ارائه روشی برای رگرسیون بر مبنای استخراج ویژگی و مجموعه های فازی مردد

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 385

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SAIRAN-10-4_008

تاریخ نمایه سازی: 8 خرداد 1400

چکیده مقاله:

در این مقاله روشی کارا برای رگرسیون ارائه شده است که در آن از انواع روش های خوشه بندی فازی و مفاهیم مجموعه های فازی مردد استفاده می شود. در ابتدا الگوریتم خوشه بندی فازی روی داده ها به کار رفته و بعد ازتصویر کردن تابع عضویت خوشه ها روی ویژگی های مختلف، به تعداد خوشه ها مجموعه های فازی روی هربعد (یا ویژگی) بدست می آید. سپس این مجموعه های فازی را به صورت یک مجموعه فازی مردد روی هرویژگی در نظر گرفته و ماتریس ضریب همبستگی فازی مردد را برای ویژگی ها به دست می آوریم. در ادامه یک نگاشت غیرخطی براساس تجزیه مولفه های اصلی این ماتریس برای تبدیل ویژگی های مجموعه داده به ویژگی های جدید استفاده شده است. در پایان، ویژگی های استخراج شده جدید را به الگوریتم خوشه بندی فازی داده ویک سیستم فازی سوگنو به منظور رگرسیون برازش شده است. روش پیشنهادی با چندین روش دیگر روی چندین مجموعه داده رگرسیون مقایسه شده است. نتایج آزمایش ها نشان دهنده موفق بودن روش پیشنهادی در استخراج وکاهش ویژگی ها و همچنین افزایش دقت رگرسیون است. همچنین تعداد قوانین مدل رگرسیون فازی در روش پیشنهادی در حد قابل قبولی کم است.

نویسندگان

مهلا مختیا

بخش مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران.

مهدی افتخاری

دانشیار بخش مهندسی کامپیوتر، دانشکده فنی و مهندسی دانشگاه شهید باهنر کرمان، کرمان، ایران.

فرید صابری موحد

گروه ریاضی کاربردی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • F. Aghaeipoor, and M. Eftekhari, “EEFR-R: extracting effective fuzzy rules ...
  • ۲۵ Post hocL.X. Wang, and J.M. Mendel, “Generating fuzzy rules ...
  • H. A. Bazoobandi, and M. Eftekhari, “A differential evolution and ...
  • J. JSR, “ANFIS: Adaptive-NetworkBased Fuzzy Inference System,” I IEEE Trans. ...
  • M. Eftekhari, M. Eftekhari, and H. Karimpour, “Neuro-fuzzy adaptive control ...
  • M. Mahdizadeh, and M. Eftekhari, “Generating fuzzy rule base classifier ...
  • M. Eftekhari, and M. Mahdizadeh, “A novel cost sensitive imbalanced ...
  • M. Hosseinzadeh, and M. Eftekhari, “Using fuzzy under-sampling and fuzzy ...
  • M. Khamar, and M. Eftekhari, “Multi-manifold based rotation forest for ...
  • I. Jolliffe, “Principal Component Analysis,” Second Edition ed., Springer, ۲۰۰۲ ...
  • M.K. Ebrahimpour, and M. Eftekhari, “Distributed feature selection: A hesitant ...
  • V. Torra, “Hesitant fuzzy sets,” Int. J. Intell. Syst, vol. ...
  • L., Bingsheng et al., “An interval-valued intuitionistic fuzzy principal component ...
  • V. Singh, N. K. Verma and Y. Cui, “Type-۲ fuzzy ...
  • J. Mendel, “Uncertain rule-based fuzzy systems,” Springer, pp. ۲۵۹–۳۰۶, ۲۰۱۷ ...
  • R.M. Rodríguez et al., “Hesitant fuzzy sets: state of the ...
  • نمایش کامل مراجع