استفاده از رويكرد هوش جمعي در طراحي بهينه سيستم هاي طبقه بندي مبتني بر قواعد فازي

Using Swarm Intelligence Approach in the Optimal Design of Fuzzy Rule-Based Classifier Systems

طبقه ­بندي كننده­ هاي فازي به عنوان نمونه ­اي از سيستم‌هاي فازي، از كارامدترين روش‌هاي طبقه ­بندي در علم بازشناسي الگو به شمار مي‌روند. اين طبقه ­بندي كننده‌ها از پارامترهاي ساختاري متنوعي تشكيل شده‌اند كه هر يك از آن‌ها به نوبه خود بر روي عملكرد آن‌ها تأثير به سزايي دارد. نوع و مكان توابع عضويت، و همچنين نوع قواعد فازي از نظر تركيب مقدم‌ها و مؤخرها از مهم‌ترين اين پارامترها به شمار مي‌آيند. معمولاً چالش اصلي در طراحي و پياده سازي چنين طبقه ­بندي كننده‌هايي انتخاب بهينه همين پارامترها به منظور دستيابي به بهترين عملكرد است. در اين مقاله با به‌كارگيري الگوريتم جستجوي گرانشي روشي به منظور بهينه­ سازي پارامترهاي طبقه ­بندي كننده‌هاي فازي، اعم از شكل و مكان توابع عضويت و همراه با آن استخراج قواعد فازي بهينه ارائه شده است. روش پيشنهادي در مواجهه با مجموعه داده‌هايي با بردارهاي ويژگي كه از نظر تعداد، ابعاد، و تداخل كلاس‌هاي مرجع از پيچيدگي قابل قبولي برخوردارند، به محك آزمايش سپرده شده است. نتايج مقايسه‌اي به دست آمده از اين آزمايشات نشان مي‌دهد كه روش ارائه شده از عملكرد بهتري نسبت به ساير روش‌هاي مشابه كه مبتني بر روش‌هاي ژنتيك و بهينه­ سازي گروه ذرات مي‌باشند، برخوردار است.

Fuzzy classifiers as a kind of fuzzy systems are powerful approaches in pattern recognition tasks. These classifiers consist of various structural parameters, each of them have major effects on the performance of fuzzy classifiers. Type and locations of membership functions, in addition to fuzzy antecedents and consequents are most important of these structural parameters. Usually, the major problem in design and implementation of fuzzy classifiers is optimum setting up of these parameters, to reach the best performance. In this paper, a method is described for estimation of optimum aforementioned fuzzy parameters in a fuzzy classifier. Extensive experimental results are presented to show the effectiveness and powerfulness of the proposed method.