ترکیب دسته بندی کننده های فازی بر اساس کدهای خروجی تصحیح کننده خطا

یکی از مباحث بسیار مهم در پردازش سیگنال ، طراحی دسته بندی کننده ها است. دسته بندی کردن و شناسایی الگو بدین معنی است که به یک سیگنال ورودی با توجه به خصوصیاتی که دارد یک دسته یا کلاس خاص نسبت داده شود. دسته یا کلاس، به مجموعه ای از سیگنال ها گفته می شود که دارای خصوصیات مشترکی هستند. از کاربردهای مهم دسته بندی کننده ها می توان به تشخیص نوع بیماری با استفاده از سیگنالهای حیاتی، شناسایی چهره، شناسایی اثر انگشت، شناسایی حروف و ... اشاره کرد. تحقیقات نشان داده است که می توان با ترکیب چندین دسته بندی کننده و استفاده از آن به جای یک دسته بندی کننده مجزا، دقت دسته بندی را افزایش داد. در این رساله، ضمن معرفی روش های معمول برای ترکیب دسته بندی کننده ها، روش های جدیدی برای ترکیب دسته بندی کننده ها بر اساس استفاده همزمان از کدهای خروجی تصحیح خطا و روش های bagging و boosting معرفی شده است و با اعمال داده های مختلف، کارایی روش های پیشنهادی در مقایسه با روش های قبلی سنجیده شده است. نتایج به دست آمده نشان دهنده افزایش دقت دسته بندی با استفاده از روش های پیشنهادی در اغلب موارد است. در این رساله همچنین معیارهای سنجش تنوع که یکی از موارد مهم در ترکیب دسته بندی کننده ها است، معرفی شده است و رابطه بین تنوع و تابع عضویت در ترکیب دسته بندی کننده های فازی بررسی شده است. نتایج به دست آمده نشان می دهند که استفاده از تابع عضویت مثلثی در اغلب موارد باعث افزایش تنوع در ترکیب دسته بندی کننده های فازی می شود. بررسی بایاس و واریانس در ترکیب دسته بندی کننده ها از دیگر قسمتهای این رساله است. نتایج به دست آمده از شبیه سازی ها نشان دهنده کم شدن بایاس و واریانس در روش های پیشنهادی در مقایسه با روش های قبلی است.