USING DISTRIBUTION OF DATA TO ENHANCE PERFORMANCE OF FUZZY CLASSIFICATION SYSTEMS

در اين مقاله، طراحي سيستمهاي قانون مدار فازي براي كلاسه‌بندي داده‌ها بررسي مي‌شود. در اين سيستمها، دقت كلاسه‌بندي و تفسيرپذيري قوانين از اهميت ويژه‌اي برخوردار است. اين مقاله از چگونگي توزيع داده‌هاي آموزشي در فضاي تصميم‌گيري هر قانون فازي استفاده مي‌كند تا وزن اوليه نسبت داده شده به آن قانون را اصلاح كند. روش پيشنهادي، از يك الگوريتم تنبيهي براي كاستن از اندازه فضاي تصميم‌گيري هر قانون و درجهت افزايش كارآيي آن بهره مي‌گيرد. بديهي است اين كاهش، منجر به افزايش فضاي تصميم‌گيري مربوط به قوانين مجاور و در نتيجه تشويق آنها خواهد شد. نتايج شبيه‌سازي كامپيوتري روي مجموعه داده‌هاي شناخته شده، موثر بودن روش پيشنهادي را نشان مي دهد.

This paper considers the automatic design of fuzzy rule-based classification systems based on labeled data. The classification performance and interpretability are of major importance in these systems. In this paper, we utilize the distribution of training patterns in decision subspace of each fuzzy rule to improve its initially assigned certainty grade (i.e. rule weight). Our approach uses a punishment algorithm to reduce the decision subspace of a rule by reducing its weight, such that its performance is enhanced. Obviously, this reduction will cause the decision subspace of adjacent overlapping rules to be increased and consequently rewarding these rules. The results of computer simulations on some well-known data sets show the effectiveness of our approach.