GPF-CLASS: یک سیستم فازی ژنتیکی بر اساس برنامه نویسی ژنتیک برای مشکلات طبقه بندی

GPFIS-CLASS: A Genetic Fuzzy System based on Genetic Programming for classification problems

GPF-CLASS: یک سیستم فازی ژنتیکی بر اساس برنامه نویسی ژنتیک برای مشکلات طبقه بندی

سیستم‌های فازی ژنتیکی (GFS) مدل‌هایی هستند که توانایی همگام کردن دقت و قابلیت درک بالا در نتایج خود را دارند. در مورد GFS های ایجاد شده برای دسته‌بندی، بیشتر بر بهبود اصل "ژنتیک" تاکید دارد تا اصل "فازی" بودن. تمرکز این مقاله بر جزء استنتاج فازی و به کارگیری سیستمی کارامد و تفسیر پذیرتر بر سیستم استنتاج فازی برنامه نویسی ژنتیکی مذکور را (GPFIS – CLASS) ارائه می‌دهد. این مدل مبتنی بر برنامه‌نویسی ژنتیکی چند ژنی است و هدف آن کشف عناصر سیستم استنتاج فازی می‌باشد. ویژگی های GPFIS – CLASS بدین شرح است: (الف) این سیستم قوانین فازی‌ای را ایجاد می کند که قضیه‌ی به کارگیری تی-نورم، تی-کونورم، نفی و عملکرد موانع زبانی را اثبات می کند. (ب) آن را با هر یک از قوانینی که دوره‌ی مناسب بعدی را اثبات می‌کند مرتبط می‌سازد و (ج) فرایند تراکم را با استفاده از میانگین وزن شده که با مجذور حداقل محدود محاسبه شده بهبود می‌بخشد. این امر طی دو مجموعه معیار مختلف که شامل 45 پایگاه داده می‌باشد مورد ارزیابی قرار داده و با هشت دسته کننده‌ی مختلف که شش مورد از آن ها مبتنی بر gfs ها بوده‌اند مقایسه کرده است. نتایج بدست آمده از هر دو مجموعه بیانگر این است که GPFIS – CLASS در اکثر دیتاست‌های مرجع نتایج بهتری از خود نشان داده است.

 این مقاله سیستم فازی ژنتیکی‌ای را بر اساس برنامه‌نویسی ژنتیکی که سیستم استنتاج فازی برنامه‌نویسی ژنتیکی خوانده می‌شود ارائه می‌دهد. در این مقاله اجزای تشکیل دهنده‌ی این سیستم به ویژه فرآیند استنتاج فازی  (فورمولاسیون – پیوند – ادغام ) توضیح داده شده است.

به منظور ارزیابی عملکرد  GPFIS – CLASS با استفاده از 45 پایگاه داده‌ی دسته‌بندی آزمایشات و مقایسات متعددی با gfs های دیگر انجام گرفت که برخی از آن ها دارای ابعاد بالا و مقیاس‌پذیر بودند. GPFIS – CLASS حالت هنرمندانه ی gfs را بر اساس برنامه‌نویسی ژنتیکی و در زمنیه‌ی دقت و کاهش پیچیدگی به نمایش گذارد و دقت آن تفاوت چشمگیری با دقت moefs نداشت، اگرچه که نتایج آن در زمینه‌ی تراکم و دقت در اکثر مجموعه‌های داده‌ای بالاتر از دیگران بوده است. این درصد بالای دقت و تراکم مدل  GPFIS – CLASS می‌تواند به دلیل عوامل مختلفی باشد: فشار صرفه جوی واژه نگاری (معیار شاخصی)، سطح بالا تقاطع، استفاده از اپراتور نفی به عنوان یک عامل اضافی، به کارگیری cd برای یکی کردن هر چه بهتر فرضیه به قضیه‌ی ثابت شده و استفاده از WARLS به عنوان اپراتور ادغام که علاوه بر روند کم کردن خطا به گزینه ی انتخابی قانون فازی نیز بدل شده است.
در تحقیقات بعدی‌ای که در همین زمینه صورت می‌پذیرد می‌توان ارزیابی‌های بیشتر با استفاده از GPFIS – CLASS و در سه جهت‌گیری مختلف به کار بست: (الف) استفاده از تی-نورم دیگر، اپراتورهای نفی و موانع زبانی، در بر گرفتن اپراتورهای تی-نورم برای بهتر کردن فورمولاسیون (نظیر مدل GP-COACH)، (ب) ایجاد روش‌های مشارکت جدید از طریق اندازه‌گیری‌های مشابه دیگر و یا به کارگیری روند مربعات حداقل محدود برای مورد خطاب قرار دادن نتایج بهتر؛ (ج) ارزیابی اپراتورهای تراکم دیگر نظیر اپراتورهای غیرخطی (میانگین هندسی موزون، رگرسیون لجستیک و غیره) که می‌توانند نتایج بهتری از نظر دقت ارائه دهند. در نهایت تنظیم درست پارامترهای مدل GPFIS – CLASS (عملکردهای عضویت و پارامترهای تنظیم برنامه‌نویسی ژنتیکی) و همین طور کاربرد آن در واقعیت (نظیر کاربرد آن در حوزه ی پزشکی، تشخیص تصویر و تحلیل اقتصادی) مدنظر قرار خواهد گرفت.

دانلود مقاله