Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2018 - zeszyt 5

Classification based on Gaussian-kernel Support Vector Machine with Adaptive Fuzzy Inference System

Metoda klasyfikacji bazująca na SVM I adaptacyjnej logice rozmytej

10.15199/48.2018.05.03

nr katalogowy: 113547
10.15199/48.2018.05.03

Streszczenie

In this paper, we propose a new classification approach which combines the advantages of both Gaussian-kernel Support Vector Machine and Adaptive Fuzzy Inference System. Instead of generating a large number of candidate rules as in fuzzy classification, the proposed method adopts the decision trees to generate rules directly from training data. Decision trees provide architecture to generate fuzzy IF–THEN rules from the training data where the fuzzy parameters of the rules would be optimized using Genetic Algorithm. The Gaussian-kernel SVM will be used in the classification phase using the parameters obtained from Particle Swarm Optimization. Experimental results of the proposed approach has proved significantly better accuracy than other state-of-the-art classification methods by testing it on benchmark UCI datasets.

Abstract

Zaproponowano nową metodę klasyfikacji łączącą zalety metod: Gaussian-Kernel Support Vector Machine i Adaptive Fuzzy Interference System. Wykorzystano drzewo decyzyjne do tworzenia zasad klasyfikacji bezpośrednio z danych treningowych. Parametry logiki rozmytej określano wykorxzystując algorytm genetyczny. A parametry SVM wykorzystując lagorytm mrówkowy. Metoda klasyfikacji bazująca na SVM I adaptacyjnej logice rozmytej

Słowa kluczowe

Keywords

Bibliografia

[1] Zadeh L. A., Fuzzy Sets, Information and Control, 8 (1965), No. 3, 338-353.
[2] Liu G., Chen J., Zhong J., An integrated SVM and fuzzy AHP approach for selecting third party logistics providers, Przegląd Elektrotechniczny , 88 (2012), No. 18, 5-8.
[3] Yang L., Mingzi X., Jin Z., A Novel Adaptive Fuzzy Controller Approach of Brushless DC Motors without Hall and Position Sensors, Przegląd Elektrotechniczny, 88 (2012), No. 12a, 290- 294.
[4] Cao H., Wang Y., Jia L., Adaptive Neuro-Fuzzy Inference System-Based Pulverizing Capability Model for Running Time Assessment of Ball Mill Pulverizing System, Przegląd Elektrotechniczny , 89 (2013), No. 5, 122-127.
[5] Scholkopf B., Smola A. J., Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. Cambridge, MA, USA: MIT Press, 2001.
[6] Karatzoglou A., Meyer D., Hornik K., Support Vector Machines in R, Journal of Statistical Software, 15(2006), No. 9, 1-28.
[7] Burges C. J. C., A Tutorial on Support Vector Machines for Pattern Recognition, Data Min. Knowl. Discov., 2 (1998), No. 2, 121-167.
[8] Christianini N, Shawe-Taylor J., An introduction to support Vector Machines: and other kernel-based learning methods, Newyork 1999.
[9] Vapnik V. N., The Nature of Statistical Learning Theory, USA: Springer-Verlag, 1995.
[10] N. Cristianini and J. Shawe-Taylor, An Introduction to Support Vector Machines: And Other Kernel-Based Learning Methods. New York, NY, USA: Cambridge University Press, 2000.
[11] Kennedy J., Eberhart R., Particle swarm optimization, IEEE International Conference on Neural Networks, 4 (1995), 1942- 1948.
[12] Sheng Ding and Shunxin Li, PSO parameters optimization based support vector machines for hyperspectral classification, 2009 1st International Conference on Information Science and Engineering (ICISE), Nanjing, 2009, 4066-4069.
[13] Eberhart R. C., Shi Y., Kennedy J., Swarm Intelligence (the Morgan Kaufmann Series in Evolutionary Computation). Morgan Kaufmann, 2001.
[14] Cintra, M. E., Monard, M. C., Camargo, H. A., A Fuzzy decision tree algorithm based on C4.5, Mathware & Soft Computing Magazine. 20 (2013), No. 1, 56-62.
[15] Ardjani F., Sadouni K., Benyettou M., Optimization of SVM MultiClass by particle swarm (PSO-SVM), 2010 2nd International Workshop on Database Technology and Applications (DBTA), Wuhan, 2010, 1-4.
[16] De Souza B. F., De Carvalho A. C. P. L. F., Calvo R., Ishii R. P., Multiclass SVM model selection using particle swarm optimization, 2006 Sixth International Conference on Hybrid Intelligent Systems (HIS'06), Rio de Janeiro, Brazil, 2006, 31- 36.
[17] JAJCZYK J., Optimisation using a parallelised genetic algorithm on a personal computer, Przegląd Elektrotechniczny , 91 (2015), No. 7, 36-38.
[18] Hekim M., ANN-based classification of EEG signals using the average power based on rectangle approximation window, Przegląd Elektrotechniczny , 88 (2012), No.18, 210-215.
[19] Blake C., Merz C., UCI repository of machine learning databases.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 113547 "Classification based on G..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2018-5 licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2018-5

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma