بهبود روش های یادگیری جمعی با استفاده از نظریه مجموعه های فازی و ناهموار

یک دسته بند مبتنی بر یادگیری جمعی، شامل مجموعه ای از دسته بندها است که بر روی داده های آموزشی، آموزش داده شده اند. در این پایان نامه، دو روش جدید جهت بهبود کارایی دسته بند جمعی مبتنی بر خوشه بندی، ارائه شده است. علاوه بر آن، روش سومی که از زیرمجموعه های مختلف از ویژگی ها جهت آموزش دسته بندها استفاده می کند، ارائه شده است. همچنین برای محاسبه تنوع در بین دسته بندهای یک یادگیر جمعی، چند معیار تنوع فازی، ارائه شده است. در دو روش پیشنهادی اول، با تعریف خوشه های فازی-شده بهینه، سعی شده است که با در نظر گرفتن همپوشانی مناسب برای مرز خوشه ها، کارایی دستهبندی را افزایش داد. در این دو روش، متناظر با هر خوشه فازی، یک دسته بند آموزش داده می شود و در نهایت دسته بندهای آموزش داده شده، با استفاده از روش رأی اکثریت وزن دار، ترکیب می شوند. این دو روش، جهت تنظیم پارامترهای مدل های ارائه شده، از الگوریتم های بهینه سازی تکاملی، استفاده می کنند. در روش پیشنهادی سوم، به منظور تقسیم کردن فضای ویژگی ها و ایجاد زیرمجموعه های آموزشی، از مفهوم درجه وابستگی استفاده می شود. نتایج آزمایش ها نشان می دهد که روش های پیشنهادی اول و دوم با در نظر گرفتن همپوشانی مناسب برای زیرمجموعههای آموزشی ایجاد شده، در مقایسه با سایر روش های مبتنی بر خوشه بندی، از نظر دقت دسته بندی عملکرد بهتری دارند.