A NEURO-FUZZY GRAPHIC OBJECT CLASSIFIER WITH MODIFIED DISTANCE MEASURE ESTIMATOR

. اين مقاله مواردي را كه منجر به ايجاد خطاها و اشتباهاتي در كلاسيفايرهاي شي گرافيكي مي شود مورد تجزيه و تحليل قرار مي دهد. روشهاي تخمين فواصل كه در آثار ارايه شده گذشته پيشنهاد گرديده و به عنوان يك اصل در روش كاري كلاسيفايرهاي سنتي، فازي و فازي ـ عصبي استفاده مي شد مشخص نمود كه اين روش جهت طبقه بندي شي فازي يا شي با هيچ گونه سبك خاص كه تشخيص مشخصه هاي طبقات در آنها به خاطر عدم قطعيت و بي ثباتي زياد موقعيت و سطوح خاكستري بسيار مشكل است، نمي تواند روش مناسبي باشد. نويسندگان مقاله يك كلاسيفاير شي گرافيكي را كه بر طبق روش فازي ـ عصبي عمل كرده و داراي سيستم تخمين فاصله تعديل يافته مي باشد را پيشنهاد مي كنند كه اين روش شاخص عملي بهتري را نسبت به روشهايي كه اصول تخمين فاصله متراكم و معمولي سنتي را مي سازند ارايه مي دهد. روش شبيه سازي نشان داده است به هنگام استفاده از روش پيشنهادي كيفيت تشخيص به طور رضايت بخشي بهبود يافته است.

The paper analyses issues leading to errors in graphic object classifiers. The distance measures suggested in literature and used as a basis in traditional, fuzzy, and Neuro-Fuzzy classifiers are found to be not suitable for classification of non-stylized or fuzzy objects in which the features of classes are much more difficult to recognize because of significant uncertainties in their location and gray-levels. The authors suggest a neurofuzzy graphic object classifier with modified distance measure that gives better performance indices than systems based on traditional ordinary and cumulative distance measures. Simulation has shown that the quality of recognition significantly improves when using the suggested method.