بخشی از مقاله
چکیده
الگوریتم بهینهسازی صفحات شیبدار بهعنوان یکی از جدیدترین روشهای ابتکاری معرفی و عملکرد مناسب آن در زمینههای مختلف مسائل مهندسی گزارششده است. در این مقاله، کارایی این روش در آموزش یک طبقهبند مبتنی بر سیستم استنتاج عصبی-فازی تطبیقی - بهعنوان یک روش جدید آموزش شبکههای عصبی - بررسیشده است.
جهت ارزیابی عملکرد این روش، در طبقهبندی داده، دو مجموعه داده محک شناختهشده در بازشناسی الگو، که عبارتاند از مجموعه دادههای گل زنبق و مجموعه دادههای سرطان سینه از مخزن پایگاه داده UCI بکار گرفتهشده است. مقایسه نتایج حاصل از این پژوهش با سایر روشهای مشابه نشاندهنده دقت بالاتر طبقه بند آموزشدیده بهوسیله الگوریتم بهینهسازی صفحات شیبدار نسبت به سایر روشهای هوشمند میباشد.
-1 مقدمه
ازآنجاییکه طبقهبندی الگو یکی از مراحل مهم در بازشناسی الگو به شمار میآید، طبقهبند های متفاوتی پیشنهادشده است که از آن جمله میتوان به طبقهبند های بیز4، شبکه عصبی 5، k نزدیکترین همسایه6، فازی7 و... اشاره کرد. در یک جمعبندی کلی در خصوص طبقهبند های فوقالذکر باید ضمن اذعان به عملکرد خوب آنها در حل بسیاری از مسائل مربوط به تشخیص الگو به نکات مهم زیر نیز اشاره کرد.
طبقهبند بیز، یک طبقهبند بهینه است اما نیاز به پیشفرضهایی در خصوص توابع چگالی توزیع احتمال الگوها در فضای ویژگی دارد که غالبا در دسترس نیستند. طبقهبند k نزدیکترین همسایه دارای ساختاری ساده و عملکرد نسبتا خوب است، اما با افزایش ابعاد ویژگی هزینه محاسباتی8 آن بیشتر شده، پاسخ سیستم با تأخیر زیاد مواجه میگردد. ضمن آنکه مقدار k نیز تأثیر بسزایی در نتایج بهدستآمده از عملکرد سیستم دارد.
طبقهبند های شبکه عصبی نیز دارای عملکرد خوبی هستند، اما در فضای ویژگی با ابعاد زیاد ناگزیر دچار پیچیدگی ساختار میشوند. در این میان محدودیت وابستگی عملکرد این طبقهبند ها به ساختار و نوع شبکه عصبی را نیز نباید ازنظر دور داشت. طبقهبند های فازی ساختاری ساده و عملکرد مناسبی از خود نشان داده-اند، اما وابستگی عملکرد آنها به قواعد فازی بکار رفته، نوع و موقعیت توابع عضویت9 و سایر پارامترهای تأثیرگذار در یک سیستم فازی از محدودیتهای مهم آن به شمار میرود. ضمن آنکه افزایش ابعاد ویژگی سبب افزایش قواعد فازی لازم و همچنین پیچیدگی ترکیبات فازی در هر قاعده میشود.
نکات ذکرشده انگیزه هستند که پژوهشگران را به طراحی و ارائه روشهای جدید طبقهبندی تشویق کند [5]و.[8-10] این مقاله، یک طبقهبند مبتنی بر سیستم استنتاج عصبی -فازی که آموزش آن توسط الگوریتم ابتکاری و هوشمند صفحات شیبدار که بر پایه دینامیک حرکت توپها بروی صفحات شیبدار بدون اصطکاک است جهت بالا بردن دقت و عملکرد بهتر نسبت به روشهای آموزش کلاسیک در سیستم طبقه بند استنتاج عصبی - فازی[1]ارائهشده است.
سازماندهی کلی مقاله به شکل زیر است : در بخش 2 به معرفی الگوریتم بهینهسازی صفحات شیبدار [2]پرداخته میشود. در بخش 3 طبقه بند مبتنی بر سیستم استنتاج عصبی - فازی که توسط الگوریتم IPO آموزشدیده توصیف میشود و در بخش 4 عملکرد طبقه بند پیشنهادی ارزیابی و نهایتا در بخش 5 نتیجهگیری بیان میشود.
-2 الگوریتم بهینهسازی صفحات شیبدار
روش الگوریتم بهینهسازی سیستم صفحات شیبدار که بهاختصار IPO مینامیم، الهام گرفته از نحوه حرکت دینامیکی اجسام کروی روی سطح شیبدار بدون اصطکاک است که همگی تمایل دارند تا به پایینترین نقطه سطح برسند. در IPO همانطور که در شکل - 1 - نمونهای از فضای جستجو به همراه سه توپ نشان دادهشده است، تعدادی توپ کوچک فضای جستجو را برای یافتن نقطه بهینه - در اینجا مینیمم - جستجو میکنند. این توپهای کوچک در IPO مانند ذرات، در الگوریتم بهینهسازی اجتماع ذرات10 [3] - PSO - عوامل جستجو هستند .
ایده اصلی الگوریتم مزبور نسبت دادن ارتفاع نسبت به یک نقطه مرجع به هر توپ است که میزان ارتفاع بر اساس تابع برازندگی به دست میآید. این مقادیر ارتفاع درواقع تخمینی برای انرژی پتانسیل توپها که در ارتفاعات مختلف قرار دارند و با پایین آمدن آنها، این انرژی به انرژی جنبشی تبدیلشده و باعث شتاب گرفتن توپها میشود. درواقع، توپها تمایل دارند تا انرژی پتانسیل خود را برای رسیدن به نقطه مینیمم از دست دهند. لذا توپها بهصورت مکرر بر روی فضای جستجو برای یافتن پاسخ بهتر حرکت کرده و بهتناسب شتابی را به خود اختصاص میدهند.
هر توپ در فضای جستجو دارای سه مختصات میباشد: موقعیت، ارتفاع و زاویهای که با دیگر توپها میسازد . موقعیت هر توپ یک جواب در فضای جستجو و ارتفاع آن بهوسیله تابع برازندگی به دست میآید. برای داشتن تخمینی از صفحه شیبدار که توپها بروی آن قرار دارند از خطوطی مستقیم استفاده میشوند که مراکز توپها را به هم وصل میکنند.
