view in publisher's site
- خانه
- لیست مقالات
- چکیده
Four fuzzy supervised classification methods for discriminating classes of non-convex shape
Our work deals with modelling and optimising industrial processes such as metal cutting with high-speed machining. In this field we have chosen to use fuzzy supervised classification methods in order to design a diagnosis system or a process-monitoring module. The problem, we currently meet, concerns the shape of the classes, we generally obtain. These shapes are often non-convex and non-separable by a hyperplane. For these reasons, we focus on fuzzy supervised classification methods in order to discriminate these classes. The choice of a method is not obvious and we perform a comparative study. The two classical methods tested were the fuzzy K-nearest-neighbours method and a method based on distributed fuzzy rules. Furthermore, we propose two adaptations of the fuzzy pattern matching algorithm called fuzzy pattern matching with exponential function and fuzzy pattern matching multidensity. After some refresher on supervised classification, the four tested methods are detailed and compared according to the following criteria: quality of the discrimination, computation time and ability to decide. The response of each classifier is illustrated by membership level curves and the quality of diagnosis is studied by the introduction of membership and ambiguity rejects.
چهار روش طبقه‌بندی نظارت شده فازی برای طبقه‌بندی کلاس‌های غیر محدب
کار ما به مدل‌سازی و بهینه‌سازی فرآیندهای صنعتی مثل برش فلز با ماشین کاری با سرعت بالا می‌پردازد. در این زمینه، ما از روش‌های طبقه‌بندی نظارت شده فازی برای طراحی یک سیستم تشخیص و یا یک ماژول کنترل فرآیند استفاده کرده‌ایم. مشکل این است که ما در حال حاضر با توجه به شکل کلاس‌ها، به طور کلی به دست می‌آوریم. این اشکال اغلب غیر محدب و غیر جدا کننده توسط ابر صفحه هستند. به این دلایل، ما بر روی روش‌های طبقه‌بندی نظارت شده فازی به منظور تفکیک این کلاس‌ها تمرکز می‌کنیم. انتخاب روش مشخص نیست و ما یک مطالعه مقایسه‌ای انجام می‌دهیم. دو روش کلاسیک مورد آزمون، روش نزدیک‌ترین همسایه K - نزدیک‌ترین همسایه و روشی مبتنی بر قوانین توزیع‌شده فازی بودند. علاوه بر این، ما دو تطبیق از الگوریتم تطبیق الگوی فازی بنام تطبیق الگوی فازی با تابع نمایی و تطبیق الگوی فازی multidensity را پیشنهاد می‌کنیم. پس از چند یادآوری بر روی طبقه‌بندی نظارت شده، چهار روش آزمایش‌شده، دقیق و با توجه به معیارهای زیر مقایسه می‌شوند: کیفیت تبعیض، زمان محاسبات و توانایی تصمیم‌گیری. پاسخ هر طبقه بند با استفاده از منحنی سطح عضویت نشان داده می‌شود و کیفیت تشخیص با معرفی عضویت و ابهام رد می‌شود.
ترجمه شده با 
- مقاله Artificial Intelligence
- ترجمه مقاله Artificial Intelligence
- مقاله هوش مصنوعی
- ترجمه مقاله هوش مصنوعی
- مقاله Logic
- ترجمه مقاله Logic
- مقاله منطق
- ترجمه مقاله منطق
ترجمه کنید