%0 Journal Article %T یادگیری مبتنی بر کلاس‌بندی c- میانگین با استفاده از توزیع آمیخته مقیاسی نرمال با اطلاعات گمشده %J سیستم های فازی و کاربردها %I انجمن سیستم های فازی ایران %Z 2717-4409 %A بیگدلی, حمید %A دریجانی, سعید %D 2023 %\ 01/21/2023 %V 5 %N 2 %P 203-225 %! یادگیری مبتنی بر کلاس‌بندی c- میانگین با استفاده از توزیع آمیخته مقیاسی نرمال با اطلاعات گمشده %K بازسازی تصویر‏ %K کلاس‌بندی فازی‏ %K توزیع مخلوط متناهی %K توزیع مخلوط متناهی امیخته مقیاسی نرمال %K داده گمشده %R 10.22034/jfsa.2023.339618.1127 %X یکی از پرکاربردترین مدل‌ها برای رده‌بندی‎‎ یا کلاس‌بندی داده‌ها که در سال‌های اخیر مورد توجه بسیاری از پژوهشگران قرار گرفته است، مدل‌های مخلوط متناهی است. بطور کلی رده‌بندی به فرایندی گفته می‌شود که در آن هر یک از مشاهدات به یکی از گروه‌های مشخص شده تعلق گرفته می‌شود. گرچه ایده اصلی در مدل‌های مخلوط بر اساس توزیع نرمال بوده است، اما در سال‌های اخیر با معرفی توزیع‌های دیگر مدل‌های مخلوط بر اساس این توزیع‌ها مورد توجه بسیاری از محققین بوده است. در مقالات از الگوریتم ‎EM‎ و گسترش‌های آن برای برآوردیابی استفاده شده است. با این حال این امکان وجود دارد که الگوریتم ‎EM‎ نتایج مناسبی برای کلاس‌بندی ارایه ندهد‏، زیرا در این روش هر عضو مشاهدات متعلق به یک کلاس است. این محدودیت باعث استفاده از رویکرد کلاس‌بندی فازی در این نوع مسائل شد. در این مقاله یک الگوریتم کلاس‌بندی براساس توزیع مخلوط متناهی‏ آمیخته مقیاسی نرمال‏ ارائه شده است. در این الگوریتم برای کلاس‌بندی از روش یادگیری فازی ‎‎$‎-c‎$‎میانگین استفاده شده است.‎ برای بررسی تاثیر مقادیر گمشده بر کلاس‌بندی داده‌ها‏، داده گمشده نیز در نظر گرفته شده است. از ساختار توزیع مخلوط متناهی‏ آمیخته مقیاسی نرما‎‏ل برای بررسی داده‌های گمشده و کلاس‌بندی داده‌ها استفاده می‌شود. در انتها نیز با استفاده از مثال واقعی و داده‌های شبیه‌سازی شده، مقایسه بین الگوریتم ‎$\text{‎LB-‎FCM}‎$‎‎ و ‎$\text{‎EM}$‎‎ صورت می‌گیرد. از این مقایسه نتیجه شده است که استفاده از این الگوریتم برای کلاس‌بندی داده‎‌ها مناسبتر است. %U https://jfsa.fuzzy.ir/article_165904_d97d8fd55c54e835765555a1a3ffc681.pdf