fa نقش روش‌های ابتکاری با طول متغیر در طراحی و آموزش بهینه شبکه‌های ANFIS مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;"><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">سامانه‌‌های </span></span></strong><strong><span dir="LTR"><span style="font-size:8.0pt;">ANFIS</span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;"> به‌دلیل عملکرد قابل قبولی که در زمینه ایجاد و آموزش طبقه‌بند فازی داده دارند، بسیار موردتوجه واقع‌شده‌اند. یک چالش اصلی در طراحی یک سامانه </span></span></strong><strong><span dir="LTR"><span style="font-size:8.0pt;">ANFIS</span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;"> رسیدن به یک روش کارآمد، با دقت بالا و قابلیت تفسیر مناسب است. بدون تردید نوع و مکان توابع عضویت و همچنین نحوه آموزش یک شبکه </span></span></strong><strong><span dir="LTR"><span style="font-size:8.0pt;">ANFIS</span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;"> تأثیر به‌سزایی در عملکرد آن دارد. تاکنون پژوهش‌های مرتبط تنها به یافتن نوع و مکان توابع عضویت و یا پیشنهاد روشی برای آموزش این شبکه‌ها بسنده کرده‌اند. علت اصلی عدم به‌کارگیری هم‌زمان تعیین نوع و مکان توابع عضویت و آموزش یک شبکه </span></span></strong><strong><span dir="LTR"><span style="font-size:8.0pt;">ANFIS</span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;"> در ثابت بودن طول نسخه‌های استاندارد روش‌های ابتکاری است. در این مقاله، ابتدا نسخه جدیدی از روش بهینه‌سازی صفحات شیب‌دار با قابلیت متغیر‌بودن عوامل جستجو در آن، معرفی می‌شود؛ سپس قابلیت به‌وجود‌آمده، برای تعیین نوع و مکان توابع عضویت و آموزش هم‌زمان یک طبقه‌بند مبتنی بر سامانه استنتاج عصبی</span></span></strong><strong><span style="font-size:10.0pt;">&ndash;</span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">فازی تطبیقی به‌کار بسته می‌شود. </span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">نتایج&nbsp; بر روی&nbsp; چند پایگاه داده مشهور با تعداد رده‌‌های مرجع متفاوت و طول بردارهای ویژگی مختلف مورد آزمایش قرار گرفته و با نتایج روش پیشنهادی به‌صورت مقایسه‌ای گزارش شده است، این آزمایشات نشان‌دهنده عملکرد بهتر روش پیشنهادی است.</span></span></strong><span dir="LTR"><span style="font-size:10.0pt;"></span></span></div> <div style="text-align: justify;"><strong>ANFIS systems have been much considered due to their acceptable performance in terms of creation of fuzzy classifier and training. One main challenge in designing an ANFIS system is to achieve an efficient method with high accuracy and appropriate interpreting capability. Undoubtedly, type and location of membership functions and the way an ANFIS network is trained are of considerable effect on its performance. Up to present time, related researches have just found type and location of membership functions, and or suggested methods to train these networks. Main reason for lack of simultaneous determination of type and location of membership functions and training an ANFIS network is the length of standard versions of Heuristic methods being fixed. In this paper, a new version of optimization method of inclined planes will be introduced, primarily; while search factors could be variable. Then, achieved capability will be used for specifying type and location of membership functions and simultaneous training of a classifier based on adaptive neuro-fuzzy inference&nbsp;<em>system (ANFIS). </em></strong><strong>The proposed method on five benchmark datasets iris, Breast Cancer, Bupa Liver, Wine and Pima from the UCI database </strong><strong>has been tested</strong><strong>, which has different number of reference classes, different length of attribute vectors with appropriate complexity</strong><strong>.</strong> <strong>Initially, the accuracy of the test dataset for each of the selected datasets was compared using the standard 10 folded cross validation method using the standardized version of the standard length.</strong><strong>T</strong><strong>hen the same experiments were repeated by the proposed method and the results of applying the proposed method on the five aforementioned datasets were compared with the results of the </strong><strong>heuristic</strong><strong> methods with the standard length version.</strong> <strong>The comparative results show that the optimal and intelligent design of ANFIS classifier by variable length heuristics on five well-known datasets yields good and satisfactory results </strong><strong>and in each of the five problems it has provided better answers than other design methods in the ANFIS classification system.</strong></div> بازشناسی الگو, طبقه‌بندی, سامانه استنتاج عصبی – فازی تطبیقی, بهینه‌ساز صفحات شیب‌دار با طول متغیر Pattern Recognition, Classifier, adaptive neuro fuzzy inference system, variable Length Inclined Planes System Optimization algorithm 113 134 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1476-1&slc_lang=fa&sid=1 Amir Soltany mahboob امیر سلطانی محبوب soltany.mahboob@gmail.com 10031947532846008613 10031947532846008613 Yes University of Birjand دانشگاه بیرجند Seyed Hamid Zahiri Mamaghani سید حمید ظهیری ممقانی shzahiri@yahoo.com 10031947532846008614 10031947532846008614 No University of Birjand دانشگاه بیرجند