چکیده:
در این تحقیق روشی جهت استخراج قوانین فازی موثر و قابل تفسیر از داده های GIS با استفاده از سیستم عصبی - فازی ارائه شده است. مدل فازی جهت رسیدن به دقت و تفسیرپذیری بالا از سه مرحله عبور کرده است. در مرحله اول وزن های اولیه شبکه عصبی - فازی با استفاده از الگوریتم خوشه بندی FCM به دست آمد. به منظور طبقه بندی دقیق داده های آموزشی در مرحله دوم از یک سیستم عصبی- فازی CANFIS استفاده گردید و بدلیل از دست رفتن قابلیت تفسیرپذیری مدل فازی از الگوریتم های ژنتیک جهت غلبه بر این محدودیت استفاده گردید. روش ارائه شده بر روی داده های مناطق 5 و 11 شهر تهران جهت تشخیص بافت های فرسوده مورد آزمایش قرار گرفته است. مسئله مورد بررسی از نوع طبقه بندی بوده و هدف تعیین درجات عضویت بافت ها به هریک از طبقات می باشد. فرسودگی بافت ها در 4 طبقه شامل فرسودگی کم، متوسط، زیاد و بسیار زیاد مورد بررسی قرار گرفته است.
تعداد 300 نمونه آموزشی مورد استفاده قرار گرفت که پس از آموزش شبکه تمام داده های آموزشی به صورت صحیح و با RMS=0.0045 طبقه بندی گردید. نتایج به دست آمده حاکی از آن است که روش ارائه شده در این تحقیق قابلیت تعمیم به مسائلی که در آن دانش کافی از سیستم هدف در دسترس نمی باشد را داراست و از دقت و تفسیرپذیری بالایی برخوردار است.
In this research, a method for extracting effective and interpretable fuzzy rules from GIS data using a neuro-fuzzy system is presented. The fuzzy model has passed through three stages to achieve high accuracy and interpretability. In the first stage, the primary weights of the neuro-fuzzy network were obtained using the FCM clustering algorithm. In order to categorize the educational data in the second phase, a neuro-fuzzy CANFIS system was used and genetic algorithms were utilized to overcome the fuzzy models loss of interpretability. The proposed method has been tested on the data of 5th and 11th districts of Tehran for the diagnosis of decayed tissues. The issue at hand is of the type of classification and the aim is to determine the degrees of membership of the textures in each of the classes. The decay of tissues has been examined in 4 categories including low, moderate, high and very high decay.
A total of 300 educational samples were used, and after network training all data were categorized correctly and with RMS = 0.0045. The results show that the proposed method in this study has high accuracy and interpretability and is capable of generalization to issues in which sufficient knowledge of the target system is not available.