ارائه اپراتور جديد جايگزين پخش قطره جوهر در روش يادگيري فعال

(A Novel Alternative Operator for Ink dro‎p Spread (IDS) in Active Learning Method (ALM

روش يادگيري فعال يكي از روش‌هاي يادگيري فازي است كه الگو­گرفته از پردازش در مغز انسان است. اپراتور پخش قطره جوهر، موتور اصلي پردازشي در اين روش است كه به دور از فرمول­هاي پيچيده، به­دنبال يافتن رابطه بين خروجي و هر يك از ورودي‌ها است. زياد­بودن حافظه مورد نياز براي پياده‌سازي صفحات پخش قطره جوهر و همچنين حجم محاسبات زياد لازم براي استخراج ويژگي‌ها از جمله مشكلات پيش روي اپراتور پخش قطره جوهر است. در اين مقاله يك روش جايگزين براي اپراتور پخش قطره جوهر ارائه شده است كه سبب كاهش چشم‌گير پيچيدگي محاسباتي مي‌شود. الگوريتم ارائه­شده با استفاده از دو بردار حافظه به توصيف صفحات پخش جوهر مي‌پردازد كه مشكل اتلاف زياد حافظه را حل مي‌كند. الگوريتم پيشنهادي، ويژگي‌هاي مسير باريك و پراكندگي داده در صفحات پخش قطره جوهر را كه مهم‌ترين مفاهيم براي استفاده در مرحله استنتاج الگوريتم يادگيري فعال هستند را با صرف كمترين هزينه و زمان محاسباتي مي‌يابد. براي بررسي صحت عملكرد الگوريتم، شبيه‌سازي‌هايي بر روي مجموعه داده‌هاي استاندارد در حوزه مدل‌سازي و طبقه‌بندي ارائه شده است. زمان و دقت الگوريتم پيشنهادي با روش يادگيري فعال، شبكه‌هاي عصبي چندلايه پرسپترون و سيستم استنتاج عصبي-فازي تطبيق‌پذير مقايسه شده است.

Active Learning method is one of the fuzzy learning methods inspired from the computation of human brain. Ink drop spread operator is the main computational engine in ALM which without using any complex formula, seeks for the relationship between the output and the inputs of the system. One of the challenges of IDS operator is that not only a large memory is required for implementing IDS planes, but also extracting features imposes high computational costs. In this paper, one learning method, as a replacement for IDS operator, is represented that considerable reduces the computational complexity. The represented algorithm defines the IDS planes with only two memory vectors and solves the problem of huge wastage of memory in these planes. This algorithm starts to learn the available patterns in learning data to find two features of Narrow Path and Spread in planes which are the most important concepts in the level of active inference learning with minimum computational and time cost. To investigate the accuracy of algorithm’s performance, some simulations in modelling and classification have been done on standard data sets. Time and accuracy of proposed algorithm is compared with traditional ALM, MLP and ANFIS algorithms.