0	0,250000000	0,750000000	0,0
2	1,0	0,270833333	0,750000000	0,0
3	1,0	0,255319149	0,787234043	0,0
4	1,0	0,282608696	0,804347826	0,0
5	1,0	0,177777778	0,755555556	0,0
6	1,0	0,256410256	0,820512821	0,0
7	1,0	0,208333333	0,687500000	0,0
8	1,0	0,163636364	0,763636364	0,0
9	1,0	0,162790698	0,744186047	0,0
10	1,0	0,244444444	0,844444444	0,0
11	1,0	0,155555556	0,777777778	0,0
12	1,0	0,163636364	0,818181818	0,0
13	1,0	0,311111111	0,666666667	0,0
14	1,0	0,325581395	0,674418605	0,0
15	1,0	0,142857143	0,809523810	0,0
16	1,0	0,238095238	0,642857143	0,0
17	1,0	0,340425532	0,680851064	0,0
18	1,0	0,135135135	0,810810811	0,0
19	1,0	0,285714286	0,642857143	0,0
20	1,0	0,129629630	0,703703704	0,0

Źródło: Badania własne

Po uśrednieniu danych, zgromadzonych w macierzy 5.3 , wygenerowany został wektor wyjściowy, reprezentujący większą część cech uśrednianych danych (tabela 5.4 ).

Tablica 5.4: Wektor wyjściowy, po uśrednieniu

1,0	0.2249948	0.7467533	0,0

Źródło: Badania własne

Wektor wyjściowy dodawany jest do macierzy wyjściowej klasyfikatora, N najlepszych wektorów jest usuwanych z macierzy uczącej

uczaca(index2, :) = [];

a następnie ponawiane są wszystkie wcześniej opisane kroki aż do momentu, gdy macierz ucząca pozostanie pusta.

komentarze

Przeszukaj ePrace

Copyright © 2008-2010 EPrace oraz autorzy prac.