جدول ۴- ۵:مقایسه نتایج بدست آمده برای مجموعه داده Pima با سایر روش‌ها ۹۹

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

جدول ۴- ۶: نتایج سایر مطالعات صورت گرفته بر روی مجموعه داده Pima 100
فهرست تصاویر و نمودارها
عنوان صفحه
شکل ۲- ۱: فرایند داده‌کاوی و کشف دانش ۱۲
شکل ۲- ۲: ساختار SLP 17
شکل ۲- ۳: ساختار یک نرون (گره) ۱۸
شکل ۲- ۴: درخت تصمیم جدول (۲-۱) ۲۱
شکل ۲- ۵: مثالی از شبکه‌ی بیزین ۲۲
شکل ۲- ۶: دسته‌بند ماشین بردار پشتیبان ۲۵
شکل ۲- ۷: دسته‌بند ماشین بردار پشتیبان با حاشیه نرم ۲۷
شکل ۲- ۸: شبه کد الگوریتم بهینه‌سازی ازدحام ذرات ۳۴
شکل ۲- ۹: تشریح هندسی مولفه‌های شخصی و اجتماعی در PSO 35
شکل ۲- ۱۰: ساختار یک سیستم قانونمند فازی ۵۹
شکل ۲- ۱۱: ناحیه تصمیم هر قانون فازی ۶۰
شکل ۲- ۱۲: مرزهای دسته‌بندی نُه قانون فازی ۶۰
شکل ۲- ۱۳:مرز دسته‌بندی بعد از اصلاح توابع عضویت ۶۱
شکل ۲- ۱۴: ناحیه تصمیم هر قانون فازی در حالتی که جداول قانون فازی ناکامل باشد ۶۲
شکل ۲- ۱۵: ناحیه تصمیم هر قانون فازی با درجات ۶۳
شکل ۲- ۱۶: تنظیم مرزهای دسته‌بندی بدون استفاده از درجه قطعیت ۶۳
شکل ۲- ۱۷: تنظیم مرزهای دسته‌بندی با بهره گرفتن از درجه قطعیت ۶۴
شکل ۲- ۱۸: تعیین دسته نتیجه و درجه قطعیت ۶۵
شکل ۲- ۱۹: بیش برازش ۷۱
شکل ۳- ۱: نمای کلی مدل پیشنهادی برای واکشی سیستم فازی ۷۴
شکل ۳- ۲: توابع عضویت فازی (S:Small, MS: Medium Small, M: Medium, ML: Medium Large, L: Large) 76
شکل ۳- ۳: نمایش گرافیکی پارامترهای توابع عضویت پیشنهادی ۷۷
شکل ۳- ۴: نمایش گرافیکی فضای جستجو برای یک مسئله چهار بعدی با سه بازه فازی ۷۸
شکل ۳- ۵: کدگذاری پارامترهای متغیرهای ورودی و خروجی ۷۹
شکل ۳- ۶:کدگذاری هر ذره شامل پارامترهای توابع عضویت و مجموعه قوانین ۸۰
شکل ۳- ۷: فلوچارتPSO 83
شکل ۳- ۸: تابع Membership_and_Rule_Learn 86
شکل ۴- ۱: توزیع مقادیر خصیصه‌های مختل مجموعه داده Pima 93
شکل ۴- ۲: توزیع خصیصه اول ۲۰ نمونه‌ی اول pima 94
شکل ۴- ۳: تأثیر پارامتر SwarmSize بر کارایی ۹۵
شکل ۴- ۴: تأثیر پارامتر w بر کارایی ۹۶

فصل اول – مقدمه و کلیات تحقیق

۱-۱- مقدمه

افزایش استفاده از کامپیوترها در فعالیت‌های کسب و کار، منجر به رشد سریع پایگاه‌های اطلاعاتی و اجتماع داده‌ها توسط بیشتر سازمان‌ها شده است. روزانه حجم عظیمی از داده‌ها تولید شده و در پایگاه‌های مختلف داده ذخیره می‌شود. در سال‌های اخیر تمایل به جستجو برای کشف الگوهای تکرار‌پذیر به منظور بهبود در تصمیم گیری افزایش چشمگیری داشته است. همچنین کاوش در داده‌های تراکنشی جهت یافتن الگوهای پنهان و تکنیک‌های کشف دانش به منظور شناخت دقیق‌تر و بیشتر تراکنش‌ها، اهمیت بسزایی یافته است. [۱]. در حوزه پزشکی و سلامت با افزایش استفاده از سیستم‌های جامع درمانی و پرونده‌های الکترونیک بیمار در بیمارستان‌ها و مراکز درمانی حجم انبوهی از اطلاعات مربوط بیماران و انواع بیماری‌ها مهیا می‌شود. [۲]. استخراج دانایی از حجم عظیم داده‌های مرتبط با سوابق بیماری و پرونده‌های پزشکی افراد با بهره گرفتن از فرایند داده‌کاوی می‌تواند منجر به شناسایی قوانین حاکم بر ایجاد، رشد و افت بیماری‌ها گردیده و اطلاعات ارزشمندی را به منظور شناسایی علل وقوع بیماری‌ها با توجه به عوامل محیطی حاکم در اختیار متخصصین و دست اندر کاران حوزه سلامت قرار دهد؛ که این امر در نهایت منجر به افزایش متوسط طول عمر افراد جامعه و ایجاد آرامش می‌گردد. [۳].
آنچه مسلم است با افزایش سیستم‌های الکترونیک سلامت حجم داده‌های پزشکی هر روزه در حال افزایش است. اما این مجموعه داده‌های بزرگ به طور خام هیچ کاربردی ندارد برای آنکه بتوان از این داده‌ها ارزشی را استخراج کرد نیاز به تحلیل داده‌ها و تبدیل آن به اطلاعات و دانش، یک نیاز اساسی است. با توجه به چنین حجمی از داده‌ها استفاده از عامل انسانی به عنوان تشخیص دهنده الگوها و تحلیلگر داده‌ها پاسخگو نمی‌باشد؛ لذا داده کاوی روی داده‌های پزشکی از اهمیت بالایی برخوردار است. داده‌کاوی را می‌توان از جنبه‌های مختلف در پیشگیری یا تشخیص انواع بیماری، انتخاب روش‌های درمان بیماری، مدت زمان بستری بیمار و … به کار برد.

۱-۲- بیان مسأله

دیابت یکی از بیماری‌های رایج در جوامع امروزی است که دارای عوارض خطرناکی می‌باشد. این بیماری اگر چه گونه‌ای از بیماری‌های قلبی محسوب نمی‌شود ولی اغلب سبب بیماری‌های قلبی می‌شود.
تشخیص بیماری دیابت و یا آگاهی یافتن از احتمال بالای ابتلا به این بیماری همواره کار آسانی نخواهد بود. چرا که این بیماری علائم متعددی را بروز می‌دهد که بعضی از این علائم در سایر بیماری‌ها نیز وجود دارند. بنابراین پزشک برای اتخاذ یک تصمیم مناسب، باید نتیجه‌ی آزمایش‌های بیمار و تصمیم‌های که در گذشته برای بیماران با وضیعت مشابه گرفته است، را بررسی کند. با توجه به حجم انبوه تعداد بیماران، می‌توان از یک ابزار داده‌کاوی برای شناخت الگوی بیماران قبلی استفاده کرد.
در این پایان‌نامه با توجه به ماهیت مسأله از یک الگوریتم دسته‌بندی برای تشخیص بیماری دیابت استفاده می‌کنیم سپس آن‌را با سایر روش‌ها ارائه شده مقایسه می‌کنیم. روش دسته بندی یک روش یادگیری با نظارت است که داده‌های ورودی به دو بخش داده‌های آموزش و داده‌های آزمون تقسیم می‌شوند. هر الگوریتم کاندید، ابتدا با بهره گرفتن از مجموعه داده آموزش یک مدل را که نشان دهنده الگوی حاکم بر داده‌ها می‌باشد را استخراج می‌کند و سپس با بهره گرفتن از مجموعه آزمون دقت مدل ارائه شده برای دسته‌بندی را بررسی می‌کند.
الگوریتم‌های متعددی برای دسته بندی ارائه شده‌اند که از آن دسته می‌توان؛ به شبکه‌های بیزین [۴]، روش‌های مبتنی بر درخت [۵]، الگوریتم ماشین بردار پشتیبان [۶]، روش‌های مبتنی بر مجموعه فازی [۷]، الگوریتم‌های فرا اکتشافی [۸] و شبکه‌های عصبی [۹] اشاره کرد.
در این نوشتار قصد داریم برای استخراج قوانین فازی از یک الگوریتم آموزش دیده مبتنی بر هوش جمعی، بهینه‌سازی ازدحام ذرات (PSO) استفاده کنیم. خاصیت اصلی الگوریتم‌های هوش جمعی تبادل اطلاعات بین ذرات است که در یافتن حالت بهینه بسیار موثر می‌باشند.
سعی شده با در نظر گرفتن نقاط ضعف و قوت روش‌های مختلف داده کاوی یک الگوریتم ترکیبی برای تشخیص بیماری ارائه شود. الگوریتم شبکه عصبی معمولاً نرخ دسته بندی مناسبی را ارائه می‌دهد ولی از شفافیت لازم برخوردار نیست. بنابراین نمی‌توان این اطلاعات را توسط سیستم‌های خبره بررسی کرد. برای حل این مسئله باید یک ارائه قابل فهم انسانی از دسته‌بندی ایجاد کرد. این هدف می‌تواند با استخراج قوانین فازی تولید شده که برای کاربر قابل فهم است بدست بیاید.
دو معیار اصلی برای برازش الگوریتم‌های دسته‌بندی؛ نرخ دسته بندی و قابلیت تفسیر می‌باشد. نرخ دسته بندی میزان دقت کار الگوریتم در دسته بندی نمونه‌های آزمون را نشان می‌دهد و قابلیت تفسیر به معنی میزان سادگی و قابلیت توسعه روش دسته بندی می‌باشد.
در سال‌های اخیر قوانین فازی از آن جهت که هم دقت مناسبی دارند وهم قابلیت تفسیر مناسبی را ارائه می‌دهند بیشتر مورد توجه قرار گرفته‌اند. یک الگوریتم فازی از آن جهت مورد توجه می‌باشد که شامل مجموعه‌ای از قوانین اگر-آنگاه فازی می‌شود که تفسیر آن‌ها توسط انسان خبره امکان پذیر است. مسئله اساسی در چنین سیستم‌هایی انتخاب مجموعه‌ای از قوانین فازی بهینه است؛ لذا این مسئله را می‌توان نوعی از بهینه سازی ترکیبی در نظر گرفت که با رشد ابعاد مسئله دسته بندی، تعداد جواب‌های بهینه محلی نیز به صورت نمایی افزایش می‌یابد و الگوریتم کاندید برای حل آن باید مجموعه‌ای از جواب‌های بهینه یا نزدیک به بهینه را ارائه دهد [۱۰].

شکل ۳-۶ نواحی مثبت، منفی، مرزی و تقریب­های مجموعه
۳-۵- انتخاب ویژگی^[۱۴۹]
اغلب ویژگی­های زیادی در یک پایگاه­داده وجود دارد. طبعاً انتظار می­رود هرچه ویژگی­های بیشتری در نظر گرفته می­شوند، اطلاعات کامل­تری برای دسته­بندی داشته باشیم. اما اگر همزمان با افزودن هر ویژگی، حجم مجموعه ­داده­ی آموزشی^[۱۵۰] زیاد نشود، این برداشت صحیح نخواهد بود. به این وضعیت اصطلاحاً «دردسر ابعادی»^[۱۵۱] گفته می­ شود. در مجموعه­های داده­ای با ابعاد بالا، بیشتر ممکن است حالتی پیش بیاید که در آن داده ­کاوی الگوهای نادرستی را پیدا کند که عمومیت ندارند (Jensen, 2005).

مدیریت دانش، عنصر کلیدی در استخراج ارزش است. فرایند کشف دانش به ویژه کشف دانش در یک پایگاه­داده، موضوع مهمی است. این فرایند از مراحل زیر تشکیل شده است (Düntsch, 2000):

1. 1. انتخاب داده^[۱۵۲]

1. 1. پیش پردازش داده ­ها^[۱۵۳]

1. 1. کاهش داده ­ها^[۱۵۴]

1. 1. داده کاوی^[۱۵۵]

1. 1. ارزشیابی^[۱۵۶]

از آنجا که در اغلب موارد یک پایگاه داده­ فاقد منابع معنایی است، سومین گام از فرایند کشف دانش، یعنی کاهش ویژگی­ها، موضوع مهمی در هنگام مواجهه با حجم زیاد داده است (Jensen, 2005).
بسیاری روش­ها هستند که تا حدی به کاهش ابعاد داده کمک می­ کنند. ولی با توجه به آنچه گفته شد ما نیاز به روشی کارآمد و مؤثر برای کاهش ابعاد داده داریم. استفاده از نظریه مجموعه­های ژولیده، رویکردی است که در این مرحله به سادگی مورد استفاده قرار می­گیرد. کاهش ویژگی مجموعه­ ژولیده^[۱۵۷] ابزاری را فراهم می­ کند که توسط آن دانش از اطلاعات قابل استخراج است. مزیت اصلی مجموعه­ ژولیده این است که هیچ­گونه پارامتر اضافه­ای را برای انجام عملیات لازم ندارد و تنها ساختار حبّه­ای^[۱۵۸] داده ­های در دسترس را بکار می­گیرد (Jensen and Shen, 2004). حبّه یک جزء بنیادی از دانش است که برای ما قابل درک است (Suraj, 2004). یک مجموعه­ داده­ای با مقادیر گسسته در اختیار است. با بهره گرفتن از نظریه‌ی مجموعه­های ژولیده، یافتن زیرمجموعه­ای از ویژگی­های اصلی که بیشترین اطلاعات را در اختیار ما قرار می­دهد و فاقد افزونگی است امکان­ پذیر است؛ این زیرمجموعه فروکاست^[۱۵۹] نامیده می­ شود. سایر ویژگی­ها با از دست رفتن کمترین اطلاعات می­توانند از سامانه حذف شوند (Jensen and Shen, 2004).
یک موضوع مهم در بررسی داده ­ها، کشف وابستگی بین ویژگی­ها است. اگر تمام مقادیر مجموعه ویژگی­های Q با بهره گرفتن از مجموعه ویژگی­های Pمشخص گردد آنگاه Q کاملاً وابسته به مجموعه ویژگی­های P گفته می­ شود و با نماد نشان داده می­ شود. مفهوم وابستگی می ­تواند به صورت زیر تعریف گردد:
برای ، Q وابسته به P در درجه k نامیده می­ شود اگر:

(۳-۱۶)

این مفهوم با نماد نمایش داده می­ شود. اگر باشد، آنگاه Q کاملاً وابسته به P نامیده می­ شود؛ اگر ، آنگاه Q وابسته­ی جزئی به P از درجه­ k نامیده می­ شود و اگر باشد، آنگاه Q وابسته به P نخواهد بود (Jensen and Shen, 2000).
با محاسبه­ی تغییرات وابستگی، وقتی که یک ویژگی از ویژگی­های شرطی مجموعه حذف می­ شود، اندازه معنایی^[۱۶۰] یک ویژگی به دست می ­آید. تغییر بالاتر در وابستگی نشان­دهنده قابلیت معنایی بالاتر ویژگی است. فرض کنید P وQ و ویژگی داده شده است. معنای ویژگی به صورت زیر تعریف می­ شود:

(۳-۱۷)

۳-۶- فروکاست­ها و هسته^[۱۶۱]
کاهش ویژگی­ها با مقایسه روابط هم­ارزی تولید شده توسط مجموعه­های ویژگی­ها به دست می ­آید. ویژگی­ها به گونه ­ای حذف می­شوند که کیفیت طبقه ­بندی مجموعه­ کاهش یافته و مجموعه­ اصلی یکسان باشد.
یک فروکاست از مجموعه­ ویژگی­های اصلی به صورت زیر تعریف می­ شود:
فروکاست مجموعه ویژگی شرایط C نسبت به مجموعه ویژگی تصمیم D زیرمجموعه است که در دو شرط زیر صدق می­ کند (Jensen and Shen, 2000).

• • حذف هر ویژگی شرط (۱) را تحت تأثیر قرار می­دهد.

یک مجموعه از ویژگی­ها می ­تواند فروکاست­های مختلفی داشته باشد و بنابراین مجموعه تمام فروکاست­ها به صورت زیر قابل تعریف است:

(۳-۱۸)

اشتراک تمام مجموعه­های R، هسته نامیده می­ شود، و ویژگی­هایی را نشان می­دهد که حذف آنها موجب به وجود آمدن تناقض در مجموعه­ داده­ای می­ شود.
در مفهوم RSAR، فروکاست با کمترین تعداد عضو دارای اهمیت است. این فروکاست، فروکاست کمینه نامیده می­ شود و عبارت است از:

(۲-۲۸)
که یک بردار الگوی n-بعدی، A_ij یک مقدار زبانی مقدم^[۶۹]، C_j کلاس نتیجه و n تعداد قوانین اگر-آنگاه فازی می‌باشد. تعداد قوانین هنگامی که هر خصیصه x_i i=(1,2,…,n) دارای K متغیر زبانی باشد برابر با Kⁿ است. هر مقدار زبانی توسط تعدادی از قوانین اگر-آنگاه فازی به اشتراک گذاشته می‌شود.

۲-۶-۱- ساختار یک سیستم دسته‌بندی مبتنی بر قوانین فازی

ساختار یک سیستم فازی از دو جزء اصلی تشکیل شده است: استخراج دانش و استنتاج فازی^[۷۰]. در مرحله استنتاج دانش، با بهره گرفتن از نمونه‌های آموزش یک مجموعه از قوانین فازی استخراج می‌شود. الگوریتم‌های مختلفی برای استخراج قوانین فازی ارائه شده‌اند که از جمله آن‌ها می‌توان به الگوریتم ژنتیک [۷۸]، کاهش پیچیدگی^[۷۱] [۷۹] و افراز فازی^[۷۲] [۸۰] اشاره کرد. بعد از استخراج قوانین فازی یک پایگاه داده فازی تشکیل می‌شود که شامل قوانین استخراج شده می‌باشد. به ازای هر نمونه ورودی ممکن است چندین قانون بتواند با درجه قطعیت‌های مختلف این نمونه را دسته‌بندی کنند. بنابراین الگوریتم نیازمند یک موتور استنتاج فازی می‌باشد که نمونه ورودی و قوانین را گرفته و کلاس نمونه را پیش بینی کند. شکل (۲-۱۰) ساختار یک سیستم فازی را نشان می‌دهد استنتاج می‌تواند بر اساس درجه قطعیت^[۷۳] قوانین انجام شود و یا بدون استفاده از درجه قطعیت. در ادامه چگونگی استنتاج در حالت بدون قطعیت و با قطعیت شرح داده می‌شود.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۲-۶-۲- دسته‌بندی بدون استفاده از درجه قطعیت

هنگامی که قوانین اگر-آنگاه فازی دارای درجه قطعیت نباشند، یک نمونه جدید توسط قانون برنده R_j یکتایی دسته‌بندی می‌شود که این قانون از رابطه زیر بدست می‌آید [۸۱] :
(۲-۲۹)
که درجه سازگاری^[۷۴] قانون اگر-آنگاه فازی با الگوی جدید می‌باشد و معمولاً توسط عمل حاصل ضرب به صورت زیر تعیین می‌شود:
نمونه‌های
آموزش
فرایند یادگیری
فازی سازی و قوانین فازی
استخراج دانش
نمونه‌های
آزمون
نتایج دسته‌بندی
موتور استنتاج فازی
شکل ۲- ۱۰: ساختار یک سیستم قانونمند فازی
(۲-۳۰)
که تابع عضویت مقدار زبانی مقدم A_ji است (i=1,2,…,n).
با توجه به رابطه فوق مشاهده می‌کنیم که هر قانون اگر-آنگاه فازی دارای ناحیه تصمیم‌گیری مربوط به خود می‌باشد به طوری که نمونه‌های جدید با توجه به این نواحی تصمیم‌گیری دسته‌بندی می‌شوند. در شکل (۲-۱۱) نُه قانون اگر-آنگاه فازی در یک افراز گرید مشاهده می‌شوند. که نواحی تصمیم هر یک از این نُه قانون مشخص شده است. هر کدام از این قوانین توسط سه مقدار زبانی مقدم (S: small, M: medium, L: large) در فضای دو بُعدی ایجاد شده‌اند.
هر قسمت در شکل (۲-۱۱) با ناحیه تصمیم‌گیری هر یک از قوانین فازی متناظر می‌باشد. اگر هیچ قانون اگر-آنگاه فازی در جداول قانون فازی گم نشود نواحی تصمیم به شکل مستطیل یا فوق مستطیل می‌باشند.

شکل ۲- ۱۱: ناحیه تصمیم هر قانون فازی [۸۲]
مرزهای دسته‌بندی این نُه قانون فازی شکل (۲-۱۱) در شکل (۲-۱۲) نمایش داده شده است.

شکل ۲- ۱۲: مرزهای دسته‌بندی نُه قانون فازی [۸۲]
دسته نتیجه C_j هر قانون R_j از رابطه زیر بدست می‌آید که c تعداد دسته‌ه ای داده شده می‌باشد.
(۲-۳۱)
در شکل (۲-۱۲)، شش الگو به اشتباه دسته‌بندی شده‌اند. مرزهای دسته‌بندی می‌توانند توسط اصلاح توابع عضویت مقادیر زبانی دقیق‌تر شوند. شکل (۲-۱۳) مثالی از مرزهای دسته‌بندی تنظیم شده را نشان می‌دهد که تقریباً همه الگوها به درستی دسته‌بندی شده‌اند. همچنین مشاهده می‌شود که مرزهای دسته‌بندی پس از اصلاح توابع عضَویت با محورهای فضای الگو موازی می‌باشند.
َ
شکل ۲- ۱۳:مرز دسته‌بندی بعد از اصلاح توابع عضویت [۸۲]
هنگامی که جداول قانون فازی کامل نباشند ناحیه تصمیم هر قانون فازی همواره مستطیل شکل نمی‌باشد. همان طور که در شکل (۲-۱۴) ملاحظه می‌کنید، ناحیه تصمیم هر قانون فازی با بهره گرفتن از جداول قانون فازی ۳ در ۳ که ناکامل می‌باشد، رسم شده است. در شکل (۲-۱۴) R₅ گم شده است.

شکل ۲- ۱۴: ناحیه تصمیم هر قانون فازی در حالتی که جداول قانون فازی ناکامل باشد [۸۲]

۲-۶-۳- دسته‌بندی با بهره گرفتن از درجه قطعیت

همان طور که در بخش قبل مشاهده شد، هر قانون فازی دارای یک ناحیه تصمیم است. اندازه این ناحیه توسط درجه قطعیت و توابع عضویت مقادیر زبانی مقدم مربوط به آن تعیین می‌شود. بنابراین ناحیه تصمیم می‌تواند توسط اصلاح درجه قطعیت و بدون تغییر توابع عضویت تنظیم شود. مثال‌هایی از نواحی تصمیم در شکل (۲-۱۵) نشان داده شده است. این نواحی تصمیم با ۹ قانون فازی شکل (۲-۱۱) متناظر هستند. شکل (۲-۱۵) (الف) با حالتی متناظر است که همه قوانین دارای درجات قطعیت یکسان باشند. در این حالت ناحیه تصمیم هر قانون فازی با حالتی که درجه قطعیت وجود داشته باشد یکسان است. در شکل (۲-۱۵) (ب) تا (و) درجات قطعیت یکسان نیستند.
با بزرگ‌تر بودن درجه قطعیت هر قانون فازی ناحیه تصمیم مربوط به آن بزرگ‌تر خواهد بود. همچنین ملاحظه می‌شود که ناحیه تصمیم هر قانون همیشه به صورت مستطیل نیست. حتی اگر جداول قانون فازی کامل باشند (شکل (۲-۱۵) (ج) و (د) و (و)).

برای درک تنظیم مرزهای دسته‌بندی به کمک درجه قطعیت، سه قانون if-then فازی زیر را برای یک مسأله دسته‌بندی الگوی تک بُعدی بر روی بازه [۰,۱] در نظر بگیرید:
شکل ۲- ۱۵: ناحیه تصمیم هر قانون فازی با درجات [۸۲]
If x is small Then Class 1,
If x is medium Then Class 2,
If x is large Then Class 3
بازه واحد توسط این قوانین دسته‌بندی می‌شود (شکل (۲-۱۶) (الف)). هنگامی که از درجه قطعیت استفاده نکنیم، تنظیم مرزهای دسته‌بندی توسط اصلاح تابع عضویت هر مقدار زبانی مقدم صورت خواهد گرفت (شکل (۲-۱۶) (ب)).

شکل ۲- ۱۶: تنظیم مرزهای دسته‌بندی بدون استفاده از درجه قطعیت [۸۲]
ولی وقتی از درجه قطعیت استفاده کنیم، تنظیم مرزهای دسته‌بندی به کمک اصلاح درجه قطعیت هر قانون اگر-آنگاه فازی صورت می‌گیرد. شکل (۲-۱۷) خطوط خط چین نتیجه اعمال درجه قطعیت و سازگاری برای هر قانون می‌باشد.

که n_t بیشینه تعداد تکرار، مقدار اولیه وزن اینرسی، مقدار نهایی وزن اینرسی و مقدار اینرسی در زمان t است. نکته آنکه .
۳٫ کاهش غیر خطی؛ که مقادیر زیاد اینرسی به صورت غیر خطی، به مقادیر کم کاهش می‌یابد. در روش‌های کاهش غیر خطی، زمان اکتشاف کم‌تر از روش‌های کاهش خطی است و در مقابل زمان استخراج بیشتر است. روش‌های کاهش غیر خطی، بیشتر برای فضاهای جستجوی نرم مناسب هستند.

۲-۵-۲- چالش‌ها و مسائل پیش روی الگوریتم بهینه‌سازی ازدحام ذرات

بهینه‌سازی ازدحام ذرات یک الگوریتم بهینه‌سازی الهام گرفته از طبیعت است که ثابت شده در مسائل بهینه‌سازی بسیاری به خوبی کار می‌کند. از اواسط دهه نود میلادی که PSO ارائه شد کارهای بسیاری برای ارتقاء آن صورت گرفته و در سال‌های اخیر PSO در محدوده وسیعی از کاربردهای گوناگون بکار گرفته شده است. مسائل بسیاری از جمله گیر افتادن در بهینه محلی، واگرایی، سرعت پایین همگرایی، توانایی حل مسائل بهینه‌سازی با ابعاد بالا از چالش‌های الگوریتم پایه‌ی PSO محسوب می‌شدند.
آی دی فالکو^[۳۰] و همکاران [۴۲, ۴۳] ارتباطاتی میان اندازه مسأله و کارایی PSO از طریق نتایج تجربی بدست آوردندد. نتایج بدست آمده نشان می‌داد که مسائل دسته‌بندی دو کلاسه به خوبی توسط PSO مورد ملاحظه قرار می‌گیرد اما نتایج روشنی برای مسائل سه کلاسه یا بیشتر مشاهده نمی‌شود. ضمن اینکه دقت دسته‌بندی با افزایش تعداد کلاس‌ها و همچنین افزایش سایز مسئله کاهش می‌یابد. نوآریا^[۳۱] و بوکادوم^[۳۲] [۴۴] مکانیسم‌های چاره سازی برای مجموعه داده‌های با ابعاد بالا ارائه دادند.
در بازبینی که روی کارهای اخیر در دسته‌بندی به کمک الگوریتم PSO صورت گرفته [۴۵] دو مشکل به صورت متناوب در به‌کارگیری این الگوریتم به چشم می‌خورد: یکی ابعاد بالا^[۳۳] برای داده‌های ورودی که ممکن است اندازه بزرگ پایگاه داده نیز با آن ترکیب شود. مشکل دیگر این که چگونه با داده‌هایی که میان ویژگی‌های آن‌ها همبستگی^[۳۴] وجود دارد برخورد کنیم. توانایی برخورد با مجموعه داده با ابعاد بالا و یا دارای همبستگی میان مشخصه‌ ها از چالش‌های تمام الگوریتم‌های تکاملی می‌باشد.

۲-۵-۲-۱- مشکل ابعاد بالا

دسته‌بندی برای داده‌هایی که دارای خصیصه‌های ابعاد بالا هستند بسیار رخ می‌دهد. فَن^[۳۵] و همکاران [۴۶] تأثیر بالا بودن ابعاد را در عملیات دسته‌بندی مطالعه کردند. آن‌ها اشاره می‌کنند که سختی دسته‌بندی برای ابعاد بالا به طور ذاتی برخاسته از وجود ویژگی‌های نویز دار است که در کاهش خطای دسته‌بندی همکاری نمی‌کنند. دسته‌بندی که از تمام خصیصه‌ها استفاده می‌کند می‌تواند به اندازه حدس زدن تصادفی ضعیف عمل کند. این امر به علت انباشتگی نویز که عموماً به خاطر تخمین اشتباه مرکز جمعیت در فضای ویژگی‌های با ابعاد بالا است رخ می‌دهد. بنابراین، انتخاب زیرمجموعه‌ای از ویژگی‌ها که اهمیت بیشتری دارند برای دسته‌بندی با ابعاد بالا بسیار حائز اهمیت است.
De Falco و سایرین [۴۳] اثربخشی PSO را در دسته‌بندی داده‌ها از مجموعه داده‌های مختلف ارزیابی کردند، که در میان آن‌ها چند مجموعه داده با ابعاد بالا نیز وجود داشت. آن‌ها مجموع تعداد نمونه‌های داده را (D)، تعداد کلاس‌هایی که داده‌ها در آن قرار می‌گیرند © و مجموعه پارامترهایی که هر یک از نمونه‌ها دارند را (N) نامیدند و ادعا کردند رابطه‌ای میان کارایی PSO و حاصل ضرب از یک سو و C از سمت دیگر وجود دارد. نتایج آن‌ها نشان داد دقت دسته‌بندی PSO با افزایش مقدار C و همین‌طور افزایش P تمایل به کاهش دارد.
مجموعه داده‌های با ابعاد بالا چالش‌های ریاضی زیادی را به همراه این فرصت که جنبه‌های بیشتری از اطلاعات نهفته را نمایش می‌دهند به وجود می‌آورند. یکی روش‌هایی که برای برخورد با مجموعه داده‌های با ابعاد بالا ارائه شدند روش کاهش ابعاد فضای جستجو هستند. Fodor [47] اشاره می‌کند که روش‌های آمار سنتی در مواجه با مسائل ابعاد بالا جوابگو نمی‌باشند، که به علت افزایش تعداد ملاحظات و بیشتر به خاطر افزایش در تعداد پارامترهایی همراه هر یک از این ملاحظات می‌باشد. او به جمع آوری اطلاعات از ابزارها قدیمی و جدید که برای کاهش بُعد مسائل ابعاد بالا را چاره گر هستند پرداخت.
نوآریا و بوکادوم [۴۴] به جای کاهش ابعاد فضای جستجو نویسندگان بر اکتشاف بهتر متمرکز شدند. در پیاده‌سازی‌هایی که بر اکتشاف بیشتر در فضای جستجو تاکید دارند مکانیزم کنترلی جدیدی برای بروز رسانی مکان ذره و یا مقدار دهی اولیه جمعیت ارائه می‌شود. Liu و سایرین [۴۸] یک استراتژی برای حرکت دادن ذرات تنبل که سبب ایستایی^[۳۶] و نهایتاً همگرایی زودرس^[۳۷] می‌شوند ارائه داده که این امر به اکتشاف بهتر و یافتن راه‌ حل ‌های مناسب‌تر منتج می‌شود. اگر سرعت ذره از یک مقدار مینیمم آستانه کمتر شود، یک سرعت جدید به وسیله مکانیزم آشفتگی به آن تخصیص داده می‌شود. مقدار مینیمم سرعت ذرات به وسیله‌ی یک کنترل گر منطق فازی تنظیم می‌شود. Coelho و سایرین [۴۹] یک روش ترکیبی ارائه دادند که در آن مؤلفه‎های PSO از یک توالی آشفته که توسط نگاشت Henon به وجود آمده استفاده می‌کنند. کاربرد توالی آشفته به جای توالی تصادفی یک استراتژی قدرتمند برای متنوع کردن و ایجاد جمعیت گوناگونی از ذرات است که کارایی PSO را به وسیله جلوگیری از همگرایی زودرس در بهینه محلی بهبود می‌دهد. محققان بسیاری PSO را با روش Simulated Annealing (SA) ترکیب کرده‌اند به گونه‌ای که PSO بهترین راه‌حل سراسری را یافته سپس به وسیله یک جستجو محلی با SA ارتقاء می‌یابد [۵۰-۵۲].
نوآریا و بوکادوم [۴۵] مکانیزم‌های محدودیت و پراکندگی باد بکار برده شدند. مکانیزم محدودیت به وسیله مقید کردن تغییرات در یک بازه محدود عمل می‌کند. به این صورت که مؤلفه k ام از فضای N بُعدی مکان ذره i به صورت معادله (۳-۶) مقید می‌شود:
(۲-۱۵)
مکانیزم دومی که به عنوان یک فرایند جستجوی آشفته شرح داده شده، پراکندگی به وسیله باد است. سرعت و جهت باد برای مدل کردن فضای جستجو تعریف شده‌اند. معادله به روز رسانی سرعت باد به صورت زیر در می‌آید.
(۲-۱۶)
که در آن vw سرعت باد، v_op عامل جهت مخالف و برابر ۱- و v_su عامل جهت موافق و برابر با ۱ است. سرعت باد دو اثر می‌تواند داشته باشد: حرکت یک ذره را می‌تواند برعکس جهت فعلی نماید و یا آن را تقویت کند. اثر مخالف سرعت ذره را در رسیدن به بهترین ذره کاهش می‌دهد و اثر موافق سرعت ذره را در رسیدن به آن افزایش می‌دهد. هر ذره به صورت جداگانه به روز می‌شود. این امر سبب ایجاد نیروهای پویای متفاوتی در فضای مسأله می‌شود. اگر مقادیر اثر موافق و مخالف سرعت‌های باد یکسان باشد، یک اتمسفر ایستا مدل می‌شود. معادله اصلاح شده‌ی فضای مکان N بُعدی خواهد بود:
(۲-۱۷)
وقتی مکانیزم محدودیت را با معادله به روز رسانی مکان ذره را با مکانیزم پراکندگی باد ادغام کنیم به جای معادله (۳-۶) خواهیم داشت:
(۲-۱۸)
مقادیر اولیه سرعت و جهش باد نقش مهمی را در همگرایی نهایی ذرات به راه‌حل بهینه بازی می‌کنند.

۲-۵-۲-۲- مشکل همبستگی میان داده‌ها

در انجام دسته‌بندی داشتن داده‌ها ورودی ناهمگن شامل مخلوطی از پارامترهای گسسته و پیوسته عددی^[۳۸] و پارامترهای اسمی^[۳۹] بسیار رخ می‌دهد. به عنوان مثال وقتی سیستم دسته‌بند در یک بیمارستان می‌خواهد افراد مراجعه کننده را به گروه‌های پیش شناسی و تشخیص (سالم و بیمار) تقسیم کند، تصمیم گیری در مورد این که آن‌ها را بپذیرد یا سرپایی درمان کند به شاخص‌های پیوسته (مانند درجه حرارت بدن، سطح اشباع اکسیژن و…)، شاخص‌های اسمی (مانند وجود یا نبود بعضی از نشانه‌های بیماری، جنسی بیمار و…) و مقیاس ترتیبی^[۴۰] بستگی دارد.
هنگامی با چنین داده‌های ناهمسانی سر و کار داریم، دسته‌بندهای معمولی یک مرحله کد نویسی اولیه برای نگاشت مقادیر غیر عددی به عدد صحیح انجام می‌دهند. در این رابطه آن‌ها با دو مشکل مواجه می‌شوند: چگونه یک رابطه ترتیبی وزن‌های واقعی برای مقادیر متفاوت را در داده‌های تغییر شکل یافته توجیه و برقرار می‌کند. همچنین، چگونه سمت‌گیری^[۴۱] دانش ارائه شده به علت یک روش کدگذاری دلخواه که اهمیت نسبی مقادیر غیر عددی را نادیده می‌گیرد مورد ملاحظه قرار می‌دهد. نوآریا و بوکادوم [۵۳] روشی برای اجتناب از مشکلات قبلی ارائه شد که به جای کد نویسی محض از ترجمه استفاده می‌کند. مکانیزم ترجمه^[۴۲] (تفسیر) به طور ذاتی وزن‌های معنایی را تولید کرده و به آسانی در روش‌های دسته‌بندی مکاشفه‌ای تلفیق می‌شود.
چندین مدل بر پایه‌ی گسسته سازی الگوریتم بهینه‌سازی ازدحام ذرات پیشنهاد شده که برای حل مسائل گسسته کاربرد دارند. در این روش‌ها ذرات نمی‌توانند به صورت پیوسته پرواز کنند.
در روش کدگذاری دودویی PSO یک مدل تغییر یافته از الگوریتم PSO برای حل مسائل که راه‌حل آن‌ها از عنصرهای دودویی تشکیل شده بودند به وسیله ابداع کنندگان PSO ارائه شد [۵۴].
الگوریتم اصلاح شده مکانیزم به روز رسانی مکان بردار ذره که در معادله (۲-۱۰) آمده را یک معادله جدید که مؤلفه‌های بردار مکان آن به صورت زیر خواهد بود:
x_ij =
۱ if rand() < S(v_ij)
۰ otherwise
(۲-۱۹)
در معادله (۲-۱۹) v_ij سرعت ذره i ام در مؤلفه j ام است که از طریق معادله (۲-۱۱) به دست آمده و S(v_ij) یک تابع سیگموئید است. از آنجایی که ذرات نمی‌توانند در فضای گسسته به صورت پیوسته پرواز کنند، مفهوم پارامتر سرعت به احتمال بخش متناظر راه‌حل اشاره می‌کند که می‌تواند مقدار ۱ یا ۰ بگیرد.
در روش گرد کردن مقادیر مکان مقدار مکان به نزدیک‌ترین عدد صحیح گرد می‌شود و به این ترتیب راه‌حل گسسته تولید می‌شود [۵۵]. این روش از همگرایی آهسته مقادیر سرعت کم (کمتر از ۰٫۵) رنج می‌برد زیرا این سرعت‌ها به صفر گرد می‌شوند. بنابراین اگر سرعت ذره خیلی پایین باشد ذره در دور مربوطه حرکت نخواهد کرد. باید در نظر داشت که مسائل بهینه‌سازی پیچیده به هزاران تکرار برای کامل شدن نیاز دارند و وقوع سرعت‌های پایین می‌تواند به طور قابل ملاحظه‌ای سرعت فرایند بهینه‌سازی را کاهش دهد.
الگوریتم دیگری که نوعی بهینه‌سازی ازدحام ذرات گسسته DPSO^[43] محسوب می‌شود الگوریتم JPSO^[44] است [۵۶, ۵۷]. این روش چیزی به نام سرعت در نظر نمی‌گیرد که این را به علت بی معنی بودن مفهوم سرعت پیوسته در فضای گسسته می‌داند. اما جذب توسط بهترین ذرات همچنان وجود دارد. JPSO جمعیتی از ذرات را که موقعیتشان درون فضای حالت توسط پرش از یک مکان به مکان (راه‌حل) دیگر تغییر کرده و تکامل می‌یابد. در هر تکرار هر ذره یک رفتار تصادفی را برای پریدن به مکان جدید بروز می‌دهد به طوری که یک جذب کننده نیز بر این رفتار اثر گذاشته و آن را هدایت می‌کند. الگوریتم سه جذب کننده را برای حرکت ذره i ام در نظر می‌گیرد: بهترین موقعیت شخصی ذره y_i (t)، بهترین موقعیت همسایگان اجتماعی و بهترین موقعیت جمعی که کل ذرات تا آن لحظه کشف نموده‌اند. نویسندگان نشان دادند که JPSO توانایی بدست آوردن پاسخ‌های مناسب برای مجموعه داده‌های بزرگ را دارد.
روش تفسیر مکانی بر مبنای نوع ویژگی هنگامی که PSO را برای مجموعه داده با ویژگی‌های ناهمسان به کار می‌بریم کاربرد دارد. مطالعات پیشین اکثراً بر مدل نمودن PSO به صورت مقادیر پیوسته یا گسسته اشاره داشتند. گسسته سازی و نگاشت مقادیر اسمی و غیر عددی به عدد صحیح در مواردی مانند مواجه با ویژگی‌های اسمی می‌تواند مشکلات بالقوه‌ای را ایجاد کند. اما همان‌طور که اشاره شد در این رابطه‌ها با دو مشکل به وقوع می‌پیوندد: چگونه یک رابطه ترتیبی وزن‌های واقعی برای مقادیر متفاوت را در داده‌های تغییر شکل یافته توجیه و برقرار می‌کند. همچنین، چگونه سمت‌گیری^[۴۵] دانش ارائه شده به علت یک روش کدگذاری دلخواه که اهمیت نسبی مقادیر غیر عددی را نادیده می‌گیرد مورد ملاحظه قرار می‌گیرد و یک نمایش یکدست ارائه می‌شود.
نوآریا^[۴۶] و بوکادوم^[۴۷] [۵۸] یک الگوریتم PSO با یک مکانیزم تفسیر مکانی بر مبنای نوع ویژگی برای بازیابی مواردی که ویژگی‌های ناهمسان در داده‌ها موجود بود ارائه کردند. نوآریا^[۴۸] و بوکادوم^[۴۹] [۵۳] روش دیگری دوباره برای دسته‌بندی بر روی مجموعه داده‌های مختلفی آزمایش شد. این روش به وسیله تفسیر به جای کد نویسی به طور ذاتی از بسیاری از مشکلات قبلی دوری می‌گزیند. مکانیزم ترجمه به طور ذاتی وزن‌های معنایی را تولید کرده و به آسانی در روش‌های دسته‌بندی مکاشفه‌ای تلفیق می‌شود. این روش می‌تواند به طور یکسان در کارهای دسته‌بندی با انواع داده‌های ورودی اسمی، پیوسته و گسسته به کار رود. ایده اصلی به این صورت است که با یک الگوریتم PSO پیوسته شروع به کار کنیم و از مکانیزم‌هایی برای ترجمه و تفسیر مکان ذرات به صورت مناسب استفاده کرد؛ لذا دو فضا مورد بررسی قرار می‌گیرد: یک فضای جستجو مانند PSO استاندارد که ذرات در مختصات پیوسته تکامل می‌یابند و یک فضای تفسیر که در مواردی که بردارهای ورودی با مقادیر عددی پیوسته یا گسسته و یا مؤلفه‌های اسمی بیان شده‌اند منعکس کننده واقعیات است. هنگامی ذره در امتداد محورهای پیوسته در فضای جستجو تکامل می‌یابد، موقعیت‌های مکانی آن به عبارت‌های توصیف گر^[۵۰] (برای صفات) از انواع مختلف ترجمه می‌شوند. یک نگاشت معنایی بین این دو فضا اجازه انتقال از یک فضا به دیگر را می‌دهد. در نگاشت معنایی مجموعه‌ای از مکانیزم‌های تفسیر (ترجمه) تضمین می‌کنند برای مقادیر پیوسته در فضای اول مقادیر پیوسته، گسسته و یا اسمی در فضای دوم وجود خواهد داشت.
در نتیجه‌ی وجود مکانیزم‌های ترجمه الگوریتم PSO همچنان کارکرد خود را به عنوان یک روش پیوسته حفظ کرده است و تنها تفسیر متفاوتی از موقعیت‌های مکانی ارائه شده است. تغییرات در درجه اول برای ارزیابی تابع برازش که معنای فضای تفسیر را بیان می‌کند اتفاق می‌افتد. سرعت، موقعیت و اینرسی همچنان در فضای جستجوی پیوسته تکامل می‌یابند و تنها تابع برازش با مقادیر ترجمه شده صفات ناهمسان در فضای تفسیر ارزیابی می‌شود. به بیان دیگر جستجو در فضای جستجو و مقایسه در فضای تفسیر انجام می‌شوند.

۲-۵-۳- گونه‌های مختلف PSO

همان‌طور که در بخش قبل بیان شد الگوریتم PSO با چالش‌های بسیاری از جمله گیر افتادن در بهینه محلی، واگرایی، سرعت پایین همگرایی، توانایی حل مسائل بهینه‌سازی با ابعاد بالا مواجه است. برای رفع این مشکلات گونه‌های مختلفی از الگوریتم PSO ارائه شده که در زیر به آن‌ها می‌پردازیم.

۲-۵-۳-۱- بهینه‌سازی ازدحام ذرات مبتنی بر شبکه‌های جمعی

انواع پیاده‌سازی PSO مبتنی بر شبکه‌های جمعی میان ذرات شیوه محاسبه بهترین خاطره شخصی و بهترین مکان‌های موجود در همسایگی را تغییر می‌دهد و یک توپولوژی اجتماعی جدید را معرفی می‌کند.

۲-۵-۳-۱-۱- همسایگی مبتنی بر فاصله فضایی

Suhanthan فاصله اقلیدسی میان ذرات را به عنوان همسایگی میان آن‌ها پیشنهاد داد [۳۶]. برای همسایگی به اندازه n_N، همسایگی ذره i شامل n_N ذراتی می‌شود که به ذره i نزدیک‌تر هستند. محاسبه فضای همسایگی نیازمند مشخص کردن فاصله اقلیدسی میان تمام ذرات در هر دور است، که مسلماً پیچیدگی محاسباتی الگوریتم جستجو را بسیار بالا می‌برد. اگر n_t دور از الگوریتم اجرا شده باشد محاسبه فضای همسایگی دارای هزینه محاسباتی O(n_tn_s²) می‌باشد. همچنین تعیین همسایگی بر اساس فاصله این فایده را دارد که تغییرات در همسایگی به صورت پویا در هر دور حساب می‌شود.
یک نوع متفاوت از پیاده‌سازی فضای همسایگی به نام همسایگی فضایی مبتنی بر برازندگی^[۵۱] توسط Braendler و Hendtlass ارائه شد [۵۹]، که در آن ذرات به سمت ذراتی از همسایگی حرکت می‌کنند که پاسخ مناسبی را پیدا کرده‌اند.

۲-۵-۳-۱-۲- همسایگی فزاینده

همان‌طور که قبلاً مطرح کردیم چنانچه شبکه جمعی میان ذرات دارای اتصالات داخلی کمتری باشند دیرتر همگرا می‌شوند، که باعث می‌شود اکتشاف بیشتری در فضای جستجو انجام شود. یک توپولوژی ستاره مانند با اتصالات داخلی کامل سریع‌تر همگرا می‌شود اما به قیمت نادیده گرفتن بخش‌هایی از فضای جستجو. برای اینکه بتوان از فواید اکتشاف بیشتر و سرعت همگرایی بالاتر بهره ببریم Suhanthan این دو ایده را با هم ترکیب نمود [۳۶].
جستجو با اندازه همسایگی n_N=2 برای تعیین بهترین موقعیت در همسایگی آغاز می‌شود. اندازه همسایگی با افزایش تکرار بیشتر می‌شود تا این که همسایگی تمام جمعیت را در بر بگیرد (n_N=n_s). همسایگی فزاینده اجازه می‌دهد در تکرارهای اولیه اکتشاف بهتری در فضای جستجو داشته باشیم و در مراحل پایانی سرعت همگرایی را افزایش دهیم.

۲-۵-۳-۱-۳- بهینه‌سازی ازدحام ذرات کاملاً آگاه (FIPS^[52])

همان‌طور که در معادله سرعت استاندارد (۲-۱۱) آمده موقعیت جدید هر ذره به وسیله خود ذره و بهترین ذره‌ای که در همسایگی‌اش قرار دارد مورد تأثیر قرار می‌گیرد. Kennedy و Mendes مشاهده کردند گونه‌های انسانی به وسیله تنها یک فرد مورد تأثیر قرار نمی‌گیرند، بلکه عموماً مجموع کلی همسایگان بر آن‌ها اثر خواهند گذاشت [۶۰].
بر مبنای این اصل معادله سرعت در FIPS به گونه‌ای تغییر می‌کند که هر ذره توسط نتایج مطلوب مجموع همسایگانش و نه کارایی تنها یک ذره تحت تأثیر قرار می‌گیرد. نقطه‌ی ضعف FIPS این است که این حقیقت را که اثر چند ذره ممکن تأثیر یکدیگر را خنثی کنند را در نظر نمی‌گیرد. مثلاً فرض کنید اگر دو همسایه به ترتیب به اندازه a و –a در معادله سرعت تأثیر داشته باشند، جمع آن‌ها برابر صفر می‌شود.

If CLOSNO is Normal and ROT is Normal then Distraction is Normal

۱.۰

If CLOSNO is Low and PERCLOS is Normal and ELDC is Normal then Distraction is Semi-Distracted

۱.۰

If CLOSNO is Dangerous and PERCLOS is Normal and ELDC is Normal then Distraction is Distracted

۱.۰

If ROT is High and PERCLOS is Normal and ELDC is Normal then Distraction is Semi-Distracted

۱.۰

If ROT is Dangerous and PERCLOS is Normal and ELDC is Normal then Distraction is Distracted

۱.۰

روش استفاده شده برای غیرفازی‏سازی خروجی موتور استنتاج، روش میانگین‏گیری می‏باشد. هنگامی‏که مقادیر فازی تعریف شده برای خروجی‏های سیستم به صورت اعداد منفرد باشد، این روش معمول‏ترین روش غیرفازی‏سازی است.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

تولید خروجی نهایی
ویژگی‏های ELDC و ROT مقادیر کاملا پیوسته‏ای دارند که با گذشت زمان، به تدریج و به صورت پیوسته تغییر می‏کنند (شکل ‏۳‑۲۱ و شکل ‏۳‑۲۲). علت این پدیده استفاده از میانگین‏گیری در محاسبه ELDC و ROT است. عمل میانگین نوعی فیلتر پایین‏گذر است که باعث ملایم^[۱۴۱] شدن تغییرات می‏گردد. اما مقادیر PERCLOS و CLOSNO در طول زمان تغییرات ملایمی ندارند. بلکه با هر بار پلک زدن، مقادیر آنها به طور گسسته (پرشی) تغییر می‏کند. دلیل این موضوع نیز کاملا روشن است، چون این مقادیر مستقیما از روی مقدار بسته بودن چشم و تعداد پلک زدن محاسبه می‏شود. نمونه‏هایی از نمودار تغییرات مقادیر PERCLOS و CLOSNO در شکل ‏۳‑۲۳ و شکل ‏۳‑۲۴ نشان داده شده است.
شکل ‏۳‑۲۱: نمایش تغییرات پیوسته مقدار تغییرات فاصله بین پلک‏ها (ELDC)
شکل ‏۳‑۲۲: نمایش تغییرات پیوسته مقدار میانگین چرخش سر (ROT)
شکل ‏۳‑۲۳: نمایش تغییرات گسسته درصد بسته بودن چشم (PERCLOS)
شکل ‏۳‑۲۴: نمایش تغییرات گسسته نرخ پلک زدن (CLOSNO)
با توجه به تغییرات گسسته در دو ورودی سیستم خبره فازی (درصد بسته بودن چشم و نرخ پلک زدن)، خروجی سیستم خبره نیز به صورت گسسته تغییر خواهد کرد. بنابراین برای تولید خروجی نهایی، با انجام میانگین‏گیری مداوم بر روی خروجی سیستم خبره فازی، خروجی نهایی تولید می‏شود. روش میانگین‏گیری مداوم به عنوان یک فیلتر IIR^[142] شناخته می‏شود که علت اصلی استفاده از آن، تولید یک خروجی پایدار^[۱۴۳] و ملایم است. اگر مقدار خروجی سیستم خبره فازی برای تخمین میزان خستگی و میزان عدم تمرکز حواس به ترتیب با F_FES و D_FES و خروجی نهایی سیستم برای میزان خستگی و میزان عدم تمرکز حواس به ترتیب با F_out و D_out نمایش داده شود، خروجی نهایی سیستم از روابط ‏(۲۸) و ‏(۲۹) محاسبه خواهد شد.

در این روابط α عددی در بازه صفر و یک می‏باشد. هرچه مقدار α بیشتر باشد، تاثیر خروجی فعلی سیستم خبره فازی در خروجی نهایی کمتر است و دیرتر در خروجی نهایی ظاهر می‏شود. دیرتر ظاهر شدن خروجی فعلی سیستم خبره فازی در خروجی نهایی، به معنی تغییرات ملایم‏تر خروجی است. اگر α به صفر نزدیک شود، خروجی فعلی سیستم خبره فازی به سرعت در خروجی نهایی ظاهر می‏گردد. در این حالت با توجه به تغییرات گسسته خروجی سیستم خبره فازی، خروجی نهایی سیستم نیز ملایم نبوده و تغییرات گسسته خواهد داشت. از طرفی افزایش بیش از حد α، باعث افزایش تاخیر بیش از حد سیستم در واکنش به تغییر وضعیت راننده می‏شود. بنابراین باید مقدار α به نحوی انتخاب شود که ضمن ایجاد تغییرات ملایم و پایدار در خروجی، حساسیت سیستم نسبت به تغییر وضعیت راننده مناسب باشد. در شکل ‏۳‑۲۵ نمونه‏هایی از تغییرات خروجی سیستم با اعمال مقادیر مختلف α نشان داده شده است. برای سیستم پیشنهادی مقدار α برابر با ۹/۰ انتخاب شده است.
شکل ‏۳‑۲۵: نمایش تغییرات شکل خروجی نهایی سیستم با تغییر مقدار α در رابطه میانگین‏گیری مداوم. از بالا به پایین مقادیر α برابر است با صفر، ۸/۰ و ۹/۰
نتایج آزمایش‏ها و ارزیابی سیستم
نحوه آزمایش سیستم
همانطور که قبلا ذکر شد، نرم‏افزار هوشمند سیستم نظارت چهره راننده شامل چندین بخش است. آزمایش کلی سیستم و ارزیابی کلی آن بسیار مشکل است. چراکه نیازمند استفاده از امکانات شبیه‏سازی رایانه‏ای برای شبیه‏سازی جاده و ترافیک در آزمایشگاه و آزمایش سیستم بر روی افراد مختلف در موقعیت شبیه‏سازی شده است. به دلیل هزینه بسیار زیاد امکانات شبیه‏سازی رایانه‏ای، استفاده از چنین روش برای آزمایش سیستم پیشنهادی غیرممکن است. بنابراین سیستم با بهره گرفتن از تصاویر ویدیویی ضبط شده توسط یک دوربین دیجیتال، به صورت off-line مورد آزمایش قرار گرفت.
تصاویر ضبط شده به دو دسته کلی قابل تقسیم است:
تصاویر ضبط شده در شرایط واقعی (شکل ‏۴‑۱)
تصاویر ضبط شده در شرایط آزمایشگاهی (شکل ‏۴‑۲)

شکل ‏۴‑۱: نمونه‏هایی از تصاویر تهیه شده در محیط واقعی (داخل خودرو) برای آزمایش سیستم

شکل ‏۴‑۲: نمونه‏هایی از تصاویر تهیه شده در محیط آزمایشگاهی برای آزمایش سیستم
در مجموع بیش از ۱۰۰ دقیقه فیلم از ۱۳ فرد مختلف، در شرایط نوری و مکانی متفاوت تهیه شد. در جدول ‏۴‑۱ مدت زمان و تعداد فیلم‏های تهیه شده برای آزمایش به تفکیک نوع شرایط محیط (واقعی یا آزمایشگاهی) دسته ‏بندی و ارائه شده است. فیلم‏های تهیه شده در محیط واقعی از درون چهار خودرو متداول در ایران شامل پژو ۴۰۵، پژو ۲۰۶، تندر ۹۰ و پراید ضبط گردیده است.
جدول ‏۴‑۱: تعداد و مدت زمان فیلم‏های تهیه شده برای آزمایش سیستم به تفکیک شرایط محیط

شرایط

شرایط واقعی

شرایط آزمایشگاهی

مجموع

مدت (دقیقه)