1- مقدمه ماندانا حميدي استفاده از آنها را در طبقهبندي كنندهها آسان كرده است است.

Transcript

1 كي طبقه بندي كننده فازي مبتني بر اتوماتاه يا يادگير,3 ماندانا حميدي محمد رضا ميبدي دانشكده مهندسي برق وكامپيوتر و فناوري اطلاعات دانشگاه آزاد اسلامي واحد قزوين قزوين ايران دانشكده مهندسي كامپيوتر و فناوري اطلاعات دانشگاه صنعتي اميركبير تهران ايران 3 دانشكده مهندسي برق وكامپيوتر و فناوري اطلاعات دانشگاه آزاد اسلامي واحد زرقان زرقان ايران Eal: had@auzaghaac, eybod@ceauac چكيده: در اين مقاله يك طبقه بندي كننده فازي مبتني بر اتوماتاهاي يادگير پيشنهاد ميگردد در اين طبقه بندي كننده به كمك مجموعه اي از اتوماتاهاي يادگير توابع عضويت و قوانين فازي به طور اتوماتيك توليد ميشوند هر كدام از توابع عضويت به يك اتوماتاي يادگير مجهز شده است كه عهده دار يافتن مناسبترين واريانس و ميانگين براي آن تابع عضويت ميباشد طبقه بندي كننده فازي پيشنهادي بر روي پايگاه داده استاندارد گل زنبق (Is) آزمايش شده است نتايج آزمايشات نشان ميدهد كه طبقه بندي كننده پيشنهادي با استفاده از قانون فازي ميتواند دادهها را با راندمان %93/63 طبقه بندي كند كه در مقايسه با بيشتر روشهاي گزارش شده نتيجه بسيار خوبي مي باشد كليد واژه: طبقه بندي فازي اتوماتاهاي يادگير سيستم هاي فازي توابع عضويت فازي - مقدمه امروزه از سيستمهاي فازي به دليل نزديك بودن آن با منطق و زبان طبيعي انسان استفاده گسترده اي در حوزه هاي مختلف شده است قابل فهم بودن بيشتر قواعد اگر-آنگاه فازي استفاده از آنها را در طبقهبندي كنندهها آسان كرده است [][] براي ايجاد قوانين فازي نياز به يك فرد خبره است كه با توجه به دانش خود از مساله و دادههاي آموزشي قوانين و توابع عضويت فازي را تنظيم نمايد كه نه تنها روشي وقتگير است بلكه امكان دارد با وجود اشراف كامل اين فرد به مساله قوانين ايجاد شده بهترين قوانين نباشند اخيرا بيشتر تحقيقات بر روي روشهاي توليد اتوماتيك قوانين و توابع عضويت متمركز شده است به منظور ايجاد قوانين فازي با استفاده از دادههاي آموزشي عموما از تقسيم فضاي مجموعه ورودي فازي جهت مشخص نمودن قسمت شرط قوانين استفاده مي شود فضاي ورودي فازي را ميتوان به صورت شبكه اي [3][7][6][5][4] يا به صورت پراكنده و نامنظم [0][9] تقسيم نمود و به هر قسمت يك تابع عضويت اختصاص داد در [4] طبقه بندي كننده سيستم معرفي شده است كه يك روش تطبيقي استنتاج فازي 3 ANFIS تطبيقي است و فضايي از ورودي را كه توابع عضويت در آن قرار ميگيرند تنظيم مينمايد در اين روش توابع عضويت فازي به طور يكنواخت در فضاي ورودي قرار داده ميشوند هر كدام از اين توابع فازي داراي پارامترهايي است كه جابجايي و تغيير شكل را براي آن تابع امكان پذير مينمايند اين روش داراي دو Gd-ype Fuzzy Pao 3 Scae-ype Fuzzy Pao 3 Adapve Neuo-Fuzzy Ifeece Syse

2 [][3][4] كمتر است طبقهبندي كننده فازي پيشنهادي بر روي پايگاه داده استاندارد گل زنبق (Is) آزمايش شده است مشكل عمده ميباشد اولا بايد تعداد توابع فازي از ابتدا تعيين شود و دوما اينكه با افزايش تعداد دادههاي آموزشي پيچيدگي اين سيستم افزايش مييابد در [3] مجموعهاي از توابع و قوانين بصورت تصادفي توليد شده و سپس با استفاده از الگوريتم ژنتيك از بين آنها بهترين قوانين انتخاب ميشوند اين روش در حل مسايلي با ابعاد بالا ضعيف عمل ميكند زيرا با افزايش تعداد قوانين يادگيري الگوريتم ژنتيك زمان زيادي لازم دارد در [][3][4] از 4 PSO به منظور ايجاد حداقل قوانين فازي با حداكثر راندمان استفاده شده است اين روش نسبت به الگوريتم ژنتيك سرعت و راندمان بالاتر و تعداد قوانين فازي كمتري داشته است اين روش مشكل همگرايي زودرس را دارد و به مقداردهي اوليه اعضاي جمعيت و مقادير پارامترها حساسيت بالايي دارد همچنين در اين روش تعداد تابع عضويت فازي را بايستي به صورت دستي از قبل تعيين نمود در اين مقاله يك طبقه بندي كننده فازي مبتني بر اتوماتاهاي يادگير پيشنهاد ميگردد در اين طبقه بندي كننده به كمك مجموعه اي از اتوماتاهاي يادگير توابع عضويت و قوانين فازي به طور اتوماتيك توليد ميشوند هر كدام از توابع عضويت به يك اتوماتاي يادگير مجهز شده است كه عهده دار يافتن مناسبترين واريانس و ميانگين براي آن تابع عضويت ميباشد تعدادي تابع عضويت از دادههاي (ب عد) ويژگي به هر آموزشي نسبت داده ميشود هر اتوماتاي يادگير وظيفه تنظيم ساختار( ميانگين و يك واريانس) تابع عضويت را به عهده دارد تعداد توابع عضويت با توجه به دادههاي آموزشي تنظيم ميشوند در اين روش از اتوماتاي يادگير s مدل استفاده شده است اتوماتاهاي يادگير به ازاي هر يك از ويژگيهاي الگو كه بصورت اشتباه/صحيح طبقهبندي شده است جريمه/پاداش دريافت مي- نمايند اتوماتاي يادگير عملي را انتخاب مينمايد كه ميزان تعلق هر يك از ويژگيهاي اين الگو به تابع عضويت را بسته به موقعيت كاهش/افزايش ميدهد يكي از مزاياي اين روش به حداقل رساندن توابع عضويت است كه در ساير روشها اين تعداد بايستي در ابتدا مشخص شود تعداد پارامترهايي كه بايد بر طبق مساله تنظيم شوند نسبت به روشهاي گزارش شده در نتايج آزمايشها نشان ميدهد كه طبقه بندي كننده پيشنهادي با استفاده از قانون فازي ميتواند دادهها را با راندمان %93/63 طبقه بندي كند كه در مقايسه با بيشتر روشهاي گزارش شده كه در جدول به آنها اشاره شده است نتيجه نسبتا خوبي ميباشد ادامه مقاله بدين صورت سازماندهي شده است در بخش اتوماتاهاي يادگير در بخش بخش 3 3 طبقه بندي كننده فازي طبقهبندي كننده فازي و در پيشنهادي شده شرح داده است در بخش 5 نتايج آزمايشها آمده است بخش 6 نتيجه گيري ميباشد - اتوماتاي يادگير يك اتوماتاي يادگير ماشيني است كه ميتواند تعدادي متناهي عمل را انجام دهد هر عمل انتخاب شده توسط يك محيط احتمالي ارزيابي ميشود و نتيجه ارزيابي در قالب سيگنالي مثبت يا منفي به اتوماتا داده ميشود و اتوماتا از اين پاسخ در انتخاب عمل بعدي تاثير ميگيرد هدف نهايي اين است كه اتوماتا ياد بگيرد تا از بين اعمال خود بهترين عمل را انتخاب كند بهترين عمل عملي است كه احتمال دريافت پاداش از محيط را به حداكثر برساند كاركرد اتوماتاي يادگير در تعامل با محيط در (شكل ( مشاهده ميشود [5] شكل محيط تصادفي اتوماتاي يادگير α() β() : ارتباط بين اتوماتاي يادگير و محيط اتوماتاي يادگير با ساختار متغير را ميتوان توسط α = α,, α } نشان داد كه { α, β, p, چهارتايي {T { β = { β مجموعه وروديهاي,, β مجموعه عملهاي اتوماتا { p = { p بردار احتمال انتخاب هريك از عملها و,, p اتوماتا { p( p( k + ) = T [ α ( k ), β ( k ), الگوريتم يادگيري k )] ميباشد ورودي محيط يكي از عمل انتخاب شده اتوماتا است 4 Pacle Swa Opzao

3 h ule : f x s A he x = ( x, x,, x ) belogs o _ class H ad x s A wh CF = CF ad ad x s A =,,, R () H كه R تعداد قوانين فازي, تعداد ابعاد ورودي, { ε {,,, CF ضريب قطعيت خروجي قوانين, تعداد دستهها, [,0] = قانون ام است درجه عضويت مربوط به مجموعه فازي بر اساس نوع β خروجي(پاسخ) محيط به هر عمل توسط اگر مشخص ميشود 5 يك پاسخ دودويي باشد محيط مدلP ناميده ميشود β β در چنين محيطي = 7 شكست و = 0 6 بعنوان پاسخ نامطلوب يا 8 بعنوان پاسخ مطلوب يا موفقيت در 9 β شامل تعداد نظر گرفته ميشوند در محيط مدلQ (k) محدودي از مقادير قرار گرفته در بازه [ 0] ميباشد درحاليكه يك متغير تصادفي در بازه β 0 β در محيط مدلS مقادير (k) ( [ 0] ميباشد 0,]) [ β الگوريتم زير يك نمونه از الگوريتمهاي يادگيري خطي از نوع S ميباشد فرض كنيد عمل در مرحله k ام انتخاب α S L R εp شود اتوماتاي يادگير با عملهاي خود را بروز ميكند اگر در تكرار kا م عمل عمل بصورت زير بردار α انتخاب β باشد بردار احتمالهاي شده باشد و پاسخ محيط به آن (k) اتوماتا طبق رابطه [5] بروز ميشود p ( k + ) = p ( k + a( β )( p ) b β p () p ( k + ) = p a( β ) p + b β p در روابط () پارامتر پاداش وb پارامتر جريمه ميباشند با توجه به مقادير a,b سه حالت زير را ميتوان در نظر گرفت زمانيكه a,b با هم برابر باشند الگوريتم را L RP مي ناميم زمانيكه LR مي ناميم و ε P bازa خيلي كوچكتر باشد الگوريتم را زمانيكه b مساوي صفر باشد الگوريتم را ميناميم [6] L RI 3- طبقه بندي كننده فازي نحوة ايجاد قواعد فازي در اين روش مطابق با الگوريتم اراي ه شده در [] ميباشد بر اساس يك جدول جستجو بازاي هر زوج اطمينان ورودي-خروجي قاعده يك محاسبه ميشود براي آن و ايجاد هر قانون فازي يك ضريب به صورت زير 5 P-odel 6 Ufavoable 7 Falue 8 Favoable 9 Q-odel 0 S-odel CF نمايش دادهمي شود تابع عضويت آن مجموعه فازي محاسبه ميگردد به عنوان مثال درجه عضويت تابع گوسي با سه پارامتر طبق µ ( A (,), (,), (,3) (,), (,), x exp ( x exp ( (,),) (,),3) (,3) ; x ) =, f x (, f x > ( فرمول زير محاسبه ميگردد:,),) (3) = [ (,), (,),, (, p) ] كه كه شامل است قانون مجموعه فازي ورودي ام از تابع عضويت (,p) و مي باشد = [,,, p ] p ميباشد ما ميانگين تايع عضويت مجموعه قوانين a = H, CF, H, CF, H R, CF ] [ R = [,,, قانون فازي ام است و ] R فازي را مشخص ميكند خروجي مجموعه قوانين است هنگاميكه يك داده ورودي ) x x = x, x,, به سيستم فازي اعمال شود q ( x) = µ = R = A y = ag ax q ( x) CF ( خروجي به صورت زير محاسبه ميگردد ( x ) (4) 4- طبقه بندي كننده فازي پيشنهادي طبقه بندي كننده فازي پيشنهادي از مجموعه اي از * اتوماتاي يادگير براي يافتن توابع عضويت بهينه فازي استفاده ميكند تعداد وروديهاي فازي برابر با تعداد ويژگيها يعني و تعداد اتوماتاهاي يادگير هر ويژگي برابر با تعداد دسته ها يعني مي باشد به هر يك از توابع عضويت يك ويژگي يك اتوماتاي يادگير تخصيص داده ميشود اتوماتاي يادگير ام از ويژگي آم ) LA )عهده دار تنظيم تابع عضويت ام از ويژگي ما ) (f است

4 β, (κ) اتوماتاي يادگير كه در اين مقاله استفاده شده است از نوع Sاست شماي كلي اين طبقه بندي كننده در (شكل ( نشان داده شده است β, (κ) β, (κ) Ipu- LA, LA, LA, α,(k) α, (k) α, (k) Ipu- β, (κ) Ipu- LA, β, (κ) α, (k) β, (κ) LA, LA, β, (κ) LA, α, (k) α, (k) α, (k) E N V I T O N E N T شكل : شماي كلي طبقه بندي كننده پيشنهادي X X Ĕħ قبل از اينكه مراحل اصلي طبقهبندي كننده فازي پيشنهادي شرح داده شود به چگونگي تنظيم توابع عضويت يك ويژگي σواريانس توسط اتوماتاي يادگير ميپردازيم ميانگين و تابع عضويت هستند كه اتوماتاي يادگير به آن LA f تخصيص داده شده است وظيفه اتوماتاي يادگير تخصيص داده شده به يك تابع عضويت تنظيم ساختار ) ميانگين و واريانس) آن تابع عضويت ميباشد بطور مثال اتوماتاي يادگير عهده LA σ تابع عضويت f است دار تنظيم ميانگين و واريانس براي هر دسته از داده هاي آموزشي يك حداكثر و يك حداقل ميانگين و واريانس تابع عضويت تعيين ميگردد ميانگين تابع عضويت [ ax ] ام و مي تواند يك مقدار باشد ax بازه در حداقل مقدار ويژگيام در دسته حداكثر مقدار ويژگيام در دسته ام مي باشند هر اتوماتاي يادگير داراي دو عمل "كاهش ميزان تعلق ويژگي به تابع عضويت" و "افزايش ميزان تعلق ويژگي به تابع عضويت" مي باشد در شكل 3 -الف ثركاهش ميزان تعلق ويژگي به تابع عضويت و شكل 3 -ب اثر كاهش ميزان تعلق ويژگي به تابع عضويت نشان داده شده است توابع تعلق به رنگ قرمز در اين اشكال توابع تعلق را بعد انجام عمل مورد نظر نشان ميدهد شكل 3 : الف) اثر افزايش ميزان تعلق ويژگي به تابع عضويت ب) اثر كاهش ميزان تعلق ويژگي به تابع عضويت هر داده آموزشي ),,, ( x كه به طبقهبندي = x x x پيشنهادي داده مي شود در يك دسته خاص قرار داده مي شود بر اساس دسته تعيين و درجه قطعيت قانوني كه بيشترين نقش را در طبقه بندي داده آموزشي به عهده دارد به اتوماتاهاي يادگير تخصيص داده شده به توابع عضويتي كه ويژگي x به آن بيشترين تعلق را دارد پاسخ سراسري طبق رابطه 5 داده مي β شود CF ضريب قطعيت قانوني است كه بيشترين سهم را در دسته بندي داده آموزشي به عهده داشته است CF f x β = CF f s o x classfed s classfy coecly coecly (5)

5 و) (6) انتخاب عمل "كاهش ميزان تعلق" توسط اتوماتاي يادگير LA σ تابع عضويت طبق باعث تغييرات در ميانگين و واريانس روابط 6 ميگردد اعمال عمل "كاهش ميزان تعلق" باعث فاصله گرفتن ميانگين تابع عضويت f از ويژگي x و كاهش σ ميگردد ميزان واريانس f f > x < x = = he σ = σ σ = σ he + d d d d f fs f fs انتخاب عمل "افزايش ميزان تعلق" توسط اتوماتاي يادگير LA σ تابع عضويت طبق باعث تغييرات در ميانگين و واريانس روابط 7 ميگردد اعمال عمل "افزايش ميزان تعلق" باعث نزديكتر شدن افزايش مراحل اصلي است ميانگين تابع عضويت σ ميگردد ميزان واريانس f ويژگي به x < x = he σ = σ d + d f fs f fs (7) و f f > x = he d σ = σ + d - طبقه بندي كننده فازي پيشنهادي به شرح زير به ازاي هر ويژگي اتوماتاي يادگير در نظر گرفته و بردار احتمال انتخاب اعمال هر اتوماتاي يادگير به 05] [ 05 مقدار دهي اوليه ميشود و ميانگين و واريانس تابع عضويتي كه اتوماتاي يادگير به آن تخصيص يافته به صورت تصادفي در محدوده ماكزيمم و مينيمم انتخاب مي شود هر يك از داده هاي آموزشي x به طبقه بندي كننده داده = ( x, x,, x ) ميشود به ازاي هر ويژگي x داده آموزشي اتوماتاي يادگير متناظر با تابع عضويتي كه ويژگي x بيشترين تعلق را به آن دارد كانديداي فعال شدن مي شود(ولي فعال نميشود) اتوماتاهاي يادگير كانديد فعال شدن كه در مرحله قبل تعيين شده اند فعال ميشوند هر كدام از اين اتوماتاهاي يادگير يكي از اعمال خود را بر طبق بردار احتمال اعمالشان انتخاب ميكند 6) با توجه به عمل انتخابي هر اتوماتاي فعال ميانگين و واريانس توابع عضويت متناظر با آن طبق رابطه هاي (7) بروز ميشود حداقل قوانين فازي را با توجه داده هاي آموزشي ايجاد مي نماييم ) نحوه انجام اين كار در قسمت -4 آورده شده است) هر يك از داده هاي آموزشي x مجددا به طبقه بندي = ( x, x,, x ) كننده با توابع عضويت بروز شده داده ميشود و دسته اين داده آموزشي تعيين ميگردد براي هر ويژگي x تابع عضويت f كه بيشترين تعلق را به آن دارد تعيين ميگردد و سپس براي اتوماتاي يادگير LA كه β به عنوان متناظر با تابع عضويت f ميباشد (k) ورودي مرحله k ما بر طبق رابطه 5 محاسبه ميگردد بردار احتمال انتخاب اعمال هر يك از اتوماتاه يا β و بر طبق رابطه يادگير فعال بر اساس ورودي (k) () اصلاح مي شود تا زمانيكه حداكثر تعداد گامها انجام گردد و يا رسيدن به حداقل خطاي طبقه بندي ε مراحل 3 تا 7 تكرار ميشود حداقل قوانين فازي را با توجه به داده هاي آموزشي 9- ايجاد مي نماييم ) نحوه انجام اين كار در قسمت -4 آورده شده است) توابع عضويتي كه در هيچ يك از قوانين فازي استفاده نشده باشند و توسط توابع عضويت همسايه خود كاملا پوشش داده شده باشند حذف ميشوند -

6 " -4- نحوه ايجاد حداقل قوانين فازي براي مشخص نمودن قسمت مقدم قانونام كه به فرم " f x s A ad x s A ad ad x s A ازاي هر ب عد ورودي x (ورودي) مي باشد به از يك داده آموزشي تابع عضويت آن را كه بيشترين تعلق را در بين توابع ديگر دارد پيدا ميكنيم و براي مشخص نمودن قسمت تالي قانون كه به فرم " he x = x, x,, x ) belogs o class H wh CF = CF _ ( " ميباشد به صورت زير عمل مي نماييم: دادههاي آموزشي به صورت بردار ( x, y ), =,,, N نشان داده مي شوند كه y x ورودي و خروجي داده آموزشي = ( x, x,, x ) ام است به ازاي قانون ام Hو CF به صورت ز ير محاسبه مي- گردند θ = H CF θ = x p Class q ( x ), =,,, = p = ag axθ θ H = = θ θ θ = H (8) (9) (0) () [8] براي حذف قوانين از يك مجموعة معتبرسازي براي تعيين ميزان تاثير قواعد ايجاد شده استفاده مي شود داده هاي مجموعه معتبر سازي را با سيستم حاصله آزمايش نموده و تعداد دفعات ارجاع به هر قانون Aو تعداد دفعات برنده شدن قانون بصورت نادرستF را مشخص محاسبه مي نماييم هر قانوني را كه -A F*PT از حد آستانهاي( ) كمتر بود حذف مي گردد PT يك پارامتر است كه با توجه به نوع مساله انتخاب ميگردد[ 7 ] 5- نتايج آزمايشها پايگاه داده زنبق [6] شامل 50 داده با 4 ويژگي است كه هر كدام از داده ها به يكي از سه كلاس ) Is Is Seosa, ( Vescolou, Is Vgca تعلق دارند در هر كلاس 50 داده قرار دارد يكي از كلاسها كاملا به صورت خطي از ساير كلاسها مجزا است و دو كلاس ديگر به صورت غير خطي از يكديگر قابل تفكيك مي باشند در هر بعد داده ها را در بازه [0,] نرمال مي نماييم تعداد داده هاي آموزشي 75 و تعداد داده هاي آزمايشي 37 و تعداد داده هاي معتبر سازي 38 داده در نظر گرفته شده است نتايج ارايه شده ميانگين 0 بار اجراي الگوريتم مي باشد سيستم فازي داراي چهار مجموعه فازي ورودي است كه هر ورودي معادل يكي ازويژگي ها ميباشدو بنابراين از 4 اتوماتاي يادگير سلولي استفاده ميشود هر اتوماتاي يادگير سلولي داراي سه سلول مي باشد ساختار سيستم فازي از نوع ساگنو ميباشد توابع عضويت گوسي و مقادير اوليه براي dfs و df به ترتيب و 00 و حداقل خطاي طبقه بندي ε برابر با 000 در نظر گرفته شده است نتيجه آزمايشها در جدول آمده است -6 نتيجه گيري در اين مقاله يك طبقه بندي كننده فازي مبتني بر اتوماتاهاي يادگير پيشنهاد گرديد در اين طبقه بندي كننده به كمك مجموعه اي از اتوماتاهاي يادگير توابع عضويت و قوانين فازي به طور اتوماتيك توليد ميشوند هر كدام از توابع عضويت به يك اتوماتاي يادگير مجهز شده است كه عهده دار يافتن مناسبترين واريانس و ميانگين براي آن تابع عضويت ميباشد طبقه بندي كننده فازي پيشنهادي بر روي پايگاه داده استاندارد گل زنبق (Is) آزمايش شده است نتايج آزمايشات نشان ميدهد كه طبقه بندي كننده پيشنهادي با استفاده از قانون فازي ميتواند دادهها را با راندمان %93/63 طبقه بندي كند كه در مقايسه با بيشتر روشهاي گزارش شده نتيجه بسيار خوبي مي باشد اين روش هنوز نسبت به روش طبقه بندي فازي مبتني بر PSO راندمان پايين تري دارد و علت آن اين است كه چون توابع عضويت با يكديگر در تعامل نمي باشند امكان داردكه توابع عضويت در يك مجموعه فازي از يكديگر فاصله زيادي بگيرند و يا حتي آنقدر به هم نزديك شوندكه يك تابع عضويت به كلي تابع عضويت ديگر را در بر بگيرد در حال حاضر امكان استفاده از اتوماتاي يادگير سلولي بجاي استفاده از مجموعه اي از اتوماتاهاي يادگيركه در اين مقاله استفاده شده است براي افزايش كارايي اين روش توسط نگارندگان اين مقاله در حال بررسي ميباشد راه حل پيشنهادي براي حل اين مشكل استفاده Sugeo

7 [9] Spso, P K, Fuzzy -ax Neual Newoks- Pa : Classfcao, IEEE Tas Neual Newoks, Vol 3, Sep, pp [0] Wog, C C ad Che, C C, A Hybd Cluseg ad Gade Desce Appoach fo Fuzzy odelg, IEEE Tas o Syses, a ad Cybeecs-Pa B: Cybeecs, Vol 9, pp , 999 [] L-X Wag ad J edel, Geeag fuzzy ules by leag fo exaples, IEEE Tas Syses, a, ad Cybeecs, vol, o 6, pp 44-47, 99 [] C C Che, Desg of PSO-based Fuzzy Classfcao Syses, Takag Joual of Scece ad Egeeg, vol 9, o, pp 63-70, 006 [3] A Bo, Had ad A Efekha oghada, "CLPSO-based Colo age Segeao", 6h Aual eeg of he Noh Aeca Fuzzy Ifoao Pocessg Socey (NAFIPS'07) Sa Dego, Calfoa, USA, Jue 4-7, 007 [4] Had, A Efekha oghada " PSO-based Fuzzy Colo Classfcao Syse" Poccedg of Iaa Cofeece o ache Vso ad Iage Pocessg (VIP 007), ashhad, Ia, Feb 4-5,007 [5] Naeda K S ad Thahacha A L, Leag Auoaa: A Ioduco, Pece Hall, 989 [6] eybod, R ad Begy, H, "A Noe o Leag Auoaa Based Schees fo Adapao of BP Paaees", Joual of Neuocopug, Vol 48, No 4, pp , Ocobe 00 [7] Begy, H ad eybod, R, "A Leag Auoaa Based Algoh fo Deeao of u Nube of Hdde Us fo Thee Layes Neual Newoks", Joual of Akab, Vol, No 46, pp -36, 00 [8] ueo,, Taka, Y, ad Sao, Y, SGA: A Applcao of Geec Algoh o Sochasc Leag Auoaa, Sys Copu Jp, Vol 7, PP 68-78, 996 [9] Howell, N, Godo, T J, ad Badao, F V, Geec Leag Auoaa fo Fuco Opzao, IEEE Tasaco o Syses, a, ad Cybeecs-Pa B: Cybeecs, Vol 3, No 6, 00 [0] Rasega, R, eybod, R ad Bade, K A New Dscee Bay Pacle Swa Opzao based o Leag Auoaa, Poceedgs of he Ieaoal Cofeece o ache Leag ad Applcaos, ICLA '04, pp , 004 [] Thahacha, AL ad Sasy, PS, Vaees of Leag Auoaa: A Ovevew, IEEE Tasaco o Syses, a, ad Cybeecs-Pa B: Cybeecs, Vol 3, No 6, pp 7-7, 00 [] S Wolfa, "Cellula Auoaa", Los Alaos Scece, vol 9, pp -, Fall 983 [3] Begy, H ad eybod, R, A aheacal Faewok fo Cellula Leag Auoaa, Advaces o Coplex Syses, Vol 7, Nos 3-4, pp 95-30, 004 [4] Begy, H ad eybod, R, Ope Sychoous Cellula Leag Auoaa, Poceedgs of he 8h wold ul-cofeece o Sysecs, Cybeecs ad Ifoacs(SCI004), pp 9-5, Olado, Floda, USA July 8-, 004 [5] Begy, H ad eybod, R, "Asychoous Cellula Leag Auoaa", Auoaca, Joual of Ieaoal Fedeao of Auoac Cool, 007, o appea از اتوماتاي يادگير سلولي است كه در آن اتوماتاهاي يادگير با يكديگر در تعامل مي باشند جدول :بررسي انواع روشهاي اتوماتيك ايجاد قانون و تابع عضويت در طبقه بندي فازي ANFIS Pug ul-ule-able GA-based PSO-based Fuzzy LA-based Fuzzy (L RP ) LA-based Fuzzy (L IP ) P= P=5 P= P= P=5 P= راندمان تعداد قانون %995 %933 %943 %9067 %968 %93 %9363 %93 %9 %93 %93 مراجع [] Buekov, S ad Kvsha, V, Classfcao usg Fuzzy Geoec Feaues, Poc IEEE Cof ICAIS'0, Dvooskoe, Russa, [] Klose, A ad Kuse, R Eablg euo-fuzzy classfcao o lea fo paally labeled daa, I IEEE Wold Cogess o Copuaoal Iellgece, IEEE Ieaoal Cofeece o Fuzzy Syses, page 3-4, 00 [3] Yage, R R ad Flev, D P Esseals of Fuzzy odelg ad Cool, Joh Wley, New Yok, USA, 994 [4] Jag, J S, ANFIS: Adapve-Newok-Based Fuzzy Ifeece syses, IEEE Tas o Syses, a ad Cybeecs, Vol 3, pp , 993 [5] Nozak, K, Ishbuch, H ad Taaka, H, Adapve Fuzzy Rule-Based Classfcao Syses, IEEE Tas o Fuzzy Syses, Vol 4, No 3, Aug, pp 38 50, 996 [6] Wag, L X ad edel, J, Geeag Fuzzy Rules by Leag fo Exaples, IEEE Tas O Syses, a ad Cybeecs, Vol, pp 44 47, 99 [7] Wog, C C ad Che, C C, A GA-Based ehod fo Cosucg Fuzzy Syses Decly fo Nuecal Daa, IEEE Tas o Syses, a ad Cybeecs- Pa B: Cybeecs, Vol 30, pp 904:_9, 000 [8] Ishbuch, H, Nozak, K, Yaaoo, N ad Taaka,H, Selecg Fuzzy If-The Rules fo Classfcao Pobles Usg Geec Algohs, IEEE Tas Fuzzy Syses, Vol 3, pp 60-70, 995

8 [6] Blake, C, Keogh, E ad ez, C J, UCI Reposoyof ache Leag Daabase, Uv Calfoa, Ive, 998 hp://wwwcsucedu/~lea/ [7] م زيارت بان م ح مرادي و م ازوجي "بهبود كارايي طبقه بندي كننده فازي با آموزش توابع عضويت و انتخاب قواعد به منظور تشخيص ارقام دست نويس" مجموعه مقالات چهارمين كنفرانس ماشين بينايي و پردازش تصوير ايران 6-5 بهمن 385