Designing fuzzy rule based classifier using self‐organizing feature map for analysis of multispectral satellite images

Abstract

We propose a novel scheme for designing fuzzy rule based classifier. An SOFM based method is used for generating a set of prototypes which is used to generate a set of fuzzy rules. Each rule represents a region in the feature space that we call the context of the rule. The rules are tuned with respect to their context. We justified that the reasoning scheme may be different in different context leading to context sensitive inferencing. To realize context sensitive inferencing we used a softmin operator with a tunable parameter. The proposed scheme is tested on several multispectral satellite image data sets and the performance is found to be much better than the results reported in the literature.

Μεθοδολογίες Ανάπτυξης Ασαφών Συστημάτων Ταξινόμησης Με Χρήση Εξελικτικών Αλγορίθμων

“…Μία πρώτη προσπάθεια έγινε µε τη χρήση των κλασικών δέντρων απόφασης [76][77][78], η οποία όµως παρουσίασε τα µειονεκτήµατα δοµικής πολυπλοκότητας που αναφέρθηκαν στην προηγούµενη ενότητα. Επιπλέον, οι εργασίες που προτείνουν τη χρήση των FRBCSs είναι ελάχιστες [79][80][81][82][83][84], οι οποίες όµως είναι ως επί το πλείστον πολύ απλοϊκές προσεγγίσεις, που δεν µπορούν να επεκταθούν σε δύσκολα προβλήµατα υψηλής διαστατικότητας. Οι µεθοδολογίες ανάπτυξης GFRBCSs, που συνιστούν εν πολλοίς αποτελεσµατικά εργαλεία για την υπερνίκηση τέτοιων δυσκολιών, αποτελούν µία σχετικά πρόσφατη θεωρία, ενώ παράλληλα υπάρχουν ελάχιστες ελύθερα διαθέσιµες προγραµµατιστικές υλοποιήσεις τους.…”