طراحي طبقه بندهاي شورايي ابتكاري با قابليت اطمينان بالا

Design of Heuristic Ensemble Classifiers with High Reliability

قابليت اطمينان در تصميم سازي يك طبقه بند، گاه از ميزان تشخيص صحيح آن مهم تر است. كاربردهاي نظامي و امنيتي مصاديق روشني از اهميت اين عامل است. مثلاً ناتواني يك سامانه بازشناسي خودكار اهداف رادار در تشخيص انواع هواپيماهاي نظامي، خطاي آن را زياد مي كند اما تصميم همين سامانه در خصوص تشخيص اهداف نظامي بايد با قابليت اطمينان حداكثر توام باشد و هرگز نبايد يك هدف غير نظامي را نظامي تلقي كند. در اين مقاله، با استفاده از روش هاي ابتكاري چند هدفه، يك طبقه بند شورايي با قابليت اطمينان بالا معرفي مي شود. علاوه بر اين، سايز شورا و نرخ خطا نيز كمينه شده است. روش هاي مورد استفاده عبارتند از الگوريتم هاي بهينه سازي ازدحام ذرات چند هدفه و سامانه صفحات شيب دار چند هدفه كه روش اخير براي نخستين بار در طراحي طبقه بندهاي شورايي به كار گرفته شده است. با توجه به توانايي روش هاي مذكور در ارائه جبهه پَرِتو، امكان ايجاد شرايط متنوع و دلخواه كاربر نيز مهيا است. شرايطي كه در آن اهميت هر يك از معيارها قوت و ضعف پيدا مي كند.

Sometimes, the reliability in decision of a classifier is more important than its recognition rate. Military and security applications are clear examples to show the importance of this measure. For example, the inability of an automatic targets recognition system to distinguish all typ es of military planes increases its error rate but the decision of this system for recognition of military targets should be accompanied with maximum reliability and never should be considered a civilian as a military target. This paper presents an ensembl e classifier with high reliability by using multi - objective heuristic methods. Moreover, ensemble size and error rate have been minimized. Multi - Objective Particle Swarm Optimization Algorithm and Multi - Objective Inclined Planes Optimization Algorithm are the multi - objective heuristic methods which are used in this paper. The recent method is applied to design ensemble classifiers for the first time. Due to the ability of multi - objective heuristic methods in presentation of the Pareto front, it's possible t o create various and user - defined conditions; conditions in which the importance of each factor (ensemble size, error rate and reliability) can be strengthened and weakened.