کوشان احمدیان - دانشکده مهندسی کامپیوتر دانشگاه علم و صنعت ایران
عباس گلستانی - دانشکده مهندسی کامپیوتر دانشگاه علم و صنعت ایران
محمدرضا جاهدمطلق - دانشکده مهندسی کامپیوتر دانشگاه علم و صنعت ایران

در سالهای اخیر حجم تحقیقات زیادی بر روی روشهای کاهش فضای ویژگی جهت به دست آوردن طبقه بندی کننده های گروهی صورت پذیرفته است. این روشها مبتنی بر این واقعیتند که با انتخاب ویژگیهایی که بیشترین جداسازی را در فضا انجام می دهند می توان نرخ شناسایی را افزایش داد. در این مقاله به جای استفاده از روش انتخاب زیرفضاهای ویژگی که قبلا به صورت وسیعی مورد استفاده قرار گرفته اند، از گونه ای جدید از روشهای بهینه سازی چند هدفه تکاملی با عملگرهای آشوبگونه، استفاده شده است. استفاده از آَشوب در طبقه بندی های گروهی فرآیندی را سبب شده است که در آن بدون نیاز به تعریف اهداف حفظ پراکندگی، در طی فرآیند تکامل، معیار پراکندگی به صورت خودکار افزایش یافته و در پی آن دقت طبقه بندی نیز افزایش می یابد،همچنین از ایجاد زیر فضاهای مبهم که عمدتا بر اساس کاهش ابعاد فضای ویژگیها به وجود می آید جلوگیری شده است. در مرحله بعد از الگوریتم بهینه سازی چند هدفه دیگری برای ترکیب طبقه بندی کننده ها استفاده شده است. نتایج شبیه سازی مؤید کارآیی روش پیشنهادی است.

نظریه آشوب، طبقه بندی کننده های گروهی، عیار پراکندگی، بهینه سازی چند هدفه