Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Razonamiento de red difusa para clasificación de patrones utilizando una nueva función de valoración positiva.
Este artículo describe una mejora del clasificador de razonamiento de retícula difusa (FLR) para la clasificación de patrones basada en una función de valoración positiva. El razonamiento de retícula difusa (FLR) fue descrito recientemente como una extensión del dominio de datos de retícula del clasificador neural fuzzy ARTMAP basado en una función de medida de inclusión de retícula. En este trabajo, mejoramos el rendimiento del clasificador FLR al definir una nueva función de valoración positiva no lineal. Como consecuencia, el algoritmo modificado logra mejores resultados de clasificación. La efectividad del FLR modificado se demuestra mediante ejemplos en varios benchmarks de reconocimiento de patrones bien conocidos.
Autores: Jamshidi Khezeli, Yazdan; Nezamabadi-pour, Hossein
Idioma: Inglés
Editor: Hindawi Publishing Corporation
Año: 2012
Disponible con Suscripción Virtualpro
Artículos
Categoría
Matemáticas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
Hindawi
Advances in Fuzzy Systems
Volume , Article ID 206121, 8 pages
https://doi.org/10.1155/2012/206121
Jamshidi Khezeli Yazdan, Nezamabadi-pour Hossein
Department of Electrical Engineering IranAcademic Editor: Herrera F.
Contact: @hindawi.com
Este artículo describe una mejora del clasificador de razonamiento de retícula difusa (FLR) para la clasificación de patrones basada en una función de valoración positiva. El razonamiento de retícula difusa (FLR) fue descrito recientemente como una extensión del dominio de datos de retícula del clasificador neural fuzzy ARTMAP basado en una función de medida de inclusión de retícula. En este trabajo, mejoramos el rendimiento del clasificador FLR al definir una nueva función de valoración positiva no lineal. Como consecuencia, el algoritmo modificado logra mejores resultados de clasificación. La efectividad del FLR modificado se demuestra mediante ejemplos en varios benchmarks de reconocimiento de patrones bien conocidos.
Descripción
Este artículo describe una mejora del clasificador de razonamiento de retícula difusa (FLR) para la clasificación de patrones basada en una función de valoración positiva. El razonamiento de retícula difusa (FLR) fue descrito recientemente como una extensión del dominio de datos de retícula del clasificador neural fuzzy ARTMAP basado en una función de medida de inclusión de retícula. En este trabajo, mejoramos el rendimiento del clasificador FLR al definir una nueva función de valoración positiva no lineal. Como consecuencia, el algoritmo modificado logra mejores resultados de clasificación. La efectividad del FLR modificado se demuestra mediante ejemplos en varios benchmarks de reconocimiento de patrones bien conocidos.