شبکه عصبی فازی مین- ماکس چندسطحی با باکس‌های وزن‌دار
محورهای موضوعی : electrical and computer engineeringرضا داوطلب 1 , محمدعلی بالافر 2 , محمدرضا فیضی درخشی 3
1 - دانشگاه تبریز
2 - دانشگاه تبریز
3 - دانشگاه تبریز
کلید واژه: طبقه‌بندی شبکه عصبی فازی مین- ماکس یادگیری ماشین وزن‌دار,
چکیده مقاله :
در این مقاله شبکه عصبی فازی مین- ماکس چندسطحی با باکس‌های وزن‌دار (WL-FMM) برای استفاده در کلاس‌بندی ارائه می‌گردد که یک ابزار یادگیری با نظارت بسیار سریع بوده و قادر به یادگیری داده‌ها به صورت برخط و تک‌گذار است. در این روش برای حل مشکل نواحی همپوشان که از مشکلات همیشگی روش‌های فازی مین- ماکس بوده، از باکس‌هایی با اندازه کوچک‌تر و وزن بیشتر استفاده می‌شود. این کار باعث افزایش دقت طبقه‌بندی شبکه در نواحی مرزی نمونه‌ها می‌گردد. همچنین با توجه به تغییراتی که در ساختار الگوریتم داده شده و بر اساس نتایج آزمایشی به دست آمده، روش ارائه‌شده نسبت به روش‌های مشابه از پیچیدگی زمانی و مکانی کمتری برخوردار بوده و نسبت به پارامترهایی که از طرف کاربر مشخص می‌شود، حساسیت کمتری دارد.
In this paper a weighted Fuzzy min-max classifier (WL-FMM) which is a type of fuzzy min-max neural network is described. This method is a quick supervised learning tool which capable to learn online and single pass through data. WL-FMM uses smaller size with higher weight to manipulate overlapped area. According to experimental results, proposed method has less time and space complexity rather than other FMM classifiers, and also user manual parameters has less effect on the results of proposed method.