انجمن کامپیوتر ایران

روش¬های کلاسیک خوشه¬بندی در برخورد با خوشه¬های نا¬محدب کارایی لازم را ندارند و عموما منجر به نتایج ضعیفی می¬شوند. در این حالت خوشه¬بندی طیفی روشی قدرتمند برای دسته¬بندی داده¬ها محسوب می¬شود. این تکنیک با تبدیل فضای ورودی، فضای جدیدی با قابلیت توصیف مناسب¬تر از داده¬ها را در اختیار ما قرار می دهد. در این مقاله، فضایی جدید برای خوشه¬بندی طیفی معرفی می¬شود که مبتنی بر توصیف زیر¬خوشه¬های موجود در مجموعه¬داده می¬باشد. این فضا در برابر داده¬های نویزی مقاوم است و در مقایسه با روشNJW به عنوان یکی از پر¬کاربرد¬ترین الگوریتم¬های خوشه¬بندی طیفی، منجر به نتایجی به¬مراتب موفقیت¬آمیز¬تر می¬شود.

در امتیازبندی اعتباری هدف کلی پیش¬بینی هر چه دقیقتر میزان شایستگی مشتریان است و تاکنون طیف وسیعی از انواع روش¬های آماری و هوش¬مصنوعی برای دستیابی به این هدف بکار گرفته شده است. اما در بیشتر روش¬های مورد بحث نمی¬توان از روی داده¬های دو کلاسی بصورت چند کلاسی اقدام به دسته¬بندی نمود، در حالیکه در عمل همیشه یک مشتری با درجه¬ای از خوب یا بد سنجیده می¬شود. انجام این کار با مدل¬های آماری نیز نیازمند وجود مفروضات خاصی است که اغلب محقق نمی¬شود. از اینرو در این مقاله سعی شده تا پس از رفع مشکلات موجود در داده¬ها با استفاده از خوشه¬بندی برای هر کدام از نمونه¬ها یک برچسب ثانویه ایجاد شود. سپس با استفاده از یک مدل SVM چند کلاسی اقدام به دسته¬بندی داده¬های جدید می¬شود. بدین منظور با اعمال دو رویکرد متفاوت یکی بر مبنای انتخاب ویژگی و تنظیم پارامترها بصورت جداگانه (جستجوی مستقیم و انتخاب ویژگی آزمون t) و دیگری بصورت همزمان ( الگوریتم ژنتیک) اقدام به مقایسه نتایج با مدل لاجیت شده است. نتایج پیاده¬سازی نشان می¬دهد که مدل پیشنهادی علاوه بر افزایش دقت در شناسایی درست کلاس¬ها، توزیع بهتری از نتایج را بخصوص در رویکرد دوم بدست می¬دهد.

ناهنجاریهای صوتی بطور مستقیم به شکل فیزیکی تارهای صوتی بستگی داشته، و برای شناسایی اختلال در شکل فیزیکی تارهای صوتی، قطعه¬بندی فضای دهانه حنجره امری ضروری می¬باشد. یکی از مشکلات اصلی در روشهای ارائه شده، پایین بودن دقت آنها می‏باشد. برای حل این مشکل در این مقاله، یک روش خودکار مبتنی بر لبه¬یاب کنی و تبدیل هاف برای استخراج فضای دهانه حنجره از تصاویر ویدئویی استروبوسکپی ارائه شده است. روش ما با روشهای بافت نگار و مرزهای فعال مقایسه شده و نتایج نشان می¬دهد که روش پیشنهادی جواب بهتری را ارائه می¬دهد.

هم¬ترازی لغوی در ترجمه ماشینی آماری یک مفهوم کلیدی محسوب می¬شود. در اغلب پژوهش¬ها، رابطه بین کیفیت هم¬ترازی و کیفیت ترجمه، رابطه¬ای مستقیم گزارش شده است. در این مقاله سعی بر آن است که همبستگی بین کیفیت هم¬ترازی ماشینی و کیفیت ترجمه به ازای جفت زبان فارسی- انگلیسی بررسی گردد. همچنین روشی برای سنجش کیفیت هم¬ترازی خودکار ارائه شده است که البته تعمیمی بر معادله استاندارد F-measure است. قابل ذکر است تمام آزمایشات انجام شده در این مقاله، با استفاده از یک مجموعه کوچک هم¬ترازی دستی تحت عنوان مجموعه¬ی "هم¬ترازی مرجع " که از طریق قضاوت¬های انسانی ساخته شده، صورت گرفته است. در انتها، نشان داده خواهد شد که با کمک گرفتن از این مجموعه کوچک هم¬ترازی دستی، ما می¬توانیم کیفیت سیستم ترجمه ماشینی را بهبود ببخشیم.

امروزه داده¬کاوی نقش مهمی در تجارت و فناوری اطلاعات ایفا می‌کند و روش‌های داده‌کاوی به طور وسیع در سازمان‌های تجاری به کار گرفته شده است. اگرچه به اشتراک‌گذاری داده‌ها در بین سازمان‌ها مزایای بسیاری را در اختیار آن‌ها قرار داده است، اما از طرفی این امر موجب گردیده که خطر افشای اطلاعات حساس در داده‌های منتشر شده افزایش یابد. پاک‌سازی اطلاعات به پروسه‌ای گفته می‌شود که در آن با استفاده از اعمال تغییراتی در پایگاه‌داده اصلی، مجموعه-آیتم¬های حساس مخفی‌سازی می‌شوند. پس از پاک‌سازی داده‌ها، پایگاه‌داده حاصل انتشار می‌یابد.اين مقاله به بررسي حفظ حريم خصوصی در يکي از روش-هاي داده¬کاوي به نام کاوش سودمندي مي¬پردازد. پیدا کردن راه حل بهینه برای مسأله پاک‌سازی پایگاه داده در کاوش سودمندی، یک مسأله برنامه‌ریزی غیرخطی عدد صحیح با قید¬های غیر خطی می‌باشد. الگوریتم‌های اکتشافی قبلي ارائه شده در اين زمينه اگرچه به خوبي توانسته¬اند حريم خصوصی را حفظ کنند، اما از لحاظ کيفيت داده¬هاي توليد شده از کارايي مناسبي برخوردار نيستند. در این مقاله یک الگوریتم تکاملی برای حل این مسأله ارائه شده است. نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که الگوريتم¬ارائه شده، از لحاظ کیفیت داده‌های تولید شده نسبت به الگوريتم¬هاي پيشين از برتري چشم¬گيري برخوردار است.

مسائل اساسي سيستم مديريت زباله¬هاي جامد شهري در مديريت شهري، نياز به پيش¬بيني دقيق توليد زباله دارند. اما به دليل طبيعت ناهمگون و تأثير عوامل متنوع و خارج از کنترل بر توليد زباله، همواره با مشکلات زيادي همراه بوده¬است. در اين تحقيق دو مدل سيستم استنتاج فازي-عصبي تطبيقي (ANFIS) و شبكه عصبي مصنوعي (ANN) كه تبديل موجك بر روي ورودي¬هاي آنها اعمال شده است، در پيش¬بيني توليد زباله هفتگي شهر مشهد براي پيچيدگي سيستم مديريت زباله¬هاي جامد شهري استفاده شده است. همچنين اين مدلها بدون اعمال تبديل موجك بر روي ورودي¬هاي آنها نيز در نظر گرفته شده¬اند. براي اين چهار مدل (ANN، ANFIS، WT-ANN و WT-ANFIS)، آزمايشات بر روي دو مجموعه داده ديگر (ecoli و pima) نيز انجام شد و نتايج بر اساس معيارهاس سنجش ضريب تبيين (R2)، ميانگين خطاي مطلق، جذر ميانگين مربعات خطا و ميانگين قدر مطلق خطاي نسبي با هم مقايسه شدند. نتايج بدست آمده از آزمايشات انجام شده در اين تحقيق بيانگر تاثير مثبت انجام پيش-پردازش تبديل موجك بر روي ورودي¬هاي هر سه مجموعه داده آزمايش شده است. همچنين مدلWT-ANFIS براي مجموعه داده¬هاي اصلي و مجموعه داده¬هاي آزمايش شده ديگر پيش¬بيني دقيق¬تري را حاصل شد.

در این مقاله به بیان الگوریتمی برای محاسبه تبدیل فوریه زمان کوتاه و عکس آن با نمونه¬برداری غیرخطی می¬پردازیم. تفاوت اصلی این روش با تبدیل فوریه زمان کوتاه معمولی در فرکانس بین¬های فرکانسی است به¬گونه¬ای که در دومی لازم است فاصله فرکانسی بین¬ها برابر باشد اما در الگوریتم پیشنهادی، این محدودیت وجود ندارد و چینش بین¬های فرکانسی به هر صورتی می-تواند انتخاب گردد. به عبارت دیگر در تبدیل فوریه زمان کوتاه معمولی، از محور فرکانس به¬صورت خطی و یکنواخت نمونه-برداری می¬شود اما در الگوریتم پیشنهادی، نمونه¬های فرکانسی به¬صورت غیرخطی و غیر یکنواخت قابل انتخاب می¬باشند. از آن-جایی¬که تبدیل فوریه زمان کوتاه معمولی و عکس آن حالت خاص الگوریتم پیشنهادی می¬باشند لذا به آن GSTFT1 و به عکس آن IGSTFT2 می¬گوییم

بسیاری از مسائل دنیای واقعی پویا هستند بطوری که بهینه‌های محلی و سراسری در طول زمان تغییر می‌کنند. الگوریتم PSO بر روی این مسائل به منظور پیدا کردن و دنبال کردن بهینه با موفقیت مورد استفاده قرار گرفته است. در این مقاله الگوریتم PSO برای محیط‌های پویا بهبود داده شده است. الگوریتم ارائه شده فضا را به قسمت های مختلفی تقسیم می‌کند و در هر قسمت به طور جداگانه گروه‌هایی ایجاد می‌شود و به جستجو می‌پردازد؛ برای بهبود سرعت همگرایی میزان اینرسی ذرات به صورت پویا تنظیم می‌شود و همچنین بهترین گروه موجود برای بهبود جواب بدست آمده یک جستجوی محلی نیز انجام می¬دهد. نتایج بدست آمده برروی بنچمارک قله‌های متحرک (MPB) نشان می‌دهد که الگوریتم ارائه شده نسبت به روش های مشابه عملکرد بهتری دارد.

در این مقاله یک تکنیک جدید برای خلاصه کردن یک متن با توجه به ویژگی¬های زبانی عناصر موجود در متن و زنجیره¬های معنای میان آن¬ها ارائه شده¬است. در بسیاری از روش¬های موجود خلاصه¬سازی متون، تمامی توجه به ویژگی¬های آماری عناصر متن می¬باشد. در اینجا با استفاده از نظریه مرکزیت که زنجیره¬های انسجام در داخل متن را تشخیص می¬دهد، یک روش جدید خلاصه¬سازی خودکار متن ارائه می¬شود. برای پردازش متن توسط نظریه مرکزیت و استخراج یک خلاصه¬ی منسجم احتیاج به در¬هم آمیختن تعدادی از ابزارهای پردازش متن شامل روش جایگزینی ضمایر و گروه¬های اسمی با مرجع اسمی آنها (Coreference Resolution)، روش برچسب¬زنی نقش گرامری اسامی در داخل یک جمله (Semantic Role Labeling) و روش برچسب¬زنی گروه¬های اسمی (POS Tagger) می¬باشد.

سيستم¬هاي¬ توصيه¬گر روشي را براي ايجاد پيشنهادات شخصي¬سازي شده از روي اطلاعات موجود ارائه مي¬دهند که مي¬توانند نقش مهمي را در سيستم¬هايي نظير تجارت الکترونيک و شبکه¬هاي اجتماعي ايفا نمايند. يکي از الگوريتم¬هايي که براي ايجاد پيشنهاد در اين سيستم¬ها استفاده مي¬شود، الگوريتم فيلترينگ همکارگونه ¬ مي¬باشد. اين مقاله به بررسي گونه¬اي از اين الگوريتم¬ها به نام الگوريتم مبتني بر حافظه مي¬پردازد و کارآيي و کيفيت آن را در سيستم¬هاي توصيه¬گر مورد ارزيابي قرار مي¬دهد.

در اين مقاله روشی جدید جهت طبقه‌بندی براساس سطح تصمیم مبتنی بر فاصله، با رویکرد تصویر نزدیک‌ترین همسایه ارائه شده است. روش جدید DBC نام‌گذاری شده است. طبقه‌بند DBC طبقه‌بندی خطی است که تعمیم آن براساس تابع هسته می‌تواند جهت طبقه‌بندی داده‌های جداناپذیر خطی استفاده شود. ویژگی‌های طبقه‌بند DBC عبارتند از: 1 ) مشابه طبقه‌بند k-NN، نیازی به مرحله تعلیم ندارد 2) علی‌رغم طبقه‌بند k-NN، درمرحله آزمایش نیازی به جستجو برای یافتن k همسایه نزدیک ندارد 3) علی‌رغم روش‌هایی مانند SVM، نیازی به رویه بهینه‌سازی ندارد. در طبقه‌بند DBC، برای طبقه‌بندی نمونه ورودی (آزمایشی)، مجموع وزن‌دار فاصله نمونه ورودی با داده‌های تعلیمی هر طبقه محاسبه می‌گردد، سپس برچسب نمونه ورودی براساس طبقه‌ای که کمترین فاصله فوق را دارا باشد، تعیین می‌گردد. با به‌کارگیری چنین قاعده‌ای، یک سطح تصمیم جهت جداسازی نمونه‌های دو طبقه به‌دست می‌آید. طبقه‌بند DBC را برروی داده‌های واقعی آزمایش کرده‌ایم. نتایج آزمایش‌ها، برتری روش DBC را نسبت به طبقه‌بندهای k-NN و SVM نشان می‌دهد.

الگوريتم بهينه¬سازي بيز که در شاخه الگوريتم¬هاي تکاملي قرار مي¬گيرد، براي تخمين توزيع احتمال حاکم بر راه¬حل¬هاي منتخب، سعي در ساخت يک شبکه بيز دارد که بتواند اين توزيع را به خوبي تخمين بزند. سپس از اين شبکه براي توليد نسل بعد استفاده مي¬نمايد. نتايج به کارگيري اين الگوريتم حاکي از قدرت وي براي شناسايي روابط ميان متغيرهاي موجود در يک مساله بهينه-سازي مي¬باشد. در اين مقاله، روشي براي بهبود الگوريتم بهينه¬سازي بيز در محيط¬هاي پيوسته مطرح مي¬گردد که در آن راه¬حل-هاي انتخابي ابتدا با استفاده از يک الگوريتم خوشه¬بندي کارا، به چند خوشه تقسيم شده و سپس براي هر خوشه يک شبکه بيز توليد مي¬شود و نسل بعد با بهره¬گيري از شبکه¬هاي ساخته شده متولد مي¬شود؛ تعداد افراد توليد شده از هر شبکه بيز وابسته به تعداد راه¬حل¬هايي مي¬باشد که در خوشه مربوط به آن شبکه قرار گرفته است. نتايج آزمايشات نشان¬ دهنده¬ی برتري الگوريتم پيشنهادی بر الگوريتم استاندارد بهينه¬سازي بيز مي¬باشد.

در اين مقاله، روش جديدي در بهينه¬سازي چند هدفه مبتني بر الگوريتم جستجوي گرانشي به نام الگوريتم جستجوي گرانشي چند هدفه (MOGSA) ارائه مي¬شود. روش MOGSA از «بهينگي پَرِتو» براي شناسايي موقعيت¬هاي «غير غالب» و از يک «مخزنِ بيروني» براي نگهداري اين موقعيت¬ها استفاده مي¬کند. براي اطمينان از صحت عملکرد روش ارائه شده در مواجه با مسائل بهينه¬سازي چند هدفه، آن را بوسيله چندين تابع استاندارد معتبر مورد آزمايش قرار مي¬دهيم. نتايج نهايي نشان از رقابت تنگاتنگ روش پيشنهادي با ديگر الگوريتم¬هاي بهينه¬سازي چند هدفه رايج دارد، از اينرو مي¬توان ادعا کرد روش MOGSA بستر جديدي از تحقيقات را فرا روي محققين قرار داده است.

در این مقاله یک مدل ترکیبی مبتنی بر الگوریتم رقابت استعماری بهبود یافته و اتوماتای یادگیر معرفی شده است. این الگوریتم بهبود یافته¬ی الگوریتم رقابت استعماری (ICA) است، که از ایده¬ی تکامل سیاسی- اجتماعی بشر الهام گرفته است. در الگوریتم اولیه تعدادی کشور استعمارگر همراه با کشورهای مستعمراتشان به جستجو برای یافتن نقطه¬ی بهینه عمومی برای حل مسئله بهینه¬سازی می¬پردازند. در این مقاله از تعدادی اتوماتای یادگیر برای تنظیم شعاع حرکت مستعمرات به سمت استعمارگرهایشان در فرآیند جستجوی الگوریتم ICA استفاده می¬نماید. در الگوریتم پیشنهادی به هر کشور یک اتوماتای یادگیر منسوب شده است که وظیفه¬ی برقراری تعادل بین جستجوی سراسری و جستجوی محلی را برعهده دارد، در نتیجه یک جستجوی هوشمندانه و هدفمندتر در الگوریتم رقابت استعماری انجام می¬شود. عملکرد الگوریتم با چهار تابع محک با نام¬های (Griewank, Rosenbrock, Schwefel, Rastrigin) مورد ارزیابی قرار گرفت. نتایج تجربی حاصل از اجرای الگوریتم رقابت استعماری بهبود یافته نشان دادند که کیفیت راه¬حل بهینه عمومی و سرعت همگرایی به نقطه بهینه در این الگوریتم در مقایسه با الگوریتم ICA استاندارد و ICA تطبیقی بهبود قابل توجهی یافته است.

تطبيق تصوير،کاربرد مهمي از پردازش تصوير است که براي تنظيم تصاوير به دست آمده از حالات مختلف تصويربرداري به کار مي رود . بررسي مجموعه روش هاي ارائه شده در اين زمينه نشانگر وجود رويكرد هاي متنوع جهت تنظيم و رفع اعوجاج هاي حاصل از حالات مختلف تصوير برداري مي باشد. گستردگي مقوله تطبيق تصوير و وجود حجم وسيعي از رويكردها، مقايسه و ارزيابي دقيق اين روش ها را دشوار نموده است. بر اين اساس، در اين مقاله ضمن معرفي چهار مولفه اساسي فرايند تطبيق تصوير، يک چارچوب مبتني بر روشهاي مختلف تصويربرداري جهت تحليل هر يک از رويکردهاي تطبيق تصوير پيشنهاد مي شود. بهره گيري از چارچوب پيشنهادي در اين مقاله براي رويکرد هاي مختلف تطبيق تصوير مي تواند نقش موثري در تحليل و ارزيابي روش هاي مختلف تطبيق تصوير در حوزه هاي کاربردي مختلف و چالش هاي فراروي انجام اين فرايند داشته باشد.

یادگیری ماشین با رویکرد با ناظر امروزه پایهی بسیاری از فعالیت‌های مختلف در حوزه پردازش زبان طبیعی است. اگرچه این روش‌ها به موفقیت‌هایی دست یافته‌اند اما در مقابل نیازمند فراهم شدن حجم زیادی از داده آموزشی توسط یک تفسیر کننده مانند انسان است، که گاها هزینه‌های بالایی را در بر خواهد داشت. علاوه بر این در بیشتر روش‌های یادگیری با ناظر ترتیب انتخاب نمونه‌های آموزشی بر اساس تصادف صورت می‌گیرد، در مقابل برای برطرف کردن مشکلات مذکور یادگیری فعال مطرح می‌شود که در آن به شکلی تکرار شونده نمونه‌هایی با بیشترین اثر مطلوب بر فرآیند آموزش انتخاب می‌شوند. نتایج آزمایشات نشان می‌دهد در آموزش یک مدل برچسب‌زنی دنباله فارسی بر اساس پیکره متنی زبان فارسی تنها با استفاده از 9.36% از کل داده‌های آموزشی به دقت برچسب زنی تا 96.28% رسید و این در حالی است که دقت برچسب زنی با بکارگیری کل نمونه‌ها 96.45% می‌باشد.

در بسياري از مسائل بهينه¬سازي در دنياي واقعي، تابع هدف يا محدوديت¬ها مي¬توانند در طول زمان تغيير يابند که در نتيجه بهينه اين مسائل نيز مي¬تواند تغيير يابد. اگر هر يک از اين رويدادهاي نا¬معين در فرآيند بهينه¬سازي مورد توجه قرار گيرند، اين مسأله ديناميک يا پويا ناميده مي¬شود. بسياري از مسائل در دنياي واقعي به صورت پويا، غير¬قطعي و پيچيده مي¬باشند و حل آنها بصورت ايستا چندان به حل مسئله در دنياي واقعي کمک نمي¬کند. با توجه به الزامات محيط هاي پويا، الگوريتم هايي که براي بهينه سازي در اين محيط ها طراحي شده اند داراي اصولي هستند که آنها را از الگوريتم هاي طراحي شده براي محيط هاي ايستا متمايز مي کند. در اين مقاله يک الگوريتم نوين براي بهينه¬سازي در محيط پويا مبتني بر الگوريتم بهينه¬سازي دسته ذرات پيشنهاد شده است. نتايج حاصل از رهيافت پيشنهادي بر روي معيار قله¬هاي متحرک که در حال حاضر شناخته¬شده¬ترين معيار براي ارزيابي در محيط¬هاي پويا مي¬باشد ارزيابي شده و با نتايج حاصل از چندين الگوريتم معتبر مورد مقايسه قرار گرفته است. نتايج بدست آمده نشان¬دهنده کارايي بالاي الگوريتم پيشنهادي در مقايسه با ساير الگوريتم¬ها مي¬باشد.

طبقه¬بند بیز ساده یکی از کاراترین الگوریتم¬های طبقه¬بندی است. سادگی و دقت این روش زمانیکه پیش فرض عدم وابستگی مشخصه¬ها نقض ¬شود افت پیدا می¬کند. در این مقاله روشی مبتنی بر درخت تصمیم¬گیری برای رفع مشکل بیز ساده در مجموعه-هایی با مشخصه¬های وابسته ارائه می¬شود. در روش ارائه شده (Information Gain - Naïve Bayes) مشخصه¬هایی که در سطح اول درخت تصمیم¬گیری دارای کمترین قدرت تفکیک باشند با توجه به تعداد کل مشخصه¬ها حذف شده و مشخصه¬های باقیمانده به بیز ساده داده می¬شود. انجام فرایند پیش پردازش مشخصه¬ها براساس روش IG-NB منجر به بهبود عملکرد الگوریتم بیز ساده در دامنه¬هایی با مشخصه¬های وابسته به هم می¬شود. علاوه براین روش IG-NB در این پژوهش، به دلیل حذف مشخصه های کم اهمیت، سرعت محاسبه الگوریتم را برای مشخصه¬های باقی مانده افزایش می¬دهد. روش IG-NB روی شش مجموعه از مجموعه داده¬های UCI تست شده و نتایج بدست آمده نشانگر کارایی قابل قبول روش می ¬باشد.

با افزایش گسترده تصاویر ‏ماهواره‏ای, نیاز به سیستمی برای مدیریت , بازیابی و حاشیه‏نویسی این حجم از تصاویر وجود دارد. در این مقاله برای حاشیه‏نویسی معنایی تصاویر از تکنیک خوشه‏بندی نیمه‏نظارت شده استفاده می‏شود. یکی از قسمت‏های اصلی الگوریتم خوشه‏بندی تعیین شباهت بین تصاویر است. برای تعیین دقیق شباهت بین تصاویر دو معیار شباهت جدید CM مبتنی بر وزن¬دهی و نرمال¬سازی ویژگی¬ها بطور همزمان و KMRBF مبتنی بر نگاشت غیر خطی الگوها به فضای بالاتر پیشنهاد می¬شود. بدلیل اینکه الگوریتم خوشه‏بندی روی ویژگی‏های استخراج شده فضاهای رنگ متفاوت و معیار شباهت متفاوت نتایج متفاوتی را تولید می‏کنند, ما با ترکیب این نتایج بصورت Co-clustering سعی در بالابردن دقت حاشیه‏نویسی داریم. آزمایشات روی 2400 تصویر ماهواره‏ای گرفته شده از سطح شهر تهران حاکی از کارایی بسیار مناسب سیستم پیشنهادی برای حاشیه‏نویسی تصاویر است و به دقت حاشیه‏نویسی 87.3% دست‏یافتیم.

با وجود تلاش‌هاي تحقيقاتي بسياري که در زمينه‌ي تطبيق خودکار آنتولوژي‌ها انجام شده ‌است، ولي هنوز مشکلات جدي در اين زمينه وجود دارد. روش‌هاي تطبيق موجود، بين دقت و فراخواني مصالحه برقرار مي‌کنند و هر يک از آنها نقاط ضعف و قوت ‌متفاوتي دارند. درنتيجه همواره انتخاب بهترين تطبيق‌گر براي يک کار خاص مشکل است. اين مقاله روشي به‌نام MuLCOM براي بهبود کيفيت نتايج ارائه مي‌دهد که مبتني‌بر انتخاب تطبيق‌گر‌ خاصي نيست بلکه روش‌هاي يادگيري ماشين را روي ترکيبي از تطبيق‌گر‌ها اعمال مي‌کند. به‌عبارت ديگر دسته‌بندي کننده براساس خروجي حاصل از تطبيق‌گر‌هاي مختلف آموزش داده مي‌شود و سپس براي حل مسائل تطبيق جديد از آن استفاده مي‌شود. بدين ترتيب تطبيق‌گر‌هاي مختلف نقاط ضعف يکديگر را پوشش مي‌دهند. نتايج حاصل نشان مي‌دهد كه MuLCOM حتي نسبت به بهترين تطبيق‌گر‌هاي مجزا کارايي بهتري دارد.