انجمن کامپیوتر ایران

یک سیستم طبقه‌بندی مبتنی بر قواعد فازی گونه‌ا‌ی خاص از مدل‌سازی فازی است که در آن خروجی سیستم، مقداری غیرفازی و گسسته است. چالش‌برانگیزترین مسئله در طراحی این سیستم‌ها، ساخت پایگاه قواعد فازی است. تاکنون تلاش‌های بسیاری با هدف ایجاد و تنظیم ساختار این سیستم‌ها صورت گرفته است. در این مقاله، یک الگوریتم یادگیری مبتنی بر پاداش و جریمه ارائه شده‌است. الگوریتم پیشنهادی با ارزیابی رفتار قواعد فازی در روند یادگیری، پارامترهای توابع عضویت مقدم و وزن قواعد سیستم را در راستای بهبود نتایج طبقه‌بندی تنظیم می‌کند. در گونه‌های این الگوریتم، برای ایجاد تعادل مابین تنظیم وزن قواعد فازی و اصلاح زیر فضاهای فازی، معیارهای تعداد جریمه‌‌ها و میزان نوسان در دریافت پاداش و جریمه‌ی هر قاعده معرفی شده‌اند. ایده‌های پیشنهادی به کمک تعدادی از مجموعه‌داده‌های UCI ارزیابی شده و کارایی آنها در مقایسه با الگوریتم پایه‌ای پاداش و جریمه، و شبکه‌عصبی MLP بررسی شده ‌است. نتایج نشان می‌دهد روش پیشنهادی به خوبی می‌تواند کیفیت طبقه‌بندی را ارتقا داده و دقت بالاتری را حاصل نماید.