جدول ۴-۲۸: ماتریس Confusion الگوریتم KNN
| true anomaly | true normal | class precision | |
| pred. anomaly | ۸۶۸۱ | ۳۳۴ | ۹۶٫۳۰% |
| pred. normal | ۴۱۵۲ | ۹۳۷۷ | ۶۹٫۳۱% |
| class recall | ۶۷٫۶۵% | ۹۶٫۵۶% |
در شکل ۴-۶ الگوریتمهای مدل کاهل را از نظر پارامتر درستی مقایسه نمودهایم
شکل ۴-۶: نمودار ارزیابی الگوریتمهای مدل کاهل بر حسب پارامتر درستی
در شکل ۴-۷ الگوریتمهای مدل کاهل را از نظر پارامتر دقت مقایسه نمودهایم.
شکل ۴-۷: نمودار ارزیابی الگوریتمهای مدل کاهل بر حسب پارامتر دقت
در شکل ۴-۸ الگوریتمهای مدل کاهل را از نظر پارامتر یادآوری مقایسه نمودهایم.
شکل ۴-۸: نمودار ارزیابی الگوریتمهای مدل کاهل بر حسب پارامتر یادآوری
در شکل ۴-۹ الگوریتمهای مدل کاهل را از نظر پارامتر F مقایسه نمودهایم.
شکل ۴-۹: نمودار ارزیابی الگوریتمهای مدل کاهل بر حسب پارامتر F
در شکل ۴-۱۰ کل معیارهای درستی، دقت، یادآوری و F برای مدل کاهل نمایش داده شده است.
شکل ۴-۱۰: نمودار ارزیابی الگوریتمهای مدل کاهل بر حسب پارامترهای مختلف
در بررسی پارامترها ارزیابی و طبق نمودارها الگوریتم K-STARدارای عملکرد بهتری نسبت به سایر الگوریتمهاست.
۴-۳ شبکه عصبی
در این بخش شبکه های عصبی مختلف شامل چند لایه پرسپتون، پرسپتون، شبکه با تابع شعاعی و شبکه عصبی انتشار رو به جلو و خطا رو به عقب را با بهره گرفتن از نرمافزار شبیهسازی و ارزیابی نموده و نتایج مربوط به ارزیابی در جدول ۴-۲۹ تا ۴-۳۶ آمده است.
-
- شبکه چند لایه پرسپتون[۴۴]
این شبکه شامل سه لایه ورودی،مخفی وخروجی است که تعداد سلولهای هرلایه به روش سعی وخطا مشخص میگردد. سیگنالهای ورودی به وسیلهضریب های بهنجارکننده به مقداریک نرمالیزه شده و بعد از محاسبات، خروجی به مقدارواقعی برگردانده می شود. همچنین مقادیراولیه وزنها به صورت اتفاقی در نظر گرفته شده اند. این شبکه برمبنای الگوریتم پس انتشار خطا آموزش میبیند. بدین ترتیب که خروجیهای واقعی باخروجی های دلخواه مقایسه میشوند و وزنها به وسیله الگوریتم پس انتشار،تنظیم میگردند. برای ورودیp ام، مربع خطای خروجی برای تمام سلولهای لایه خروجی بصورت زیر در می آید:
| رابطه ۴-۱ |
