کلاسه بندی نرم با استفاده از خوشه بندی و تئوری ترکیب باورها
کلاسه بندی نرم با استفاده از خوشه بندی و تئوری ترکیب باورها
در سیستمهاي کلاسه بندي معمول، هرالگوي ورودي به یک کلاس نسبت داده می شود. لزوم تخصیص نمونه ها فقط به یک کلاس، از آزادي عمل سیستم می کاهد، چراکه در بسیاري از موارد، به دلیل همپوشانی کلاسها در فضاي ویژگیهاي مربوطه، نمی توان یک نمونه را به راحتی فقط به یک کلاس نسبت داد. در این مقاله یک سیستم کلاسه بندي با محاسبات نرم پیشنهاد شده است، بطوریکه در آن، با تدابیري که در نظر گرفته شده است، آزادي عمل سیستم با در نظر گرفتن انتساب نمونه ها به همه حالتهاي ممکن از کلاسهاي موجود افزایش قابل ملاحظه اي پیدا می کند. در مرحله آموزش سیستم پیشنهادي، با اعمال کلاسه بندي بدون مربی بر روي ویژگیهاي تک بعدي استخراج شده از نمونه هاي آموزشی، کلاسهاي جدیدي به دست می آید. در ادامه ي این مرحله، با الگوریتمی همپوشانی کلاسهاي اصلی در کلاسهاي جدید جستجو می شود. در مرحله آزمایش، نمونه ها طوري کلاسه بندي 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 براي کاهش سطح عدم قطعیت به وجود آمده، با استفاده از تئوري ترکیب باورها، قطعیت پاسخ سیستم بهبود داده می شود. از تصاویري از دانه هاي شن و ماسه که در 5 کلاس اصلی دسته بندي شده بودند، به عنوان دیتاهاي سیستم و بررسی نتایج استفاده شده است. نتیجه اعمال روش پیشنهادي بر روي مجموعه دیتاي ذکر شده رضایت بخش بوده و حاکی از توفیق این روش می باشد
|