به‌کارگیری فرآیند تحلیل سلسه‌مراتبی فازی برای گزینش مدل‌های توسعه‌داده‌شده با معماری انتزاع و همجوشی تصمیم (مورد مطالعه: دسته‌بندی حروف دست‌نویس فارسی)

هدف: این پژوهش با هدف ارایه یک رویکرد کاربرد-محور برای توسعه مدل‌های یادگیری ماشین انجام شده است که توازن میان دقت مدل، سرعت پردازش و مصرف بهینه منابع را در کاربردهایی نظیر سیستم‌های هوشمند پوشیدنی مد نظر قرار دهد.روش‌شناسی پژوهش: مجموعه‌ای از مدل‌ها بر اساس معماری انتزاع و همجوشی تصمیم توسعه داده شده و سپس با رویکرد تصمیم‌گیری چندمعیاره مدل‌های مناسب برای کاربرد مورد نظر را شناسایی می‌کنیم. رویکرد پیشنهادی دارای سه فاز اصلی است: 1- توسعه مدل‌های مبتنی‌بر adfa، 2- تعریف معیارهای ارزیابی و 3- انتخاب مدل با استفاده از روش فرآیند تحلیل سلسله‌مراتبی فازی.یافته‌ها: نتایج تجربی حاصل از این پژوهش نشان‌دهنده کارایی این رویکرد در توسعه مدل‌های یادگیری ماشین مناسب برای کاربردهای مربوط به تجهیزات پوشیدنی مانند عینک‌های هوشمند است.اصالت/ارزش افزوده علمی: در این پژوهش سه نوآوری ارایه شده است: 1- استفاده از adfa برای توسعه مدل‌های دسته‌بندی حروف دست‌نویس فارسی، 2- تعریف یک انتزاع جدید برای خلاصه‌سازی تصاویر حروف دست‌نویس و 3- توسعه رویکرد مبتنی‌بر تصمیم‌گیری چندمعیاره فازی برای نگاشت مدل‌های توسعه‌یافته در adfa به کاربردهای دنیای واقعی.

applying fuzzy analytic hierarchy process to select models developed by abstraction and decision fusion architecture (case study: classification of persian handwritten characters)

purpose: this research presents an application-oriented approach for developing machine learning models that consider the trade-off between model accuracy, processing speed, and efficient resource utilization, focusing on applications such as wearable smart systems.methodology: a set of models is developed based on the abstraction and decision fusion architecture (adfa), and then, using a multi-criteria decision-making approach, the appropriate models for the intended application are identified. the proposed methodology has three main phases: 1) developing models based on the adfa, 2) defining evaluation criteria, and 3) selecting models using the fuzzy analytic hierarchy process (fahp).findings: the experimental results of this research demonstrate the effectiveness of this approach in developing suitable machine learning models for applications related to wearable devices, such as smart glasses.originality/value: this research introduces three innovations: 1) the use of adfa for developing models for the classification of persian handwritten characters, 2) defining a new abstraction for summarizing handwritten character images, and 3) developing a fuzzy multi-criteria decision-making approach for mapping the developed models in the adfa to real-world applications.