تولید قوانین فازی از نمونههای آموزشی برای سیستمهای طبقهبندی فازی

ناصر مطهری فریمانی, منصور مومنی, حمید رضا یزدانی

چکیده


چکیده

     در سال‌های اخیر، روش‌های زیادی برای تولید قوانین فازی براساس نمونه‌های آموزشی پیشنهاد شده است. یکی از روش‌هایی پیشنهاد‌شده اخیر، روش چن و تسای است که در سال 2008 ارائه شد و برمبنای سه شاخص مقدار آستانه‌ای ویژگی                         ، مقدار آستانه‌ای طبقه‌بندی  و مقدار آستانه‌ای سطحی  قرار گرفته است. این روش متوسط نرخ دقت طبقه‌بندی بالاتری نسبت به سایر روش‌های موجود داشته است. در بخش تولید قوانین موقت، نویسندگان پیشنهادی برای اصلاح روش ارائه کرده‌اند و روش اصلاح‌شده را در یک مطالعه موردی به‌کار گرفته‌اند. آنچه در این تحقیق، مورد توجه بوده است، آزمون روش اصلاح‌شده CT08 روی یک حوزه کاربردی و ارائه یک سیستم طبقه‌بندی برای گوشی‌های تلفن همراه بوده است. روش اصلاح‌شده در موضوع گوشی‌های تلفن همراه، مقدار 2/0 دقت بالاتر را نسبت به اصل روش CT08 نشان داد.


واژگان کلیدی


طبقهبندی؛ نمونه آموزشی؛ گوشی تلفن همراه.

تمام متن:

PDF

منابع و مآخذ مقاله


Hong, T. P., & Lee, C. Y. (1996). Induction of fuzzy rules and membership functions from training examples. Fuzzy Sets and Systems, 84(1), 33–47.

Hong, T. P., & Chen, J. B. (1999). Finding relevant attributes and membership functions. Fuzzy Sets and Systems, 103(3), 389–404.

Castro, J. L., Castro-Schez, J. J., & Zurita, J. M. (1999). Learning maximal structure rules in fuzzy logic for knowledge acquisition in expert systems. Fuzzy Sets and Systems, 101(3), 331–342.

Wu, T. P., & Chen, S. M. (1999). A new method for constructing membership functions and fuzzy rules from training examples. IEEE Transactions on Systems, Man, and Cybernetics—Part B: Cybernetics, 29(1), 25–40.

Chang, C. H., & Chen, S. M. (2001). Constructing membership functions and generating weighted fuzzy rules from training data. In Proceedings of the 2001 ninth national conference on fuzzy theory and its applications, Chungli, Taoyuan, Taiwan, Republic of China (pp. 708–713).

Chen, S. M., & Chang, C. H. (2005). A new method to construct membership functions and generate weighted fuzzy rules from training instances. Cybernetics and Systems, 36(4), 397–414.

Chen, S. M., & Tsai, F. M. (2005). A new method to construct membership functions and generate fuzzy rules from training instances. International Journal of Information and Management Sciences, 16(2), 47–72.

Chen, S. M., & Fang, Y. D. (2005a). A new approach for handling the Iris data classification problem. International Journal of Applied Science and Engineering, 3(1), 37–49.

Chen, S. M., & Fang, Y. D. (2005b). A new method to deal with fuzzy classification problems by tuning membership functions for fuzzy classification systems. Journal of Chinese Institute of Engineers, 28(1), 169–173.

Chen, S. M., & Lin, H. L. (2005a). Generating weighted fuzzy rules for handling classification problems. International Journal of Electronic Business Management, 3(2), 116–128.

Chen, S. M., & Lin, H. L. (2005b). Generating weighted fuzzy rules from training instances using genetic algorithms to handle the Iris data classification problem. Journal of Information Science and Engineering, 22(1), 175–188.

Chen, Y. C., Wang, L. H., & Chen, S. M. (2006). Generating weighted fuzzy rules from training data for dealing with the Iris data classification problem. International Journal of Applied Science and Engineering, 4(1), 41–52.

Chen, S. M., & Chen, Y. C. (2002). Automatically constructing membership functions and generating fuzzy rules using genetic algorithms. Cybernetics and Systems, 33(8), 841–862.

Chen, S.M. & Tsai, F.M. (2008). Generating fuzzy rules from instances for fuzzy classification systems. Expert Systems with Applications, 35, 611-621.

Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8, 338–353.

-http://www.gsm.ir/


ارجاعات

  • در حال حاضر ارجاعی نیست.