طراحی خودکار طبقه بندی کننده های هوشمند با استفاده از الگوریتم های هوش جمعی
چکیده
در طراحی یک سیستم تشخیص الگو پس از انجام مراحل مربوط به اخذ داده، عملیات پیش پردازش و استخراج ویژگی نوبت به استفاده از یک طبقه بندی کننده خواهد رسید که با استفاده از بردارهای ویژگی مرزهای تصمیم را یافته، فضای ویژگی را به نواحی مختلفی که هر یک از آن ها متعلق به یک کلاس خاص است تقسیم می کند. طبقه بندی کننده های متنوعی جهت استفاده در سیستم های بازشناسی الگو مطرح شده است. رویکردهای مبتنی بر هوش محاسباتی یکی از روش هایی هستند که امروزه به صورت گسترده به منظور طراحی بهینه طبقه بندی کننده ها مورد استفاده قرار می گیرند. در این پایان نامه دو نوع از طبقه بندی کننده ها توسط ابزارهای هوش محاسباتی طراحی و ارائه شده است. ابتدا با قدرت بهینه کنندگی الگوریتم هوش جمعی جستجوی گرانشی طبقه بندی کننده فازی بهینه طراحی گردیده است و سپس با توان جستجوی الگوریتم جستجوی گرانشی هوشمند اقدام به طراحی طبقه بندی کننده هوش جمعی گرانشی شده است. طبقه بندی کننده های هوش جمعی انواع جدیدی از طبقه بندی کننده ها هستند که با به کارگیری یکی از الگوریتم های هوش جمعی، مبادرت به یافتن ابر صفحه های جدا کننده کلاس های مختلف در فضای ویژگی می نمایند. اهمیت ویژه این طبقه بندی کننده ها در عدم وابستگی عملکرد آن ها به دانش قبلی در خصوص نحوه توزیع الگوها در فضای ویژگی است. همچنین طبقه بندی کننده های فازی به عنوان نمونه ای از سیستم های فازی، از کارآمدترین روش های طبقه بندی در علم بازشناسی الگو به شمار می روند. این طبقه بندی کننده ها از پارامترهای ساختاری متنوعی تشکیل شده اند که هر یک از آن ها به نوبه خود بر روی عملکرد آن ها تأثیر به سزایی دارد. نوع و مکان توابع عضویت و همچنین نوع قواعد فازی از نظر ترکیب مقدم ها و موخرها از مهم ترین این پارامترها به شمار می آیند. معمولاً چالش اصلی در طراحی و پیاده سازی چنین طبقه بندی کننده هایی انتخاب بهینه همین پارامترها به منظور دستیابی به بهترین عملکرد است. روش های پیشنهادی در مواجهه با مجموعه داده هایی با بردارهای ویژگی که از نظر تعداد، ابعاد و تداخل کلاس های مرجع از پیچیدگی قابل قبولی برخوردارند، به محک آزمایش سپرده شده است. نتایج مقایسه ای به دست آمده از این آزمایشات نشان می دهد که روش های ارائه شده از عملکرد بهتری نسبت به سایر روش های مشابه که مبتنی بر روش های ژنتیک و بهینه سازی گروه ذرات می باشند، برخوردار است.