استخراج قوانین فازى از داده ‏هاى GIS با استفاده از شبکه عصبى فازى جهت تشخیص بافت‏ هاى فرسوده مناطق 5 و 11 شهر تهران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیأت علمى دانشگاه شهید بهشتى

2 کارشناس ارشد سنجش از دور و GIS دانشگاه شهید بهشتى

چکیده

در این تحقیق روشى جهت استخراج قوانین فازى مؤثر و قابل تفسیر از داده ‏هاى GIS با استفاده از سیستم عصبى - فازى ارائه شده است. مدل فازى جهت رسیدن به دقت و تفسیرپذیرى بالا از سه مرحله عبور کرده است. در مرحله اول وزن‏ هاى اولیه شبکه عصبى - فازى با استفاده از الگوریتم خوشه ‏بندى FCM به دست آمد. به منظور طبقه‏ بندى دقیق داده‏ هاى آموزشى در مرحله دوم از یک سیستم عصبى- فازى CANFIS استفاده گردید و بدلیل از دست رفتن قابلیت تفسیرپذیرى مدل‏ فازى‏ از الگوریتم‏ هاى ژنتیک جهت غلبه بر این محدودیت استفاده گردید. روش ارائه شده بر روى داده ‏هاى مناطق 5 و 11 شهر تهران جهت تشخیص بافت‏ هاى فرسوده مورد آزمایش قرار گرفته است. مسئله مورد بررسى از نوع طبقه ‏بندى بوده و هدف تعیین درجات عضویت بافت‏ ها به هریک از طبقات مى ‏باشد. فرسودگى بافت‏ ها در 4 طبقه شامل فرسودگى کم، متوسط، زیاد و بسیار زیاد مورد بررسى قرار گرفته است.
تعداد 300 نمونه آموزشى مورد استفاده قرار گرفت که پس از آموزش شبکه تمام داده‏ هاى آموزشى به صورت صحیح و با RMS=0.0045 طبقه ‏بندى گردید. نتایج به دست آمده حاکى از آن است که روش ارائه شده در این تحقیق قابلیت تعمیم به مسائلى که در آن دانش کافى از سیستم هدف در دسترس نمى‏ باشد را داراست و از دقت و تفسیرپذیرى بالایى برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Extraction of Fuzzy Rules from GIS Data using Fuzzy Nervous Network for Identifying Decayed Tissues in Tehran's 5th and 11th Districts.

نویسندگان [English]

  • Parviz Ziaeian Firuzabadi 1
  • Alireza Matkan 1
  • Vahid Babazadeh 2
1 Member of Faculty, Shahid Beheshti University
2 Master of Remote Sensing and GIS, Shahid Beheshti University
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Geographic Information System
  • fuzzy rules inference
  • FCM clustering algorithm
  • CANFIS nervous-fuzzy system
  • genetic algorithm
  • decayed urban texture
- Cordon, O.,Herrera,F.,Hoffman,F., and Magdalena,L.,2001.Genetic Fuzzy Systems. Evolutionary Tuning and Learning of Fuzzy Knowledge Bases,World Scientific,Singapore.

- Dubois,D.and Prade.H.,1980.Fuzzy sets and Systems: theory and applications.Academic press, New York.

- Goldberg,D.E.,1989.Genetic Algorithms in Search, Optimization and Machine Learning, Kluwer Academic Publishers, Boston,MA.

- Jang, J.S.R.,Sun,C.T.and Mizutani,E.,1997.Neuro-Fuzzy and Soft

Computing:A Computational Approach to Learning and Machine Intellignce, Prentice Hall Inc.

- Ljung L.,1987.System Identification:Theory for the User. Prentice-

Hall,Englewood Cliffs,NJ.

- Mamdani,E.H. and Assilian,S.,1975.An experiment in Linguistic Synthesis With a Fuzzy Logic Controller, Int.J.Man-Mach,p.1-13.

Nauck,D.,Klawon, F.and Kruse,R.,1997.Foundations of Neuro-Fuzzy Systems,John Wiley & Sons- Interscience, New York.

- Rutkowski,L., 2008.Computational Intelligence, Methods and Techniques,

Springer Press,p.410-435.

- Zadeh,L.A.,1965.Fuzzy sets. Information and Control, Vol.8,p.338-353.