معرفی الگوریتم PEFMM: استفاده از تکنیک جایگشت برای بهینه سازی تعداد ابر قالب ها درالگوریتم بهینه شده عصبی فازی EFMM با رویکرد طبقه بندی الگو

در این مقاله بهبودی بر روش ترکیبی عصبی فازی EFMM ارائه شده است که هدف اصلی آن بهبود تعداد ابرقالبهای چند بعدی تولید شده در این روش می باشد که به طور مطلوبی بر کارایی الگوریتم در طبقه بندی الگوها از نظرسرعت و پیچیدگی کمتر محاسبات در حال اجرا، تاثیر گذار خواهد بود. نکته کلیدی در این بهبود، استفاده از یکمرحله اضافی در فرایند آموزش این روش است، بنحوی که با اجرای آن می توان تاثیر ترتیب توالی نمونه های آموزشاین روش را که بصورت آنلاین انجام می پذیرد تا حد زیادی بی اثر نمود و در نهایت تعداد بهینه شده ای از ابرقالب هارا در هنگام تست الگوریتم استفاده کرد. تعداد کمتر ابرقالب ها به سرعت بهتر تشخیص در طبقه بندی الگوها و افزایشدقت آن کمک خواهد نمود. نام این روش بهبود یافته PEFMM قرار داده شده است و کارآیی این روش با استفاده ازبانکهای داده استاندارد در مقایسه با EFMM معمول بررسی شده است.

کلیدواژه ها:

یادگیری شبکه های عصبی فازی Max-Min ، طبقه بندی الگو ، جایگشت نمونه های ورودی