The paper describes a new approach

The paper describes a new approach of classification using genetic programming. The proposed technique consists of genetically coevolving a population of non-linear transformations on the input data to be classified, and map them to a new space with a reduced dimension, in order to get maximum inter-classes discrimination. The classification of new samples is then performed on the transformed data, and so becomes much easier. Contrary to the existing GP-classification techniques, the proposed one uses a dynamic repartition of the transformed data in separated intervals, the efficacy of a given interval repartition is handled by the fitness criterion, with maximum classes discrimination. Experiments were first performed using the Fisher’s Iris dataset, and the KDD’99 Cup dataset was used to study the intrusion detection and classification problem. Obtained results demonstrate that the proposed genetic approach outperforms the existing GP-classification methods, and gives accepted results compared to other existing techniques

Kết quả (Việt) 1:

Giấy Mô tả một cách tiếp cận mới của phân loại bằng cách sử dụng di truyền lập trình. Các kỹ thuật được đề xuất bao gồm di truyền coevolving dân của các biến đổi phi tuyến tính trên đầu vào dữ liệu được phân loại, và ánh xạ chúng cho một không gian mới với một chiều hướng giảm, để có được liên lớp học tối đa phân biệt đối xử. Phân loại các mẫu mới sau đó được thực hiện trên dữ liệu chuyển đổi, và vì vậy trở nên dễ dàng hơn nhiều. Trái ngược với các kỹ thuật GP-phân loại hiện có, một đề xuất sử dụng một phân vùng lại năng động của dữ liệu chuyển trong khoảng thời gian riêng biệt, hiệu quả của một phân vùng lại khoảng thời gian nhất định được xử lý bởi các tiêu chí thể dục, với các lớp học tối đa phân biệt đối xử. Thí nghiệm đầu tiên đã được thực hiện bằng cách sử dụng của Fisher Iris bộ dữ liệu, và số liệu KDD'99 Cup đã được sử dụng để nghiên cứu sự xâm nhập phát hiện và phân loại vấn đề. Kết quả thu được chứng minh rằng đề xuất phương pháp tiếp cận di truyền nhanh hơn so với phương pháp GP-phân loại hiện có, và cung cấp cho chấp nhận kết quả so với các kỹ thuật khác sẵn có

Kết quả (Việt) 2:

Bài viết mô tả một cách tiếp cận mới về phân loại sử dụng lập trình di truyền. Các kỹ thuật được đề xuất bao gồm coevolving di truyền dân số biến đổi phi tuyến tính trên các dữ liệu đầu vào để được xếp loại và bản đồ chúng đến một không gian mới với một chiều hướng giảm, để có được liên lớp học tối đa phân biệt đối xử. Việc phân loại các mẫu mới sau đó được thực hiện trên dữ liệu chuyển đổi, và do đó trở nên dễ dàng hơn nhiều. Trái ngược với các kỹ thuật GP-phân loại hiện hành, một trong những đề xuất sử dụng một phân vùng lại năng động của các dữ liệu biến đổi trong khoảng thời gian tách ra, hiệu quả của một phân vùng lại khoảng thời gian nhất định được xử lý bởi các tiêu chí tập thể dục, phân biệt đối xử với các lớp học tối đa. Thí nghiệm đầu tiên được thực hiện bằng Iris dataset của Fisher, và các dữ liệu KDD'99 Cup đã được sử dụng để nghiên cứu phát hiện xâm nhập và vấn đề phân loại. Kết quả thu được chứng minh rằng các phương pháp di truyền đề xuất lớn hơn các phương pháp GP-phân loại hiện có, và cho kết quả chấp nhận so với các kỹ thuật khác hiện có