ورود
مقالات فارسیISIکنفرانسهاژورنالها

طراحی سیستم طبقه بندی مبتنی بر قوانین فازی با استفاده از الگوریتم تکامل تفاضلی در مسائل نامتوازن

محل انتشار: همایش مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدلسازی و امنیت سیستم ها
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 812

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/239049

شناسه ملی سند علمی:

CESD01_223

تاریخ نمایه سازی: 25 اسفند 1392

چکیده مقاله:

در مسائل طبقه‌بندی باینری، مساله‌ی عدم‌توازن هنگامی رخ می‌دهد که یک کلاس تعداد نمونه‌های بسیاری دارد، در‌حالی که کلاس دیگر توسط تعداد نمونه‌های کمی نمایش داده می‌شود. سیستم‌های طبقه‌بندی مبتنی بر قوانین فازی یکی از رایج‌ترین سیستم‌های مدلسازی فازیِ استفاده شده، برای حل مسائل طبقه‌بندی می‌باشند. در این مقاله یک سیستم طبقه‌بندی با استفاده از الگوریتم تکامل تفاضلی برای مسائل نامتوازن ایجاد می‌کنیم که طول هر کروموزوم برابر با تعداد ویژگی‌های مجموعه‌داده در نظر گرفته می‌شود. به منظور ارزیابی هر کروموزوم از معیار اطمینان استفاده می‌کنیم و درنهایت کروموزوم‌هایی با بهترین شایستگی (بهترین مقدار اطمینان) پایگاه قوانین را تشکیل می‌دهند. پایگاه قوانین ساخته شده برای طبقه‌بندی مجموعه‌داده‌های نامتوازن استفاده می‌شود. آزمایش را بر روی 15 مجموعه‌داده از مجموعه‌داده‌های KEEL اجرا و سپس نتایج بدست‌آمده را با استفاده از تست‌های آماری تحلیل می‌کنیم. نتایج حاصل نشان می‌دهد که کارایی سیستم طبقه‌بندی با استفاده از روش پیشنهادی بهبود می‌یابد .

کلیدواژه ها:

طبقه بندی نامتوازن ، سیستم طبقه بندی مبتنی بر قوانین فازی ، الگوریتم تکامل تفاضلی

نویسندگان

محبوبه مهدی زاده

دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه شهید باهنر کرمان

مهدی افتخاری

عضو هیئت علمی دانشگاه شهید باهنر کرمان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • A. Fernandez, M. J. del Jesus, and F. Herrera, On ...
  • H. He, and E. A. Garcia, Learning from imbalanced data, ...
  • D. P. Williams, V. Myers, and M. S. Silvious, Mine ...
  • V. Lopez, A. Fernandez, J. _ Moreno -Torres, and F. ...
  • V. Lopez, A. Fernandez, _ J. Del Jesus, and F. ...
  • _ A Tahir, J. Kittler, and F. Yan, Inverse random ...
  • _ J. Berlanga, A. Rivera, M. J. del Jesus, F. ...
  • H. Yu, J. Ni, and J. Zhao, ACOSampling: An ant ...
  • J. Alcala, A. Fernandez, J. Luengo, J. Derrac, S. Garcia, ...
  • A. Fermandez, M. Calderon, E. Barrenechea, H. Bustince, and F. ...
  • S. Das and P. N Suganthan, Differential evolution: A survey ...
  • B. Alatas, E. Akin, and A. Karci, MODENAR: Multi-objective differential ...
  • A. Fernandez, S. Garcia, M. J. del Jesus, and F. ...
  • V. Lopez, A. Fernandez, and F. Herrera, A first approach ...
  • Y. Sun, M. S. Kamel, A. K. Wong, and Y. ...
  • T. Nakashima, G. Schaefer, Y. Yokota, H. Ishibuchi. A Weighted ...
  • J. Otero, L. Sanchez, Induction of descriptive fizzy classifiers with ...
  • L. Sanchez, J. Otero, Boosting fuzzy rules in classification problems ...
  • E.G. Mansoori, M.J. Zolghadri, S.D. Katebi, SGERD: A Steady-State Genetic ...
  • H. Ishibuchi, T. Yamamoto, T. Nakashima, Hybridization of fuzzy GBML ...
  • M. Cortina-Borja, Handbook of Parametric and Nonparametric Statistical Procedures, ed: ...
  • H. Finner, On a monotonicity problem in step-down multiple test ...
  • S. Garcia, A. Fernandez, J. Luengo, and F. Herrera, Advanced ...
    • نمایش کامل مراجع