طراحی خودکار طبقه‌بندی‌کننده‌های فازی بهینه با استفاده از روش بهینه‌سازی گروه ذرات
محورهای موضوعی : مهندسی برق و کامپیوتر
1 - دانشگاه بیرجند
کلید واژه: روش بهینه‌سازی گروه ذرات طبقه‌بندی‌کننده فازی توابع عضویت,
چکیده مقاله :
مهم‌ترین موضوع در طراحی طبقه‌بندی‌کننده‌های فازی، تعیین متغیرهای فازی اعم از نوع و مکان توابع عضویت، بخش مقدم و تالی قواعد فازی و تعداد قواعد بهینه می‌باشد. در واقع، اینها پارامترهای ساختاری یک طبقه‌بندی‌کننده فازی هستند که طراح سعی می‌کند با یافتن مقادیر بهینه آنها، به بهترین عملکرد (به‌عنوان مثال بالاترین نرخ تشخیص صحیح) دست یابد. این مسئله را می‌توان به‌صورت یک مسئله جستجو در فضای با ابعاد بالا در نظر گرفت، به‌گونه‌ای که هر نقطه در فضای پاسخ، نشان‌دهنده یک مجموعه قواعد با توابع عضویت خاص می‌باشد که در محل‌های ویژه استقرار یافته‌اند. با این توضیح به نظر می‌رسد الگوریتم‌های ابتکاری (اعم از تکاملی و هوش جمعی)، ابزار مناسبی برای یافتن بهترین پارامترهای یک طبقه‌بندی‌کننده فازی باشند. ویژگی برجسته این روش‌ها این است که با تعریف مناسبی از تابع برازندگی می‌توان تخمین بهینه‌ای از کلیه پارامترهای مؤثر در یک طبقه‌بندی‌کننده فازی را به‌صورت خودکار و بدون نیاز به تنظیم دستی (به‌صورت سعی و خطا) به‌دست آورد. در این مقاله با به‌کارگیری الگوریتم بهینه‌سازی گروه ذرات روشی برای طراحی بهینه یک طبقه‌بندی‌کننده فازی ارائه شده است. روش پیشنهادی قادر است نوع توابع عضویت، محل آنها، قواعد فازی لازم و تعداد آنها را به‌طور هم‌زمان تخمین زده و بدون دخالت کاربر نسبت به بهینه‌سازی آنها اقدام نماید. نتایج به‌دست آمده از آزمایشات مکرر بر روی داده‌های مشهور و مسئله کاربردی طبقه‌بندی اهداف رادار، توانایی روش ارائه‌شده را در استخراج کلیه پارامترهای یک طبقه‌بندی‌کننده فازی در مقایسه با روش‌های مشابه نشان می‌دهد.
An important issue in designing a fuzzy classifier is setting its structural and mathematical fuzzy parameters (e.g., number of rules, antecedents, consequents, types and locations of membership functions). In fact, the variations of these parameters establish a wide range high dimensional search space, which makes heuristic methods some suitable candidates to solve this problem (designing optimal fuzzy parameters). In this paper, a method is described for this purpose. In presented technique, all fuzzy parameters of a fuzzy classifier, are interpreted in structure of particles and PSO algorithm is employed to find the optimal one. Extensive experimental results on well-known benchmarks and practical pattern recognition problem (automatic target recognition) demonstrate the effectiveness of the proposed method.