<?xml version="1.0" encoding="utf-8"?>
<journal>
<title>Journal of Control</title>
<title_fa>مجله کنترل</title_fa>
<short_title>JoC</short_title>
<subject>Engineering &amp; Technology</subject>
<web_url>http://joc.kntu.ac.ir</web_url>
<journal_hbi_system_id>1</journal_hbi_system_id>
<journal_hbi_system_user>admin</journal_hbi_system_user>
<journal_id_issn>2008-8345</journal_id_issn>
<journal_id_issn_online>2538-3752</journal_id_issn_online>
<journal_id_pii></journal_id_pii>
<journal_id_doi>10.61186/joc</journal_id_doi>
<journal_id_iranmedex></journal_id_iranmedex>
<journal_id_magiran></journal_id_magiran>
<journal_id_sid></journal_id_sid>
<journal_id_nlai></journal_id_nlai>
<journal_id_science></journal_id_science>
<language>fa</language>
<pubdate>
	<type>jalali</type>
	<year>1391</year>
	<month>3</month>
	<day>1</day>
</pubdate>
<pubdate>
	<type>gregorian</type>
	<year>2012</year>
	<month>6</month>
	<day>1</day>
</pubdate>
<volume>6</volume>
<number>1</number>
<publish_type>online</publish_type>
<publish_edition>1</publish_edition>
<article_type>fulltext</article_type>
<articleset>
	<article>


	<language>fa</language>
	<article_id_doi></article_id_doi>
	<title_fa>ارائه روشی کارا برای دسته‌بندی مسائل چنددسته‌ای با رویکرد انتخاب دسته‌بند</title_fa>
	<title>An Efficient Multiclass Classification Method Based on Classifier Selection Technique</title>
	<subject_fa>تخصصي</subject_fa>
	<subject>Special</subject>
	<content_type_fa>پژوهشي</content_type_fa>
	<content_type>Research paper</content_type>
	<abstract_fa>سیستمهای دسته‌بندی شورایی، رویکردی مؤثر در یادگیری ماشین است که در آن با ترکیب نتایج چند دسته‌بند سعی می‌شود تقریب بهتری از یک دسته‌بند بهینه فراهم شود. در حوزه ترکیب خروجی شورای دستهبندها، رویکرد «انتخاب دستهبند» توجه کمتری را در مقایسه با رویکرد «ادغام دسته‌بند» به خود جلب کرده است. همچنین، اغلب روشهای موجود در این حوزه، هزینه محاسباتی بالایی دارند. در این مقاله، روشی مؤثر در دسته بندی مسائل چنددسته‌ای بر اساس رویکرد انتخاب ویژگی پیشنهاد شده است. روش پیشنهادی ابتدا با استفاده از 14 مجموعه داده تراز از پایگاه  UCI آزمون شده و پس از اثبات توانایی آن، برای شناسایی رایحه‌های سه نوع شیرین‌بیان به کار گرفته شده است. مقایسه نتایج روش پیشنهادی و روشهای دیگر سیستمهای شورایی بر اساس دو معیار صحّت شناسایی و زمان محاسباتی، کارایی بهتر روش را در دسته بندی مسائل چنددسته‌ای نشان می‌دهد. 
</abstract_fa>
	<abstract>Individual classification models have recently been challenged by ensemble of classifiers, also known as multiple classifier system, which often shows better classification accuracy. In terms of merging the outputs of an ensemble of classifiers, classifier selection has not attracted as much attention as classifier fusion in the past, mainly because of its higher computational burden. In this paper, we propose a novel technique for improving classifier selection. In our method, the simple divide-and-conquer strategy is adapted in that a complex classification problem is divided into simpler binary sub-classification problems. We conduct extensive experiments on a series of multi-class datasets from the UCI (University of California, Irvine) repository and on odor database. The experimental results demonstrate the advanced performance of the proposed method.</abstract>
	<keyword_fa>دسته‌بندی, مسأله چنددسته‌ای, سیستم شورایی, انتخاب دسته‌بند, شناسایی بو</keyword_fa>
	<keyword>classification, multi-class, ensemble system, classifier selection, odor recognition.</keyword>
	<start_page>9</start_page>
	<end_page>19</end_page>
	<web_url>http://joc.kntu.ac.ir/browse.php?a_code=A-10-1-16&amp;slc_lang=fa&amp;sid=1</web_url>


<author_list>
	<author>
	<first_name>Mohammad Ali</first_name>
	<middle_name></middle_name>
	<last_name>Bagheri</last_name>
	<suffix></suffix>
	<first_name_fa>محمد علی</first_name_fa>
	<middle_name_fa></middle_name_fa>
	<last_name_fa>باقری</last_name_fa>
	<suffix_fa></suffix_fa>
	<email>a.bagheri@modares.ac.ir</email>
	<code>1003194753284600777</code>
	<orcid>1003194753284600777</orcid>
	<coreauthor>No</coreauthor>
	<affiliation></affiliation>
	<affiliation_fa>دانشگاه تربیت مدرس</affiliation_fa>
	 </author>


	<author>
	<first_name>Gholamali</first_name>
	<middle_name></middle_name>
	<last_name>Montazer</last_name>
	<suffix></suffix>
	<first_name_fa>غلامعلی</first_name_fa>
	<middle_name_fa></middle_name_fa>
	<last_name_fa>منتظر</last_name_fa>
	<suffix_fa></suffix_fa>
	<email>montazer@modares.ac.ir</email>
	<code>1003194753284600778</code>
	<orcid>1003194753284600778</orcid>
	<coreauthor>Yes
</coreauthor>
	<affiliation></affiliation>
	<affiliation_fa>دانشگاه تربیت مدرس</affiliation_fa>
	 </author>


</author_list>


	</article>
</articleset>
</journal>
