روشی جدید برای عضویت دهی به داده ها و شناسایی نوفه و داده های پرت با استفاده از ماشین بردار پشتیبان فازی

در این مقاله روشی جدید را با استفاده از ماشین بردار پشتیبان فازی به منظور عضویت‎دهی داده های آموزشی، براساس فاصله از ابر صفحه جداکننده معرفی می شود. در این روش، با استفاده از طبقه بندی ماشین بردار پشتیبان و نیز عضویت نخستین داده های آموزشی، یک تابع عضویت فازی به کمک اعداد فازی مثلثی متقارن برای تمام فضا معرفی می شود. مبتنی بر این روش، مقدار تابع عضویت فازی هر داده جدیدی که می خواهد طبقه بندی شود، به گونه ای انتخاب می شود که کمترین میزان اختلاف را با عضویت اولیه داده های آموزشی و بیشترین میزان فازی سازی داشته باشد. نخست این مساله به صورت یک مساله بهینه سازی غیرخطی تعریف، سپس به کمک روش نقاط بحرانی، الگوریتمی کارا معرفی می شود و تابع عضویت نهایی داده های آموزشی به دست می آید؛ همچنین، در ادامه با مقایسه مقدار عضویت های اولیه داده های آموزشی با توزیع عضویت نهایی به دست آمده از روش پیشنهادی، میزان نوفه ای بودن داده آموزشی بررسی می شود. در انتهای این مقاله نیز جهت فهم بهتر و نشان دادن کارایی الگوریتم، آزمایش هایی انجام و چگونگی رفتار الگوریتم پیشنهادی بر روی نمودار پیاده سازی و با یک روش پایه مقایسه می شود.