بهبود روش های طبقه بندی و خوشه بندی با تکیه بر شبکه های fmm

شبکه های عصبی فازی مین-ماکس (fmm) روش جدیدی در حوزه یادگیری ماشین هستند که با توجه به کارایی بالای این شبکه ها، می توان در کاربرد های مختلف یادگیری ماشین از آن ها بهره جست. از مهم ترین ویژگی های این روش ها می توان به تک گذار بودن، برخط بودن و ناپارمتریک بودن مرحله یادگیری آن ها اشاره کرد. این ویژگی ها باعث سرعت و دقت بالای این شبکه ها در مقایسه با سایر روش های یادگیری می شود. ورودی ها و خروجی های این شبکه ها می توانند به صورت فازی یا غیرفازی باشند. فازی بودن ورودی و خروجی در شبکه های fmm، قابلیت تعمیم این شبکه ها را افزایش می دهد، طوری که می-توان در حوزه های مختلف یادگیری ماشین از این شبکه ها استفاده کرد. با توجه به مطالعات انجام شده، روش fmcn، نسبت به سایر روش های fmm موجود از کارایی بهتری برخوردار است. در اولین روش پیشنهاد شده در این رساله، با ایجاد تغییراتی در روش fmcn، روش جدیدی به نام m-fmcn ارائه شده است. در روش m-fmcn، برای حل مشکل نواحی همپوشان از یک تابع "شعاع محور" استفاده شده است. همچنین، تغییراتی در فرایند یادگیری داده شده تا این فرایند سریع تر انجام شود. با توجه به نتایج بدست آمده، در اکثر موارد روش m-fmcn نسبت به روش fmcn، از سرعت و دقت بالاتری برخوردار بوده و فضای کمتری اشغال می کند. بعد از روش m-fmcn، روش شبکه فازی مین-ماکس وزن دار یا wfmm ارائه شده است. در این روش چگالی نمونه-های واقع شده در نواحی مختلف فضای نمونه، در خروجی شبکه تاثیر گذار هستند. در روش wfmm از محدود سازی هایپرباکس ها استفاده نشده و نمونه هایی که در نواحی همپوشان قرار می گیرند با توجه به فاصله تا مرکز هایپرباکس ها و همچنین چگالی نمونه های هایپرباکس ها، طبقه بندی می شوند. نتایج بدست آمده از پیاده سازی این روش بیان گر افزایش دقت طبقه بندی این روش در مقایسه با روش های قبلی fmm است. روش دیگری که در این رساله پیشنهاد شده، روش شبکه های فازی-مین ماکس چند سطحی یا mlf است. این روش از یک ساختار درختی استفاده می کند و نمونه هایی که در نواحی همپوشان قرار می گیرند در سطوح بعدی درخت با دقت بیشتری طبقه بندی می شوند. روش mlf از دقت بالایی در طبقه بندی برخوردار بوده و از ویژگی های بارز آن می توان به کارایی بالا و حساسیت پایین آن نسبت به " ضریب گسترش هایپرباکس ها" (?) اشاره کرد. همچنین در مواردی که از داده های یکسانی برای آموزش و آزمایش استفاده می شود، تقریبا در همه موارد، قادر به یادگیری و طبقه بندی صحیحِ تمامی نمونه هاست.