مروری بریک مدل ترکیبی از min - max فازی و بهینه سازی طوفان مغزی برای انتخاب ویژگی و طبقه بندی داده ها

روش های بهینه سازی مبتنی بر هوش تجمعی به طور گسترده ای برای مقابله با مشکلات انتخاب ویژگی مورد استفاده قرار گرفته اند. یک روش انتخاب ویژگی مهم ترین ویژگی ها را استخراج میکند و ویژگی های غیر مرتبط را از مجموعه داده ها حذف می کند، به منظور کاهش ابعاد ویژگی و بهبود دقت طبقه بندی. این مقاله یادگیری افزایشی شبکه عصبی فازی مین - ماکس و بهینه سازی طوفان مغزیرا برای انجام انتخاب ویژگی و مشکلات طبقه بندی ترکیب می کند. در قدم اول از شبکه عصبی فازی برای ایجاد تعدادی از هایپرباکس ها به صورت افزایشی استفاده می شود. و از بهینه سازی طوفان مغزی سپس برای جستجوی زیر مجموعه ویژگی بهینه به کار گرفته می شود. نتایج تجربی نشان می دهد که ترکیب این دو مدل قادر به تولید نتایج امیدوار کننده در مقایسه با نتایج شبکه عصبی فازیاصلی و سایر روش های انتخاب ویژگی مانند بهینه سازی ازدحام ذرات، الگوریتم ژنتیک و بهینه سازی شیر مورچه می باشد

Keywords:

بهینه سازی , شبکه عصبی فازی MIN-MAX , هوش تجمعی , استخراج ویژگی