Kaedah Kernel dalam Sistem Kejuruteraan Pintar

Kaedah Kernel dalam Sistem Kejuruteraan Pintar

Author: Shahrani Shahbudin & Aini Hussain
Publisher: UKM Press
ISBN: 9789672516293
Weight: 0.305kg
Pages: 196
Year: 2021
Price: 

Kaedah kernel adalah suatu kelas algoritma pembelajaran mesin yang paling popular. Kaedah kernel mampu menangani masalah pengelasan corak dengan memetakan data ke dalam ruang ciri dimensi tinggi dan kemudiannya, menjelmakan data-data tersebut kepada beberapa set titik dalam ruang Euclidean. Terdapat beberapa kaedah untuk memetakan data ke dalam ruang ciri dengan menggunakan helah kernel. Di antara algoritma yang boleh beroperasi dengan fungsi kernel adalah mesin vektor sokongan (SVM), analisis komponen utama (PCA) dan sebagainya. Oleh itu, objektif utama buku ini adalah melaksanakan kaedah kernel iaitu SVM dalam tugas pengecaman corak serta menambahbaik prestasi pengelasan corak dalam lima aplikasi sistem kejuruteraan pintar yang dibangunkan oleh Kumpulan Penyelidikan Sistem Kejuruteraan Pintar (SESRG), UKM. 

Kaedah tersebut adalah sistem pengecaman postur insan berasaskan postur eigen dan graf kejut, sistem pengelasan botol plastik, sistem pengecaman rumpal, sistem pengelasan isyarat EEG, dan sistem pengelasan gangguan kualiti kuasa. Beberapa set data dari tiga pangkalan data iaitu pangkalan data SESRG UKM, RPM-UCI dan data sintetik dari perisian pengecaman corak statistikal juga diguna pakai. Pangkalan data SESAG UKM terdiri daripada empat set data 2 dimensi iaitu postur eigen, graf kejut, rumpai, botol plastik dan dua set data 1-dimensi iaitu isyarat Electroencephalogram (EEG) dan isyarat gangguan kualiti kuasa. Pangkalan data RPM-UCI pula terdiri daripada empat set data iaitu iris, kaca, ionosfera dan barah payudara Wisconsin. 

Bagi pangkalan data sintetik, terdapat lima set data yang dikenali sebagai Riply. Vitava, Twinpeaks, Swiss dan Pentagon. Pengelas SVM dioptimum menggunakan teknik pengesahan silang k-lipatan (CV) dan kerumunan zarah (PSO). Tiga jenis kernel iaitu linear, polinomial dan fungsi asas jejari (RBF) turut dipertimbangkan dalam menentukan parameter hiper bagi mencari garis sempadan keputusan yang optimal serta prestasi pengitlakan tertinggi. Semasa proses latihan, teknik pengoptimuman jujukan minima (SMO) juga digunakan. Kotak alatan visualisasi juga turut dibangunkan bagi memantapkan lagi analisis dan mengesahkan keputusan secara grafik. Selain itu, keluk cirian operasi penerima (ROC) juga turut dibangunkan bagi menyokong dan mengesahkan semua keputusan.