روش جدیدی برای طبقه بندی الگو، بر پایه ابرجعبه های فازی Min-Max

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 942

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICS11_147

تاریخ نمایه سازی: 14 مهر 1392

چکیده مقاله:

در این مقاله، یک شبکه ی عصبی فازی Min-Max جدید ارائه شده است. شبکه ی پیشنهادی از آموزش با نظارت، برای طبقه بندی داده های ورودی استفاده می کند.همانند شبکه ،FMNN ، این این شبکه از تجمیع ابرجعبه های فازی برای تعیین مرز کلاسها استفاده می کند. با این تفاوت که تست همپوشانی و انقباض ابرجعبه ها، از مراحل آموزش حذف شده است. که منجر به الگوریتم آموزش ساده تری شده است. شبکه ی ارائه شده، از دو دسته ابرجعبه با ضریب انبساط متفاوت، استفاده می کند. که باعث ایجاد یک ساختار دو طبقه، برای شبکه شده است. همچنین، این امر باعث شده است که شبکه در مرز کلاسها، از ابرجعبه های کوچکتر، برای افزایش کارایی، استفاده کند. شبکه، با یک بار ارائه ی داده های آموزش، ساختار داده ها را فرا می گیرد. نتایج حاصل از شبیه سازیهای رایانه ای، بیانگر کارایی خوب این شبکه نسبت به شبکه های مشابه، می باشد. روش پیشنهادی در اکثر موارد، نتایج مشابهی را، نسبت به بهترین روش های قبلی، با تعداد نرونهای کمتر بدست داده است

کلیدواژه ها:

شبکه ی عصبی فازی ، طبقهبندی الگو ، Min-Max ، ابرجعبه ی فازی

نویسندگان

فرید فرج زاده اصل

دانشگاه صنعتی شاهرود

علی سلیمانی ایوری

دانشگاه صنعتی شاهرود

حسین خسروی

دانشگاه صنعتی شاهرود

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 :
  • یازدهمین _ لیدللده‌های هاهشمذد ایران 9 , 10 ادلفد 1391 ...
  • L. A. Zadeh, ;"Fuzzy sets, Inf. Control, vol. 8, pp. ...
  • G. Carpenter and S. Grossberg, :A massively parallel architecture for ...
  • th Iranian Conference _ Intelligent Systens February 27th & 28th, ...
  • recognition machine, Comput. Vis., Graphics Image Understanding, vol. 37, pp. ...
  • classifiers, " Journal of the Chinese Institute of [3] P. ...
  • A. Rizzi, M. Panella, and F. M. F. Mascioli, "Adaptive ...
  • Jang .J.-S. R. :ANFIS: Adaptive Network-based Fuzzy Inference System", IEEE ...
  • F. M. F. Mascioli and G. Martinelli, :A constructive approach ...
  • B. Gabrys and A. Bargiela, :General fuzzy min-max clustering ...
  • classification, _ Trans. Neural Netw., vol. 11, _ 3, pp. ...
  • S. Abe and M. S. Lan, ;:A method for fuzzy ...
  • M. Meneganti, F. S. Saviello, and R. Tagliaferri, "Fuzzy neural ...
  • A. V. Nandedkar, and P. K. Biswas, "A Fuzzy Min- ...
  • A. V. Nandedkar and P. K. Biswas, "A reflex fuzzy ...
  • Systems, vol. 17, pp. 5-17, 2008. ...
  • A. V. Nandedkar and P. K. Biswas, "A granular reflex ...
  • P. F. Peng, L. J. Yang, and Q. G. Zhang, ...
  • artificial neural network, " Xi Tong Gong Cheng Yu Dian ...
  • G. Tang, Y. Dai, and G. Liu, "Radar range profile ...
  • Armamentari, vol. 25 , pp. 218-221, 2004. ...
  • H. J. Kim and H. S. Yang, "A weighted fuzzy ...
  • C. C. Chen, "A hybrid SVM and supervised learning approach ...
  • Kung Ch'eng Hsuch K'an, vol. 29, pp. 791- 799, 2006. ...
  • C. C. Chen, "Design of a fuzzy min-max hyperbox classifier ...
  • J. Hu, J. Yang, and J. Gao, _ Ordination -fuzzy ...
  • unlabelled pattern classification, " Moshi Shibie yu Rengong Zh ineng/Pattern ...
  • J. Yang, J. Gao, X. H. Xu, and X. Liu, ...
  • Intelligence, vol. 20, pp. 558-564, 2007. ...
  • R. Zemouri, D. Racoceanu, N. Zerhouni , E. Minca, and ...
  • algorithm for fault prediction, " 2009, pp. 85- ...
  • X. Ge and E. J Ding, "Research on parameters of ...
  • A. Quteishat, C. P. Lim, and K. S. Tan, "A ...
  • A:Systems and Humans, vol. 40, pp. 641-650, 2010. ...
  • P. Rey-del-Castillo and J. CardeOosa, "Fuzzy min- max neural networks ...
  • http: //www. ics _ uci _ edu/- ml earn/databases ...
  • نمایش کامل مراجع