استخراج دانش از سیستم استنتاج نوروفازی انطباق‌پذير جهت شناسايی عوارض خاص ‌شهری؛ مطالعه موردي: درختان و ساختمان ها

امروزه از سیستم‌های شناسایی قدرتمندی جهت کلاسه‌بندی داده‌ها استفاده می‌شود که روند یادگیری در آن‌ها به‌صورت جعبه‌سیاه بوده و قابل‌دستیابی نمی‌باشد. درحالی‌که قابل‌فهم بودن دانش بدست آمده توسط سیستم‌های شناسایی می‌تواند کمک شایان توجهی به کاربر نماید تا کلاسه‌بندی را با دقت و صحتی بیشتر انجام دهد. ازاین‌رو کشف دانش در قالب استخراج مجموعه¬اي از قوانين جهت کلاسه‌بندی دادها ازجمله موضوعات مهم و پرکاربرد در پردازش تصویر می‌باشد که سبب درک بهتر روش کلاسه¬بندي و بهبود آن در گام¬هاي بعدي مي¬گردد. هدف این مقاله، پیشنهاد روندی جهت استخراج قوانین فازی به‌صورت شرطی از سیستم استنتاج نوروفازی انطباق‌پذیر برای کلاسه‌بندی داده‌های لیدار و تصاویر هوایی رقومی می‌باشد. در این راستا ابتدا تعدادی توصیفگر بالقوه اولیه تولید شده و سپس توصیفگرهای بهینه توسط الگوریتم ژنتیک انتخاب شدند. با وارد نمودن داده‌های آموزشی به الگوریتم جداسازي تورانه‌ای مقادير اولیه براي مجموعه¬هاي فازي در مقدم قوانين تعيين گشت و طی فرآيند آموزش، کلاسه‌بندی کننده نهايي ايجاد و دو کلاس درختان و ساختمان‌ها شناسایی گشتند. سپس با پیشنهاد یک روش فازی- مبنا و با استفاده از توابع عضویت نهایی بدست آمده از سیستم استنتاج نوروفازی انطباق‌پذیر و داده‌های آموزشی اخذشده از لایه‌های توصیفگر، مجموعه قوانین فازي مؤثر از فرآیند شناسایی استخراج گشت. قوانین فازي استخراج‌شده از این روش از لحاظ منطقی و با در نظر گرفتن لایه‌های توصیفگر مورد بررسی قرار گرفتند که نتایج نشان از توانايي بالای روش پیشنهادی در استخراج قوانین از فرآیند شناسایی داشتند.

داده‌های لیدار، تصاوير هوايي رقومي، قوانین فازی، سیستم استنتاج نوروفازی انطباق‌پذیر