بخشی از مقاله
چکیده
هماهنگی عمل بین شبکههاي عصبی و مجموعههاي فازي منجر به ایجاد شبکهاي تحت عنوان شبکه نروفازي شده است، همانطور که از نام این شبکه پیداست این شبکه تلفیقی از شبکههاي عصبی و شبکههاي فازي می باشد. در حقیقت در این روش پردازش درسطح مفهومیتري نسبت به سطح عددي انجام میشود و با ارائه رولهایی که از ترکیب ترمهاي لفظی1 حاصل میشود، قابلیت تفسیر بیشتر میشود و این مزیت بالایی است که با شبکههاي نروفازي حاصل میشود. محدودیتهاي کاربرد شبکههاي نروفازي به گونهاي است که دقت حاصله را خیلی کاهش نمیدهد.
گفته میشود که؛ شبکههاي عصبی با ساختار ساده تمایل کمتري براي متناسب شدن با مجموعه داده آموزشی دارند. چنین سیستمهایی توانایی عمومیتدادن و طبقهبندي دقیقتر داده مشاهده نشده را دارند. شبکههاي عصبی استاندارد اغلب دقیقتر بودهاند ولی براي تشریح و تفسیر مشکلتر هستند. به دلیل اینکه در شبکههاي نروفازي عملیات در سطح مفهومیتري انجام میشود، مؤلفهها معانی قابل فهم و غیرمبهمی دارند.
این مؤلفه ها مشخص میکنند که تصمیم گیري هاي طبقه بندي به چه صورت اتخاذ شود و بدین ترتیب تفسیر اطلاعات با دقت بالاتري انجام میپذیرد. در این مقاله، قابلیت تفسیر شبکههاي نروفازي براي مسئله طبقهبندي تصاویر ماهوارهاي بررسی میشود. در این بررسی چگونگی طبقه بندي پوشش زمینی با استفاده از اطلاعات طیفی و غیر طیفی در ترم هاي نروفازي بیان می شود.
مقدمه
در طول چندین دهه گذشته ، طبقه بندي تصویر ماهواره اي براي تولید نقشههاي پوشش زمینی و کاربري زمینی ، از پیدا کردن دادهس هاي واقعی به یافتن روشهاي توانایی که بتواند از عهده داده هاي در دسترس برآید، سوق داده شده است. امروزه ماهواره هاي بسیاري بدور زمین می گردند و داده هایی با توان تفکیک طیفی ،مکانی و زمانی بالا تولید می کنند.
همچنین داده توپوگرافی نیز به آسانی قابل حصول هستند. مدل هاي ارتفاعی رقومی در رزولوشن هایی در رنج 1 کیلومتر تا ده ها سانتی متر قابل دسترس هستند. دو منبع بسیار مهم اطلاعات ، یعنی نقشه شیب3 و جهت4 بطور متداول از قغخ ها حاصل میشوند. در نتیجه میتوان گفت که بمنظور مطالعه پدیده اي نظیر پوشش زمینی ، ما اکنون اطلاعات توپوگرافی مناسب و اطلاعات طیفی با رزولوشن بالاي مکانی ، طیفی و زمانی را در دسترس داریم.
متغیرهاي لفظی ابزارهایی را براي ایجاد استدلال تقریبی پدیده خیلی پیچیده ارائه می دهد. با پذیرفتن این حقیقت که دقت بالا با پیچیدگی بالا ناسازگار است، میتوان گفت که طبقه بندي تصاویر با استفاده از روش مورد بحث در این مقاله که در آن پردازش روي اطلاات لفظی انجام میشود بسیار مناسب تر از روش هاي طبقه بندي کلاسیک که در آن ها پردازش روي اطلاعات عددي انجام میشود خواهد بود.
نتایج بدست آمده در این تحقیق نشان میدهد که شبکه نروفازي چهارچوب مناسبی براي استفاده همزمان از اطلاعات طیفی و غیر طیفی در طبقه بندي است. از دیگر مزایاي این روش برقراري رابط مفهومی بین مؤلفه هاي شبکه هاي عصبی و متغیرهاي هاي لفظی در فرآیند طبقه بندي تصاویر سنجش از دوري است. معماري شبکه نروفازي استفاده شده در این تحقیق در ادامه توضیح داده خواهد شد.
ابزار ANFIS
این ابزار ساختار اصلی یک نوع سیستم استنتاج فازي است که مشخصات ورودي را به توابع عضویت ورودي ، توابع عضویت ورودي را به رول ها ، رول ها را به مجموعه ویژگی هاي خروجی ، ویژگی هاي خروجی را به توابع عضویت خروجی و تابع عضویت خروجی را به یک عدد خروجی می نگارد. .در این تحقیق تنها توابع عضویت تعریف شده توسط کاربر مورد بررسی قرار گرفت. بطور معمول براي مدلسازي سیستمهایی که در آن ها ساختار رول توسط کابر و بواسطه تفسیر ویژگیهاي متغیر هاي مدل از پیش تعیین میشود، رابطهاي فازي مورد استفاده قرار میگیرد که در اینجا نیز این رابطها مورد استفاده واقع شد.
این تکنیک روشی براي پروسه مدلسازي فازي ارائه میدهد که در آن اطلاعات مربوط به مجموعه دادهها آموزش داده میشوند، به عبارت دیگر با استفاده از این تکنیک پارامترهاي توابع عضویت به گونه اي محاسبه میشوند که سیستم منطقی فازي مربوطه به بهترین نحو داده هاي ورودي/خروجی مفروض را دنبال کند. روش یادگیري در اینجا مشابه روش یادگیري در سیستم شبکه هاي عصبی است است. سیستم منطق فازي که از این توابع عضویت استفاده می کند کطسغA نامیده می شود.
ساختار سیستم استنتاج فازي - - FIS8 و پارامترهاي تصحیح شده
ساختار شبکه حعً مشابه شبکه هاي عصبی است که ورودي ها را به توابع عضویت ورودي و پارامترهاي مربوطه و سپس به توابع عضویت خروجی و پارامترهاي مربوطه مینگارد و میتواند براي تفسیر نگاشت ورودي/خروجی استفاده شود. پارامترهاي مربوطه همراه با توابع عضویت در طول پروسه یادگیري تغییر خواهند کرد. محاسبه این پارامترها با استفاده از بردار گرادیان آسانتر میشود.
