محاسبه گراف های تعمیم یافته میانی فازی: کاربردهای آن در بازیابی برپایه محتوی اسناد
Fuzzy generalized median graphs computation: Application to content-based document retrieval
مشخصات کلی
| سال انتشار | 2017 |
| کد مقاله | 3618 |
| فرمت فایل ترجمه | Word |
| تعداد صفحات ترجمه | 34 |
| نام مجله | Pattern Recognition |
| نشریه | ScienceDirect |
| درج جداول و شکل ها در ترجمه | انجام شده است |
| جداول داخل مقاله | ترجمه شده است |
چکیده فارسی
گراف های واسط فازی مفهوم جدید و مهمی است که می تواند مجوعه ای از گراف های فازی را با استفاده از یک الگوی گراف فازی قابل نمایش، ارائه دهد. گرچه، محاسبه یک گراف واسط فازی ازنظر محاسباتی یک کار هزینه بر باقی ماند. در این مقاله، الگوریتم جدیدی برای محاسبه گراف واسط تعمیم یافته فازی (FGMG) بر پایه گراف رابطه ای نسبت فازی (FARG)که در فضای برداری مناسب قرار دارد، به منظور دستیابی به بیشترین اطلاعات در گراف ها و بهبود دقت و سرعت روند بازیابی اسناد مجازی، ارائه می کنیم. در این مقاله، بر کاربردهای FGMGها در مسئله بازیابی برپایه محتوی اسناد (CBDR) تمرکز می کنیم. آزمایشات بر پایگاه های داده حقیقی و مجازی شامل تعداد زیادی FARGبا اندازه بزرگ نشان می دهد که یک CBDRبا استفاده از FGMG به عنوان نمونه ای از مجموعه داده نسبت به بازیابی جامع و ترتیبی، نتایج بهتری بر حسب دستیابی به دقت و زمان پردازش بدست می دهد.
چکیده لاتین
Fuzzy median graph is an important new concept that can represent a set of fuzzy graphs by a representative fuzzy graph prototype. However, the computation of a fuzzy median graph remains a computationally expensive task. In this paper, we propose a new approximate algorithm for the computation of the Fuzzy Generalized Median Graph (FGMG) based on Fuzzy Attributed Relational Graph (FARG) embedding in a suitable vector space in order to capture the maximum information in graphs and to improve the accuracy and speed of document image retrieval processing. In this study, we focus on the application of FGMGs to the Content-based Document Retrieval (CBDR) problem. Experiments on real and synthetic databases containing a large number of FARGs with large sizes show that a CBDR using the FGMG as a dataset representative yields better results than an exhaustive and sequential retrieval in terms of gains in accuracy and time processing.
خرید و دانلود ترجمه این مقاله:
جهت خرید این مقاله ابتدا روی لینک زیر کلیک کنید، به صفحه ای وارد می شوید که باید نام و ایمیل خود را وارد کنید و پس از آن روی دکمه خرید و پرداخت کلیک نمایید، پس از پرداخت بلافاصله به سایت بازگشته و می توانید فایل خود را دانلود کنید، همچنین لینک دانلود به ایمیل شما نیز ارسال خواهد شد.
هیچ دیدگاهی برای این مقاله ثبت نشده است
دیدگاه ها