دانلود ترجمه مقاله طراحی مطلوب سیستم های طبقه بندی فازی با استفاده از PSO – الزویر ۲۰۱۳

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۳
تعداد صفحات مقاله انگلیسی	۱۱صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	مهندسی الگوریتم ها و محاسبات
مجله	سیستم های خبره با کاربردهای آن – Expert Systems with Applications
دانشگاه	مؤسسه فناوری تیهوانا، مکزیک
کلمات کلیدی	منطق فازی، بهینه سازی ازدحام ذرات، تطبیق پارامترهای پویا، طبقه بندی فازی، سیستم طبقه بندی فازی
شناسه شاپا یا ISSN	ISSN ۰۹۵۷-۴۱۷۴
رفرنس	دارد ✓
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• 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

• بخشی از ترجمه:

۹. نتیجه‌گیری

ما نتیجه می‌گیریم که تنظیمِ پویای پارامترهای یک شیوه‌ی بهینه‌سازی (در این‌جا بهینه‌سازیِ ازدحام ذرات PSO) می‌تواند کیفیتِ نتایجِ آن را بهبود بخشیده و پراکندگیِ جواب‌های مساله را افزایش دهد. سه سیستمِ فازی برای تنظیمِ پارامترهای بهینه‌سازیِ ازدحام ذرات طراحی شدند. در دو سیستم، شواهدِ آماری مبنی بر بهبود در کیفیتِ نتایجِ روشِ بهینه‌سازیِ ازدحام ذرات، هنگامی که روی مساله‌ی کمینه‌سازیِ توابعِ ریاضیاتیِ محک اعمال شد، به‌دست آمد. آزمایش‌هایی با روشِ پیشنهادی، در کمینه‌سازیِ توابعِ ریاضیاتی و طراحیِ طبقه‌بندهای فازی انجام شد، و مقایسه‌ای بینِ روشِ PSO ساده و روش‌های پیشنهادی (یعنی تنظیمِ پارامترها به روشِ فازی) صورت پذیرفت. با مقایسه‌ی روش‌های پیشنهادی و روشِ ساده‌ی PSO در طراحیِ طبقه‌بندهای فازی، مشخص شد که روشِ اول شواهدِ آماری برای ردِ فرضِ صفر را به‌دست می‌دهد، و این یعنی این که در این کار، توسعه‌ی روشی برای تنظیمِ پارامترهای c1 و c2 از PSO با استفاده از منطقِ فازی، امکان‌پذیر شده است، و بدین ترتیب نتایج نسبت به روشِ ساده‌ی PSO بهبود داده شده است.

• بخشی از مقاله انگلیسی:

۹٫ Conclusions

We conclude that dynamically adjusting parameters of an optimization method (in this case the particle swarm optimization PSO), can improve the quality of results and increase the diversity of solutions to a problem. Three fuzzy systems were designed for adjusting the parameters for particle swarm optimization. It was obtained in two systems statistical evidence of an improvement in the quality of the results of the method of particle swarm optimization when applied in the minimization of benchmark mathematical functions. Experiments were performed with the proposed methods in the minimization of mathematical functions and the design of fuzzy classifiers, and a comparison was made between the method of simple particle swarm optimization and the proposed methods, i.e. with fuzzy parameters adjustment. By comparing the proposed methods and the simple method of PSO, in the design of fuzzy classifiers it was found that only the first method obtained statistical evidence to reject the null hypothesis, which says that in developing this work it was possible to develop a method for adjusting the parameters c1 and c2 of the PSO using fuzzy logic. And in this way improve the results compared with the simple method of PSO.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد