استخراج دانش از سیستم استنتاج نوروفازی انطباق‌پذیر جهت شناسایی عوارض خاص ‌شهری (مطالعه موردی: درختان و ساختمان‌ها)

امروزه از سیستم‌های شناسایی قدرتمندی جهت کلاسه‌بندی داده‌ها استفاده می‌شود که روند یادگیری در آن‌ها به‌صورت جعبه‌سیاه بوده بگونه­ای که نحوه کلاسه­بندی و ارتباط بین توصیفگرها برای کاربر قابل فهم نمی­باشند.. درحالی‌که قابل‌فهم بودن دانش بدست آمده توسط سیستم‌های شناسایی می‌تواند کمک شایان توجهی به کاربر نماید تا کلاسه‌بندی را با دقت و صحت بیشتری انجام دهد. ازاین‌رو کشف دانش در قالب استخراج مجموعه­ای از قوانین جهت کلاسه‌بندی دادها ازجمله موضوعات مهم و پرکاربرد در پردازش تصویر می‌باشد که سبب درک بهتر روش کلاسه­بندی و بهبود آن در گام­های بعدی می­گردد. هدف این مقاله، پیشنهاد روندی جهت استخراج قوانین فازی به‌صورت شرطی از سیستم استنتاج نوروفازی انطباق‌پذیر برای کلاسه‌بندی داده‌های لیدار و تصاویر هوایی رقومی می‌باشد. تا بدین وسیله میزان اهمیت و ارتباط بین توصیفگرهایی که منجر به استخراج یک عارضه خاص می­گردند در قالب یکسری قوانین فازی با زبان قابل فهم برای کاربر شناسایی گردند. به بیان دیگر مشخص شود که ارتباط کدامیک از توصیفگرها در شناسایی یک عارضه از بالاترین میزان اهمیت برخوردار است. در این راستا ابتدا تعدادی توصیفگر بالقوه اولیه تولید شده و سپس توصیفگرهای بهینه توسط الگوریتم ژنتیک انتخاب شدند. با وارد نمودن داده‌های آموزشی به الگوریتم جداسازی تورانه‌ای مقادیر اولیه برای مجموعه­های فازی در مقدم قوانین تعیین گشت و طی فرآیند آموزش، کلاسه‌بندی کننده نهایی ایجاد و دو کلاس درختان و ساختمان‌ها شناسایی گشتند. سپس با پیشنهاد یک روش فازی-­­ مبنا و با استفاده از توابع عضویت نهایی بدست آمده از سیستم استنتاج نوروفازی انطباق‌پذیر و داده‌های آموزشی اخذشده از لایه‌های توصیفگر، مجموعه قوانین فازی مؤثر از فرآیند شناسایی استخراج گشت. قوانین فازی استخراج‌شده از این روش از لحاظ منطقی و با در نظر گرفتن لایه‌های توصیفگر مورد بررسی قرار گرفتند که نتایج نشان از توانایی بالای روش پیشنهادی در استخراج قوانین از فرآیند شناسایی داشتند.