مشخصات مقاله:
عنوان فارسی مقاله:
طراحی بهینه سیستم های طبقه بندی فازی با استفاده از PSO با تنظیم پویای پارامترها از طریق منطق فازی
عنوان انگلیسی مقاله:
Optimal design of fuzzy classification systems using PSO with dynamic parameter adaptation through fuzzy logic
کلمات کلیدی مقاله:
منطق فازی، بهینه سازی ازدحام ذرات، تطبیق پارامترهای پویا، طبقه بندی فازی، سیستم طبقه بندی فازی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
۱. مقدمه
۲. روش‌شناسی برای تطبیقِ پارامتر
۳. آزمایش با سیستم‌های فازی و توابعِ ریاضیاتیِ محک
۴. مقایسه‌ی آماری
۵. طراحیِ طبقه‌بندِ فازی
۶. روش‌شناسی برای طراحیِ طبقه‌بندهای فازی
۷. آزمایشِ طراحیِ طبقه‌بندهای فازی
۸. مقایسه‌ی آماریِ طبقه‌بندهای فازی
۹. نتیجه‌گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
Fuzzy logic or multi-valued logic is based on fuzzy set theory proposed by (Zadeh, 1965a), which helps us in modeling knowledge, through the use of if-then fuzzy rules (Yen & Langari, 1998). The fuzzy set theory provides a systematic calculus to deal with linguistic information (Kulkarni, 2001), and that improves the numerical computation by using linguistic labels stipulated by membership functions (Jang, Sun, & Mizutani, 1997; Zadeh, 1965b, 1997). Particle swarm optimization (PSO) that was introduced by Kennedy and Eberhart in 1995 (Kennedy & Eberhart, 1995, 2001), maintains a swarm of particles and each particle represents a possible solution. These particles ‘‘fly’’ through a multidimensional search space, where the position of each particle is adjusted according to your own experience and that of its neighbors (Engelbrecht, xxxx)
۱. مقدمه
منطقِ فازی یا منطقِ چندـ‌مقداری مبتنی بر نظریه‌ی مجموعه‌ی فازی است که توسطِ (زاده، ۱۹۶۵a) پیشنهاد شد که به ما در مدل‌سازیِ دانش، از طریقِ استفاده از قواعدِ فازیِ اگرـ‌آن‌گاه، کمک می‌کند (ین و لنگری، ۱۹۹۸).
نظریه‌ی مجموعه‌ی فازی یک حسابِ نظام‌مند را برای کار با اطلاعاتِ زبان‌شناختی فراهم می‌کند (کولکارنی، ۲۰۰۱)، و محاسباتِ عددی را با استفاده از برچسب‌های زبان‌شناختی که توسطِ توابعِ عضویت اختصاص داده می‌شوند، بهبود می‌بخشد (جنگ، سان، و میزوتانی، ۱۹۹۷؛ زاده، ۱۹۶۵b، ۱۹۹۷).
بهینه‌سازیِ ازدحام ذرات (PSO) که توسطِ کندی و اِبرهارت در ۱۹۹۵ معرفی شد (کندی و ابرهارت، ۱۹۹۵، ۲۰۰۱)، ازدحامی از ذرات را نگه می‌دارد و هر ذره نماینده‌ی یک جوابِ ممکن است. این ذرات از میانِ یک فضای جستجوی چندبعدی «پرواز» می‌کنند که مکانِ هر ذره بر اساسِ تجربه‌ی خودِ شما و مکانِ همسایه‌هایش تغییر می‌یابد (انگلبرخت، xxxx).