چکیده:
در سالهای اخیر، روشهای زیادی برای تولید قوانین فازی براساس نمونههای آموزشی پیشنهاد شده است. یکی از روشهایی پیشنهادشده اخیر، روش چن و تسای است که در سال 2008 ارائه شد و برمبنای سه شاخص مقدار آستانهای ویژگی مقدار آستانهای طبقهبندی و مقدار آستانهای سطحی قرار گرفته است. این روش متوسط نرخ دقت طبقهبندی بالاتری نسبت به سایر روشهای موجود داشته است. در بخش تولید قوانین موقت، نویسندگان پیشنهادی برای اصلاح روش ارائه کردهاند و روش اصلاحشده را در یک مطالعه موردی بهکار گرفتهاند. آنچه در این تحقیق، مورد توجه بوده است، آزمون روش اصلاحشده CT08 روی یک حوزه کاربردی و ارائه یک سیستم طبقهبندی برای گوشیهای تلفن همراه بوده است. روش اصلاحشده در موضوع گوشیهای تلفن همراه، مقدار 2/0 دقت بالاتر را نسبت به اصل روش CT08 نشان داد.
خلاصه ماشینی:
سپس براساس این قاعده قوانین فازی تولید میشوند: اگر بیشترین نمونه های آموزشی که در فاصله I قرار گرفته اند، خروجی داشته باشند، قانون زیر استنباط خواهد شد: (رجوع شود به تصویر صفحه) گفتنی است که مجموعه فازی متناظر با فاصله I مجموعه فازی I نام گذاری شده است ؛ به سخن دیگر، مجموعه های فازی ایجادشده برای یک ویژگی با فواصل شناساییشده روی طیف مقداری آن ویژگی متناظر است .
نرخ خطای طبقه بندی برای هریک از قوانین فازی تولیدشده براساس رابطه ٧ محاسبه میشود: (رجوع شود به تصویر صفحه) گام ٩: قانونی انتخاب میشود که بیشترین نرخ خطای طبقه بندی را دارد؛ به عنوان مثال قانون شماره n انتخاب شده است : سپس نمونه های آموزشی که براساس آن قانون به درستی طبقه بندی نشده اند، شناسایی می شوند و درادامه ، توزیع آماری مقادیر ویژگی مربوط به این نمونه های آموزشی که به درستی طبقه بندی نشده اند، در هریک از فواصل به دست آمده از گام ٧ محاسبه میشود.
7/865 شکل توابع عضویت فازی برای ویژگی «طراحی» به صورت شکل ٥ خواهد بود: (رجوع شود به تصویر صفحه) گام ٥: توزیع آماری مقدار ویژگی «طراحی» در نمونه های آموزشی در فواصل به دست آمده که در شکل ٦ نمایش داده شده است ، به صورت جدول ٧ است .
A new method to construct membership functions and generate weighted fuzzy rules from training instances.