چکیده
یک مدل صریح راف – فازی برای دسته بندی الگو در این مقاله ارائه شده است. مدل با یکپارچه سازی، محاسن و مزایای مجموعه های فازی و راف را در کنار یکدیگر مورد استفاده قرار داده است. مدل پیشنهادی با فازی سازی ویژگیهای ورودی ،به قابلیت تعمیم و یادگیری بهبود یافته ای دست می یابد . سپس ویژگیهای بهینه از این ویژگیهای فازی شده به شکل مناسبی با استفاده از مجموعه های راف همسایگی ( که از اطلاعات نسبی همسایه ها استفاده می کند )،انتخاب می شوند . بنابراین ویژگیهای بدست آمده ،یک فریم ورک جامع برای ساخت مدلهای دسته بندی الگو به صورت متمایز کننده برای مجموعه های داده با مرزهای مشترک کلاسی ،فراهم می نمایند. کارآیی مدل پیشنهادی بوسیله چهار مجموعه داده با برچسب کامل به همراه یک تصویرسنجش از راه دور ترکیبی و یک تصویر سنجش از راه دور حقیقی که به صورت نسبی و برچسب گذاری شده بود ، مورد ارزیابی قرار گرفت .
1-مقدمه
اخیراً بدلیل افزایش شدید چالش های مسائل و کاربردهای مختلف نظیر داده کاوی ، تحلیل مستند ، بازیهای مالی ، سازمان دهی و بازیابی پایگاه داده های عظیم مالتی مدیا ، پزشکی ، سنجش از راه دور ، بایومتریک و غیره ، گرایش به دسته بندی الگو به شدت افزایش یافته است. جنبه های گوناگونی نقشی مهم در طراحی دسته بندی کننده های الگو با کارآیی قابل قبول برای یک وظیفه مشخص ، بازی می کنند. از آن جمله ومی توان به زمان محاسبه رضایت بخش ، پیچیدگی و بهبود قابلیت یادگیری و تعمیم اشاره کرد. در این رابطه ، رویکردهای زیادی برای ساخت دسته بندی کننده های الگو ارائه شده است (نظیر مدلهای آماری (Fukunaga,1990 )، شبکه های عصبی (Haykin,1998) ،سیستمهای منطق فازی (Kuncheva,2000) ، سیستم های تکاملی (Derivaux etal, 2010) و سایر مدلهای مبتنی بر هوش محاسباتی (Logiela,2012)). دسته بندی مجموعه های داده با مرزهای کلاسی که بی دقت و با اشتراک زیاد تعریف شده اند ، برای محققان یک مسئله چالش برانگیز بوده است . برای مثال می توان به دسته بندی پوشش زمین مربوط به تصاویر سنجش از راه دور ، اشاره کرد …