شبیه سازی مقاله الگوریتم دسته بندی فازی مقاوم بر اساس مورفولوژی سال ۲۰۱۷ - انجام پروژه متلب |پروژه متلب | انجام پروژه متلب برق | شبیه سازی با متلب

شبیه سازی مقاله الگوریتم دسته بندی فازی مقاوم بر اساس مورفولوژی سال ۲۰۱۷

شبیه سازی مقاله الگوریتم دسته بندی فازی مقاوم بر اساس مورفولوژی سال ۲۰۱۷ : پروژه آماده متلب

مقاله سال ۲۰۱۷ بصورت زیر می باشد:

خروجی متلب:

شبیه سازی کامل می باشد.

دسته بند فازی

پروژه آماده متلب: در «یادگیری ماشین» (Machine Learning)، دسته‌بند (Classifier) در اصطلاح به الگوریتمی گفته می‌شود که براساس خصوصیات و ویژگی‌های مشاهدات و نمونه‌ها، برچسب‌هایی را که مرتبط با دسته یا کلاس‌ها هستند به هر عضو از مشاهدات نسبت می‌دهد. به این ترتیب با ایجاد الگویی که الگوریتم به کار می‌برد، قادر است برای مشاهدات جدید، برچسب یا میزان تعلق به دسته یا گروه را پیش‌بینی یا تعیین کند. واضح است که برچسب‌ها بیانگر شماره گروه یا دسته است، در نتیجه می‌توانند مقدار آن عضوی از اعضای مجموعه اعداد طبیعی باشد.

پروژه آماده متلب::در چنین الگوریتم‌هایی، ویژگی‌های مربوط به مشاهدات به صورت برداری از متغیرها ثبت و مورد استفاده قرار می‌گیرند. در بیشتر مواقع، الگوریتم‌های دسته‌بندی با استفاده از توابع فاصله عمل تفکیک و رده‌بندی را انجام می‌دهند. به این ترتیب فاصله بین هر مشاهده از نماینده هر گروه یا دسته می‌تواند ملاکی برای تعیین برچسب آن باشد. البته الگوریتم‌های دیگری مانند «درخت تصمیم» (Decision Tree) که عمل دسته‌بندی را انجام می‌دهند، ممکن است براساس توابع فاصله عمل نکنند و از «الگوهای منطقی» (Logical Paradigm) بهره ببرند.

معمولا برای اندازه‌گیری میزان خطای الگوریتم‌های دسته‌بندی، مشاهدات را به دو گروه «آموزشی» (Training) و «آزمایشی» (Test) تقسیم می‌کنند. به کمک داده‌های آموزشی، مدل ساخته شده و براساس آن داده‌های آزمایشی دسته‌بندی می‌شوند. میزان مطابقت برچسب‌های حاصل از اجرای مدل روی داده‌های آزمایشی با برچسب‌های واقعی مشاهدات، میزان دقت یا خطای الگوریتم دسته‌بند را مشخص می‌کند. همچنین برای تنظیم پارامترهای مدل دسته‌بندی ممکن است از تکنیک اعتبار سنجی متقابل نیز استفاده شود. به هر حال آنچه در انتهای اجرای الگوریتم‌های دسته‌بندی حاصل می‌شود، برچسب‌هایی است که برای نقاط یا مشاهدات بدست می‌آید و تعلق آن‌ها را به هر گروه آشکار می‌سازد. با توجه به خصوصیات و شکل داده‌ها و مشاهدات ممکن است از الگوریتم‌های متفاوتی برای دسته‌بندی استفاده شود. در این مطلب خصوصیاتی که مربوط به الگوریتم دسته‌بند فازی هستند و برچسب‌های حاصل از دسته‌بندی فازی مورد بررسی قرار گرفته‌اند.

• برچسب‌های منعطف (Soft Labeling): از اصول اولیه در «دسته‌بندی» (Classification) و «تشخیص الگو» (Pattern Recognition)، «جدا بودن» (Disjoint) دسته‌ها از یکدیگر است. به این معنی که هیج مشاهده‌ای نمی‌تواند همزمان به بیش از یک دسته تعلق داشته باشد. به الگوریتم‌هایی که چنین برچسب‌هایی ایجاد می‌کنند «دسته‌بند غیرمنعطف» و برچسب‌های آن را «شکننده» (Crisp Labeling) گفته می‌شود. در مقابل دسته‌بندهای فازی برای هر مشاهده بیش از یک دسته یا گروه منظور کرده و برای تعلق هر مشاهده به گروه یا دسته، «درجه عضویت» (Membership Degree) در نظر می‌گیرند، درست مانند منطق فازی که برای درستی یک گزاره درجه‌ای از درستی قائل می‌شود. به همین جهت چنین الگوریتم‌هایی را «دسته‌بند فازی» (Fuzzy Classifier) می‌نامند. به این ترتیب برچسب‌های حاصل را «نرم» (Soft Labeling) می‌نامند. در نتیجه هر مشاهده با درجات یا مقدارهای مختلف می‌تواند به بیش از یک دسته یا گروه تعلق داشته باشد.

با توجه به این امر، می‌توان دسته‌بندی فازی $$D$$ را به صورت «تابعی تخمین‌گر» (Approximator Function) در نظر گرفت که براساس مجموعه ویژگی‌ها، برچسب‌هایی با وزن‌هایی در فاصله $$[\mathrm{۰},\mathrm{۱}]$$ تولید کند. این گزاره را به صورت زیر با نماد ریاضی نشان می‌دهیم.

$$D:F\to [\mathrm{۰},\mathrm{۱}{]}^c$$

پروژه آماده متلب:: در عبارت بالا، $$F$$ فضای حاصل از ویژگی‌ها است. همچنین $$c$$‌ نیز تعداد کلاس‌ها را نشان می‌دهد. در نتیجه حاصل اجرای الگوریتم‌های دسته‌بند فازی برای هر مشاهده، برداری است که دارای $$c$$ سطر بوده و درایه‌های آن مقداری در فاصله $$[\mathrm{۰},\mathrm{۱}]$$ هستند. به این ترتیب مقدار $$i$$ این بردار مشخص می‌کند که مشاهده با چه میزان یا درجه عضویتی به دسته یا گروه $$i$$ام تعلق دارد.

نکته: در الگوریتم‌های دسته‌بندی غیرمنعطف، می‌توان تابع $$D$$ را به صورت زیر در نظر گرفت. به این ترتیب وزن‌ها یا مقدار ۰ یا ۱ خواهند بود.

$$D:F\to \{\mathrm{۰},\mathrm{۱}{\}}^c$$

زمانی که ایجاد توابع تخمین‌گر بوسیله روش‌ها یا الگوریتم‌های دسته‌بند دیگر به سختی صورت می‌گیرد، الگوریتم دسته‌بندی فازی به خوبی عمل کرده و نتیجه‌ای قابل تفسیر و مناسب ایجاد می‌کند.

پروژه آماده متلب:: در تصویرهای ۱ و ۲، سه گروه یا دسته در نظر گرفته شده‌اند. در تصویر ۱، از الگوریتم‌های غیرمنعطف استفاده شده و برچسب‌ها به نظر شکننده می‌رسند. به این معنی که مرز مشخصی بین گروه‌ها یا دسته‌ها وجود دارد. در حالیکه در تصویر ۲ با استفاده از الگوریتم‌های دسته‌بند فازی، برچسب‌ها منعطف بود و با درجات مختلف، هر مشاهده ممکن است به بیش از یک دسته تعلق داشته باشد. کاملا مشخص است که رنگ‌های تفکیک کننده، در مرزها با یکدیگر مخلوط شده‌اند.

• تفسیرپذیری: همانطور که منطق فازی نسبت به تفکر و منطق ارسطویی یا دو دویی، به درک و شیوه تفکر بشر نزدیکتر است، نتایج حاصل از دسته‌بند فازی نیز بهتر قابل درک هستند زیرا امکان محصور یک مشاهده در دو گروه یا دسته به طور همزمان را در نظر می‌گیرند. این در حالی است که در دسته‌بندهای غیرمنعطف، این الگو لحاظ نمی‌شود و تفسیر آن مشکل و گاهی غیرممکن است.
• اندازه نمونه کوچک و استفاده از تجربیات: در دسته‌بندهای فازی می‌توان از نظر متخصصین برای دسته‌بندی نیز استفاده کرد. در نتیجه هم مشاهدات (داده‌ها) و نظر خبرگان در اجرای دسته‌بندی دخیل است. به این ترتیب با الگوگیری از نظر خبرگان می‌توان دسته‌بندی فازی را برای اندازه نمونه‌های کوچک نیز اجرا کرد. برای مثال تعیین فرد در دسته‌های بیماری‌های نادر یا فعالیت‌های تروریستی، به کمک الگوریتم‌های دسته‌بند فازی حتی با مشاهدات و نمونه‌های آموزشی محدود نیز به خوبی عمل می‌کنند.

پروژه آماده متلب:به منظور درک بهتر دسته‌بند فازی به تصاویر زیر دقت کنید. در تصویر ۳ پیش‌بینی هوا براساس احتمال یا درجه عضویت صورت گرفته است. به این ترتیب مشخص است که فردا با درجه عضویت $$\mathrm{۰٫۷}$$ بارانی، با درجه عضویت $$\mathrm{۰٫۲}$$ ابری، با درجه عضویت $$\mathrm{۰٫۴}$$ با وزش باد و با درجه $$\mathrm{۰٫۰}$$ آفتابی است. در حالیکه در تصویر شماره ۴، وضعیت هوا با قاطعیت بارانی گزارش شده است.

نکته: همانطور که می‌بینید ممکن است در مدل فازی، مجموع درجه عضویت‌ها برابر با ۱ نباشد در حالیکه در مدل‌های برمبنای احتمال، این شرط وجود دارد که مجموع احتمالات برای پیشامدهای فضای احتمال باید برابر با ۱ باشد. بنابراین حتی اگر مدل‌های غیرمنعطف را بر مبنای احتمال به صورت برچسب‌های نرم و مدل‌های منعطف درآورد باز هم مدلی به صورت فازی نخواهند بو