استخراج دانش از سیستم استنتاج نوروفازی انطباق‌پذیر جهت شناسایی عوارض خاص ‌شهری (مطالعه موردی: درختان و ساختمان‌ها)

امروزه از سیستم های شناسایی قدرتمندی جهت کلاسه بندی داده ها استفاده می شود که روند یادگیری در آن ها به صورت جعبه سیاه بوده بگونه ای که نحوه کلاسه بندی و ارتباط بین توصیفگرها برای کاربر قابل فهم نمی باشند.. درحالی که قابل فهم بودن دانش بدست آمده توسط سیستم های شناسایی می تواند کمک شایان توجهی به کاربر نماید تا کلاسه بندی را با دقت و صحت بیشتری انجام دهد. ازاین رو کشف دانش در قالب استخراج مجموعه ای از قوانین جهت کلاسه بندی دادها ازجمله موضوعات مهم و پرکاربرد در پردازش تصویر می باشد که سبب درک بهتر روش کلاسه بندی و بهبود آن در گام های بعدی می گردد. هدف این مقاله، پیشنهاد روندی جهت استخراج قوانین فازی به صورت شرطی از سیستم استنتاج نوروفازی انطباق پذیر برای کلاسه بندی داده های لیدار و تصاویر هوایی رقومی می باشد. تا بدین وسیله میزان اهمیت و ارتباط بین توصیفگرهایی که منجر به استخراج یک عارضه خاص می گردند در قالب یکسری قوانین فازی با زبان قابل فهم برای کاربر شناسایی گردند. به بیان دیگر مشخص شود که ارتباط کدامیک از توصیفگرها در شناسایی یک عارضه از بالاترین میزان اهمیت برخوردار است. در این راستا ابتدا تعدادی توصیفگر بالقوه اولیه تولید شده و سپس توصیفگرهای بهینه توسط الگوریتم ژنتیک انتخاب شدند. با وارد نمودن داده های آموزشی به الگوریتم جداسازی تورانه ای مقادیر اولیه برای مجموعه های فازی در مقدم قوانین تعیین گشت و طی فرآیند آموزش، کلاسه بندی کننده نهایی ایجاد و دو کلاس درختان و ساختمان ها شناسایی گشتند. سپس با پیشنهاد یک روش فازی مبنا و با استفاده از توابع عضویت نهایی بدست آمده از سیستم استنتاج نوروفازی انطباق پذیر و داده های آموزشی اخذشده از لایه های توصیفگر، مجموعه قوانین فازی موثر از فرآیند شناسایی استخراج گشت. قوانین فازی استخراج شده از این روش از لحاظ منطقی و با در نظر گرفتن لایه های توصیفگر مورد بررسی قرار گرفتند که نتایج نشان از توانایی بالای روش پیشنهادی در استخراج قوانین از فرآیند شناسایی داشتند.

Knowledge Extraction from an Adaptive Neuro-Fuzzy Inference System for Detecting Urban Objects, Case Study: Buildings and Trees

Nowadays, powerful detection systems, which the learning procedure of them is black box and is not available, have been widely used to classify data. However, the understandability of the acquired knowledge from these detection systems can significantly help operator in carrying out classification performance with high accuracy and precision. Hence, knowledge acquisition in a form of fuzzy rule set is an important issue in the image processing that causes to comprehend the classification methods appropriately and to improve them subsequently. The purpose of this paper is proposing a method to extract fuzzy rules in IFTHEN form via an Adaptive NeuroFuzzy Inference System (ANFIS) for classification LiDAR data and digital aerial images. Detection of building and tree in urban areas needs to determine some features to perform the detection procedure; because classification algorithms decide about pixel entity based on its feature vector. These features can make the object separation possible by the textural, the spectral, and the structural characteristics. Nowadays, by increasing the number of the active and passive sensors, it is possible to record the textural, the spectral, and the structural characteristics of objects in different wavelengths by various approaches. In this paper, some potentially features were generated, and then optimal features were selected using the genetic algorithm. Using the selected optimum features, an ANFIS was used to recognize the objects accurately. In this regard, at first, the prepared training data was utilized as inputs of grid partitioning algorithm and a Sugeno fuzzy inference system with one output was generated by determining the type and the number of input membership functions, as well as theS type of output membership functions. Then, the grid partitioning algorithm figured out the best state of the membership functions after investigating the whole of the possible states. Afterwards, the training and checking data were entered into the generated ANFIS and during the training procedure, the final classifier was concluded to detect buildings and trees. Finally, by proposing a different fuzzybased method and using the selected training data, as well as the output membership functions of the proposed ANFIS, a set of effective fuzzy rules were extracted. The proposed method has three main steps. In the first step, the tuned premise parameters (after training process) of inputs training data of ANFIS were extracted according to the mean values of the membership functions. In the second step, firstly, based on the number of membership functions of each feature, the total number of feasible fuzzy rules was determined. Then, for each training data, the fired values for all rules were computed. The rule that had the most effect in the process was chosen as the fired fuzzy rule of each training data related to the desired object class. In the third step, the fuzzy rules which has the importance more than a specified threshold in the classification procedure were extracted. The extracted fuzzy rules were considered and analyzed logically regarding the feature layers, and the results show the high capability of the fuzzybased proposed method in extracting rules from the objects detection procedure.