کلاسه بندی نرم با استفاده از خوشه بندی و تئوری ترکیب باورها

در سیستمهای کلاسه بندی معمول، هرالگوی ورودی به یک کلاس نسبت داده می شود. لزوم تخصیص نمونه ها فقط به یک کلاس، از آزادی عمل سیستم می کاهد، چراکه در بسیاری از موارد، به دلیل همپوشانی کلاسها در فضای ویژگیهای مربوطه، نمی توان یک نمونه را به راحتی فقط به یک کلاس نسبت داد. در این مقاله یک سیستم کلاسه بندی با محاسبات نرم پیشنهاد شده است، بطوریکه در آن، با تدابیری که در نظر گرفته شده است، آزادی عمل سیست م با در نظر گرفتن انتساب نمونه ها به همه حالتهای ممکن از کلاسهای موجود افزایش قابل ملاحظه ای پیدا می کند. در مرحله آموزش سیستم پیشنهادی، با اعمال کلاسه بندی بدون مربی بر روی ویژگیهای تک بعدی استخراج شده از نمونه های آموزشی، کلاسهای جدیدی به دست می آید. در ادامه ی این مرحله، با الگوریتمی همپوشانی کلاسهای اصلی در کلاسهای جدید جستجو می شود. در مرحله آزمایش، نمونه ها طوری کلاسه بندی می شوند که محدودیت انتساب نمونه ها به یک کلاس وجود نداشته باشد، در نتیجه انتساب نمونه ها همراه با عدم قطعیت خواهد شد. در نهایت برای کاهش سطح عدم قطعیت به وجود آمده، با استفاده از تئوری ترکیب باورها، قطعیت پاسخ سیستم بهبود داده می شود. از تصاویری از دانه های شن و ماسه که در 5 کلاس اصلی دسته بندی شده بودند، به عنوان دیتاهای سیستم و بررسی نتایج استفاده شده است. نتیجه اعمال روش پیشنهادی بر روی مجموعه دیتای ذکر شده رضایت بخش بوده و حاکی از توفیق این روش می باشد.

کلیدواژه ها:

کلاسه بندی ، خوشه بندی ، ترکیب باورها